基于SPOC平台在线学习行为的关联分析

何宏 刘洞波 王宁

摘 要 随着SPOC课程类型的在线学习形式的快速发展，在线平台记录了大量的学生学习行为数据，对在线行为数据的研究成为热门的研究课题。本文通过湖南工程学院网络教学平台中的“C语言程序设计”课程学生学习在线行为数据，与学生课程期末考试成绩进行统计与关联分析，挖掘记录数据后面有价值的知识和规律，并从教师、学生和系统平台的角度分析存在的问题，可推进SPOC教学模式的发展，促进高校教学质量的提高。

关键词 SPOC平台 在线学习行为 关联分析

中图分类号：G642文献标识码：A

随着移动互联网技术、云计算、大数据、物联网技术等的普及和深入，教育信息化得到进一步发展，在线学习得到快速发展。2013年，美国哈佛大学等全球名校跨越MOOC（Massive Open Online Course大规模在线课程），使用SPOC（Small Private Online Course小规模限制性在线课程）课程类型。SPOC平台中记录了大量的实时、在线数据，而如何利用这些大数据进行挖掘和分析学生的学习行为，为教师教学决策、网络课程评估和构建学生学习自适应和个性化学习系统等方面有重要的研究价值。

本文所研究的基于SPOC平台的在线学习行为关联数据分析，数据源是湖南工程学院网络教学平台和计算机程序大赛（ACM）的Onlie Judge系统中的《C语言程序设计》课程各个学习环节的真实在线学习行为数据。包括学生登录的次数、登录的时间段、学习各种资源的时间长度、作业的分数和章节测试成绩。对真实数据作关联分析，可以使教师更好的了解学生的学习行为特征，对学生在线学习和SPOC平台的网络课程全面进行评估，开发学生自适应和个性化相结合的网络课程，推进信息化教学的发展，提高高校教学质量。

1在线学习行为分析

在线学习行为分析主要基于SPOC平台对师生学习过程的记录数据，针对行为主体（教师、学生）的行为方式（登录、浏览资源、观看视频、发帖、做练习、测试）、行为客体（各类资源、网络课程模块）的被使用情况以及行为发生时间进行统计、可视化和各类挖掘，并结合师生的人口特征数据对影响在线学习行为的因素进行挖掘。

从已有的研究来看，不少研究者利用各种数据挖掘技术对在线学习行为领域作了各种深入的研究。孙笑微利用利用统计分析方法对在线行为特点及其影响因素作了分析。郭欣悦构建MOOC多元化学习行为框架，对学习行为进行了分析。陈晋音等用数据挖掘方法对在线学习行为进行了分析，并按行为特征进行了个性化推荐。蒋卓轩等对MOOC记录数据作了分析并对学习者成绩进行了预测。

2在线学习行为数据关联分析

本文选取湖南工程学院计算机与通信学院的专业必修课“C语言程序设计”作为研究对象。“C语言程序设计”是湖南工程学院计算机与通信学院各专业本科生大一分两学期开设的一门专业必修课程。该课程是学校网络课程建设之一，专门开发课程配套相关文档教材和微课视频等，并且搭建了ACM的OJ平台辅助学习练习和提升程序设计能力。以2018至2019秋季为例，开课时间为学校第6周到第19周（含考试周），实际94天。选取学院软件工程专业18级71名学生（男生56人，女生15人）為研究样本，通过收集湖南工程学院网络教学平台记录的这些学生行为记录和基本信息来开展在线学习行为的关联分析研究。

通过收集网络课程平台记录的后台日志数据和OJ平台记录的4次学院统一章节测试数据，可得到学生登录的基本信息，如表1所示。

下面以平台记录的学生登录时长、学生登录次数、学生作业成绩和学生章节测试成绩与学生本学期期末考试成绩作关联分析。

2.1学生登录时长与期末考试关联分析

以学生登录平台的时长（主要是观看微视频时间）和学生期末考试成绩作数据关联分析，得到表2所示的结果。

从表2可以看出，网络课程中微视频是任务点，计入学生平时成绩，总时长为419.2分钟。研究样本学生平均观看时长为197.7分钟，平均完成47.2%;最长为600.6分钟，最短时长为8分钟，有些学生多次观看视频，有些学生没有看视频;男生平均时长为186.1分钟，男生平均完成44.4%，女生平均时长为241.1分钟，女生平均完成57.5%;研究样本中，登录时长与期末考试成绩相关系数为0.124，男生登录时长与期末考试成绩相关系数为0.12，女生登录时长与期末考试成绩相关系数为0.272。

从统计与关联分析数据来看，网络教学平台中微视频对辅助教学有一定的作用，女生通过网络课程平台能更多的自主学习。但数据显示关联系数较小，需开发更高质量满足学生自主学习和个性化的网络课程资源;学生在课前预习和课后复习的时间严重不足，没有足够的时间来完成学习任务;从平台记录的登录时间来看，许多学生都是集中在考前观看，主要是完成任务，获取平时成绩，不是自主的学习，没有充分发挥网络课程中的教学资源起到辅助教学的作用。

