云课堂教育大数据交互式可视化研究*

张维，李姣姣，舒江波，张昭理（华中师范大学国家数字化学习工程技术研究中心，湖北武汉430079）

创新探索

云课堂教育大数据交互式可视化研究*

张维，李姣姣，舒江波，张昭理
（华中师范大学国家数字化学习工程技术研究中心，湖北武汉430079）

近几年来，教育大数据的概念逐渐出现在人们的视线中，如何让生成的大量数据变得更加易于理解并反馈于教学，已成为教育工作者面临的重大问题。针对该问题，将海量的、复杂的、实时的数据转换为动态的图像的可视化方法无疑是最有效的途径。以云课堂中生成的数据为数据来源，实现了华中师范大学云课堂历史数据的可视化，并对可视化结果进行分析，反馈给教学管理者以及教师，指导教师教学和学生学习。

教育大数据；云课堂；数据可视化；教育云

一、引言

从云计算的概念出现以来，云在教育领域的发展便受到各国政府的高度重视。美国、法国、韩国等都将教育云作为云计算的核心应用领域，先后启动了教育云建设计划［1］。目前，国外比较成熟的K12云平台有可汗学院、谷歌Classroom、Office365，这些平台利用网络传输的便捷性可以帮助学习者随时随地进行学习［2，3］。然而在国外享受无基础设施的教育信息化便利的同时，中国的大部分地区还面临着教育基础设施不均衡的问题［4，5］。为了推进云计算在我国的应用，教育部于2012年3月发布了《教育信息化十年发展规划（2011-2022年）》，明确提出采用云计算服务模式，形成资源配置与服务的集约化、效益化、优质化发展途径，构建稳定可靠、低成本的国家教育云服务平台［6，7］。

大数据时代，我们不能照搬国外的技术和平台。我们应该占领教育的高地，这是国家战略的需要，而且教育承载着国家的安全，必须要有自己的平台［8］。为此我们在借鉴资源服务已有框架体系、平台和模式的基础上开发了具有中国特色的平台，即云课堂平台［9］。近几年来，伴随着学校对云课堂的使用，快速增长的数据给教学管理者带来了巨大的压力。如何从海量、复杂、实时的数据中快速获取精准的信息，并发现其中的规律从而提出更好的管理方案，是当前教育管理者面临的难题［10-15］。由此可见，对教育大数据可视化的研究是十分有必要的。但是有关教育大数据可视化的相关信息是少之又少，在中国知网中的检索条件选择“主题”，检索，输入“大数据”并含“可视化”，共检索出576条结果，其中大部分是关于生物、地理、医学和新闻等领域，与教育领域相关的文献虽然有，但是很少有与教育大数据切实相关的，可见大数据可视化在教育领域的应用正处于起步阶段。

二、云课堂学习系统设计

图1　云课堂PC端界面

在线课堂平台是为支撑学生开展在线学习活动的软件系统，一直以来都是教育行业的核心业务系统。云课堂是在教育云和教育大数据背景下，利用云理念和云技术打造的一种在线开放课堂。为了紧随教育时代的潮流，华中师范大学研制了属于本校的云课堂平台，开发了PC端、Web端和移动手机端三个版本 （如图1、图2和图3所示）。此外，结合学校开展学历教育慕课教学的需求，为其定制了专门的云课堂版本，即华大云课堂，在华中师大面向全校本科生、研究生开展云课堂的应用实践［1］。

图2　云课堂Web端界面

图3　云课堂移动端界面

截止到目前为止，华大云课堂上已开设了4199门课程，共10311节课，用户数（包括教师、助教和学生）已超过3万人，上传的资源更是达到了452662个，总容量有3.9855T。这就意味着云课堂每时每刻都会产生海量的、复杂的数据。那么如何呈现这些错乱复杂的数据，让用户对这些数据有一个直观清晰的认识，而不仅仅只是表格那么简单，是云课堂的管理者、教育工作者目前面临的重大难题。

