基于云和深度学习的学情分析系统研究

虞思慧 杨明 潘城杰 程俊豪 李文娟

摘要：学情分析是智慧教育的重要组成部分。云计算是存储和处理大规模数据的最新技术手段。本文将云计算和深度学习技术相结合，提出了一款高效、智能的学情数据分析系统。本文首先构建了基于云边混合架构的学情分析系统模型，接着详细论述了平台的设计、部署和实施过程，最后设计了一系列相关实验进行实证分析。通过对中国大学MOOC平台真实数据的建模分析结果表明，该系统具备了良好的数据分析和挖掘能力，能够为教师和教学管理者提供有益参考，从而为在线教学效果和满意度提升提供技术支持。

关键词：云计算；深度学习建模；学情分析系统；教学质量评价

中图分类号：TP393        文献标识码：A

文章编号：1009-3044（2024）07-0018-03

开放科学（资源服务）标识码（OSID）

0 引言

随着互联网的纵深发展，教育领域逐渐迈入数字化、智慧化时代。线上教学成为目前主流的教学形式之一。尽管线上教学平台的课程内容十分丰富，然而质量却良莠不齐，很难为学习者提供量身定制的个性化服务。学情分析系统提供了对教学内容和学评教数据的分析总结，能够辅助决策，是提高在线教学质量、提升教学效果的重要技术手段。

学情分析系统的研究始于20世纪末，随着深度学习技术的崛起而得到显著发展。早期学情分析系统主要依赖于传统机器学习算法，如决策树、支持向量机等，这些方法在处理大规模数据时显得力不从心。而深度学习算法，因其出色的特征学习和模式识别能力，在学情分析领域逐渐得到广泛应用。比如，王丽、谈云兵[1]探讨了深度学习模型在博客数据分析中的应用和存在问题。景红娜[2]构建了基于Moodle教学平台的深度学习模式，并通过实验验证了该模式的教学效果。段金菊[3]结合实践案例剖析了深度学习的学习策略和效果。Meng等人[4]提出一种基于多层卷积神经网络的迁移学习方法。Deng等人[5]提出了结合CNN与BiLSTM的融合模型进行文本情感分析，有效地提高了情感识别的准确性。Szu-Yin Lin等人[6]使用集成学习技术和BERT模型實施情感分析取得了不错的效果。

然而，目前学情分析系统的研究仍面临诸多问题和挑战，包括：1） 学情数据量大，且存在评价数据离散化、个性化等特点，而目前主流的学情分析平台普遍存在数据存储和计算能力不足的问题。2） 尽管深度学习算法的学习效果比较理想，但在处理教育大数据时，由于算法自身的开销较大，导致数据分析结果的实时性不足。3） 大部分学情分析系统针对的并非真实的评价数据，数据统计分析的结果缺乏可信度和说服力。

针对上述问题，本文结合云计算和深度学习技术提出了一款基于云边混合架构的学情分析模型。云计算为存储和分析大规模学情数据提供了强大的存储和计算能力，深度学习算法则提供了处理复杂数据和提取高阶特征的能力，有助实现对学生学习行为的精准预测和个性化建议。

本文的主要贡献包括：

1）提出了一款基于云边混合架构的学情分析模型，通过云边协同提高学情分析处理的能力，降低处理时延。

2）比较了不同深度学习模型在实施学情数据挖掘的效果，以帮助学情分析选择最佳模型，从而提高数据分类和挖掘的准确性。

3）实现对中国大学幕客平台真实数据的爬取和分析，实现对教学效果的纵横向比较，有助于提升线上教学质量。

本文余下部分的结构如下：第1章介绍系统总体架构和主要实施流程，第2章是系统建模与实验设计，第3章对中国大学慕课的实证数据进行学情分析并给出对比报告。最后是总结和展望。

1 系统总体架构

1.1 系统模型

基于云边混合架构的学情分析系统模型架构图如图1所示：

学情分析系统搭建在云计算和边端环境中，实施基于云边协同的深度学习过程。云主机实现学情大数据的存储和离线分析，边缘和终端设备实施小规模数据的本地在线学习。云边协作加速了数据分析过程，降低处理时延。数据层实现数据存储和事务处理，业务层则根据应用需求构建相关接口。前端搭建了友好的人机交互接口，便于使用者轻松掌握学情分析的结果。

1.2 系统功能模块图

本系统的功能模块图如图 2所示：

该系统分析平台将通过可视化方式展示学情数据的分析结果，并提供实时反馈和建议，为高校学生和教师提供全方位的学情分析服务，帮助学生改进学习策略、提高学习效率，学生可以更清晰地了解自己的学情状态和学习效果帮助教师更好地了解学生的学习情况和需求，提供有针对性的教育教学服务。

