智慧课堂学生行为数据挖掘与分析

张佳莉 柯维海 龙美霖

摘  要 通过文献分析对智慧课堂学生行为进行解读，并探讨课堂观察系统、数据挖掘模型建构等数据挖掘方法，以及讨论数据分析结果在学业成就诊断、预测和措施建议等方面的应用，进一步凸显智慧课堂学生行为数据背后的教育教学价值与意义。

关键词 智慧课堂;学生行为;教育大数据;数据挖掘;学习分析

中图分类号：G635.5    文献标识码：B

文章编号：1671-489X（2020）09-0042-03

1 引言

随着信息技术的不断发展，国内外对教育大数据的研究重点从理念层面转向应用层面，从侧重宏观分析变为聚焦于教与学微观数据的挖掘和分析，采集粒度尽可能小的数据为因材施教、个性化成长提供可用于教育发展的支持[1]。

智慧课堂是融合教育大数据、物联网等新一代信息技术打造的教与学微观数据挖掘和分析的重要载体之一，讨论智慧课堂的数据挖掘（Data Mining，DM）和学习分析（Learning Analysis，LA）是教育大数据的两大重要话题，也是回答智慧课堂关键问题的必然要求，如讨论智慧课堂行为的描述、推断、解释、预测、建议等[2-3]。

智慧课堂自动化、多源化、智能化地采集、存储、分析课堂中的教师行为、学生行为和师生互动行为等。站在教育大数据分析的角度看，学生既是数据提供者，也是数据的使用者。本文重点关注智慧课堂中的学生行为，对学生行为进行数据挖掘与学习分析方面的讨论是智慧课堂微观研究的基础。

2 智慧课堂学生行为及其分类

学生是课堂的主体，促进学生成长是课堂教育教学目标。陶行知先生说：“先生的责任不在教，而在教学生学。”如果只“教书”或只是“教学生”，学生被动地接受知识，调动不起学生的积极性，也不能启发学生独立思考。通过智慧课堂载体，可有效挖掘原本被隐藏的教育信息，使“课堂学生行为”的含义得到扩充。相较于黑（白）板、投影仪等传统多媒体环境的课堂，智慧课堂的数据一般采用非入侵的伴随式数据采集，学生行为数据随着智慧课堂的开展不断生成。一方面，智慧课堂可快速进行学生行为的记录与统计，如小组互动次数、小组互动时长、知识点掌握情况;另一方面，智慧课堂可挖掘原本隐藏的信息，如学生走神次数、走神人数、答题轨迹、书写轨迹等。丰富的信息可使学生画像更精准，通过学生行为的全程记录、数据分析、互动和实时呈现等实现精准教学设计、教授、研习、评估与辅导，有效提高課堂学习的效率[4]。通过平台采集类技术、视频录制类技术、图像识别技术、物联网感知技术等进行数据采集，可获取学生的各种表现行为[5]。

3 学生行为数据挖掘

智慧课堂学生行为数据挖掘是综合运用统计学、学习算法以及数据挖掘技术对智慧课堂学生行为大数据进行处理和分析，发现学生学习结果与学习行为之间的关系，并预测学生未来的学习结果趋势。即学生行为数据挖掘是解决“为什么”“是什么”等描述性问题，关注行为的规律。

在学校信息化发展过程中，学生行为信息无处不在，包括基于物联网技术、电子书包应用、云计算和网络技术等获取学生行为数据，数据非常庞杂。为了使数据挖掘更具方向性，智慧课堂中学生学习行为的挖掘一般依托某个测评工具或建立数据挖掘与分析模型。

许多研究利用ITIAS或其他课堂观测工具来量化课堂行为，以此挖掘智慧课堂中的学生行为[6-9]。这种数据挖掘方法可借用相关信息技术来提高数据采集与分析的效率，为教师教学反思提供支持;但这种方法对图像抓取和数据处理等技术要求较高，且较难实现自动化、智能化记录课堂中的隐藏信息[10]。

