关联规则在移动学习中学习效果评价的应用研究

马宁生 吕璐璐 方 恺 岳春晓

(1同济大学物理科学与工程学院，上海 200092； 2上海建桥学院信息技术学院，上海 201315)

1 引出问题

随着教育信息化的推进，教育系统产生了大量无序杂乱的、不连续的、有噪声的但又为人所不知的、 隐藏的、有用数据，如何把现代教育技术、数据整理与分析等和教学评价有机结合，更好地完成教学任务已成为教育者普遍关注的课题。同时，随着“评价方法多样化、多元化、个性化”的提出以及学生在线学习过程中各种大数据的产生，全面实现教学评价手段信息化、简洁化已迫在眉睫。

图2 移动平台中的测试系统

2018年发表的地平线报告中，研究机构认为近一两年高等教育研究将会采纳分析技术，这揭示了高等教育界对教育数据分析的重视[1]。美国教育技术办公室在近几年发布的《通过教育数据挖掘和学习分析促进教与学》同样指出，教育数据挖掘和学习分析是高等教育最重要的发展趋势，单纯的数据统计已经不能满足教育信息化的需求。

2 大学物理光学实验移动学习平台

教育数据的有效利用离不开一个比较完善的移动学习系统，学生的在线测试、微课程资源的学习、教育数据的搜集、学习效果评价等，都需要一个有效的移动学习系统。针对教学需求我们开发了由影视微课程、题库、评价系统为一体的移动学习平台[2]。学生通过扫描实验课程教材上的二维码进入移动学习平台，可选择性观看实验原理、实验内容、实验视频(图1)。

图1 移动平台中的微课程学习系统

进入平台中的〈题库〉其内容管理充分利用开源软件WordPress平台以及其具有题库功能的优秀插件WP PRO QUIZ，并在此基础之上进行了二次开发以满足实际教学需求。移动端题库分为前端测试和后台管理两个部分，进入实验测试，完成测试后可以查看该实验的答题成绩(答错会以桔红色标出，并显示正确答案)见图2。

进入平台中的〈评价〉，学生可以查看全部实验的答题成绩、本班的平均成绩、答题次数、知识结构(见图3)。WordPress平台的插件WP PRO QUIZ有其优异的功能，经过二次开发可实现各类数据统计数据的EXCEL表格导出。

图3 测试成绩统计

3 关联规则算法模型搭建

3.1 数据收集、清理和转换

同济大学的光学实验课程面向2个专业学生，课程中的10实验项目向工科十几个学院开设。针对不同的学生使用光学实验移动学习系统，在后台获取收集交互数据进行整理和分析，以优化学习效果评价。学习者的个性化特征主要考虑学习者对知识掌握的程度：包括物理概念的掌握和物理器材的使用；实验步骤的熟练掌握；实验中结论的应用[3]。

由于物理光学实验移动学习系统是通过移动端答题，学生在答题过程中难免会出现网络连接不通畅而造成测试成绩数据重复或者不完整，原始的数据统计中必然会存在一些孤立的、无效的数据，不能直接用于关联规则的算法，必须对它进行清理和转换，主要是识别和删除孤立点，处理空缺值等。

3.2 建立关联规则算法模型

关联规则是一种描述数据库的数据项之间隐含的联系或者它们之间潜在的相关性的规则，如果满足最小支持度阈值和最小置信度阈值，则认为关联规则是有趣的。这些阈值是根据挖掘需要人为设定。关联规则算法是确定数据关联性的重要算法之一，然而现在的许多研究只停留在了解关联规则算法的表面，过于强调关联规则本身而忽视其带来的实际应用，导致关联规则算法在教育领域的应用较少[4]。以关联规则的基本定义为依据，能够使用在计算机语言中的模型[5]，一方面开发者可以直接将建立好的模型应用于程序开发之中，轻松连接和调用数据库中的各个表格，另一方面开发者在调用关联规则算法模型进行开发后，使用者能够直观地了解各项之间的关联性，关联性这个抽象的概念将变得可视化[6]，构建模型的代码如下所示：

关联规则算法模型代码清单

L1={频繁1-项集}；

k=2；

while(Lk-1≠∅){

Ck=apriori_gen(L Lk-1)//产生候选项集,得到支持度最小的项

X=get_item_minsup(Ck,L1);//得到所在事务ID

TgtID = get_Transaction_ID(x)；//得到需要搜索的事务集合

Tcoll = getTransaction(TgtID)；

for each transaction T in Tcoll dot{

if(项集c∈Ck并且C∈T)

c.count++;}

Lk= {c∈Ck,count≥minsup}；

}

4 关联规则在学习效果评价中的具体应用

教学应用以学生背景、学习交互信息、学生知识结构类型3个方面的数据进行统计分析。在统计数据期间，因为实验项目实行自选顺序，即每个学生的实验项目操作时间不同，所以在所有实验项目中，学生参与实验项目的测试学习时间顺序也不会相同[7]。

4.1 学生背景与学习效果关联性分析

学生背景是学生不可或缺的个性特征，光学实验课程是针对全校不同学院开设的课程，学习人数较多，学生背景较复杂。为了将学生背景与学习效果关联性进行分析，将学生整体分为有物理背景和无物理背景，其中有物理背景分为普通班物理背景与实验班物理背景。收集数据库中的成绩，将数据离散化，对学生背景、实验项目和其对应成绩映射成相对应字符。普通班物理背景学生映射成字符Ordinary Student Physics Class，实验班物理背景学生映射成字符Top Student Physics Class，无物理背景学生映射成字符Non-Physics Class，将实验项目名称按顺序映射成字符Experiment1、…、Experiment17。根据学生成绩的实际情况，利用SPSS modeler软件将成绩阈值分别设为5、6、7、8、9、10(满分为10)进行关联性分析。设定最小支持度为0.4，最小置信度为0.7。学生测试成绩如图4.1所示，部分关联性计算结果如表1所示。

