面向精准化教学的大数据分析方法研究与探索

王蕴哲 陆悠 陈建平

摘  要：在传统教学范式中，教师通过书本、黑板和多媒体课件等工具将经验知识传授给学生。为了改善学生只能被动接收单向信息的弊端，教师很难实时收集和分析综合性学情数据，更无法实现因材施教精准化教学改革。本研究借助大数据技术，利用各种数字化学习平台和移动终端设备，可持续性地采集和存储海量的教学过程数据，结合数据挖掘和人工智能等方法来探索数据隐藏的价值，以推动教学模式改革。初步实验结果显示，苏州科技大学计算机专业采用本研究提出的教学框架能够将课程选修率提高12%，教师评教优秀率高达92%。教学过程的大数据分析能推动精准化教学的双向循环，提升了教与学的双重效率。

关键词：大数据;精准教学;学情分析

中图分类号：G642.0    文献标识码：A    文章编号：1673-7164（2022）13-0125-04

一、引言

大数据是当今社会最重要的资产之一，具备4V特征，即规模性（Volume）、高速性（Velocity）、多样性（Variety）和价值性（Value）。教育大数据则是伴随着我国教育信息化战略不断推进，借助各类软硬件平台和工具，由常态化和数字化学习活动数据的持续积累而形成[1]。教育大数据可涵盖学生成绩、学生特长、课程信息、教学行为等多样化信息。对这些数据进行针对性分析能够揭示现存问题、发展趋势和相关关系等重要价值[2]，对推动科学化教育管理、精准化教学模式改革、人性化教育评价和服务都有着深远的影响[3]。

近年来，大数据技术正被越来越广泛地应用至教学情境中，主要目的在于促进教学质量的不断提升。与普通的教学范式相比，结合了大数据分析技术的情境教学，能够优化高校体育课教学的课堂环境并准确分析学生的动态[4]。经总结发现，教育大数据的重要性体现在以下六个方面：提高教与学的效率、促进科学决策教育、完成素质教育监测系统、便于综合评价教育质量、促进普及和个性化教育、完善个性化教学。然而，全面推进大数据技术与精准化教学的融合仍面临着数据分析、共享、数据安全等方面的挑战。

精准化教学是指鉴于个体对知识的掌握程度不同而展开的差别化、针对性的教学，精准度则体现了教师的教学方式与学生接受能力之间的耦合程度。高校教育的价值不仅体现于知识在尽可能广泛的空间中进行传播，更在于帮助学生树立正确的自我认知以达到日趋完善的状态。因此，教师引导的精确性和对动态教学过程中不确定因素的掌控力，是培养学生核心素养、专业能力以及独特思维方式的关键。

教育部办公厅印发的《2018年教育信息化和网络安全工作要点》中就已经明确指出要推动大数据技术在教育教学中的深入应用，提高教育大数据的收集、分析和研判能力。目前已有部分数据驱动精准教学相关的讨论和实践，但是提高精准度仍是当务之急。而导致教学精准度低这一结果的原因，具体来说，包括数据涉及面窄、维度低、质量差、管理分析难度高等因素。因此，本文提出大数据分析方法驱动的精准化教学框架，结合实际的教学场景对当前制约精准化教学的因素进行解释，侧重于教育数据从采集、存储到分析，再到发挥效用的全过程整合。此外，本工作具备较强的普适性，可灵活服务于各种教学情境。无论是教师还是学生，都将显著提高教学过程中的参与度和交互程度。基于人工智能的教学数据分析方法，使得分析过程实现高效自动化，结果也更加可靠。本框架的一个重要特点在于构建数据可视化系统，分析结果可以通过适合的方式加以呈现，这对于教育者全面、正确、深入理解数据，科学制定精准化教育决策起到了关键作用。

二、传统教学范式问题分析

我国传统教学范式的特点可以概括为“三中心”（老师中心、教科书中心、课堂教学中心）和“五环节”（准备、复习旧课、教授新课、巩固练习、布置作业）[5]。在此教学模式下，学生的注意力集中在课堂上老师所讲授的课本中的理论知识，忽略了自主学习、主动探索能力的培养。目前，大部分高校课堂中已引入互联网和多媒体等技术，拓宽了学生自主获取信息的途径，增强了课堂上师生间的互动性。然而，要实现精准化教学这一目标，教师仍面临着以下几方面的挑战：