国内关于教育大数据的定义最早是从产生教育大数据的主体出发的，将教育大数据区分为广义的和狭义的两种，广义的教育大数据泛指来源于日常教育活动中人类的行为数据；狭义的教育大数据指的是学习者的行为数据［7］。根据对云课堂的数据的分析，将云课堂的大数据界定为：学生以及课堂的基本信息；学生在课堂中的学习行为，包括学生的学习时长、学生的发帖/回帖数、作业评分、期末总分。

三、云课堂教育大数据可视化

随着云课堂使用人数的增多，每天都会产生大量的数据，可是却没有对这些数据进行系统的分析，不能发挥这些数据应有的作用。如何将这些数据反馈于教学工作者帮助他们进行有效的教学，如何利用目前已有的数据并快速对其进行分析预测，是目前云课堂平台中迫切需要解决的问题，所以对云课堂的数据进行可视化是十分有必要的。根据校领导及管理员的需求，从管理层和用户的角度出发，提出了一套可行性方案，通过实现界面端的数据可视化的直观图例，对云课堂的使用情况进行观察及对学生的学习行为进行分析，并给教学管理者和教学工作者提出一些可行性的建议，为提高学生的学习效率提供真实可靠的依据。

1.教育大数据组织

在云课堂中，数据的来源主要有四个，如图4所示。一是Sakai数据库，主要存储用户、课程等的基本信息；二是MongoDB数据库，主要记录学生在课堂中的学习时长；三是用来记录教师与学生的发帖/回帖数；四是记录用户的角色、功能模块等信息。

图4　数据来源图

2.可视化层结构设计

可视化框架结构如图5所示。该结构主要分为四层，分别是数据源层、数据存储层、数据分析层和数据可视化层。

数据源层：包括云课堂中已有的数据资源，包括云课堂中教师、学生的总人数，总的课程数，学生的学习行为记录等数据资源。

数据存储层：不同来源的数据格式也有所不同，需要对它们进行统一的格式规定。在本案例中，把不同来源的数据通过不同的服务存储到Mysql数据库中，方便可视化时统一调用。

数据处理层：因为数据存在很多的维度，需在eclipse中对数据进行分析并找出需要呈现的维度从数据存储层挖掘出数据，并传到数据可视化层。

图5　可视化框架结构图

数据可视化层：这是最顶端的一层，通过一些可视化工具将分析好的数据以图形的方式展现出来，并呈现给用户。

3.可视化结果与数据分析

目前云课堂已在学校中得到广泛的应用，大部分教师授课都是通过线上课堂与线下课堂两种方式来进行的，但是云课堂只提供了数据的存储、检索和其他一些基本统计功能，而且大部分的统计数据都是以表格的形式来呈现的，缺乏数据可视化的功能，导致数据处理的结果不直观清晰。针对这个缺陷提出了数据可视化的方案，把大量的、复杂的数据以恰当的图像图表的形式展现出来，能够给用户带来很好的体验。

图6　课堂建设情况图

以云课堂的课堂建设为例，针对2013年到2015年每个学期开课的数量，在没有可视化之前，这些数据是以表格的形式展现的。有可视化之后，根据每年每个季度开课的数量、每年开课的平均数、每个季度开课的总数等维度，以柱状图、折线图和饼状图的混合图来展示，如图6所示。由饼状图可以明显看出，春秋季度的开课数高于夏季的开课数，因为夏季的课程在暑期开设，很少有课程在暑期开设；由柱状图可以看出，每年开课的数量都有所增长，另外每个季度的开课数量每年也都会增长；由折线图可以看出，每个季度的平均课堂数正在以线性方式增长。由此可以得出云课堂的使用越来越普及，规模也越来越大。

图7　论坛讨论情况图

再以云课堂中学生论坛讨论为例，可视化效果如图7所示。图7以学生的发帖回帖人数和帖子数分别作图，以文理分科为维度明显可以看出，不论是发帖/回帖人数还是发帖数和回帖数，文科生都要高出理科生很多，可见文科生比理科生更活跃、更善于文字的表达。

