TULIP平台学习行为数据聚类分析

刘永欣 赵元棣 张彬 李昂

摘  要：构建TULIP虚拟仿真平台的目标是有效提升学习者的逻辑思维和实践能力。采集学习者在TULIP平台有关空中交通管理本科专业课程的在线学习行为数据，选取9个学习行为量化指标，采用主成分分析和k-均值聚类方法，对学习者在TULIP平台14个任务的学习行为数据进行聚类分析。通过分析聚类结果，将任务分为识记、资料拓展、前序课程延续、综合应用四类，并准确识别成绩优秀和成绩较差学习者的学习行为特征。探讨基于TULIP平台的教学方法，通过有针对性地制定教学方案和干预措施，实现提升学习效果的目标。

关键词：教育信息化；TULIP平台；学习行为；主成分分析；k-均值聚类

中图分类号：G642        文献标志码：A          文章编号：2096-000X（2023）21-0193-04

Abstract： The goal of constructing TULIP virtual simulation platform is to effectively improve learners' logical thinking and practical ability. The online learning behavior data of learners on the TULIP platform related to air traffic management undergraduate professional courses are collected. Through selecting 9 quantitative indicators of learning behavior， learners' learning behavior data of 14 tasks on the TULIP platform areanalyzed based on principal component analysis and k-means clustering method. By analyzing the clustering results， the tasks are divided into four categories： memorization， materials expansion， pre-coursecontinuation and comprehensive application， The learning behavior characteristics of learners with excellent and poor academic performance are accurately identified. The teaching methods based on TULIP platform are discussed， so as to formulate targeted teaching programs and interventions to achieve the goal of improving learning effect.

Keywords： educational informatization; TULIP platform; learning behavior; principal component analysis; k-means clustering

經过多年的发展与建设，中国民航大学交通运输专业课程已形成体系。然而，以教师为中心的传统授课方式容易产生学生对知识理解不深、理论与实践脱离等问题。在全国教育信息化建设的背景下，该专业以培养复合型、应用型、创新型人才为目标，以提升逻辑思维和实践能力为核心，构建了虚拟仿真学习平台——TULIP（Task-based Ultra Learning Intelligent Platform）平台，使学生通过完成多种实验任务建立对空管规章的直观认识，加深对理论知识的准确理解，充分激发学生的学习兴趣和主观能动性，有效提升教学效果和人才培养质量。

基于数据挖掘的学习行为研究已有一些成果。2017年，张健[1]利用改进后的序列模式挖掘算法对学习行为的数据进行采集、挖掘和分析，将数据挖掘技术应用于个性化的学习系统，优化了在线学习的机制以及用户的学习体验。2018年，王改花等[2]采用数据挖掘技术中的决策树方法对网络学习者的学习行为与成绩进行了预测，构建了适应性学习系统学习干预模型。2019年，代红等[3]通过对学习者在网络学习过程中产生的大量学习行为记录进行分析和数据挖掘，并采用机器学习中集成学习的方法对学习成绩进行预测，研究结果对学习质量的提高有重要意义。2020年，赵倩[4]选择网络教学平台的师生行为进行分析，应用数据挖掘技术和行为序列分析法提取网络学习行为数据的有用信息，发现有效学习规律，提出提升教学效果建议，为高校有效开展网络教学平台支持的混合式教学提供数据支持；同年，沈洵[5]利用大数据挖掘的关联分析等方法归纳出个体学生在线学习行为与学习成效高关联度的学习行为指标，以此设计出在线课程学习行为数据标准，作为教师设计教学内容和干预学生学习行为的参考依据。2021年，杨孟娇等[6]选取了7个学习行为量化指标，采用主成分分析法和K均值聚类算法相结合的方法，对开放教育学习者的学习行为进行科学的聚类；同年，蔺小清[7]完成了一种基于K-means聚类算法的在线学习行为分析方法的设计，通过聚类分析采集到的用户在线学习行为路径数据实现其在线学习行为的获取，并从大数据中挖掘用户学习行为习惯，为提高混合式教学质量及效率提供参考。

目前，TULIP平台已成功应用于该专业的多门空管专业课程，学习者以闯关形式完成各项任务，包括以下几个部分。

1）首次任务：需要在有限的时间内完成，目的是让学习者在不借助任何参考资料的情况下感知任务，进行初步思考与设计。

2）正式任务：共有5次机会，每个任务所需要的知识都是未曾学过的，而这些知识均可以在平台的资源库中找到，需要学习者自行去寻找、探索、辨识。

3）锦囊：为每个任务提供锦囊，锦囊不提供具体解答，但会告诉学习者开启闯关大门的钥匙可能在哪。

从执行任务开始，学习者在平台上的学习行为包括鼠标操作、查找文档、学习文档等数据都将被记录。这些数据是分析学习者的学习风格、学习习惯、学习态度以及提供定制学情报告的重要依据。

