教育数字化转型背景下大数据与会计专业学生在线学习行为精准预警与干预研究

2023-11-19黄祺

财务管理研究 2023年10期

摘要：针对大数据与会计专业学生在线学习效率低、平台不活跃、被动学习、课堂不积极等学情，收集大数据教学云平台学习数据，利用学习数据分析技术，设计结构化指标和非结构化指标，构建在线学习行为预警指标体系。采用多类最小二乘支持向量机模型进行大数据与会计专业学生在线学习行为结构化指标预警研究，通过大数据技术生成的数字画像实现对非结构化指标预警及干预，实现数据赋能大数据与会计专业学生在线学习行为的精准干预，实现个性化、数智化学习，促进在线教育和数智化教学管理提质增效，助推教育数字化转型。

关键词：大数据；教育数字化；会计专业教学

0 引言

2022年，国家智慧教育平台正式上线推广，这是推进国家教育数字化战略行动的重要举措。平台推送的国家级、省级在线精品课程为学习者提供了丰富、高质量的在线学习资源，同时也产生了海量学习数据。新时代背景下，在线教育从IT（Information Technology）迈向DT（Data Technology）时代[1]。然而在线教育也存在比如学习质量和效率低下、学生个性化及适应性能力差、在线学习监控管理和评价不及时等问题，导致学习者学习行为与学习效率参差不齐。大数据与会计专业是适应新经济发展背景下的新专业转型，大数据与会计专业学生应该积极适应数字化转型与经济发展对数智化人才培养的需求，适应教育数字化、学习个性化、在线交互智能化，不断提升数字化素养和数字化技能，助力“数据利民、数据为民、经世济民”[2]的人才培养目标实现。那么如何借助大数据学习分析技术，结合大数据与会计专业特点开展数据挖掘、数据描述、数据诊断、学习预警与学习干预，实现学习行为精准干预，数据赋能大数据与会计专业学生在线学习高质量发展，驱动在线教育实现个性化创新变革，是目前在線学习基于专业视角下适应教育数字化转型亟待解决的问题之一。依托大数据教学云平台，以大数据与会计专业国家在线精品课程“会计信息系统应用”为基础，以大数据与会计专业学生在线学习行为为研究对象，进行数据抓取，数据挖掘和数据建模，分析学生在线学习行为与学习效果的相关性，通过一系列干预活动（电子邮件通知、学习资源推送、学习环境干预、信用积分激励等）和行为，改善在线学习效果，为在线教学与实践提供参考，推动教育数字化在专业课程教学与评价中的应用。

1 研究现状及发展动态

国内外学者对在线学习行为开展了系列研究，成果比较丰富，通过梳理有关总结在线学习行为研究的文献主要包括研究内容、研究方法和研究工具与应用3个方面。

1.1 研究内容

研究内容主要集中在在线学习行为性质与特征、预警因素研究、预警理论模型构建、实证研究、干预研究等方面。在线学习行为性质与特征研究方面，主要特征表现为学生的学习目标、学习需要、认知风格、心理状况等[3]。国外学者认为线上线下混合教学的实践使得交互学习成为在线学习的主要特征之一[4]。影响在线学习行为的因素很多，主要从属性（性格、情绪、心理特征等）和因素（学习目标、学习需要、认知风格、交互活动、水平测试）两个方面进行研究[1，5]，并通过变量分析对在线学习行为进行预警，侧重结构性特征变量（外显信息）研究阶段。在数据驱动教学管理与创新的背景下，在线学习理论研究逐步转化为预警理论模型构建研究，这类研究主要采用数据挖掘技术[6]从理论上对在线学习行为进行定量化描述、学业诊断、学业预警，并构建在线学习预警模型。通过在线学习行为特征、因素、模型建构与实证研究，研究者提出不同的在线学习行为干预理论。学习分析和人脸识别[7]等技术应用于干预研究中，但基于专业视角研究在线学习行为多类影响因素预警与干预的文献很少。

1.2 研究方法

根据在线学习行为影响因素与特性，开展决策树[8]、神经网络[9]、朴素贝叶斯算法[1]、多模态数据融合模型和聚类算法等方法研究，其中，决策树与回归分析研究相对较多，为本研究提供了研究方法借鉴，但基本停留在理论模型研究层面，研究模型稳定性有待提高。

1.3 研究工具与应用

研究工具主要采用专业软件（SPSS、Weka）进行机器学习和统计分析。在应用方面主要通过自主开发和企业开发两个途径开展。自主开发的工具如美国普渡大学课程警示系统，企业开发的工具如可汗学院的学习仪表盘等。以上在线学习系统对学习者学习过程提供引导和支持，且是有偿服务，尚未普及。