（一）学情数据匮乏

精准化教学要以多元化的学情数据分析为基础，而目前可获取的多为成绩评分及考勤数据，形式单一，信息量不足。往往是由采集目標基数大、部分内容难以量化和数据采集工具有限所致。在数据量匮乏的情况下，教师难以了解不同学习者的学习特征和学习需求，因此亟须拓宽数据采集渠道与方法。

（二）学情分析难度大

在收集到海量学情数据的情况下，教师首先面临着存储和管理的困难。随着数据的积累，单台设备很难满足实时读写的需求。教师受专业背景的影响，具备不同的数据素养，有时无法充分利用大数据技术进行分析，而倾向于通过主观经验对学情做出评价。

（三）教学互动性低

教师通常使用同一套教材进行授课，导致知识掌握程度不同的学生难以获得个性化的学习资源。由于课堂规模、课时等方面的限制，学生难以发挥主观能动性，既无法及时反馈知识盲区，也很难获得老师全面的评价以改善学习方式，促进自主学习。学生被动式的学习更增加了教师进行针对性教学和辅导的难度。

（四）数据应用性差

教师难以获得现实收集到的学情数据的效益的最大化，仅可针对这类数据进行简单的统计分析，得出成绩分布的大致情况。事实上，学情数据可以应用到教学领域建模、学习趋势预测、个性化学习，教育决策与干预等多个方面，为提升教学质量提供有力支撑。而教学质量的提升依赖于教师数据思维的全面改革与提升。例如在统计学专业课程教学过程中，适时引入大数据方法工具，加强学生对各种回归算法、决策树等人工智能方法的理解。在课程教学过程中增加半结构化、非结构化数据的处理方法、复杂数据库的信息提取与关联分析等内容[6]。

三、大数据技术提高教学精准度方法设计

针对上述实现精准化教学所存在的各项问题，本文提出通过大数据及人工智能技术来提高精准度的方法。方法所对应的框架如图1所示：

（一）基于多源信息的教育数据采集

教育大数据相比传统的教学数据具有实时性、综合性、连续性和自然性等特征，其价值的高低密切依赖于数据质量是否真实、一致和准确，采集的方式主要包括：课堂数据采集，包括考勤、提问、偏好等行为数据。由于手动收集数据所需的人力成本过高，学校可以在教室设置监控视频，通过后期的视频分析技术提取相关数据;线上教学数据采集，通过端上埋点技术，记录学生观看视频的时间，暂停、播放、退出的频率，由此可对学生和教师特定的行为进行跟踪与捕捉;调研数据采集，以问卷或访谈的形式获取学生及教师主观态度和意愿方面的数据，此种方式可将数据的积累延伸至课外，为学情分析提供新的契机;知识数据采集：以课程为单位，提取知识点列表、知识点难度、教学成果列表、成绩及错点。

（二）分布式教育大数据存储与管理

存储是为了提高数据的可用性和多用户协同合作的效率。教育大数据的存储需要使用分布式集群、云存储等技术。在存储之前，需要对数据先进行预处理，即：清洗由采集设备或传输和录入过程所导致的数据错误;对数据项和数据属性的完整性进行检查;从不同数据源获取的数据，如监控视频数据，问卷文本数据，可能是结构化、半结构化甚至非结构化的，需要进行量化、转化及整合;通过聚合、降维、压缩等方法对数据进行归约，剔除冗余。Hadoop框架中的分布式文件系统能够实现海量数据的分块存储、复制备份，保证服务器之间的负载均衡。在HDFS的基础上部署Hive和HBase等数据库和数据仓库组件，可支持数十亿级数据的实时入库和随机查询访问。

（三）基于数据挖掘和人工智能的学情分析

学情数据分析是为了构建和理解学习者特征，进而制定个性化教学策略，优化学习成果。传统的分析方法多依赖于描述、推论、信度分析等统计学方法，只适用于处理少量数据且无法充分挖掘数据关联性、发展趋势、属性类别等隐藏信息。因此需要借助数据挖掘和人工智能的方法深入数据内部，在发现价值的同时也要保证处理大量数据的速度。

（四）交互式可视教学平台

可视化技术可以将抽象数据挖掘的结果直观地呈现出来，通过图形、图表、动画等不同形式使用户形成对海量数据的整体理解，感知数据间的复杂关系，结合缩放、筛选、高亮等交互工具，与数据交流，辅助分析和推理工作的深入。

