基于移动终端的课堂出勤监控模型研究与构建*

孙彦超

（北京信息科技大学 教务处，北京100192）

基于移动终端的课堂出勤监控模型研究与构建*

孙彦超

（北京信息科技大学 教务处，北京100192）

随着教育信息化的不断发展，高校采取各种手段评估课堂教学的质量及效果，传统的督导组听课及学生网上评教等方式存在不能完全反映课堂教学的整体情况，同时评教结果带有很强的主观性。因此，笔者提出采用基于移动终端采集器，通过收集学生移动终端信号，进而对数据整理并统计分析，综合各方面信息得到更有效的课堂教学数据。从而帮助学校管理层快速准确地作出管理决策。

移动终端；数据采集；数据分析；数据展示

一、引言

随着高等教育信息化的不断发展，为有效提高教学质量，许多高校都采取各种手段来评估课堂教学质量和效果。传统的做法是学校教学管理部门聘请具有多年丰富教学管理经验的老教师为骨干，成立督导组，采用督导员听课评价、学生网上评教等方式，对教师的教学情况进行评估［1］。这些措施在一定程度上能使教师获得一些反馈信息，促使教师更加注重教育教学效果。然而，这种评估方式不可避免地具有较大的局限性。首先，教学督导组对某位教师的听课每学期只是一两次，并不能完全反映某位老师某门课程的整体教学情况；其次，教学督导组和学生对任课教师的评价具有很强的主观性和个人色彩，这种教学评价和管理方式缺乏客观性和全面性，衡量不够精细、全面和深入；而且，这种课堂教学评估只是针对教师，对于学生的课堂参与情况缺乏一种客观衡量。教师并非每堂课都点名，如果为了统计学生的课堂参与而点名，会占用和浪费宝贵的课堂时间。

在当今的大数据时代，采用大数据技术和数据挖掘技术来进行客观有效的教育教学管理和评估是时代发展的要求［2］。大数据和数据挖掘技术，不单纯依靠直觉和过往的经验，不依靠有限抽样的统计规律，更加客观和全面［3］。通过对全体数据的分析，更能发现现象和事物内在的关系，能够发现更多的、深入的有价值的信息，从而具备更强的决策力、洞见发现力和流程优化能力。

本文提出在学生上课的每个教室安装移动终端采集器，统计每节课的上课人数、到课率、迟到早退时间等等格式化数据，结合课程表、学生成绩表以及教务系统中更多的教师和学生信息，利用分布式计算基础构架，综合各方面信息得到更有效课堂教学数据［4］。

针对以上问题和提出的解决方案构想，通过在北京信息科技大学的各种教室，包括大教室、小教室、阶梯教室，布放了81个“移动终端采集器”数据采集点，对采集的数据进行大数据后台分析和维护，并提供大数据分析结果的网络访问页面，提供各种方式的查询和分析结果。例如：对学生课堂出勤率分析，可以按专业查询、按年级查询、按班级统计、按课程查询、按时段查询，把学校各个院系、各个专业和各个年级的学生上课出勤率按从高到低排列出来；对教师授课课程的学生出勤率分析，可以列出各个老师所授课程的学生出勤率，并排出名次。对整个学期，或者每个教学月、教学周的出勤率变化，可以从分析结果生成的趋势图中看出。

二、基于移动终端的考勤监控模型的构建

目前，几乎每一个学生都拥有一部智能手机，因此可以采用无线追踪技术和室内定位技术，在每个教室安装一个移动终端采集器，用来识别学生的智能手机的MAC地址，作为学生在教室中的唯一标识和统计指标。具体操作步骤可以分为：数据采集阶段、数据分析阶段和数据展示阶段，其如图1所示。

图1　考勤监控模型的构建步骤

1.数据采集阶段

部署在教室的移动终端采集器在工作时，会不断地扫描周边设备的无线信号［5］，当学生、教师进入部署区域时，移动终端采集器会根据手机等设备发射的无线信号，识别设备的位置，移动终端采集器捕获移动终端设备的最长时间间隔为2秒，有效范围半径为30M，即两秒内经过移动终端采集器30M内的无线设备都将被捕获。

