基于智慧教学环境的数据挖掘与应用

2021-11-22赵峰

数字技术与应用 2021年3期

赵峰

(武汉商学院,湖北武汉 430000)

0 引言

在当前大数据飞速发展的时代背景下,数据挖掘技术开始在各个行业各个领域中得到广泛应用,而在教育领域中,数据挖掘在智慧教学环境的构建方面也有着良好的效果,但从目前来看,在实践过程中仍面临着一定的不利因素和争议,基于此,有必要对其展开更加深层次的探索,进而确保数据挖掘同智慧教学环境构建的高效结合。

1 相关概念阐述

1.1 智慧教学环境

良好的学习环境是教师开展教学活动以及提升学生学习质量的重要基础,而智慧教学环境主要指的是充分运用当前各种新型的大数据分析、云计算、人工智能以及物联网技术等,构建起更加高效的教学环境,最主要便体现在教师教学和学生学习两方面内容上。这一教学环境的出现不仅从根本上转变教学资源建设的方式,还会改变原本教师的教学手段以及学生们的学习方式。在以往传统教学环境中教师大多会采用单一枯燥的教学模式,但这种方式难以同当前的智慧教学环境相适应,而且还会导致各种数据资源出现大量浪费,基于此,相关教师务必要立足于智慧教学环境展开更加深层次的数据挖掘工作,进而在各项教学活动中进行有效应用,充分发挥出数据资源对于提升教学质量的实质性作用。

1.2 数据挖掘

数据挖掘主要指的是利用包括统计学、数学建模、人工智能以及机器学习等在内的先进技术手段,在当前海量模糊的数据中提取出更加精炼有效的数据信息,并在对其分析和整理的过程中转化成更加有价值的知识或者是信息,并作用在日常所开展的教学工作当中,为教学手段以及教学模式的优化提供参考。数据挖掘的过程具有一定的复杂性,包括数据清洗、集成、挖掘等多个步骤,并具备着类聚、预测、分类以及数据关联分析等多种功能。学校强化开展数据挖掘工作能够对当前的教学环境的各方面条件产生更加深层次的了解,进而采取相应的措施妥善解决各种问题,最终为教师和学生创造出更加科学高效的教学环境,并在现有的基础上实现其智慧化水平的提升。

2 智慧教学环境基础上的数据挖掘与应用

2.1 教师教学数据

2.1.1 数据挖掘

对于智慧教学环境中的课堂教学来说,其本身其实是一个动态的过程,其中涉及到多方面内容,都能够或多或少展现出教师教学的质量和水平,例如教学方法的选择、教学态度、教学思路、教学互动以及教学风格的呈现等,唯有对这方面数据展开更加全面的挖掘和分析才能够真正科学评价教师的教学水平。基于此,学校应当针对上述模块展开详细的监督调查工作,进而充分明确能够影响教师教学能力的各方面信息,并在此基础上综合学生学习成绩的内在影响因素,进而从中找出教师在教学过程中所面临的普遍性问题,进而采取针对性的措施进行妥善解决。数据挖掘技术的应用可以帮助教师自身对自己的教学能力产生更加明确认识。例如可以采用网络调查法挖掘出学生对于教师教学态度的评价信息,敦促教师调整自己的教学理念以及教学态度。

数据挖掘可以充分展现出教师个人信息方面的数据,包括工作经验、科研情况以及学历情况等,将该类信息数据整合起来进行分析能够帮助学校更加高效完成对于教师综合水平的评价。基于此,应当适当采用相应的关联规则方法深层次挖掘教师个人信息以及教学评价结果,进而明确影响教师教学实效性的内在原因,判断出教师个人信息对于教学结果所产生的具体影响。由此可见,数据挖掘在提升学校教师队伍专业性方面有着重要作用[1]。

2.1.2 应用

在对教师教学过程以及个人信息展开深入数据挖掘的过程中,学校能够对教师的综合素质产生更加直观的认识。对于教师来说,其综合素质涉及到多方面内容,包括身体素质、智能素质、道德素质以及文化素质等。学校可以根据上述数据信息的实际情况分析出教学素质的具体表现,并明确教师综合素质对于学生学习成效的影响,进而强化开展对于教师素质的培养,从教师层面着手提升教学活动的科学性和实效性。

除此以外,数据挖掘还可以应用在学校对于教师绩效的评定上,此举不仅能够时刻敦促教师秉持着良好的工作态度,还能够为学校的教学部门提供具体的信息数据,以提升决策信息的科学性,为教学管理工作的高质量进行提供数据支持。所以建议学校在教学管理中适当采用数据挖掘技术,并在数据挖掘的基础上进行深层次的分析,进而达到稳定教师队伍的效果。

