基于多维数据分析的全景交互式云选课平台设计研究*

孙健秧 薛 娴 王锦坤 朱伯聪 游 盛 洪东键

(福建电力职业技术学院，福建 泉州 362000)

1 概述

随着现代化职业教育政策的实施，对高校学生能力素质和知识广度的要求正在不断提高。目前，高校越来越重视选修课的互动、拟合、共好等教学管理工作，面向人才培养全面发展和社会适应性需求，各高校建设了多元素、多样化的选修课程体系。本研究以全景互动式的教学管理模式为导向，在实现选课过程电子化的基础上，突破传统模式，通过预选、筛选、初选、确选、改选的全景模式，实现校选课程设计的多元确定，引入学生相关的多元数据，构建学生画像模型，打破原有单一化的交互展现形式，并以此为基础实现个性化的选课推荐。此外，依托平台的数据分析能力，综合分析选课情况，开展全过程跟踪，为课程开发、课程设计调整提供数据支撑，提高教学管理水平。

目前，高校选修课程大多依赖单一的、固化的选课模式，即由学生通过选课系统进行选修课程选择。这种模式是按照学生登陆系统的时间先后顺序进行课程选定，即越早登入系统的选择成功几率就越大，部分学生因无法选择到理想课程而盲目操作。该模式缺乏互动性、适应性、有效性，学生满意率低，老师教学成效也不高，无法实现分类施教、因材施教的选修课程培养目标。

2 模型设计与研究

2.1 模型选择分析

选课系统采用B/S结构模式作为系统结构设计方案，相较于C/S结构，B/S结构模式对于网络环境的要求更低，维护成本低，可扩展性强[1]。传统的选课针对模型算法需求较少，常见的推荐算法所涉及的技术难点、复杂程度、智能程度也不高，因此本研究采用BP神经网络算法作为选课推荐算法[2]。BP神经网络是一种多层前馈神经网络，由许许多多的神经元组成网络，神经元接收n个其他神经元传递的输入信号，信号能通过层与层向前传播，得到最终实际输出后，与期望输出做对比,通过“梯度下降”策略，逐层调节权重和阈值,最终得到与期望输出在误差允许范围内的神经网络模型(见图1、图2)。为深入挖掘学生的行为信息、偏好信息等特征之间的联系，本研究还采用了数字画像技术来构建学生画像模型。首先将画像模型的各标签进行数字转换，当输入一个目标用户的各项转换值后，获得该用户的特征向量，再根据权向量得到感知器的输入值，然后使用sigmoid函数计算出每个感知器的输出，再将此输出作为下一层感知器的输入，依次类推，直到输出层。

图1 神经元模型

图2 三层BP神经网络

2.2 选课系统设计

以选课流程为主干线，建设选课管理、选课审核、规则配置三大基础功能，在此基础上结合教学统筹、教学评价、课程建议反馈、数据报表等功能的建设，实现从“选课—审核—上课反馈—数据分析展示”的全过程跟踪及数据反馈，在满足学生选课电子化、便捷化的基础上，为学校教学管理提升提供支撑。

如图3所示，系统设计三轮式选课流程，学生依次进行首选、复选、改选，其中每轮选课包括系统预选、初选、确认选课等。各流程的进行时间由学校通过系统设置模块予以限定。

选课时(开始前)，按照学生在校期间学工信息、课程成绩、综合素质、行为数据等多元数据，通过数字画像技术构建学生画像。选课后，根据画像并运用BP算法进行预选推荐，配合冲突检测机制、智能匹配预警机制、课程推荐结果多轮拟合等全过程互动式逻辑，实现学生有针对性的选课，并保障学生个人日程合理安排，避免冲突选课。

学生选课后，进入教师审核环节。审核时，教师可以参考平台提供的数字画像(模型的)数据对比，确定或驳回学生选课申请。学生自主选课阶段完成后，学校可通过教学统筹功能，对未成功选课的学生进行课程分配，合理利用教学资源，有效减少资源浪费，完成后导出课程学员名单及时下发至授课教师处，确保课程顺利开展。

除上述选课的关键流程外，系统从多维度对最终选课结果进行数据统计，在课程建议功能模块中，以图表形式直观展示，并自动判断分析，为学校提供课程缺口分析以及调整建议，为学校的管理决策提供数据支撑。

2.3 关键技术研究

数字画像是由对象多模态信息特征所构成的代理原型[3]，是在一连串数据上构建起来的对象模型，即对象的信息画像化。其用一系列的画像简洁、明了地刻画了每个个体的特征，通过数字画像的实际应用，实现支持决策、改进管理和优化服务等功能。