2.2学生登录次数与期末考试成绩关联分析

收集学生登录平台的次数与学生期末考试成绩作数据关联分析，得到表3和表4所示的结果。

从表3和表4可以看出，学生以移动客户端方式登录平台占比大大高于电脑端方式，月份统计最低71.07%，有时高达100%;学生平均登录网络课程平台238.4次，71个学生在94天时间中平均每天登录2.54次，最多的登录466次，最少的只有61次;学生登录次数与学生期末考试成绩相关系数为0.153。从学生登录网络的时间来看，每天8：00到20：00时间段登录的次数达14074次，比例为83%。

从统计与数据关联分析来看，网络课程平台采用Web2.0技术，通信技术与网络技术的发展，更大的方便学生使用移动通信工具随时随地学习，传统教学模式可以与SPOC教学模式相融合，可以促进课程教学的提高;从学生登录的时段也可以看出，大部分学生有一个规律的学习，已形成一个良好的学习习惯，任课教师也可根据学生登录的时间段合理安排在网上的答疑和交流的时间。登录次数低和相关系数小，网络平台资源还缺乏吸引力，资源大众化，无个性化资源，系统也不能实现智能化推荐功能。

2.3学生作业成绩与学生期末考试成绩关联分析

收集学生从平台提交的6次作业成绩与学生期末考试成绩作关联分析，结果如表5所示。

从表5可以看出，学生通过平台完成相应的作业质量是比较高的，作业平均成绩达89.3。学生作业成绩与学生期末考试成绩相关系数达0.312。

从表5的统计与关联分析结果来看，研究对象“C语言程序设计”课程，通过平台和移动客户端能更方便和更好的使学生完成作业;作业与成绩相关系数高，教学中课程作业使之成为教学中重要一环，学生缺乏自主学习，作业检查成为巩固课程学习的重要手段。

2.4学生章节测试成绩与学生期末考试成绩关联分析

学院为了使专业学生学好“C语言程序设计”这门基础课程，为专业的其它课程的学习打下良好的基础，该课程进行相应的改革，除正常的教学外，学院搭建用于计算机程序设计大赛（ACM）的Onlin Judge（OJ）训练和测试平台，开发大型题库，配备辅导教师，每周两晚各三小时安排统一机房用于学院各专业一年级学生程序能力提升训练和测试。收集4次章节测试成绩和学生期末考试成绩，作数据关联分析如表6所示。

从表6可以看出，研究对象“C语言程序设计”课程通过OJ平台进行大量的编程训练，训练效果好，章节测试平均成绩达到88.7，最高的每次章节测试成绩为100;学生章节测试成绩与学生期末考试成绩相关系数为0.198。

从表6统计、分析的结果与课程改革实践来看，“C语言程序设计”课程通过湖南工程学院网络教学平台和OJ平台这两个平台的学习和训练，达到了课程改革的目的，提高了教学质量。但学生期末考试平均成绩不高，学生掌握该课程差距较大，基础不牢。从学生方面来看，训练和测试，包括作业，要自觉认真完成，达到各个环节学习的效果，真实体现教学过程中的一些问题，使之及时反馈给教师，及时调整教学。从教师来看，教学中设置了训练、测试和作业这些环节，要对学生及时进行督促检查，及时发现学生在课程教学中存在的问题，实时调整，使学生能解决学习中的问题，达到提高教学质量的目的。

3结论

本文对湖南工程学院网络课程平台中的课程之一“C语言程序设计”学生学习行为数据，包括学生登录时长、登录次数、作业成绩和章节测试成绩与学生期末考试成绩作了统计与关联分析。从分析结果来看，学习行为各种数据都与学生期末考试成绩相关联，网络课程提供的网络资源和各种教学环节会提升学生课程成绩，促进教学质量的提高。但从教师角度出发，采用SPOC课程类型教学中，需要教师开发更高质量的网络资源，特别是短小精悍的微视频，满足学生自主学习和个性化学习的要求。从学生角度来看，要改变传统的学习方式，要善于利用在线学习形式而获取更多的资源，个性化学习与自主学习相结合，有利于学习专业知识。从网络平台来看，在线数据不能只提供简单的记录或统计服务，需要提供一个自适应的平台。学生从平台获得个性化服务，提高学习效率;教师从平台获得智能化服务，及时干预教学，提高教学质量。

利用学习行为分析的方法與技术，可以深入挖掘学习者学习数据背后隐藏的巨大价值，而在线学习行为分析是一门综合性较强、跨领域较广的研究。目前这方面虽已经取得了一定的成果，但行为记录的研究只停留在学习者外显行为的研究，缺乏对内隐行为的研究;系统平台提供的个性化和智能化服务系统还需要进一步改进。这需要更多的研究者在这一领域加大研究力度，推进教育信息化的发展。

参考文献

[1] 王祎.在线学习行为分析及应用研究[D].武汉：华中师范大学，2018.

[2] 孙笑微.基于SPOC平台日志数据的在线学习行为分析及其影响因素研究[J].沈阳师范大学学报：自然科学版，2017，35（01）.

[3] 郭欣悦.多元分析框架下的MOOC学习行为分析[J].开放学习研究，2017（04）.

[4] 陈晋音，方航，林翔，郑海斌，杨东勇，周晓.基于在线学习行为分析的个性化学习推荐[J].计算机科学，2018，45（B11）.

[5] 蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，52（03）：614-628.