网络教育数据分类与分析研究

蔡梅 孙力

摘 要：随着互联网技术飞速发展以及网络教育普及应用，教育成为与大数据非常相关的行业，分析教育大数据将成为优化现代远程教育的重要一环。为对网络学历教育中产生的数据进行分类并提出分析建议，首先探讨了大数据、教育大数据的概念及特征；继而以江南大学网络教育平台数据为依托，立足学习者个体的静态数据和学习过程中产生的动态学习行为数据，以大数据下网络教育模型为依据，将网络教育数据分类为教学资源数据、教育教学管理数据、教与学行为数据、教育教学评估数据，并为数据分析提出建议。

关键词：网络教育；教育大数据；数据分类

DOI：10. 11907/rjdk. 182711

中图分类号：G434 文献标识码：A 文章编号：1672-7800（2019）005-0215-04

Abstract： With the rapid development of Internet technology and the universal application of network education， education is closely connected with big data， and the analysis of educational big data will become an important part of optimizing modern remote education. The purpose of this study is to classify the data generated in the network education and to give some suggestions about data analysis. Firstly we explored the concepts and characteristics of big data and educational big data. Then， relying on the data of Jiangnan Universitys online education platform and based on the static data of the learners individual， the dynamic learning behavior data generated during the learning process and the “network education model under big data” we classified data in online education into teaching resource data， teaching management data， teaching and learning behavior data， and educating and teaching evaluation data， which makes recommendations for data analysis.

Key Words： network education； educational big data； data classification

0 引言

云計算、物联网、移动互联网迅速发展，推动大数据时代到来，促使各类数据以前所未有的速度增长[1]。在我国，网络教育从20世纪90年代开始逐渐受到学者关注，经过近30年发展，已经步入成熟阶段[2-3]。在大数据背景下，网络教育变革顺应历史发展潮流，不断根据学习者的学习特点优化改进，能够实现更加高效学习，完善网络学习成果[4-5]。如何在庞杂的教育数据中得到有用信息，合理有效利用数据解决现存问题，预测发展趋势，已经引起教育研究者、管理者、决策者以及实践者关注。教育数据分类方式很多，包括数据来源、数据结构化程度、数据产生环节等[6]。传统教育数据采集与分析重点关注结构化、结果性数据，然而随着大数据时代到来，教育数据的关注重心将向非结构化、过程性数据转变。虽然国内外大数据在教育中应用的相关研究涉猎比较广泛，但是缺乏具体实践，还需要进一步加强大数据在教育应用中的研究力度，以期尽早推动大数据在具体教育实践中发挥优势和作用[7]。

本文基于江南大学网络教育平台数据，主要关注网络教育中的数据，并对数据分类与分析提出建议。

1 教育数据概述

1.1 概念及特征

1.1.1 大数据

大数据是一种具有大结构的术语形式化数据集[8]。早在2008年《Science》杂志设立的专刊中，大数据被定义为代表着人类认知过程的进步，数据集规模无法在可容忍时间内用目前的技术、方法、理论，进行数据的获取、管理、处理[9-10]；研究机构Gartner认为需要新处理模式才能有更强的决策力、洞察发现力、流程优化力，以获得海量、高增长率、多样化的信息资产[11]；麦肯锡将大数据定义为无法在一定时间内用传统数据库软件工具对其内容进行采集、存储、管理和分析的数据集合。对于大数据的定义，目前尚未统一，但是大数据不同于传统意义上的数据，其“4V”特征如表1所示[12]。

大数据特征明显，如何从海量数据中获得有用信息是问题的关键。与传统海量数据处理流程相类似，大数据处理也包括获取与应用相关有用数据，并将数据聚合成便于存储、分析、查询的形式；分析数据的相关性，得出相关属性；采用合适方式将数据分析结果展示出来[13-14]。

1.1.2 教育大数据

教育大数据，简单来看是与教育相关的大数据。迄今为止，对教育大数据的定义没有统一界定。所谓教育大数据，是指整个教育活动过程中产生的以及根据教育需要采集到的，一切用于教育发展并可创造巨大潜能的数据集合[16]。与传统数据相比，教育大数据采集的实时性、连贯性、全面性和自然性更强，分析处理更加复杂[17]。区别于传统数据和大数据，教育大数据的独特性表现如表2所示。教育大数据产生于各种教育实践活动，现代远程教育形式丰富，移动学习、在线学习、继续教育、网络教育等受到广泛关注。本文主要关注网络学历教育。

1.2 网络教育中数据研究问题

网络教育是指在网络环境下，以现代教育思想和学习理论为指导，充分发挥各种网络教育功能和丰富的网络教育资源优势，向教育者和学习者提供一种网络教与学的环境，传递数字化内容，开展以学习者为中心的非面授教育活动[18]。自1999年以来，教育部批准清华大学、对外经济贸易大学等68所普通高校开展现代远程教育试点工作，允许试点高校在网络教学工作基础上，通过现代通信网络开展学历教育和非学历教育。从各高校办学情况来看，其主要是本专业层次的网络学历教育，非学历教育所占份额很小。