以画像构建分析为基础，通过基于标签的群体圈选、群体计算等手段，为用户建立个体档案，从而实现对于目标群体的精准定位[4]。结合标签库的构建分析，通过大量的数据收集比对分析后得出画像构建的要素及方式方法，最终构建出符合目标用户的个性化数字画像，具有准确性、普适性。如图4所示，本研究使用三维笛卡尔坐标系表示选课学生的画像模型。X维表示学生画像模型的框架维度,分别为基础信息、成绩信息、行为信息和爱好信息四个构成要素。Y维表示学生画像模型的标签层级，分为2个标签层级，一级标签是每个维度提取的主成分，二级标签为样本原始特征。Z维表示学生画像模型的标签属性，按照数据属性来源与处理方法的不同，标签属性分为事实标签、模型标签和预测标签。

图4 画像模型构建

设计的选课系统采用基于BP神经网络的算法，提出分类因子、参照因子、侧重比等定义，按照难易程度、专业方向、学习基础等不同方面对所有课程进行分类和层级划分，匹配预设的课程标签库进而得出每门课程的课程标签，比较同一类别中各课程的权值差和权值方差，求解出具有最大相似度的解，即能满足学生需求的课程模型，将课程库中的课程与课程模型进行筛选比对，从而得出最接近模型的课程在选课阶段进行课程推荐。

平台设有综合、推优、筑基三种推荐方式可供学生选择。其中，综合推荐是指根据学生的画像原型，同时兼顾学生的爱好、成绩、课程等偏好信息，按预设的权重通过BP神经网络进行计算，从课程库逐级筛选出最接近学生需求的课程进行推荐。

推优方式是指根据对学生的画像分析，通过不同课程的绩点分数计算，按照对应等级划分排序，根据学生的良好能力进行课程推荐。推优算法首先根据绩点分数要求预设优级分界线，将学生所有课程成绩绩点按优级分界线做分类排序，反映出在不同类别、专业课程方面的学习能力情况，将所有绩点大于等于优级分界线的课程的标签做归纳，基于画像模型从课程库中筛选出同类标签的课程，完成推优方式。

筑基方式根据绩点分数要求预设劣级分界线，同样计算出学生所有课程的绩点分数，将所有绩点小于等于劣级分界线的课程的标签做归纳，基于画像模型从课程库中筛选出同类标签的课程，完成筑基推荐。以此调动学习积极性，合理安排选课[5]。

3 平台功能设计

平台功能设计通过多轮次匹配选课提高教学的互动性、适应性、有效性、创新性，赋能选修课程管理水平提升。

平台建设面向选课各环节包括学生、教师、教学等多角色设计，设计包含基础信息、选课中心、资源中心、配置中心四大功能模块，功能结构如图5所示。

图5 功能结构示意图

①选课中心功能包含自主选课、选课审核、课程统筹、教学评价、问卷反馈、报表分析、课程建议，实现选课的智能化、多元化，同时为课程设计提供数据支撑，保证了学生选课的有效性、互动性、创新性及课程设计的科学性。

②资源中心主要包含画像模型库、培养方案、课程库；画像模型库是通过对学生画像模型的统一查询、展示功能，辅助教师对学生整体情况进行了解，为选课审核提供参考依据[6]。

③基础信息功能分为学生个人中心和职工个人中心。学生个人中心包含学生基础信息和画像模型的查看。

4 结论与展望

本研究设计的选课平台以学生在校期间的多维数据为基础，通过互动式全景选课模式，实现学生选课的全过程多轮次匹配。第一，基于学生自身特点优势，拟合课程和教师特色。为学生提供选修课程的个性化推荐，大幅减少学生选课决策时间。第二，为师生双方对课程设计和授课的理解形成共好的态势。帮助学生减少弯路的同时，降低一线教师为针对性研究的工作负担。第三，优化教师和学校对学生有针对性的选课工作量。提升选修课程管理效率，赋能学校管理水平提升。第四，为学生及老师提供针对性学习与培养方向，为院校提供更为全面的学生发展情况、课程目标落实情况等的数据支撑参考，提升课程设计质量。

综上，本研究设计能够较好实现选课互动及教学目标，但也需要进一步完善。一是平台采用的BP神经网络算法应进一步优化，以加快算法的计算速度和准确性。二是平台所需处理的数据量巨大，可以考虑下一步研究采用大数据分布式计算算法，提高数据处理的即时性，使选课平台运行更稳定高效。三是进一步采用新的数据挖掘技术或者深度学习算法，更深层次、准确、智能地刻画学生画像。四是探索师生教与学的最佳互动形态，形成泛数据深度学习及应用，实现教学相长和师生共同发展。