四、结束语

伴随着大数据时代的到来，数据带来的价值日益受到各行各业的重视。在教育领域，通过对数据的获取和分析，可以帮助教育工作者做出科学的决策，并为学生制定出更好的发展策略和目标，帮助学生梳理信息，实现个人价值。通过对云课堂中数据的处理与可视化，可以从可视化结果中发现一些在表格中发现不了的结论，利用这些结论可以反作用于教学，从而更好的提高教学质量。但是值得注意的是，数据可视化并不是呈现数据的万能工具，不能盲目的对数据进行可视化，不当的可视化是无法正确的呈现数据的。总而言之，数据可视化是解决大量的、复杂的数据的有效途径，但不是唯一的途径。

［1］孙建文，张昭理，刘三女牙，舒江波.基于开源技术的云课堂平台构建［J］.中国教育信息化，2014（19）：20-23.

［2］González-Martínez J A，Bote-Lorenzo M L，Gómez-Sánchez E，Cano-Parra R.Cloud computing and education：A state-of-the-art survey［J］.Computers&Education，2015（80）：132-151.

［3］Keller L A，Colvin K F.The Rise of Data in Education Systems：Collection，Visualization，and Use［J］.Comparative Education Review，2014（58）：549-551.

［4］张洪孟，胡凡刚.教育虚拟社区：教育大数据的必然回归［J］.开放教育研究，2015（1）：44-52.

［5］赵斌.数据可视化在上海图书馆数据展示服务中的应用［J］.图书馆杂志，2015（2）：23-29.

［6］舒江波，张昭理，孙建文，杨森，李勇.面向个性化教学的云资源服务框架［J］.中国教育信息化，2014（19）：16-20.

［7］徐鹏，王以宁，刘艳华，张海.大数据视角分析学习变革［J］.远程教育杂志，2013（6）：11-17.

［8］刘圣晨.基于.Net平台的数据可视化软件的设计与实现［D］.厦门：厦门大学，2013.

［9］Maltese AV，Svetina D，Harsh JA.Data Visualization Literacy：Investigating Data Interpretation Along the Novice-Expert Continuum.Journal of College Science Teaching.2015（45）：84-90.

［10］H.Liu，Z.Zhang，S.Liu，J.Shu，T.Liu，and T. Zhang.Blind spectrum reconstruction algorithm with L0-sparse representation［J］.Measurement Science and Technology，2015（26）：502-509.

［11］郭君芳.教育信息数据的可视化研究［D］.上海：上海师范大学：2010.

［12］陈明.大数据可视化分析［J］.计算机教育，2015（5）：94-97.

［13］H.Liu，Z.Zhang，S.Liu，T.Liu，L.Yan，and T. Zhang.Richardson-Lucy blind deconvolution of spectroscopic data with wavelet regularization［J］.Applied Optics，2015（54）：1770-1775.

［14］Forbes S，Chapman J，Harraway J，Stirling D，Wild C.Use of Data Visualisation In the Teaching of Statistics：A New Zealand Perspective［J］.Statistics Education Research Journal，2014（13）：187-201.

［15］H.Liu，L.Yan，Y.Chang，H.Fang，and T. Zhang.Spectral deconvolution and feature extraction with robustadaptiveTikhonovregularization［J］.IEEE Transactions on Instrumentation and Measurement，2013（62）：315-327.

（编辑：鲁利瑞）

TP393

A

1673-8454（2016）12-0001-04

*本文系以下项目的研究成果：华中师范大学中央高校基本科研业务费项目 “基于storm构建数据分析云服务的关键技术研究”（编号：CCNU15A05059），国家科技支撑计划课题 “中小学师资培训公共服务体系关键技术及标准规范研究”（课题编号：2014BAH22F01），“教育云服务关键技术攻关”（课题编号：2013BAH72B01），“地方志可视化技术研究与演示平台实现”（课题编号：2015BAK07B03），国家自然科学基金项目（项目编号：61505064）。