通过国内外网络教育数据文献分析发现，现有研究存在问题主要有：研究者侧重宏观层面对教育数据分类与分析，缺少具体教育应用研究，也较少关注到网络学历教育的特殊性。

2 网络教育数据分类

为深入探讨大数据对网络教育模型构建过程的影响，学者们构建了“大数据下网络教育模式图”，如图1所示。基础层主要负责存储国家教育的基础性数据，包括国家在教育方面的相关规定；状态层主要存储教育装备、环境与教育业务运行状态信息数据；资源层主要存储教育过程中建设或生成的各种形态教学资源数据；行为层主要存储教育相关用户的行为数据[6]。学者们对教育数据进行了宏观层面与微观层面相结合的分析，分類明确而且比较全面。本文主要分析江南大学继续与网络教育学院各个平台中记录的数据。通过对不同学习平台数据收集、整理、分析，对照图1可将网络教育数据分为4类。

（1）资源类数据，指教学过程中运用的教育资源数据集。通过统计各个平台数据发现，资源类数据贯穿教育教学整个过程。其中，学习平台中在线视频课堂、课件演示平台主要存储在线课堂教学资源，学习社区中网上资料室为学生自主学习提供支持，学生风采中快乐阅读则是交互学习资源的记录。

（2）管理类数据，指教育管理数据集。类比传统教育，教育管理也贯穿网络教育整个过程。教学教务管理平台、班主任工作平台、学习中心管理平台、网上报名信息平台等，分别记录着教务信息、班主任工作进程、各学习中心运行状况以及学生报名相关信息等。教师、学生及管理人员借助这些平台沟通互动，协同完成教育教学过程。

（3）行为类数据，主要指教与学行为数据集。教与学的行为贯穿于网络教育各个环节，学习平台中学生学习平台、在线视频课堂、网络教育统考平台、统考课程练习平台、互选互认学习平台等，都包含教与学的行为数据，不仅包含知识传授、课堂活动，也包含练习测试、互动反馈。网络教育不仅利用互联网技术对传统教学内容进行简单加工包装，而且最主要的是通过网络技术实现全球教育资源共享。

（4）评估类数据，指各类教学评价数据集。网络教育与传统教育类似，通过练习、考试等形式测评学生对知识的掌握程度，只是这些行为的发生依托于网络学习平台。学习平台中网络教育统考平台、统考课程练习平台记录了学生统考测试和练习情况，工作平台中教师评阅平台、教学教务管理平台数据反映了教师对学生测评的反馈。教学评价是教学过程的重要环节，是衡量教学效果的量化标准，对教学评价的分析能够发现很多问题。评估类数据包括评价数据和预估数据。网络教育不同于评价方式单一的传统教育，其贯穿于整个学习过程，评估数据分析对完善教与学过程意义重大。

教育教学中产生的各类数据是教与学实际情况的量化反映[19]。对各类数据进行分析，会发现很多规律及问题。在实际应用中，可以将各类数据结合起来分析，发现问题，提出对策，解决问题，完善教育教学过程，提高教学效果。

3 网络教育数据分析

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析整合，提取有用信息形成结论而对数据加以详细研究和概括总结的过程[20]。在实际运用中，数据分析可帮助人们作出判断，以便采取适当行动。在教育领域，指对教育数据进行分析，发现教育问题，通过分析数据发现规律并提出对策。

（1）教与学行为数据分析推荐个性化学习路径。教育教学行为数据是教育过程中非常重要的数据。网络教育以网络教育平台为依托，平台记录了教师与学生教和学的相关数据。其中，学生学习行为数据是研究者们关注最多的部分，数据类型丰富，例如网页点击次数、网页点击顺序、模块停留时间、学习资源类型选择、学习工具选择、交互媒体选择、教学视频学习时长等，都是学生学习行为的真实记录。通过对一系列数据进行分析，可以总结得出该学生的学习偏好、学习风格、学习习惯等重要学习特征，从而依据特征推荐适合的个性化学习路径，以最小投入获得最大产出，真正实现“因材施教”。同时平台也记录教师的教学行为数据，例如教师答疑情况，包含答疑时长、答疑频率、答疑内容等，教师参与讨论及活动情况，包括谈论内容、讨论频率、讨论时长、讨论内容等，通过数据分析可以总结出教师的教学偏好特征，也能够督促教师在实际教学中不断调整，以最好的状态面对学生。

（2）管理类数据分析完善教学平台。网络教育平台作为重要的软件系统，需要专门的管理人员。管理包含平台运行与维护等。对管理类数据的分析，可以知道网络教育平台运行情况是否通畅、是否出现问题、出现哪些问题、如何解决，有助于技术人员在后期开发中完善和提高。同时，也可以知道平台应用情况、应用人数及频率，继而得出其受欢迎程度以及受众情况，为后期完善教学平台提供参考数据。实际应用中，管理数据不易搜集。首先，管理类数据需要采集权限；其次，平台记录的数据并不都是有效数据，后期需要对数据进行处理；第三，平台中记录的数据并不一定能反映真实情况，需要结合其它教育数据一起分析，从而解决教育教学问题。