本文邀请中国民航大学交通运输专业2018级本科生作为学习者，分批完成总共14个任务，采用聚类分析方法对收集到的学习数据进行分析，以研究学习者的学习行为特点。

一  数据采集与指标确定

本文数据来源于TULIP平台，删除无效数据后各任务数据条数见表1，选取任务指标见表2。

二  基于主成分分析的任务影响因素提取

本文利用主成分分析[5]筛选出相关性强的变量并按重要程度排序，为聚类分析奠定基础。

由于各任务的难度和特点不同，对于不同任务，学生的成绩存在较大差异。分别采用KMO值检验、Bartlett球形检验、公因子方差对数据的可行性进行检验[6]，当选取指标满足以下3个条件时，证明它们之间的相关性较高，可以作为聚类分析的影响因素。①KMO值大于0.6；②满足Bartlett球形检验（ρ<0.05）；③选取指标的公因子方差大于0.4。

影响因素提取及排序结果见表3。

三  基于k-均值聚类的学习行为数据分析

针对每个任务，利用表3中的影响因素对学习者的学习行为数据进行聚类分析[7]，得到每个任务的聚类结果，见表4。

选取典型任务的聚类结果进行分析如下。

1  识记类任务

FPL电报、二次监视雷达C模式高度验证、雷达标牌识别等任务是典型的识记类学习内容。以“FPL电报任务”为例，学习者共分为四类：①第一类共69人，成绩在[40，61]之间，首次完成任务的学习次数平均0.77次，学习次数平均2.17次；②第二類共8人，成绩在[6，67]之间，首次完成任务的学习次数为0，学习次数平均6.38次；③第三类共154人，成绩在[54，70]之间，首次完成任务的学习次数平均1.2次，学习次数平均2.20次；④第四类共26人，成绩在[82，94]之间，首次完成任务的学习次数平均2.46次，学习次数平均3.04次。

根据聚类结果可以发现，首次完成任务的学习次数和学习次数相对较多的第四类学习者，成绩明显高于第一和第三类；而完全没有参与“首次任务”学习的第二类，学习次数最高，但成绩相对较差，说明了设置“首次任务”的必要性：在不借助任何参考资料的情况下在有限时间内完成任务，客观上起到了对学习者“加压”的作用，有助于保证正式内容的理解、辨识与掌握。

2  资料拓展类任务

航空器最低调整速度标准、机场管制放行间隔等任务涉及相关资料的搜集与理解。以航空器最低调整速度标准任务为例，学习者共分为三类：①第一类共45人，成绩在[43，71]之间，学习次数平均3.8次，资料查看次数平均3.8次；②第二类共33人，成绩在[35，66]之间，学习次数平均4.97次，资料查看次数平均2.18次；③第三类共26人，成绩在[10，27]之间，学习次数平均1.46次，资料查看次数平均1.35次。

根据聚类结果可以发现，成绩最高的第一类学习者查看资料次数达到3.8次，而成绩垫底的第三类学习者只有1.35次，因此可以推断该类型任务需要学习者在首次学习前掌握一定的基础知识，在学习中注意查阅相关资料并提取交叉内容。

3  前序课程延续类任务

进离场插飞机间隔任务强调飞机性能等前序课程内容的综合应用，学习者共分为三类：①第一类共56人，成绩在[74，92]之间，学习次数平均2.14次，资料查看次数平均2.23次；②第二类共48人，成绩在[30，62]之间，学习次数平均1.15次，资料查看次数1.04次；③第三类共19人，成绩在[10，53]之间，学习次数平均1次，资料查看次数平均0.16次。

根据聚类结果可以发现，成绩最高的第一类学习者在学习过程中，学习次数和资料查看次数也最高；共有19人没有拿到理想成绩，从侧面说明了此种强调前序课程知识综合应用的任务，比识记类任务的难度更大，前序课程内容的掌握程度和综合问题的解决能力都与最后的成绩相关。

