网络教学平台在高校中的建设与学生学习行为数据研究

张勇波, 宋晓丽, 徐海

(中国石油大学(华东), 信息化建设处, 山东, 青岛 266580)

0 引言

自21世纪以来,“互联网+教育”对高等教育的影响逐渐加深,传统的教学模式、人才培养方式等方面均受到了冲击与挑战。传统教育行业与信息化技术相结合,使得在线教育焕发出无比耀眼的光芒[1-2]。教育不受时空限制,学生能够掌握学习的主动权,把握学习的节奏和进度。在线教育将进一步促进优质教育资源的传播,促进教育公平,促进传统教育模式变革。

2015年中国石油大学(华东)实施“全部课程上网”计划,混合式教学成为了学校教学改革的主要方向之一,为此建设了相应的网络教学平台--石大云课堂,截至2020年已经建设了1600门左右的课程。随着“全部课程上网”计划的实施,在线学习成为一种常态,石大云课堂教学平台已成为学校信息技术与课程教学深度融合的重要载体。但目前平台无论在软件功能性还是硬件架构均存在一些缺陷,比如平台的操作便捷性、交互性、安全性和并发数都存在一定的问题。另外,平台已经存有35 T的数据、几十万个资源文件、上千万条数据库记录,对这些数据进行挖掘分析将会对教师教学提供更准确有力的教学依据。因此,本文主要对网络教学平台在学校的软硬件建设和学生学习数据展开分析和研究,以保障师生混合式教学的可持续发展。

1 教学平台硬件架构设计部署

2015年教学平台硬件一直部署在石大私有云上,通过组建虚拟化资源池为平台业务系统提供计算资源服务,主要包括服务器和存储的虚拟化,且平台的设计和运行以它为基础[3]。私有云的优势非常明显,各类操作软件和平台可以共用虚拟化资源池,但是随着内部业务系统的容量扩大,架构升级和性能提升非常困难[4]。

为了改善原有平台的架构缺陷,在校园网基础上,部署5台服务器和统一存储(见图1),主要作用如下。

图1 网络教学平台硬件架构图

(1) 分发服务器

分发服务器用作负载均衡,可以提升平台的并发量和稳定性。在分发服务器上安装运行Nginx,它可以起到一个分流指向的作用,以任务的相同性和压力的大小去分派任务,另一种分派方式就是哪个节点压力最小分配给哪个,避免单节点任务繁重而其他节点没有任何压力。

(2) 节点服务器

节点服务器用作负载均衡,可以形成多个Tomcat负载,多任务多节点分批处理,避免教学平台单节点访问用户过多而造成用户界面卡顿无响应。

(3) 流媒体服务器

流媒体服务器用作负载均衡,可以提升视频转换速度以及平台处理视频速度。

(4) 数据库服务器

数据库服务器用作数据库大页。数据交换不走Swap分区,直接锁死在内存中进行数据交换,可以提升数据库处理速度,很大幅度减少宕机/卡顿风险。负载均衡的部署流程是先部署单个节点(一个Tomcat),然后根据内存大小作相对的配置修改,复制多个Tomcat,修改相应端口,指定到分发的Nginx作对应。

(5) 备份服务器

安装Veritas备份软件,增强数据安全性。教学平台数据是学校的无形资产,极其重要,在发生灾难性故障的情况下,可在几分钟之内将基于磁盘的系统恢复到不同硬件,甚至虚拟服务器。

2 教学平台功能模块设计

教学平台从使用范围可以分为四大类,分别为国外商业化平台、国内商业化平台、高等学校自研平台和开源软件。选取有代表性的平台,如Blackboard、智慧树、超星泛雅、清华教育在线、Moodle等,这些平台从系统架构、技术性、内置工具、可用性等方面具有不同程度的差异,对其进行横向功能模块比较,从而得出完善的教学平台功能结构。图2是本次设计的网络教学平台功能结构图,它主要以课程建设、课程学习、随堂教学、学习分析、运行监测和课程管理等6个模块为主,另有25个子模块组成[5-6]。

图2 网络教学平台软件功能模块图

3 学生学习行为数据研究

基于大数据的学生学习行为数据分析是近些年以来教育领域研究的热点和难点,中国石油大学(华东)经过几年的混合教学实践,在网络教学平台积累了大量学生线上学习日志数据,通过建立中间数据库收集学生学习过程数据,构建学生学习画像,可协助教师动态调整教学策略,同时研究学生的在线学习时间与频次[7]。

3.1 学生学习画像研究

在网络教学平台众多线上学习数据中,描述学生学习的指标较多,有登录次数、在线时长、学习视频次数、参与测试次数等20多项指标,但有哪些指标对教学过程意义比较大,哪些指标可以反馈给教师用于教学干预是无法得知的。

本文选取2021年春季学期20门混合课程共2000多名学生对整个线上学习过程持续跟踪,学期结束后收集所有学生的线上学习数据,并通过教师获取学生的线下期末考试成绩。采用SPSS对学生的线上学习数据和最终考试成绩进行Pearson相关分析,取其中一门课程“材料科学基础”作分析,如表1所示。其中,“**”表示在0.01水平(双侧)上显著相关,“*”表示在0.05水平(双侧)上显著相关。由表1可知,“进入课程次数”“在线时长”“阅读教学资源次数”“学习播课视频次数”“提交在线测试数量”这几个统计指标与学生最终考试成绩相关性较强,在统计学上具有参考价值[8]。

表1 “材料”科学基础课程相关性分析结果

继续研究所有20门课程分析结果,发现20多项学习指标中有多项与考试成绩相关性较强,从侧面印证了线上教学的有效性,打消了部分教师对混合课程的顾虑。根据相关性结果,最终确定“进入课程次数”“在线时长”“阅读教学资源次数”“学习播课视频次数”“提交在线测试数量”这5个指标作为学生画像维度。以数据较好、较差的学生为例画出雷达图(见图3),可以根据结果对较差的学生作出预警和提示,及时调整教师教学策略,也可根据客观性指标分配权重作出成绩得分预测。

(a) 较好的学生

3.2 学生在线情况分析

为了进一步了解学生的日常线上学习习惯,从教学平台中抽取2021年春季学期学生登录情况数据,并采用R语言进行相关数据处理。图4是借助R语言绘制的学生在线情况统计。从图4可以看出,学生每天学习的高峰出现在10点、16点、19点至23点,周五和周六学习人数较少,周四人数最多。

图4 学生在线情况统计图

4 总结

网络教学平台是高校信息技术与教育教学深度融合的重要载体,平台的硬件架构部署和软件功能至关重要,是学校大规模开展混合式教学的基础。本文通过研究平台内部学生学习行为数据,确定了多个学习指标作为学生画像参数,为教师提供教学干预参考信息,并且较差学生会及时得到教师的帮助。本文采用R语言统计方法对学生的日常学习时间进行了分析,为学校管理者和教师提供了学生学习状况信息,为决策提供支持。本次研究可用于混合课程开展网络学习评价,有助于提升教师开展混合式教学的积极性,进而提升高等教育的教学质量。