2.数据分析阶段

将采集到的移动终端信息进行过滤处理，将每个教室采集到的手机号、手机Mac地址与学生学号进行关联，结合教务管理系统中的课表信息，按照院系、专业、年级、班级等不同粒度对学生出勤率进行课程、时段等多维度分析；同时对教师每次授课对应教室的出勤率加以分析计算，多方位、多层次、多角度地获取学生的出勤数据。

3.数据展示阶段

根据数据分析阶段的分析结果，生成学生课堂出勤率图表，提供各种方式的查询和分析结果［6］。例如：对学生课堂出勤率分析，可以按专业查询、按年级查询、按班级查询、按课程查询、按时段查询，可以将各个院系、各个专业和各个年级的学生出勤率按从高到低排列出来；对教师授课课程的学生出勤率分析，可以列出各个教师所授课程的学生出勤率，并排出名次；对整个学期，或者每个教学月、教学周的出勤率分析，可以得出不同教学周期内学生出勤率的变化趋势，预测下一个教学周期的学生出勤情况。通过不同的展示方式，学生的出勤情况一目了然。

三、基于移动终端的考勤监控模型的应用

通过在北京信息科技大学的大教室、小教室和阶梯教室等不同类型的教室中，共布放了81个移动终端采集器。通过对采集到的数据进行后台分析和计算，不断累积数据集，随着数据规模地不断增大，分析结果的真实性和可靠性也在不断提高。经过一个学期的数据采集、处理、计算后，得到了全校37个专业、4个年级、107个班级、174门课程及175位任课教师的学生上课出勤情况，包括出勤率及排名。

根据统计数据，从学生和教师的角度，主要从以下三个方面对学生出勤率的变化情况进行分析：

1.学生课堂出勤率分析——按专业统计、按年级统计、按课程统计、按班级统计

（1）根据学生上课出勤率指标，把学校各个院系专业的学生上课出勤率按从高到低排列出来。其中，新能源科学与工程专业的出勤率最高，达到85%以上；而英语专业的出勤率较低，为63.83%。

（2）按年级统计，出勤率最高的是2011级的学生，出勤率最低的是2014级的学生。

（3）按照课程统计，出勤率最好的是管理学，其次是日语和战略管理等课程。

（4）按照班级统计，可以得出各个年级各个自然班的学生上课的出勤统计情况。

2.教师课程出勤率分析——按院系统计、按课程统计、按时段统计

（1）出勤率最高的是科技处开设的课程，学生出勤率超过100%（非本课程的学生参与上课）；

（2）出勤率最低的课程，学生出勤率不足10%；

（3）出勤率达到100%的课程数量不足10%；

（4）出勤率不到60%的课程，占到课程总数的50%以上。

从上述部分统计数据中，可以清楚地看出不同维度下，学生上课出勤率的差异。

通过对数据的分析，我们可以有针对性地建议教务管理部门对出勤率较低的课程进行调整，对于出勤率较低的班级、专业加强监督，甚至加大处罚力度。比如，分析显示：《管理学》这门课程，出勤率超过200%。考虑外班、外系、其他年级“蹭课”的学生较多，说明学生对管理类的课程感兴趣，需求比较大，所以，教务部门在课程设置时，可以考虑增加这方面的全校开放选修课，可以扩大课容量，安排多个老师进行同一内容或近似内容的“多个头”的授课，以满足学生的需求，更好地服务学生。

此外，还可以得到其他一些较有价值的指标，比如教师上课学生出勤率的排行榜，学生自然班出勤率的排行榜等。这些统计数据可以为优秀班级评比、优秀教师评比提供客观确实的指标依据。同时，如果发现一些偏离正常值的情况，可以发现问题，及时干预。

3.学生出勤率的变化趋势分析——每个学期、教学月、教学周，学生出勤率的变化

课堂教学与自习分析系统的大数据分析处理平台具有学生出勤率变化趋势的分析绘制功能，从网络访问页面的“时段统计”功能，可以按条件检索得出全校的、各个院系专业的、不同学期的、不同学年的学生出勤率变化趋势图，可以直观地看出每个学期、每个教学月、每个自然月、每个教学周的时段内，学生的出勤率变化情况。将鼠标放在趋势图的时间节点上，浮动窗口可以给出具体的时间信息和精确的出勤率数据。

