学习分析技术在教学中的应用研究

2020-11-10张素珍单振芳

电脑知识与技术 2020年27期

关键词：学习分析精准教学高职

张素珍单振芳

摘要：该文以石家庄邮电职业技术学院2016、2017级移动互联专业学生学习《JSP网站设计》课程为例，利用学习分析技术对高职信息类课程研究进行精准教学分析，并在此基础上进行了教学设计、实施、反馈与改进，对于高职教学具有一定的借鉴意义。

关键词：学习分析;精准教学;高职

中图分类号：TP311文献标识码：A

文章编号：1009-3044（2020）27-0159-03

开放科学（资源服务）标识码（OSID）：

1 引言

学习分析技术已经成为近几年影响教育领域的关键趋势之一。基于大数据的学习分析能够基于全方位、全程化的数据进行有证据的分析，深入分析和发掘隐藏的学习需求，为教学评价提供真实客观的数据来源，摆脱以往依靠经验主义所造成的模糊、不准确的评价方式，进行科学、精准、量化的教学评价，有利于全面发挥评价的鉴定、导向、诊断和激励等功能，更有效地支持教学反馈及个性化学习，有利于教师和学生了解学习过程，实施差异化学习方案，为精准教学提供依据，对于提高教学质量具有重要作用。学习分析技术涵盖的范围比较广，是统筹运用信息技术、统计学、教育学、心理学等相关技术手段綜合而成的分析技术。

在此背景下，本文以石家庄邮电职业技术学院计算机系的《JSP网站设计》课程为例，以信息技术和统计学相结合，研究高职学生的先导课程与后续课程的关联模型，根据模型设计灵活的教学策略，从而更好地支撑精准教学的开展。

2 分析准备

2.1 分析工具

本文利用SPSS 25进行数据挖掘和分析。SPSS是一款主流的数据分析工具，SPSS具有界面友好、操作简单、适用性好、算法隐藏、接口完善等特点，适合社会科学领域内的数据分析。

2.2 数据准备

分析《JSP网站设计》与其他课程的关联关系，需要涉及两种类型的数据：学生基本信息和课程成绩信息，其中，学生基本信息数据应来源于学工系统，课程成绩信息来源于教务系统。我院通过数字校园的建设，已经将两个系统的数据集成到数据中心，形成了学生视图。从学生视图中获取计算机系移动互联专业2017和2018级学生为研究样本进行建模分析。将数据从数据库中导出到Excel中，因进行课程的相关性分析需要标度类数据，而导出的各科成绩为文本型，首先需要将各科数据调整为数字型，并设置为标度类数据，以进行数据分析。

3 数据建模

3.1斯皮尔曼相关性分析

做各课程的相关分析，首先需检查数据是否呈正态分布。利用SPSS统计描述和PP图功能分析得知，JAVA程序设计和计算机文化基础不呈现正态分布，不适合利用皮尔逊方法，因此采用斯皮尔曼进行相关性分析，具体分析结果如表1所示。

由表l可知，JSP网站设计与英语I、基础数学、军事理论、思想道德修养与法律基础、JAVA程序设计、计算机应用基础、静态网站制作等课程在001的显著性上的相关系数为0.615**，0.621** 0.317**. 0.432**. 0.612**. 0.548**. 0.572**，说明JSP网站设计与英语I、基础数学、JAVA程序设计、计算机应用基础、静态网站制作属于较高强度相关，而与军事理论、思想道德修养与法律基础属于中强度相关。同时，JAVA程序设计与英语I和基础数学在001的显著性上的相关系数为0.560**和0.619**，即此三门课程的相关程度较高，使得他们共同作用于JSP网站设计的成绩时可能会有共线性。为进一步科学地分析各科课程共同作用情况下对JSP网站设计课程的影响性，我们建立线性回归模型进行分析。

3.2 线性回归模型

3.2.1 变量选择

根据斯皮尔曼相关分析结果，军事理论、思想道德修养与法律基础属于中强度相关，做线性回归模型时可排除此两门课程，而英语I、基础数学、JAVA程序设计三门可能存在共线性的课程尚难以取舍，待下一步分析后进行确定。因此，初步建立线性回归模型时，自变量选取为英语I、基础数学、JAVA程序设计、计算机应用基础、静态网站制作;因变量为JSP网站设计。

