大数据分析技术在远程教育中的应用

胡 燕

(罗定开放大学 继续教育部,广东 罗定 527200)

0 引言

党的十九大报告提出实施乡村振兴战略,并在《国家乡村振兴战略规划(2018—2022 年)》中提出要加快推进农村现代化,让农民成为有吸引力的职业,让农村成为有奔头的产业,要实现乡村振兴战略可持续发展,必须加大乡村振兴人才培养力度,提高农民的综合素质。 远程教育作为传统学历教育的一个有益补充,已成为我国实现高等教育大众化和构建终身教育体系、学习型社会的重要途径,特别在教学信息化和新冠疫情防控背景下,基于“互联网+教育”的远程教育模式已深入人心。 目前,传统远程教育并没有完全实现学生的个性化教育,主要原因在于:在线教育学生数据量庞大,存储能力有限,缺乏有效的分析工具,不能对学生进行实时评价与反馈;大部分教学平台在跟踪学生学习行为的过程中,缺乏全方位记录学生学习行为的功能,只能根据某些特定的动作数据进行记录分析,并且没有将这些数据很好地应用在学生的个性化学习中。本文在对中国乡村现代远程教育机制构建、大数据分析技术调研、分析的基础上,聚焦云浮市委战略部署和市政府中心工作,探索乡村振兴视野下大数据学习行为分析技术在远程教育中的应用,为持续聚力打造“两新一前列”,促进实现“美丽云浮、共同缔造”,实现云浮乡村振兴走在全省前列目标做出新贡献。

1 研究现状

1.1 农村远程教育现状

在“乡村振兴” “智慧农村”等旗帜的引领下,探索富含乡土气息的教学模式和教学资源,将农民培养成为践行乡村振兴、努力致富的高素质人才,离不开教育信息化建设。 农村远程教育支撑了我国农村教育的现代化发展,是发展农村教育、提高农民素质的生力军之一,为农村人才的培养做出了重要贡献,非常适宜农村人才的教育培训,它具有以下几个优势。 远程教育最大的优势是共享开放,它可以为广大村民提供最优质多样化的资源,节省了建设教学资源的成本;远程教育突破培训时间、地点、人员的束缚,将课堂迁移到了网络上,村民可随时随地地进行自由学习,培养受益广。在现实应用过程中,远程教育也存在一些缺陷,尤其在广大农村,这些缺陷表现得更加明显,比如学员独自学习的专注率难以监控、掌握程度难以评估、及时交流互动缺乏、无同学的个体存在强烈孤独感等诸多问题,这些都需要在实践中不断扬长避短、扬优成势。

1.2 大数据学习分析技术调研

基于大数据的学习分析涉及教育学、社会学、心理学、语言学、计算机科学等学科领域,是当前学界关注的热点问题,它的应用价值日益引发教育专家的广泛关注与重视[1]。 大数据学习分析包括数据收集、分析、预测、个性化调整4 个阶段,即通过对所采集的学习数据进行大数据分析,了解学员学习过程中的学习状态,根据分析结果预测学生的学习行为,以适应学员个性化的学习需要,为实现精准评价与精准指导提供了可能[2]。 目前,基于大数据的学习分析也面临着一些困境,一是学习数据采集方式以填报式为主,而非实际学习过程数据,这难以反映学员真实的学习状态;二是学习数据建模分析主要集中在理论模型,而缺乏对学员学习行为数据建立数学模型,并进行挖掘分析;三是对学习数据的价值挖掘大多偏重于数据自身的分析,缺乏对教育价值的分析[3]。 基于大数据的学习行为分析技术能系统、全面地记录、跟踪和掌握学生的学习行为特征,能很好地解决以上困境,为教师有针对性地实施教学干预,促进教与学提供依据[4]。 常采用的学习行为分析方法有分类分析、聚类分析、关联分析,分析算法有决策树算法、神经网络算法、支持向量机算法、KMeans 聚类算法[5]。

2 基于大数据的学习行为分析模型构建

基于大数据的学习行为分析模型,就是将现实的学习行为构建成虚拟的分析模型,使得学习行为在信息框架的作用下更好地挖掘用户的使用习惯和路径,为下一阶段的用户分析提供必要的数据基础。 本文以行为科学、系统论及学习分析理论作为理论基础,立足于现实的教学课堂,以信息化、网络化技术为技术保障,对学习者的学习行为进行相关分析,搭建起科学合理的学习行为分析模型,如图1 所示,模型由3 个环节组成,即数据采集、数据分析、数据应用。