（3）评价数据分析优化教育教学过程、完善评价机制。教学评价是对学生之前学习的检验，也是后期目标设定的基础。教学评价分为诊断性评价、过程性评价和总结性评价。传统教育中，应用最多的是总结性评价，通过期末一次考试测量前期学习是否达到目的，研究表明仅仅采用总结性评价进行学习效果评价是不科学的。网络教育中非常注重过程性评价使用。例如，慕课学习时，观看视频的过程中会不断出现测试题，另外学习完一章或者一节后会有阶段性测试，这些都是非常重要的评价数据。对评价数据进行收集和分析，不仅能够看出学生的学习效果，而且能够分析出学生学得好与不好的部分，从而调整学习过程，以达到更好学习效果。对评价结果的分析，也可以看出在实施评价时存在的问题，从而调整评价方式与机制，获得更好学习效果。

总的来说，教育数据分析旨在优化教育教学过程，改善教学效果，然而在实际操作中可能会存在各种各样的困难。现今对教育数据的研究已经比较多，但是教育信息化收效可能并不如预期乐观，究其原因：首先，与学习相关的变量非常多，变量越多问题也会越多；其次，个性化学习需要精准分析，而做到精准是非常难的。这也是接下来研究中需要解决的问题。

4 结语

教育的最终目的是培养“完全的人”，是面向“人”的长期发展、动态过程[21]。教育大数据作为大数据背景下教育领域的重要数据集，对其分析在促进教育这一复杂系统的发展方面意义重大。本文主要探讨了大数据及教育大数据的概念及特征，并对网络教育中的数据进行分类，然后依据分类提出分析建议。实际上，在对教育大数据进行分析时，可能会遇到各类困难。以上分析可能存在主观臆断成分，在数据分析部分可进行更细致划分，也可以把不同类型数据结合起来分析，这些都需要在后期研究中不断完善。

参考文献：

[1] 何悦恒. 国内基于大数据的网络教育研究分析[J]. 福建广播电视大学学报 ， 2015（1）： 16-18.

[2] 崔新有. “三化”叠加时代的网络教育[J]. 开放学习研究，2018，23（1）：25-29.

[3] 王竹立. 网络教育：困局与出路[J]. 数字教育，2018（1）：1-8.

[4] ARMSTRONG K. Big data： a revolution that will transform how we live， work， and think[J]. American Journal of Epidemiology，2014， 17（9）：181-183.

[5] 郭玲，郭泽睿. 网络教育再大数据影响下的发展策略及方法研究[J]. 中国教育信息化，2017（13）：21-27.

[6] 楊现民，唐斯斯，李冀红. 发展教育大数据：内涵、价值和挑战[J]. 现代远程教育研究，2016，139（1）：50-61.

[7] 鄢慧文，王磊，李波. 信息化教育中学生学习行为数据的分类研究. 信息化教育中学生学习行为数据的分类研究[J]. 2017（2）：152-156.

[8] JACKY A，ISABELLE C-W， NABIL L. Research on Big Data- a systematic mapping study [J]. Computer Standards & Interfaces， 2017，54：105-115.

[9] 何悦恒. 大数据背景下网络教育发展的困境和出路[D]. 福州：福建师范大学，2015.

[10] NATURE. Big Data [EB/OL]. http：//www.nature.com/news/specials/bigdata/index.html.

[11] 涂新莉，刘波，林伟伟. 大数据研究综述[J]. 计算机应用研究，2014，31（6）：1612-1616.

[12] 陶雪娇，胡晓峰，刘洋. 大数据研究综述[J]. 系统仿真学报，2013，25：142-146.

[13] 牛朝晖，王松. 大数据环境下网络教育之变革[J]. 中国成人教育，2017，10：39-41.

[14] 马建光，姜威. 大数据的概念、特征及其应用[J]. 国防科技，2013，34（2）：10-17.

[15] GRAHAM-R D，GOLDSTON D，DOCTOROW C，et al. Big data： science in the petabyte era[J]. Nature，2008，455（7209）：8-9.

[16] 李贺，袁翠敏，李亚峰. 基于文献计量的大数据研究综述[J]. 情报科学，2014，32（6）：148-155.

[17] 杨现民，王榴卉，唐斯斯. 教育大数据的应用模式与政策建议[J]. 电化教育研究，2015（9）：54-61.

[18] 陈肖生. 网络教育与学习适应性研究综述[J]. 中国远程教育，2002（3）：6-13.

[19] 邢蓓蓓，杨现民，李勤生. 教育大数据的来源于采集[J]. 现代教育技术，2016，26（8）：14-21.

[20] 任磊，杜一，马帅. 大数据可视分析综述[J]. 软件学报，2014，25（9）：1909-1936.

[21] 娄晓敏. 我国教育大数据建设的现状分析与架构初设[J]. 中国电化教育，2017（8）：128-131.

（责任编辑：何 丽）