以上成果为本研究提供了丰富的理论基础和实证研究借鉴，但是主要以结构化数据为主，且研究对象受限，针对性不强。从决策视角看，决策方案不仅需要技术干预，更需要制度的介入，最终实现由约束转化为提高内在动机、自我效能和情绪的主动学习。因此，通过对大数据与会计专业学生在线学习行为影响因素进行量化，构建多类最小二乘支持向量机（Least Squares Support Vector Machines ，LSSVM）的预警模型并制定相应干预措施，为在线教育发展提供新的思路与方法，为教育数字化转型在课程教学中的应用提供方法参考和借鉴。

2 在线学习行为预警模型构建

最小二乘支持向量机[10]是标准的支持向量机（SVM）的一种扩展，能够实现训练数据在模型与学习能力之间的最优解，有效破解非线性函数的回归问题。针对在线学习行为研究指标的多维性、非线性等问题，通过利用二次误差函数替代SVM算法中的ε不敏感损失函数求解，解决多因素影响的定量评价，同时可以提高算法的预警精度和收敛速度。依据LSSVM理论，将在线学习非结构化数据及影响因素训练集映射到高维特征空间，实现预测回归函数，构建LSSVM在线学习预警模型。

通过公式推导可以发现，最小二乘支持向量机能够有效实现多元化求解优化及线性方程转化，大大提高模型收敛速度，有效降低算法复杂性。同时，采用最小二乘支持向量机最大的优势在于运算中只需要确定两个参数值，降低空间搜索维度，提高在线学习行为预警精度。大数据与会计专业学生在线学习行为影响因素具有多类性，因此，在LSSVM的基础上采用层次法、有向无环图决策支持构造多类最小二乘支持向量机分类模型，提升在线学习行为预警训练和精度检验。

3 实证研究

3.1 在线学习行为指标体系构建

大数据与会计专业学生在线学习行为影响因素具有多样性、多元性、多维性，学习行为指标之间关系复杂，在线学习行为预警模型是一个多层次的多维预警，在一定程度上增加了学习预警的难度。根据文献梳理，结合国家在线精品开放课程“会计信息系统应用”教学实践与教学大数据云平台指标，将在线学习行为分为结构化指标和非结构化指标。

结构化指标具有外显特性，展示的是可视化的数据信息，且可量化。结构化指标数据通过数据平台系统自动记录学习者课程学习数据。通过收集日志数据并进行数据清洗，根据重要性原则，结合课程线上线下混合教学实践，选定行为数据（访问次数、学习时长、任务点完成率、反刍比、不良行为）、交互数据（互动讨论、发帖数、小组任务、实时抢答、随机选人、调查问卷、课堂投票、报错率）、水平数据（项目作业、章节测试、过程考核、期末考试、成果方案）3个维度18个三级指标。见表1。

非结构化数据具有内隐性，属于定性指标，一般难以量化和开展数学描述。采用朗自我评分量表[4]和大数据技术支持的数字画像进行非结构化数据分析。量表中，1分表示负面评价，9分表示正面评价，5分表示中立。通过数据比较Kappa系统数0.86，对有差异的意见进行再次诊改和讨论，达成100%。借助大数据学习分析技术，在教学大数据云平台生成学生数字画像，对学生反映的情绪波动、学习行为实时检测并提供反馈，通过预警和干预及时给予正面警示、学习关心和鼓励，引导学生学习情绪转变，主动学习，提高学习积极性、参与度和效率，提高预警的及时性与适应性。通过随机抽取2022年下半年国家在线精品课程“会计信息系统应用”（第六期）大数据与会计专业学生A期中与期末学习行为非结构化数据，通过预警与干预后的对比，效果明显。学生A期中学习情况主要表现为被动学习，偏负面评价，即课程不积极、平台不活跃、成绩不及格、学校效率低等。通过预警与及时干预、引导、鼓励，学生A期末的数字画像情况为自主学习，即课程积极、平台活跃、成绩优秀、学习效率高等，总体表现良好。见图1。

3.2 预警级别设置

综合国内外文献研究成果，结合学习者在线学习实际情况，对结构化指标进行预警级别设置，借助预警语言，将预警等级分为轻级、中级、高级3个等级，分别表示为安全（Ⅰ级）、预警（Ⅱ级）、预警（Ⅲ级）。

3.3 研究数据来源

基于教学大数据云平台，依据省级优秀人才培养方案教学计划安排，选择数据时间段为2022年9月—2023年1月，选取学银在线推送的国家在线精品课程“会计信息系统应用”16个班级的学习数据，随机抽取18人学习数据进行实证研究。

3.4 实证过程

结构化指标具有复杂性、差异化、多元化的特点，在开展预警模型中有可能出现偏差。设18个预警指标为自变量，即预警模型输入变量，设综合评分A为因变量，即预警模型的输出变量，通过网格搜索和交叉验证，寻找A与Aii之间的关系。

采用层次法、有向无环图支持构建多类最小二乘支持向量机分类模型，在经过试算和迭代后，确定层节的点数，并以径向基函数K（x，xi）=T（xi）（xi）作为LSSVM的核函数，将随机抽取的18名学习者中前12名作为训练样本进行模型训练，6名学习者数据为测试样本，验证预警模型的精准性、收敛性，具体参数设置见表2。