1.3 研究步骤

主要研究步骤是：1） 学情数据爬取。2） 数据预处理，包括去除重复数据、去除无用字符、使用jieba分词、去除停用词等，处理出本项目所需要的数据内容，使用w2v生成词向量并对数据集进行划分。3） 根据学情分析的任务需求选择适合的深度学习模型，包括设计实验对现有的深度模型进行对比，采用交叉验证等方法评估模型的性能，最终选出最合适的模型。4） 进行调参和优化以提高模型的精度、泛化性和可解释性。5） 结果预测，将预测结果转化为相应的学情建议，例如课程推荐、个性化教学建议等。

2 建模与实验设计

2.1 模型对比

本文重点比较了深度学习中的LSTM模型和BERT模型，如图3所示。LSTM模型具有更低的损失分数，因而表现更好。然而，两种模型的准确度基本相同，所以如果只关注准确度，那么二者表现相当。

2.2 实验设计

2.2.1 环境配置

表1  环境配置

[开发的硬件环境 处理器：Intel Core i7-1165G7 CPU @ 2.80GHz 内存：16 GB DDR4 运行的硬件环境 处理器：Intel（R） Core（TM） i5-3230M CPU @ 2.60GHz 内存：8GB 操作系统 Windows 10/11 软件开发环境/开发工具 PyCharm 2023.1.2、AutoDl 该软件的运行平台/操作系统 PyCharm 2023.1.2、Windows 10/11 软件运行支撑环境/支持软件 Windows 7、Windows 10 编程语言 Python ]

2.2.2 实施训练

使用云主机Auto DL服务器，配合本地进行数据集相关训练。

2.2.3 运行结果

系统运行结果如图5所示，当输入随机的评价内容时，系统会给出评判结果。

3 学情数据分析

笔者爬取了中国大学幕客的评价数据，并对数据进行了分析，以下是分析结果。

3.1 同一所学校内部不同课程评分比较的结果

图6展示幕客网中北京大学30门课程的评分数据。从图中可以看出，课程评分方差较大，这说明学生对课程的评价存在较大差异。可能的原因是学生对课程教学内容的喜好程度不同，评价较为个体化。而对于此类评分方差较大的课程，学校可以考虑进一步探究评价意见差异化的具体原因，通过调整课程内容、改进教学方法或者增加师生互动的方式，提高整体课程质量。

3.2 不同大学之间横向比较的结果

图7和图8分别展示了不同大学的课程数量和评论数量的折线图，不难看出：1） 课程数量的分布在不同大学间呈现较大的不均匀性，这可能受到大学规模、学科设置、在线教育发展等因素的影响。2） 评论数据呈现明显的差异，这反映了学生对不同大学课程的关注和反馈程度，评论数量的分布可能受到课程内容、教学质量、学生参与度等因素的影响。3） 关联性观察：还可以观察到课程数量和评论数量之间的关联关系，借助这种关联性可以帮助大学进行在线教育课程的优化和改进。

4 总结与展望

本文提出了一款融合云计算和深度学习技术的学情分析系统。系统基于云边混合计算模型，充分利用了云计算的高可用性、边缘计算系统的低时延，以及深度学习的数据分析能力，能够实现对学生学习行为和课程评价数据的精准分析。实验设计和实证分析结果表明，本文模型在数据分析精度和性能方面的有效性。然而，本文提出的系统暂未考虑数据的安全和隐私保护问题，以及深度学习模型在云边混合架构的优化和参数自适应调整等，这是笔者接下去重点研究的方向。

参考文献：

[1] 王丽，谈云兵.基于博客的深度学习研究：以苏州教育博客为例[J].中国远程教育，2009（12）：40-43，79.

[2] 景红娜，陈琳，赵雪萍.基于Moodle的深层学习研究[J].远程教育杂志，2011，29（3）：27-33.

[3] 段金菊.e-Learning环境下促进深度学习的策略研究[J].中国电化教育，2012（5）：38-43.

[4] MENG J N，LONG Y C，YU Y H，et al.Cross-domain text sentiment analysis based on CNN_FT method[J].Information，2019，10（5）：162.

[5] DENG H J，ERGU D J，LIU F Y，et al.Text sentiment analysis of fusion model based on attention mechanism[J].Procedia Computer Science，2022，199：741-748.

[6] LIN S Y，KUNG Y C，LEU F Y.Predictive intelligence in harmful news identification by BERT-based ensemble learning model with text sentiment analysis[J].Information Processing & Management，2022，59（2）：102872.

【通聯编辑：唐一东】