基于数据挖掘的高校线上教学学生参与度分析与激励机制的探究

陆霞，张国华

（南京师范大学泰州学院，江苏泰州 225300）

2020年，疫情席卷全球，为了确保高校教学活动的正常开展，教育部发布《关于在疫情防控期间做好普通高等学校在线教学组织与管理工作的指导意见》，明确要求高校要积极有效地开展线上教学活动，保障疫情防控期间的教学进度和教学质量[1]。线上教学相较传统课堂在“教学主体”“教学目标”“教学媒体”“教学环境”等多个方面存在差异性，线上教学将在未来很长时间内作为线下教学的有效补充，而能否保障学生学习质量和提升学生线上课堂的参与度成为关注的热点。数据挖掘技术是指利用信息技术手段在大量数据集中运用数据处理算法和数据检测方法获取有价值的信息。将数据挖掘技术应用于线上教学学生参与度的分析可以极大程度地提升数据分析效率，消除信息资源共享方面存在的界限，更好地进行数据融合，为后继教学决策提供有效的数据支撑。

1 数据挖掘的相关概念

数据挖掘是指按照业务需求从海量数据中提取出潜在、有效并能被人理解的模式的高级处理过程。它结合了已有的数据库管理系统的查询、检索功能，与多维分析统计分析方法相结合，进行联机分析处理，从而得出可供决策参考的统计分析数据。数据挖掘技术不仅具备关联分析的功能，还能实现根据相关标准对数据库中的数据进行分类。

2 基于数据挖掘的高校线上教学学生参与度分析

2.1 数据的收集

数据的收集主要源于两个方面——问卷调查和网络数据。本研究以南京师范大学泰州学院为例，针对学生和教师制定两份调查问卷。通过网络分发调查问卷对线上教学情况进行调研，其中学生有效回收问卷232份，教师16份。学生调查问卷中，女生占72.2%，男生27.8%；低年级（大一和大二）占60.3%，高年级（大三和大四）占39.7%。问卷设计的题型包括单选题、多选题和开放式题型三类，涉及线上教学方式展现、课堂互动、注意力集中、教学效果反馈和提升线上教学效果建议五大方面[2]。网络数据主要包含在线教学过程中教学资源的下载使用情况、学生在线评价、作业提交准确率以及在线时长等。

2.2 建立挖掘数据库

前期搜集的数据需要进行预处理，构建准确、完整的挖掘数据库。最常用到的数据预处理方法有：数据清洗、数据规约、数据集成等。数据清洗可以过滤掉错误的、重复的、缺失的部分数据，例如：可以使用IsNull（）函数查找缺失的数据。数据规约可以完成数据的压缩处理，实现对于线上教学平台的图像视频等多媒体资源的压缩。数据集成可以对构建的多个数据库进行降低冗余度的处理，集成多个数据库。

2.3 建立数据挖掘算法模型

常用的数据挖掘算法主要包括有指导和无指导的数据挖掘算法。有指导的数据挖掘有分类、估值和预测；无指导的数据挖掘有关联规则和聚类。其中，分类算法用于找出不同选用数据进行预测，可以得到确定的结果。分类算法主要包括两个阶段：

1）训练

训练阶段主要是从已知的数据集中选取一部分数据建立训练集，剩余的部分作为检验集，事先确定分类规则。训练数据集由一组数据元组构成，训练阶段可以看成为学习一个映射函数的过程，对于一个给定元组记录，通过分类模型中的决策树算法，按照分类规则事先规定得出分类结果。

决策树算法是一种有监督的学习，也就是说会事先给定一定类别和数据集合。通过学习能够判定出进来数据所属的类。决策树采用的是数据结构中的树型结构，可以是多叉树也可以是二叉树。决策树算法的基本原理是：选择训练样本作为树的根节点，如果样本都在同一类，则该节点标记为树叶，并记录下该类，否则选择最优属性作为决策树的当前结点。根据决策树不同的属性取值，每个取值构成一个分枝，将训练数据分成若干子集，针对每一个子集重复当前步骤，直至分类结束。

分类属性选择直接决定决策树算法是否具有最优分类能力，一般可以通过信息增益和信息熵来实现[3]。信息增益越大，不确定性越小，越适合分类。例如，属性A的分裂信息为：

其中，E(·)为信息熵，EA(·)为以属性A为根分类的信息熵。

2）评估

在评估阶段，需要使用上一阶段建立的模型对检验集数据元组进行分类，从而评估分类模型的预测准确率。若准确率较低，则需要重新选择合适的分类模型。

2.4 实施

系统挖掘数据库的建立选择SQL Server 2008软件，构建了以学生信息为中心的课程信息数据库、课程资源数据库、在线时长统计数据库、评价数据库等，涵盖线上教学学生活动的各方面数据。