（五）面向精准度的教学大数据多元应用

对学情数据分析的结果可应用于教学规律探索、问题诊断、决策与干预，进而确定个性化、精准化教学方针与目标，提升教学质量。此外，線上教学平台相关的数据还可用于后续对平台的迭代与优化。

四、方法验证及场景应用

在教学实践过程中，面向精准度的教育大数据分析方法取得了较好的效果。本课题以苏州科技大学2018级计算机专业学生为实验对象，涵盖“Java语言程序设计”“Web前端开发”等多门课程，主要采集课程信息、学生成绩、课堂视频等数据。在实验前期准备阶段，搭建了由10台服务器构成并部署了OpenStack私有云平台的集群系统，用于存储教学数据。多个用户可同时接入虚拟化资源池，部署Hadoop系统，进行数据的分布式存储与管理。

在数据分析方面，采用Apriori方法探索学生课堂行为与成绩之间的关联;通过自回归移动平均模型算法对个体的成绩数据进行时序预测;在对各个学生进行特征提取的基础上，使用kMeans等聚类算法找出具有相似表现状态的群体。还运用人工智能技术从多源异构课程信息中抽取知识，构建知识图谱，帮助学生梳理课程核心概念之间的语义关系，提高归纳总结的能力;通过计算机视觉中的深度学习方法，对课堂监控视频进行目标检测、行为检测与跟踪、自动化考勤和教学质量评估，降低人工记录的时间和人力成本。各项数据挖掘与分析算法通过移动计算的方式在大数据云平台上执行，云平台在进行任务调度时，会尽可能地将计算任务分配到其所要处理数据块的存储位置，实现存储与计算的分离。这样可以提高系统的灵活性，使得存储与计算可以按需进行拓展。

为了直观展示教育大数据挖掘分析的结果，我们还建立了交互式的可视教学系统。图2展示的是系统中的数据统计界面。数据包含了文本和数值类型。通过排序、平均、词频统计等统计方法，结合折线图、平行坐标、柱状体、环形图、词云的可视化方法呈现出个体原始数据以及整体分布情况。从左下角的词云图中，师生可以直接获取当前各门课程中的核心概念，尽快确定授课和学习的主要方向。在右上角的班级成绩平行坐标中，教师不仅可以查看成绩的整体分布，还能够掌握单个学生的成绩波动情况，根据考试内容迅速定位薄弱的知识点，及时调整授课重心与方式，以此开展更有针对性的教学，提高教学的实效性。

五、结语

精准教学是教学质量提升的终极目标，通过设计测量过程来追踪学生的表现，核心在于大量的教育数据和准确的学情分析。大数据时代的到来为精准教学中数据挖掘和分析任务提供了有力的技术支撑，使得学生可以根据全面的成绩和行为记录实现自适应学习，教师能够参考分析结果诊断教学问题、动态调整教学方针。本文提出的框架遵循完整的大数据分析流程，从数据采集、存储、处理、算法分析及交互可视化等方面，针对当前教学精准度提高存在的困难，探讨潜在的解决方案和可行性。在初步实践的过程中也发现，精准化教学也离不开教师数据素养的提升和软硬件设施的发展。为了进一步验证有效性，未来还应将本文所提出的精准化教学框架推广至更多学科的教学实践中。此外，本文聚焦于教学框架的构建，而细节方面仍需要更多探索，包括不同的分析方法在各类教学数据价值挖掘任务下的性能比较，以及数据安全的加强以及学生隐私的保护。

参考文献：

[1] 杨现民，骆娇娇，刘雅馨，等.数据驱动教学：大数据时代教学范式的新走向[J]. 电化教育研究，2017，1（12）：13-20.

[2] 陈亮亮，邵雄凯，高榕. 基于大数据云平台的深度学习预测模型研究[J]. 软件导刊，2020，19（05）：42-47.

[3] 杨现民，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（01）：50-61.

[4] Wei X.，Fang X.. Accurate Analysis of big data Assists Teaching in Situational Teaching and Quality Development Training of College Physical Education[C]. In 2021 2nd International Conference on Computers，Information Processing and Advanced Education，2021：1146-1151.

[5] 李秋华. 中国传统文化教学范式改革浅议[J]. 文教资料，2012（20）：148-149.

[6] 胡松华，赵慧. 大数据背景下统计学专业课程教学改革模式探析[J]. 教育研究，2020，3（02）：105-106.

（责任编辑：胡甜甜）