部分学者将智慧课堂看作教师与学生之间进行信息交换的过程，在智慧课堂教学中，将教师与学生作为参与主体，通过构建教师—泛在信息—学生之间的“三角用户模型”，对智慧课堂用户之间的交互关系进行系统描述，将行为类别分为“教师生成、读取泛在信息”“学生生成、读取泛在信息”“教师对学生的互动行为”“学生对教师的互动行为”和“学生间互动行为”五种类型。然而，这种模型仅仅是提供数据采集的方向和数据分类方法，数据的进一步处理还需要借助其他数据挖掘方法。

数据挖掘模型是综合利用多种数据挖掘方法建立学生画像，搜索可刻画学生优势与特点、预测未来发展的数据。其中，最为经典的是科大讯飞的做法。科大讯飞针对智慧课堂的数据挖掘与分析提出“四建模三分析”研究方法，围绕学生的内外部特征与影响展开，对学生主动学习行为进行行为建模，对学习路径与知识点进行领域建模，对学习过程中的客观行为进行组件分析[1]。其中，对行为建模和组件分析进行回归预测，根据数据类型和分析需求，可采用线性回归、逻辑回归、逐步回归等方法;对领域建模进行文本分析挖掘[1，11-13]。

无论采取哪种数据挖掘方式，其基本思路应体现可用性和可得性，即紧贴学生学习影响因素、智慧课堂产品可获取的学生行为数据等进行数据采集框架的设计。例如，挖掘可能影响学习成效的学习设计、学习活动过程与学习结果三个层面的学习行为 [14]。再如，挖掘课堂学习参与度识别器可获得的学生面部表情等[15]。

4 学生行为数据分析结果的应用

学习分析因其分析过程的完整性、数据来源的多样性与广泛性、分析结果的可视化和学习结果的可预测与可干预等特征，引起教育研究者的关注。越来越多的学习分析的理论模型与框架、学习分析工具被提出，主要涉及学习者个人、学习者群体、课程、内容和教师等。在进行学习分析前，需确认分析的对象、内容、工具和数据来源。

学生行为数据分析侧重发现学生行为的规律，回答“如何用”的问题。智慧课堂学生行为分析是一个系统化的过程，通过对学生行为数据的记录和分析，用于不断探讨智慧课堂学生行为的基本理论、学习分析工具的设计与应用、学习行为数据的可视化设计与分析、社会网络分析和基于学习活动过程的学习评价与语境等内容。即通过行为建模不断优化学生画像，系统性、连续性地分析学生偏好，实现学生个性化学习诊断，预测学生发展趋势，探求最优学生学习行为策略[16]。

智慧课堂学生行为分析通过分析主、客观学生行为对学业成就的影响因素，利用因子分析、相关性分析、回归分析等方法探求影响学业成就的主要学生行为，以及不同学生群体的学习行为路径。并通过关联规则分析，使各项学业成就或综合成果与各类学生行为实现关联，以此根据學习行为等数据预测学业成就，并提供学习活动策略的优化建议等。从行为到预测再到策略建议，促进了智慧课堂数据的生成和流动，使教师能够有效调整教育教学策略[14]。

另外，在智慧课堂环境下，学生与教师、与同伴、与资源、与平台产生大量的互动行为，通过社会网络分析法、回归分析法等分析学生互动行为，可获得学生的学习投入度，由此掌握学生的认知结构与情感倾向状态，实现课堂学生正负情绪分析和及时干预等[1，17]。

学习分析研究还将继续发展，提供更加符合学习者个性特征（而不仅仅是学习行为）的学习服务，将学习活动过程和结果可视化，加强应用自适应系统的学习平台的过程监控，知识网络与社会网络的脉络更加清晰和广泛，更加体现跨学科的研究合作。[18]。