图1 基于大数据的学习行为分析模型

2.1 数据采集

通过在线学习服务端、平台数据库、在线学习客户端,对学员登录次数、在线学习时长、下载资源次数、在线作业、参与线上讨论等动态数据进行采集,并对学生的个性化学习行为进行统一记录,跟踪学生的正式与非正式学习行为,有效地将这些行为数据进行融合,实现大数据获取与共享,以便完成对学生学习过程的实时跟踪。

2.2 数据分析

数据分析就是将采集到的学员学习行为动态数据,通过数据模型进行处理,总结出学员的学习过程和规律。 结合学习行为分析模型以及在线学习过程,数据分析包括横向分析、纵向分析两个环节。 横向分析包括3 个部分,即聚类分析、推荐分析和关联分析。 首先,采取聚类分析方法对收集的行为数据分类,利用聚类模型对数据进行分析,找出不同学员的学习行为特征;其次,按照不同学员的行为特征有针对性地进行推荐分析,为其提供一对一的课程学习资源推荐;最后,关联规则分析,对隐藏在大数据中的关联项进行分析,并合理评估学习者的学习效果。 纵向分析包括3 个部分,即数据处理、方法选择及分析过程和结果输出,依据学员问题解决的流程,首先,选取行为分析数据,并对数据初步处理;其次,根据不同横向分析项,选择正确的行为分析方法;最后,对相应行为项进行大数据挖掘分析。

2.3 数据应用

通过对学生学习行为的各项数据分析,反映学生对知识的发现、获取、转化、创造等情况,并对行为分析结果进行可视化呈现。平台管理员接收到预测结果后,可对平台进行优化和完善;教师接收到预测结果后根据学员遇到的具体问题,对学员进行个性化的指导,从而督促、引导学员掌握知识,提升教育教学质量;学员接收到预测结果后可以了解自己的学习情况,更新学习方式,从而激发学习兴趣,提高学习效率。

3 基于大数据的学习行为分析模型应用

为了方便取样,以罗定开放大学2020级计算机应用技术专业1,2 班为研究对象,形成对照组A,B 班,对远程教育平台开设“计算机网络基础”课程学习过程中的学习行为特征(包括浏览课程资源次数、视频观看时长、作业成绩、参与头脑风暴次数、参与答疑/讨论次数、测试成绩)进行实证研究。 首先对A,B 班学员前4周的在线学习行为进行分析,并呈现预测结果,然后将预测结果告知A 班师生,并在第4—8 周对A 班的教学活动进行干预,教师可根据学员出现的问题进行个性化的指导,从而督促、引导学员完成学习任务,而对B 班学习情况只进行预测,对照组A,B 班干预前后的预测结果如图2—3 所示。

图2 干预前的预测结果

图3 干预后的预测结果

实践证明,基于大数据的学习行为分析模型应用,能实时跟踪记录学员的学习行为,并对学习行为进行大数据分析,将学员的学习偏好、学习态度、预测结果进行可视化呈现。 教师依据预测结果,开展有针对性的教学活动,能够激发学习兴趣,培养学习毅力,提高学习质量。 从整体上看,基于学习行为分析的预测与干预对学生的学习行为有一定的影响。

4 结语

在乡村振兴的建设背景下,作为传统学历教育重要补充的现代远程教育,借助网络信息化手段,突破了时空限制,有效保障师生教学与生生互动学习的实效性,在智慧农村建设人才的培养方面做出了重要贡献。 基于大数据的学习行为分析模型的实践应用,通过班级间对比、生生间对比和学生自身学习过程的对比,分析学习行为对学习效果产生的影响,为评教和导学提供依据,它将为智慧农村建设提供了人才支撑,对实现乡村振兴战略具有重要的现实意义。 但本研究在样本的选取、学习行为的选取方面存在局限性,在今后的研究中,笔者将进一步扩大研究的样本,增加对学习行为数据的综合研究,从而推动“互联网+”时代网络教育的变革与发展。