2.2 学习行为数据

2.2.1 数据挖掘

在智慧教学环境中,学校可以对学生的学习行为展开数据挖掘,该方面在工作主要在是采用学习算法、统计学和大数据挖掘等技术展开对于学生行为的数据分析和处理工作,旨在充分明确学生的学习行为以及学习结果之间的内在关联,并在研究结果的基础上对学生未来的学习趋势进行预测和判断。从本质上来看,针对学生学习行为的数据挖掘其实是为了总结学生行为发展的客观规律,进而解决学生行为上的各种实际问题。近些年来我国现代化信息技术飞速发展,这使得学生行为信息能够在诸多方面上得到体现,学校可以积极采用当前先进的网络技术、云计算、电子书包应用以及物联网技术等全方位深层次地获取各个学生的行为数据,与此同时数据能够展现出十分庞大、复杂的特点。

在实际展开数据挖掘工作的过程中,工作人员需要确保其方向性,并构建起相应的数据挖掘与分析模型或者采用测评工具开展工作。在当前智慧教学环境中,绝大部分研究都使用了ITIAS或者是它课堂观测工具来实现对于学生课堂学习的量化,进而提升学生行为相关数据挖掘的有效性。该类数据挖掘手段能够在各种先进的信息技术的加持下切实提升数据采集以及分析的质量和效率,以便于为教师提供更加精准的数据展开教学反思。然而这种方法在应用的过程中有着相对较高的数据处理以及图像抓取的技术要求,并且在对于课堂中各种隐藏信息的智能化、自动化记录方面存在较高的难度[2]。

数据挖掘模型的建立主要指的是将各种类型的数据挖掘方法结合起来,并在此基础上构建起学生的画像,其中包含着各个学生的优势以及特点,并能够对其未来的发展数据进行预测。以科大讯飞为例。科大讯飞主要采用了“四建模三分析”的方法,综合考虑学生的内外部特征以及影响,进而分别完成对于学生主动学习行为以及学习路径和知识点的行为建模以及领域建模,针对学生在学习过程中所产生的各种行为展开组件分析。在组件分析以及行为建模方面可以进行回归预测,立足于数据的实际类型以及分析需求等具体情况,可适当选用逐步回归、逻辑回归以及线性回归等手段,而针对领域建模则开展文本分析挖掘。但不管选择何种数据挖掘手段,都应当严格按照可行、可用的基本思路,紧紧围绕着学生影响因素等学生行为数据科学设计相应的数据采集框架。比如从学习设计、学习活动过程以及学习结果三方面内容着手,对这些能够对学生学习成效造成影响的学习行为展开深层次挖掘,或者还可以利用课堂学习参与度识别器,通过学生的面部表情挖掘学生学习参与情况的相关数据。

2.2.2 应用

立足于学生学习行为数据挖掘基础上的学习分析具有极多的应用优势,例如其分析过程较为完整精确,数据来源比较广泛和多样,与此同时,能够在分析结果的基础上对学习结果进行预测并采取相应的干预措施,在当前的教育领域受到了较为广泛的关注。这使得各种学习分析的理论模型以及工具层出不穷,其涵盖的主体也比较多样,涉及到教师、课程、学习者群体以及学习者个人等。在正式展开学习分析工作之前,应当先对所需要进行分析的对象、工具内容以及数据来源进行进一步明确。学习行为数据挖掘基础上的分析工作侧重于对学习行为的内在规律进行发现和总结。从本质上来看,基于智慧教学环境的学生行为分析是比较系统化的过程中,主要是在不断记录和分析学生行为数据的过程中,进行探索出更加科学的学习行为基本理论,设计出更加高质量的学习分析工具,并实现其应用效果的提升,与此同时应当高效落实学生学习行为数据的可视化设计以及分析[3]。

具体来说便是指在进行行为建模的过程中对学生画像进行不断的优化调整,针对学生偏好展开更加连续和系统的分析工作,切实保障对于学生个性化学习的诊断水平,为后续对学生发展进行更加科学合理的预测奠定坚实的基础,最终探索出更加高质量的学生学习行为优化策略。数据挖掘应用的过程中能够在对学生行为影响学习成效的相关因素产生更加明确的认识,并采用回归分析、相关性分析以及因子分析等手段对主要的行为进行了解,并明确各个不同学生群体所特有的学习行为路径。与此同时还要进行相应的关联规则分析,这样一来便能够将各类学生的实际行为同其综合成果以及学习成效充分联系起来,并在学习行为等数据的基础上对学业成就进行预测,进而提供优化开展学习活动的相关策略[4]。在这一过程中,数据挖掘真正实现了作用与优化教学环境的目标,使得数据得以真正生成和流动,为教师教学策略的调整和优化提供必要条件。在智慧教学环境当中,学生无论是同平台、教师、资源还是同学之间都有着大量的互动,所以可以利用相关技术的基础上采用回归分析法以及社会网络分析法对学生的互动行为进行分析,这便能够将学生的参与和投入程度更加直观地展现出来,进而更加充分明确学生具体所具有的情感倾向和认知结构,并第一时间根据数据结果针对学生的问题采取及时干预的措施。