4  综合应用类任务

机场起落航线运行间隔、前后进近航空器雷达尾流间隔标准等任务是管制学员建立起初步指挥能力的重要一环，强调知识的综合应用。以机场起落航线任务为例，学习者共分为四类：①第一类共12人，成绩在[60，79]之间，学习次数平均2.5次，锦囊使用次数平均0.83次，资料查看次数平均2.42次，资料查看时长平均223.75 s；②第二类共53人，成绩在[30，61]之间，学习次数平均1次，锦囊使用次数平均0.66次，资料查看次数平均0.96次，资料查看时长平均109.43 s。③第三类共41人，成绩在[42，69]之间，学习次数平均1.5次，锦囊使用次数平均1.83次，资料查看次数平均1.1次，资料查看时长平均251.7 s。④第四类共16人，成绩在[84，96]之间，学习次数平均2.69次，锦囊使用次数平均2.06次，资料查看次数平均2.56次，资料查看时长平均396.00 s。

根据聚类结果可以发现，成绩较高的学习者普遍学习次数较多，查看锦囊和资料次数较多，资料查看时长较长，说明此种任务的难度较大，任务的训练次数、强度、熟练程度以及锦囊的提示作用有助于学习者掌握知识点。

四  基于TULIP平台的教学方法探讨

通过以上分析可知，针对不同类型的学习任务，学习行为的共性特征差异较大；针对同一学习任务，不同学生呈现出在学习习惯、认知方式等多方面的差异。因此，结合本专业课程特点，利用TULIP平台开展“线上+线下”混合教学，采集并分析每个任务中不同学生的学习行为数据，构建“以学生为中心+基于能力教育”的创新型教学模式。

1  面向课堂的多样化组织

TULIP平台的核心思想是“以学生为中心”，具体体现在首次任务的尝试、扩展资料的查找、锦囊提示的理解、实验任务的复盘等。教师在课堂设计和授课过程中，可以针对每个知识点的特点和任务的种类，灵活安排、使用TULIP平台的各个模块，使课堂真正呈现“学生自主学习、自主实践和自主获取能力”，充分展现出由“知识是教师教出来的”向“知识是学生自己构建起来的”这一目标彻底转变。

2  面向学生的差异化教学

TULIP平台的教学理念是“基于能力教育”，通过全面、自动采集学生的学习行为数据，利用数据挖掘、统计分析、机器学习等方法为每位学生构建学习画像，定量评估其各项能力。在此基础上，面向不同能力等级的学生，实施差异化教学，确保教学活动能够匹配每位学生的兴趣、特点和能力，真正实现“因材施教”。持续跟踪每位学生的学习行为数据，对能力提升效果进行分析。

3  面向教师的定制化评价

TULIP平台的使用对象除了学生还有教师，通过分析授课班级内所有学生的学习画像，教师能够充分、准确掌握学生的能力水平与特点，从而进行更有针对性的教学环节设计和过程评价设计。针对同一课程的不同授课教师，利用班级学生的学习行为数据，计算生成教学效果评价结果，从而使教师之间能够相互借鉴，取长补短。对于多年从事同一课程教学工作的教师，绘制其教学效果评价曲线，有助于教师掌握教学规律。

4  面向课程的体系化构建

TULIP平台的最终目标是建立专业课程体系，包括虚拟仿真类（如：空管理论、实践等）和非虚拟仿真类（如：高等数学、大学物理等）课程，不同课程中识记、资料拓展、前序课程延续、综合应用四类任务的比例配置有所区别，课程之间的任务具有逻辑性和延续性，从而构建出完整的专业课程体系，可以为每个学生在本科四年的学习中提供更精细化的学习指导或干预措施，以期最终实现专业培养目标。

参考文献：

[1] 张健.基于数据挖掘的网络学习行为分析与研究[D].西安：西安电子科技大学，2017：79-80.

[2] 王改花，傅钢善.网络学习行为与成绩的预測及学习干预模型的设计[J].中国远程教育，2019（2）：39-48.

[3] 代红，吴文凯，任玲，等.网络学习行为分析与预测的研究[J].通讯世界，2019，26（10）：28-29.

[4] 赵倩.基于行为数据分析的网络教学平台应用研究[D].呼和浩特：内蒙古师范大学，2020：4-5.

[5] 沈洵.基于大数据分析的在线课程学习行为数据标准设计[J].新课程研究，2020（21）：45-47，89.

[6] 杨孟娇，侯丽媛.基于数据挖掘的开放教育学习者学习行为聚类分析[J].安徽广播电视大学学报，2021（3）：32-37.

[7] 蔺小清.大数据时代K-means聚类算法应用于在线学习行为研究[J].电子设计工程，2021，29（18）：181-184，193.