图2　2014-2015学年第一学期，全校学生的出勤率变化趋势图

（1）每个学期

图2是系统绘制的北京信息科技大学在2014-2015学年第一学期，全校学生的出勤率变化情况。

笔者们发现，出勤率有两个明显的低点：一个是2014年9月30日至10月8日期间，一个是2014年11 月7日至11月12日期间。不难解释，前一个时间窗是“十一”国庆节放假期间，后一个时间窗口是2014年APEC峰会北京放假调休期间。两个时间段都属于法定假日期间，无需上课，可以推断数据显示的是上自习的学生人数。这个例子也从侧面反映了系统数据的真实性、可靠性和合理性。

（2）教学月

图3是北京信息科技大学机电工程学院2014-2015学年第一学期2014年10月份的学生上课出勤率趋势图。

从图3中可以看出，十一放假刚过，学生的返校率不高，所以2014年10月8日的出勤率非常低，但是10 月10已经恢复。

（3）教学周

图4是北京信息科技大学仪器科学与光电工程学院光信息科学与技术专业2014-2015学年第一学期2014年10月第6教学周的学生上课出勤率趋势图。

图3　2014-2015学年第一学期机电工程学院10月份学生出勤率趋势图

图4　2014-2015学年第一学期光信息科学与技术第6周学生出勤率趋势图

可以看出周末的出勤率最低，周一次之，周二到周四的学生出勤率最好。这是真实的计量统计数据提供的结果，也符合正常的教学情况。

四、研究成果的意义

总结而言，通过建立基于移动终端课堂出勤监控模型可以帮助学校更好地对学生有效管理，主要表现在以下几个方面：

（1）通过该大学课堂教学与自习分析系统，可以获知每门课的学生到堂率，迟到与早退现象，学生出勤率的变化规律；

（2）为课程设置的必要性、授课效果、学生参与积极性等几方面的分析提供客观数据；

（3）为学校的课程设置决策、教师教学效果评估、提高教学效果的上课时间设计、学生学风状态分析等提供依据；

（4）可以获取自习教室的学生占用情况，为自习教室的科学分配，防止空间资源不足和教室资源浪费提供客观数据分析依据；

（5）该课题成果可以应用于全国各级各类院校，作为教学管理的大数据分析手段，具有广泛的应用前景。

［1］刘美玲，李熹，李永胜.数据挖掘技术在高校教学与管理中的应用［J］.计算机工程与设计，2010（5）：1130-1133.

［2］Fow lkes C，Belongie S，Chung F，et al.Spectral grouping using the nystrom method［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2007，26（2）：27-35.

［3］刘云霞.数据归约的统计方法研究及应用［D］.福建：厦门大学，2007.

［4］崔阳，杨炳儒.超图在数据挖掘领域中的几个应用［J］.计算机科学，2010，37（6）：220-222.

［5］黄伯仲，沈汉威，克里斯托弗.约翰逊等.超大规模数据可视分析十大挑战［J］.中国计算机学会通讯，2012，8 （9）：38-43.

［6］刘明吉，王秀峰，黄亚楼.数据挖掘中的数据预处理［J］.计算机科学，2000（27）：54-57.

［7］崔贯勋等.基于改进 Apriori算法的入侵检测系统研究［J］.计算机工程与科学，2011，33（4）：40-44.

［8］RAJARAMAN A.ULLMANJ.D.M ining of MassiveDatasets［M］.Cambridge：Cambridge University Press，2011.

［9］Liu Y，Zhang D S，Lu G J，et al.A survery of content-based image retrieval w ith high-level semantics［J］. Pattern Recognition.2007，40（1）：121-134.

（编辑：杨馥红）

TP315

A

1673-8454（2016）03-0057-04

北京信息科技大学教改项目（项目编号：2015JGZD06）；科研基金项目（项目编号：1525015）。