3.5 实证结果

通过指标训练和模型迭代运算，得到12个训练样本匹配度，见表3。从表3结果可以看出，多类最小二乘支持向量机预警模型的估计数据与实际数据匹配度高，模型拟合效果好。

测试样本的估计值与实际值评分匹配表见表4。表4中6个测试样本测试结果与实际值匹配度平均值达97.18%，说明预警模型能够精准评价在线学习数据危机等级與学习行为状况，预警能力强。相比朴素贝叶斯预警模型[1]收敛速度更快、泛化能力更强、计算更精准。

4 在线学习干预措施

4.1 行为干预

采用“通知”干预措施，对出现中、高预警的学习者学习行为进行阶段性干预。利用学习通进行预警发布，可设置任务点完成度、章节完成度、章节测试平均分、综合成绩平均分、作业平均分、考试平均分等选项，见图2。具体干预方式有发送邮件、QQ留言、学习通提示等。通过这种干预措施，一方面可以提醒学习者及时关注课程学习进展，重视过程学习，及时访问在线课程，认真完成任务点，诚实守信，不刷课、替课，避免产生负面影响；另一方面可以及时发现学习者的消极学习情绪或学习兴趣侧重点，便于及时调整教学进度、难度和教学策略，开展差异化教学。

4.2 交互干预

采用“交互”干预措施，重点对在线学习过程进行干预。重点挖掘在线学习过程数据，通过数据分析，利用数字画像可以发现在线学习危机对学情进行针对性分析，因材施教，引导大数据与会计专业学生采取怎样的方法改善在线学习表现，提高学习兴趣和学习质量。主要干预措手段有：互动讨论、发帖数、小组任务、课堂抢答、随机选人、调查问卷、课堂投票等交互活动，见图3。同时，可以通过信息技术设计对决游戏进行交互干预，激发学生学习兴趣和潜能，促进师生和学生之间资源共享、问题交流和协作学习，实现师生、生生的深度有效互动。

4.3 激励干预

采用“信用积分”“课程积分”等干预措施，对在线学习行为进行全程干预。一方面，对缺课率高、任务完成率低、互动数据少、作业完成不及时、分组任务未完成的学习者，进行系统信用扣分，情节严重的可以禁止参与后续学习活动；另一方面，对于访问量多、任务点反刍比高、自发精华帖、测试成绩优秀、十佳设计成果、比赛获奖、在线助人达人的学习者进行课程积分奖励，促进个性化教学的实现。既可以实现对中、高危机学习者的重点关注和干预，又可以精准培养品学兼优学习之星，促进在线教育高质量发展，培养数智化财经人才。

5 结语

基于大数据与会计专业学生学情，结合“会计信息系统应用”课程在线学习数据与特点，通过将在线学习行为从定性角度提升为定性与定量相结合的角度，实现结构化数据和非结构化数据的数学描述并构建预警模型，精准制定干预措施，为学生提供数智慧化教学服务和个性化学习需求。同时，为在线学习行为预警模型提供理论依据和新的思路，为驱动在线教育实现个性化创新变革提供科学指导和应用参考。

后续研究可以对指标体系与学习效果的因果关系做进一步的对照实验，并进一步分析大数据与会计专业学生选择不同课程、不同网络平台和不同教师授课风格对在线学习行为的影响因素及学习效果的研究，为在线学习设计和数智化评价研究提供支撑。

参考文献

[1]舒莹，姜强，赵蔚.在线学习危机精准预警及干预：模型与实证研究[J].中国远程教育，2019（8）：27-34.

[2]黄祺，朱玮.“德技并修”理念下大数据与会计专业课程思政建设困境与对策研究[J].财务管理研究，2022（10）：100-105.

[3]黄昌勤，涂雅欣，俞建慧，等.数据驱动的在线学习倦怠预警模型研究与实现[J].电化教育研究，2021（2）：47-54.

[4]MOORE M G. Three types of interaction[J].The American Journal of Distance Education，1989，3（2）：1-6.

[5]张进良，魏立鹏，刘斌.智能化环境中基于学习分析的学习行为优化研究[J].远程教育杂志，2020（3）：69-78.

[6]赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究 [J]. 电化教育研究，2017（1）：62-69.

[7]王丽英，何云帆，田俊华.在线学习行为多模态数据融合模型构建及实证[J].中国远程教育，2020（6）：22-51.

[8]楊雪，姜强，赵蔚，等.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，2017（7）：51-57.

[9]王改花，傅钢善.网络学习行为与成绩的预测及学习干预模型的设计[J].中国远程教育，2018（2）：39-48.

[10] SUYKENS J A K，VANDWALLE J. Least squares support vector machines classifiers [J]. Neural Network Letters，1999，19（3）：1-11.