5 结语

综上所述，智慧课堂依托不同的技术和产品架构可获取泛在信息，通过数据挖掘和学习分析模型可为智慧课堂学生行为分析提供方向性。根据分析的需要，分析各类数据挖掘方法的利弊，构建出符合学生画像等分析需求的数据挖掘模型。智慧课堂学生学习分析通过分析和研究学生行为，为学生提供个性化诊断、发展预测和行为建议。智慧课堂学生学习分析中的学生画像更全面，自适应系统更完备，智慧性的特点更加凸显。

另外，智慧课堂学生行为关注全过程、全方位的数据挖掘与应用需求，除了学生用户的数据，还应考量教师行为、信息技术环境等因素，通过多源数据采集、综合建模和智能分析，如将教师与外部环境的因素纳入学生学习分析中，将为智慧课堂的学习分析提供更加广阔的延伸空间和实现更高的精确度，并将学习行为建议或者教学建议综合地应用于课前预习、探求新知、知识复习与巩固、知识迁移等多个教学环节，以此提高教育教学的质量，有效推进教育教学改革。

参考文献

[1]孙曙辉，刘邦奇，李鑫.面向智慧课堂的数据挖掘与学习分析框架及应用[J].中国电化教育，2018，1（2）：59-66.

[2]祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013（5）：5-12，19.

[3]Bienkowski M A， FENG M， Mengs B. Enhancing tea-ching and learning through educational data  mining and learning analytics： an issue brief[R].Washington： US Department of Education，2012.

[4]杨现民，田雪松.中国基础教育大数据2016—2017：走向数据驱动的精准教学[M].北京：科学出版社，2018.

[5]邢蓓蓓，杨现民，李勤生.教育大数据的来源与采集技术[J].现代教育技术，2016，1（8）：14-21.

[6]韩后，王冬青，曹畅.1：1数字化环境下课堂教学互动行为的分析研究[J].电化教育研究，2015，36（5）：89-95.

[7]穆肃，左萍萍.信息化教学环境下课堂教学行为分析方法的研究[J].电化教育研究，2015，1（9）：62-69.

[8]王艳丽，程云，王锋，等.技术支持下的课堂教学行为观察方法探究[J].现代教育技术，2016，26（9）：39-45.

[9]朱雪梅.“多元交互式”教学评价体系的建构与实践：基于地理教学观察的行动研究[J].课程·教材·教法，2014（11）：63-68.

[10]刘清堂，何皓怡，吴林静，等.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育，2019（9）：13-21.

[11]张琪，王红梅，庄鲁，等.学习分析视角下的个性化预测研究[J].中国远程教育，2019（4）：38-45，92-93.

[12]王冬青，韩后，邱美玲，等.基于智慧课堂动态生成性数据的交互可视化分析机制研究[J].电化教育研究，2019，1（5）：90-97.

[13]郑勤华，陈耀华，孙洪涛，等.基于学习分析的在线学习测评建模与应用：学习者综合评价参考模型研究[J].电化教育研究，2016，1（9）：33-40.

[14]刘邦奇，李鑫.智慧课堂数据挖掘分析与应用实证研究[J].电化教育研究，2018，1（6）：41-47.

[15]Whitehill J， Serpell Z， Lin Y C， et al. The Faces of Engagement： Automatic Recognition of Student En-gagement from Facial Expressions[J].IEEE Transactionsof Affective Computing，2014，5（1）：86-98.

[16]陈文雄.面向智慧教育的学习大数据：运行机理与实践路径[J].湖南师范大学教育科学学报，2019（4）：88-93.

[17]晋欣泉，邢蓓蓓，杨现民，等.智慧课堂的数据流动机制与生态系统构建[J].中国远程教育，2019，1（4）：74-81，91，93.

[18]牟智佳，武法提，西蒙斯.国外学习分析领域的研究现状与趋势分析[J].电化教育研究，2016，1（4）：18-25.