根据训练集生成决策树的部分程序代码为：

训练规则确定为：If time＞90 and accuracy＞85 and download＞5 then参与度=”high”。则对线上教学学生参与度数据进行分析的过程如图1所示。

图1 线上教学学生参与度训练集分析

3 高校线上教学学生参与度激励机制探索

线上教学活动作为线下教学活动的有效补充，还会一直持续下去，以南京师范大学泰州学院信息工程学院《计算机网络》课程的线上教学为例，为了激励学生参与度，可以采用以下几方面措施：

（1）优化课程设置

高效的线上教学模式应具有真实化、简约化、主动式等特点。真实化即指线上教学环境应具有和线下教学相似的教学情境，呈现真实的教学内容，突出真实的教学情感。简约化主要指线上教学内容需要精简，以简驭繁，达到高效省时的教学目的。主动式就是要落实“以学生为主体”的教学原则，充分发挥学生在教学过程中的主观能动性，让学生主动学习，适当让学生主导整个教学过程。当然，教师在线上教学过程中，也需要不断探索高效课堂教学模式的思路和方法，如“自学——引导”式教学、“问题——解决”式教学、“活动——探究”式教学、“情境——体验”式教学等。例如：子网的分配问题，线上教学过程中可以采用“问题——解决”式教学。

（2）扩展网络教学资源应用

相较线下纸质教学资源，线上教学资源丰富，可以采用多媒体、多态文本形式呈现，更容易吸引学生的注意力，由于网络资源的共享，使得师生可以直接获取到教学资源更为广泛、更便捷、更直观。例如，《计算机网络》这门课程中包含了交换机的配置实验，线上教学限制了实验的开展，但是网络仿真实验平台及软件的使用弥补了这一不足，如Cisco公司的Packet tracer，主流的网络仿真软件都采用了离散事件模拟技术，提供了丰富的网络仿真模型库和高级语言编程接口，提高了仿真软件的灵活性和使用方便性。

（3）加强教学互动环节的应用

互动类型、互动形式、互动途径、互动强度等直接影响线上教学效果。线上教学除了采用传统的提问、连麦、评论等方式外，还可以引入游戏式或者沉浸式教学互动方式。例如，技能类课程教学中，穿插游戏互动的教学环节，可以以新奇的、对抗性、奖励制形式提高学生课堂参与度，激发学生学习的热情[4]。在对抗赛中获胜对于高校学生而言具有较大的吸引力，可以满足学生的价值认同感。例如：在《计算机网络》线上教学环节，可以分小组给出校园网的组网方案，由教师判定哪组给出的组网方案为最佳，给予一定的学分激励。

（4）积极引导学生自主提升课堂参与度

高校低年级课程门类设置多，学生学习压力较大，时间分配比较困难，大部分同学是被迫学习。应加强对学生学业规划的引导，让线上教学活动和未来就业相关联，如计算机专业的语言类编程线上教学过程中采用和公司相同的“项目驱动方式”，给学生设置“工作”情境，发布合作式项目任务，这样可以使得学习变成学生的内需力，有利于提升学生线上教学参与度[5]。例如为了让学生清楚了解计算机网络的架构，可以应用NS仿真软件对网络中的系统层、传输层、数据链路等进行模拟，可以在其中加入一些比较细化的参数，结合实践中的具体问题，找到解决问题的办法。

（5）完善线上教学评价制度

线上教学因为其特殊的组织形式，要建立比传统线下教学更为科学的考核制度，教师需要对每个学生进行公开公正的评价，师生需要共同遵循全面性、发展性、多元性的原则。线上教学评价制度需要从“教师的评价”和“学生的评价”两个方面来完善，对于教师的评价需要结合定量和定性，对于学生的评价需要结合过程和结果[6]。

（6）建立线上教学督导机制

线上教学过程中要充分发挥现代信息技术的优势，将大数据、人工智能等手段应用到线上教学督导机制中，如线上教学的学生签到、统计教学线上资源发布情况、分析学生弹幕中的情感因素、线上教学互动环节的监管等。这样不仅可以督促教师提高线上教学技能，也能侧面了解学生线上教学的参与度和满意度。

4 结束语

在今后的教学中，还需要深入展开线上教学，线上教学作为线下教学的有效补充，需要师生不断地积累经验。教师可以通过定期制作调查问卷的形式征求学生的反馈意见，获得学生喜欢的线上教学方式和实施成功的案例，数据挖掘技术的应用为线上教学提供了更精准的决策支持，对于线上教学的不足之处及时进行弥补和调整。当然，线上教学并不是线下教学简单的搬移和堆砌，教师也需要从线上教学学生参与度的角度进行换位思考，从学生的行为和心理上全面考量，克服影响线上教学学生参与度的障碍，提高高校线上教学质量。