3.2.2 初步建立模型

在SPSS中利用以上数据建立线性回归模型后，得到的线性回归模型系数如表2所示。

3.2.3 修正模

以英语I、基础数学、计算机应用基础、静态网站制作为自变量再次建立线性回归模型，分析结果如下表所示。

上表显示Anova显著性结果为0.000，小于0.05，说明接受假设，即本次建立的模型具有统计学意义。线性模型系数中各科成绩的显著性结果分别为0.005、0.030、0.049、0.005，均小于005，即各科课程对于JSP网站设计均有作用，不需要再进行变量调整。

设因变量为JSP网站设计的成绩为v，影响因变量的自变量的英语、基础数学、计算机应用基础和静态网站制作分别为X1，X2，X3，X4，线性回归模型为：

y=-15 .149+0.324X1+0.322X2+0.231X3+0.274X4

根据模型，对JSP网站设计影响最大的是英语影响系数为0.324，其次为基础数学，影响系数为0.322，之后才是静态网站制作和计算机应用基础，影响系数为0.274和0.231。

如保证模型能真正成立，还需要检查模型的Durbin-Wat-son系数和共线性情况。由上表可知，本模型的Durbin-Watson系数为1.828，接近于经验值2，说明残差具有独立性;同时进一步分析标准化残差的直方图和散点图，结果表明残差呈正态分布。本模型的各项VIF值分别为1.831、2.036、1.369、1.384，均小于20，各项共线性诊断条件索引分别14.935、18.178、22.881、29.224，均小于100，说明该模型的各项自变量没有明显的共线性。根据以上分析，整体模型具有统计学意义。

4 结果分析

根据数据建模分析结果，我们发现，与一般情况下的认知不同，JSP网站设计与专业相关的JAVA程序设计课程相关性不大，与静态网站制作相关性也不是最大，反而是基础学科的英语和数学影响最大。结合教学过程的经验分析，得出结论为：第一，JAVA程序设计的课程与英语和数学的相关性也比较大，因此在JSP网站设计反倒体现不出其影响;第二，英语和数学作为基础学科，对于信息类课程的整体影响都比较大，其中，英语的影响超过我们日常认知的数学的影响，很大原因是因为JSP网站设计课程中涉及很多类名称、关键字和错误提示，英语单词成为编程类课程入门的拦路虎，使得部分學生刚开始即产生了畏难情绪，导致后续学习有些跟不上。

5 教学改进与反思

根据以上模型分析结果，在教学过程中，采取如下教学措施：

1）分析学生的英语和数学学习成绩，找出需要重点关注的学生名单，在课上有针对性地进行提问和辅导答疑。

2）在课上着重对英文单词的强化，要求学生不断背诵关键字和类名的写法，将重要错误的英文提示信息整理后发给学生进行，并专门针对性地进行测试。

3）尽量简化数学逻辑性要求较高的难题，做到由浅及深、逐步深化，避免一开始难度太大导致学生失去信心，同时在课上补充相关的数学知识。

4）在教学过程中，遇到对于Windows的操作和静态网站中常用语法时，再次强化讲解，以夯实本课的基础。

经过以上研究和教学过程，2019年各专业的JSP网站设计课程的学习成绩均取得了不小进步，一些比较重要知识点的错误率有了明显的下降，取得了较好的教学效果。同时也表明，将教育大数据及学习分析技术，对于推动教学改革、提升教学质量具有积极作用。

参考文献：

[1]顾云锋，吴钟鸣，管兆昶，等.基于教育大数据的学习分析研究综述[J].中国教育信息化，2018（7）：1-6.

[2]上超望，韩梦，刘清堂.大数据背景下在线学习过程性评价系统设计研究[J].中国电化教育，2018（5）：90-95.

[3]高媛，陈潇.《2018中国职业教育技术展望：地平线项目报告》解读与启示[J].电化教育研究，2018，39（4）：101-108.

[4）吴永和，李若晨，王浩楠.学习分析研究的现状与未来发展——-2017年学习分析与知识国际会议评析[J].开放教育研究，2017，23（5）：42-56.