高职学生学习行为分析与成绩预测系统设计

李 毅, 赵圆圆

(石家庄职业技术学院 信息工程系,河北 石家庄 050800)

0 引言

近年来,随着智慧校园的蓬勃发展,高职院校的教育信息化手段多种多样,产生了很多的基础教育数据,包括在线学习平台数据、视频数据等,种类繁多且结构复杂,这些数据在一定程度上反映了学生的学习行为.云计算具有强大的资源处理能力,但是需要将所有的数据上传至云端,不仅增加了网络带宽的压力,而且实时性较差[1].云边协同是在云计算的基础上,结合边缘计算产生的新解决方案.边缘计算通过网络边缘的边缘节点快速处理数据,能有效地解决云计算框架中数据传输延迟、网络带宽压力大的问题,通过云计算和边缘技术协同工作,能有效地提升应用程序的性能[1].目前云边协同主要应用在工业互联网、智慧交通、智能安防和医疗保健等领域[2].随着云边协同技术的发展,采用云边协同技术进行数据分析成为一种趋势,本文提出了一种基于云边协同的高职院校学生学习行为分析与成绩预测智能化管控平台的解决方案,以期对高职学生的学习行为数据进行自动化分析和数据挖掘,从而为高职学生提供学业预警,并辅助高职院校管理人员做出决策.

1 系统结构设计

云边协同下高职学生学习行为分析与成绩预测系统主要由边缘层、网络传输层、云层和用户界面层组成,系统架构图见图1.

图1 系统架构图

边缘层包含多个边缘节点,负责数据采集、存储和分析.在边缘节点,先采集课堂实录视频、在线学习平台行为数据、教务系统中学生课程成绩数据,将其存储在本地磁盘中;再对学生行为进行分析和预处理,包括目标检测、目标确认和行为识别,并对这些数据进行初步清洗、集成、规范;最后将相关数据上传至云服务器.

网络传输层使用校园局域网,将在边缘节点预处理后的行为数据传输到云层.

云层由数据库服务器和管理服务器组成,先存储边缘层上传的数据,再使用聚类算法对上传的数据进行分析,并对学生学习行为与学业成绩的相关性进行分析,生成学业成绩预测模型,最后将处理后的学生行为数据、行为分析结果及相关模型数据发送至用户界面层.

使用C#语言实现用户界面层,采用C/S架构搭建应用平台.用户界面层具有行为数据和成绩数据查询、成绩监控、学生学业预警及系统管理等功能.

2 系统功能设计

系统的总体功能有边缘节点管理、数据查询、成绩监控、学业预警和系统管理,具体内容见图2.

图2 系统总体功能图

3 系统思路设计

本设计分为三阶段,研究思路见图3.

图3 研究思路

由图3可以看出,在研究的第一阶段,确定不同学习行为特征变量;在第二阶段,分析不同的学生行为特征变量与学业成绩的相关性,对学生的校园行为与学业成绩进行聚类分析,深度挖掘相关性并形成学生行为数据模型;第三阶段,对数据的相关性进行聚类分析,提出学生学业预警策略和构建学习成绩分级预测模型,实现对学生学习全过程的成绩预测.第一阶段在边缘端完成,第二和第三阶段在云端完成.

4 学生校园行为与成绩相关性分析

在第一阶段,本团队通过文献[3]确定了在线学习行为特征变量,包括课程音视频学习情况、作业完成情况、签到(考勤)情况、任务点完成情况、在线测试成绩;根据课堂实录视频总结出8种课堂行为,分别为听讲、阅读、书写、站立、翻书、玩手机、睡觉和左顾右盼.参照文献[3]使用皮尔逊相关性分析法,确定与期末成绩呈正相关的学生课堂学习行为有听讲、书写、阅读和翻书,且相关性显著;而与期末成绩呈负相关的学生课堂非学习行为有玩手机、睡觉和左顾右盼.据此,本文确定使用的学生校园行为特征变量有:课程音视频学习情况、作业完成情况、签到(考勤)情况、任务点完成情况、在线测试成绩、听讲、书写、阅读、翻书、玩手机、睡觉和左顾右盼.