图4.1 学生测试成绩

表1 部分关联性计算结果

从图4.1可以看出，物理学院的学生比非物理学院的学生在17套实验测试中获得更好的成绩，大约高出2%～3%；物理学院实验班的学生比物理学院普通班的学生在17套实验测试中获得更好的成绩，大约高出1%～2%。从表1可以看出，学生背景确实与学习效果有着关联性，不同背景的学生成绩有一定的差距。物理学院实验班的学生成绩优于物理学院普通班的学生，物理学院的学生成绩要优于非物理学院的学生，这说明同济大学学生入学前的基础知识背景不一样，教师在进行物理光学实验教学过程中要综合考虑各班级学生背景因材施教，尤其是在进行学习效果评价时需考虑各班级学生背景以保证评价的客观性与公正性。

4.2 学生登录时长与学习效果关联性分析

系统中的实验测验系统是利用开源软件WordPress平台以及其具有题库功能的优秀插件WP PRO QUIZ，并在此基础之上进行二次开发。插件WP PRO QUIZ中设置登录时长统计功能。登录时长统计是对页面取得当前的系统时间减去登录时间得到的差的统计，为了将学生登录时长与学习效果关联性进行分析，将所有使用光学实验移动学习系统的学生登录时长分为40～60min、60～80min、80～100min、超过100min，对应的映射为40～60min、60～80 min、80～100min、more than 100min。收集数据库中的成绩，将数据离散化，对登录时长和其学生对应的平均成绩映射成相对应字符。学生平均成绩对应的映射为5～6、6～7、7～8、8～9、9～10。利用SPSS modeler软件进行关联性分析。设定最小支持度为0.1，最小置信度为0.7。学生测试的平均分如图4.2所示，部分关联性计算结果如表2所示。

图4.2 不同登录时长的学生测试平均分

表2 部分关联性计算结果

从图4.2可以看出登录时长与学习效果确实有着关联性，不同的登录时长导致学生实验成绩有一定的差距。因此教师在对学生进行学习效果评价时应考虑登录时长因素，在平时教学过程中要鼓励学生坚持利用光学实验移动学习系统进行学习，而不是只为了答题。

4.3 学生答题次数与学习效果关联性分析

光学实验移动学习系统中答题次数的统计同样利用其插件WP PRO QUIZ进行设置。答题次数是系统取得答题平台中学生进行试卷答题次数的统计。答题次数的统计是对学生进行答题总和的统计。为了将学生答题次数与学习效果关联性进行分析，将所有学生的登录次数分为10～20次、20～30次、30～40次、超过40次，对应的映射为10～20、20～30、30～40、more than 40。收集数据库中的成绩，将数据离散化，对登录次数和其学生对应的平均成绩映射成相对应字符。利用SPSS modeler软件进行关联性分析。研究设定最小支持度为0.3，最小置信度为0.6。学生测试的平均分如图4.3所示，部分关联性计算结果如表3所示。

图4.3 不同答题次数的学生测试平均分

表3 部分关联性计算结果

从图4.3可以看出，物理光学实验移动学习系统的登录次数与学习效果确实有着关联性，不同的登录次数导致学生实验成绩有一定的差距。因此教师在对学生进行学习效果评价时应考虑登录次数因素，在平时教学过程中也要鼓励学生多次登录及利用移动学习系统进行不断学习，以提高相关知识水平。

4.4 学生知识结构类型与学习效果关联性分析

对测试题内容进行设计并进行编码，共分为3个不同的交互层次。第一层次涉及的物理概念和所使用的物理器材，第二层次是对于实验中进行的步骤，第三层次是对该实验中结论的应用。在试题设计的基础上对学生的平均分进行统计。

为了将学生知识结构类型与学习效果关联性进行分析，将所有学生知识结构类型分为第一层次，第二层次，第三层次，分别以level1，level2，level3进行字符映射。收集数据库中的成绩，将数据离散化。设定最小支持度为0.2，最小置信度为0.6。学生测试的平均分如图4.4所示，部分关联性计算结果如表4所示。

图4.4 不同知识结构类型的学生平均分分布

从表4可以看出，学生的知识结构水平与学习效果确实有着关联性，知识结构水平不同的学生实验成绩有一定的差距。学生在使用移动学习平台的过程中，对知识的认知主要集中在知道物理概念，记住物理公式的第一层次上，涉及到综合分析问题的第三层次较少，这就导致答对第二和第三层次题目多的学生成绩高，学习效果好。因此教师在对学生进行学习效果评价时应考虑学生的知识结构因素，了解学生的掌握程度，在利用学生知识结构进行学习效果评价的同时也做到分层教学，关注每一个学生的学习动态。

表4 部分关联性计算结果

续表

5 结语

随着互联网络不断地发展及教学工具不断地更新，高效而有价值的利用教育数据已经成为教育研究的趋势[8]。通过关联规则的数据分析方法，收集了学生在线学习过程中产生的数据并研究学生在线学习成绩与登录时长、答题次数、知识结构类型、学生背景的关联性，并借鉴布鲁姆的教育目标分类法并结合光学实验的特征，制定知识结构类型的编码框架，这不仅可以加深学生对自我学习状态的掌握，促使其及时调整学习方法，从而可以提高学生的学习成绩，而且能够帮助教师更客观、公正地评价学生的在线学习。