以高职S学院2019级W 专业3班2021—2022学年第一学期物联网组网及应用课程的在线学习数据、课堂实录视频和该课程学生期末成绩为样本数据集.其中,在线学习数据为一个学期的学习数据,数据预处理过程见文献[3];教室课堂实录视频每次课90 min,共选取6次课540 min的视频数据.首先,对采集的学生课堂行为视频数据进行筛选,将包含要研究的课堂行为的视频分割成短视频,并进行标注.其次,将短视频经过抽帧处理转化为连续多帧的图像,对图像中的行为再次进行标注,划分成训练集和测试集.再次,通过基于深度学习的OpenPose算法在训练集上进行训练,使用训练生成的算法模型自动识别学生的课堂行为.每个学生的课堂行为初始分数为0,如果识别为课堂学习行为,则课堂学习行为分数加1;如果识别为课堂非学习行为,则该学生的课堂非学习行为分数加1,实现对视频数据的预处理.物联网组网及应用课程期末成绩从教务系统中获得,原数据为5级制:优秀、良好、中等、及格和不及格,对数据进行规范化处理,1代表优秀,2代表良好,3代表中等,4代表及格,5代表不及格.将边缘端预处理后的行为特征变量对应的数据上传至云端.

第二阶段,云端接收来自边缘端上传的数据,首先对数据进行整合,部分整合数据的截图见图4.

图4 学生行为部分数据截图

根据学生在线学习行为、课堂行为与课程学习成绩相关性分析,使用k- means进行聚类,根据聚类效果评判标准之一的轮廓系数,确定k-means的聚类个数为3.使用SPSS Modeler15.0 软件对聚类结果进行可视化,聚类结果的平行线图见图5.

图5 聚类结果的平行线图

聚类结果显示,在线测试成绩、作业完成情况和课程音视频学习情况的分数越高,期末成绩的等级越高.在课堂上学生认真听讲、记笔记、阅读,则期末成绩较高;相反,玩手机行为越多,上课睡觉,左顾右盼,则期末成绩较低.

学生正常毕业的条件之一是学生各科成绩均合格并取得相应学分.根据学生在线学习行为、课堂行为与学科成绩之间的关系,可以预测学生学科学习成绩,而根据学生学科成绩也可以预测学生的学业成绩.

第三阶段,在云端,使用决策树C5.0分析学生的在线学习行为和课堂行为对学科成绩的影响,并进行分级预测,学习成绩分级预测模型图见图6.

图6 学习成绩分级预测模型

由图6 可知,学生在课堂上左顾右盼次数≤7次,期末成绩等级为优秀;如果学生在课堂上左顾右盼次数＞7次,玩手机次数≤75次,则期末成绩等级为良好的概率为95.65%;如果学生在课堂上左顾右盼次数＞7次,玩手机次数在(75,83]时,期末成绩等级为中等;如果学生在课堂上左顾右盼次数＞7次,玩手机次数＞83 次,课程音视频学习所得分数＞44.444分,则期末成绩等级为及格;如果学生在课堂上左顾右盼次数＞7次,玩手机次数＞83次,课程音视频学习所得分数≤44.444分,则期末成绩等级为不及格.

将样本数据集随机分配70%的样本量为训练样本,30%的样本量为检验样本,经过实验,模型的准确率为97.67%,达到了研究的预期效果,即使用该模型可实现对学生学科成绩的分级预测.

当通过该模型预测到学生等级为5级即学科成绩不及格时,说明学生可能会出现挂科的现象,即学生可能无法正常毕业.通过学习成绩分级预测可以提示教师督促学生抓紧学习,及时纠正学生的不良行为.

5 结语

云边协同下高职学生学习行为分析与成绩预测系统能够帮助教育管理者及时查看学生的课堂学习状态,了解学生的校园行为习惯,有针对性地对学生的学习行为进行干预.本文以每一位学生为独立研究对象对其学习行为进行多角度分析,但是不同专业的学生学情不同,不同年级的学生特点也不同,后续可以以年级或专业为研究对象,对具有同一特征的学生群体进行学习行为分析和学业成绩预测研究.