基于教育数据挖掘技术的大学生学习行为分析及教学启示

王建　陈凯泉

摘 要：教育信息化的高速发展为学习分析积累了大量数据，通过对这些数据进行处理和分析，能够发现教学中的规律，从中提取出可以优化教学的关键性数据，帮助提升教学效果。以某大学“高等数学”课程为例，收集和分析学习过程中的数据，发现学习者的课程访问量与课程成绩呈正相关，不同时间段的课程访问量存在较大差别。据此提出在设计教学时应该反思课程设计，实施个性化教学；及时评估教学效果，设计有针对性的教学活动；设计课程最低访问时限，及时提供反馈，分时段为学习者呈现教学资源；持续更新教学资源，及时促进学生的问题解决；有机整合学术史和学科文化方面的相关内容，提升学生的学习动机。

关键词：数据挖掘；学习分析；混合式教学

中图分类号：G4文献标志码：A文章编号：2096-0069（2023）03-0041-08

2015年国务院发布的《促进大数据发展行动纲要》明确提出要推动大数据发展和应用。2018年教育部印发的《教育信息化2.0行动计划》正式提出实施教育大资源共享计划，这充分彰显了国家对于大数据战略的重视。近几年，大规模的在线教学积累了大量的教育数据，对这些数据进行分析，有利于发现在线教学中存在的问题，并提出针对性的意见和建议，为教学改革创新提供借鉴与参考。

一、研究背景

大规模在线教学不只是短时间内解决了由于不可抗力而无法开展线下教学的问题，也在一定程度上培养了教师开展在线教学的习惯，使学生渐渐将在线学习视为日常学习的重要组成部分，所以大学师生即使在进行面授教学的过程中，课前、课后师生通过线上进行交流也日渐普遍，混合式教学成为大学教学的一种常态教学模式。由此，线上教学数据得以迅速丰富起来。对这些数据的挖掘、分析是开展大学教学改革的重要依据。

传统教学经常会存在教学手段和教学内容单一等不足之处，而在线教学可以很好地弥补这些弊端，因此，将两种教学方式融合从而实现优势互补的新的教学方式称之为混合式教学。各类在线教学平台、考试系统、资源库为混合式教学的顺利实施提供了有力的支持[1]。近些年，大数据技术凭借在数据挖掘能力、信息处理能力方面的优势，在各个领域得到广泛应用，它能够对情境中隐性和显性的要素进行有效分析[2]。一些学习科学领域的专家学者也开始将数据挖掘技术应用到教育领域，相应的研究成果受到高度关注。例如，基于大数据挖掘的教学内容重点发现技术及其结论具有重要的参考价值[3]；数据挖掘可以帮助分析影响学习者学习成绩的各个因素，及时为学习者提供反馈[4]。

除了教育数据挖掘领域，教育大数据还有一个重要的应用领域——学习分析。国内外很多学者分别从不同角度对学习分析的研究和发展做出了重要贡献[5-7]。综合各种学术观点，学习分析简言之是指学习者在学习过程中会产生大量的数据，研究者通过不同的分析技术对于这些数据进行分析，发现他们存在的主要问题，从而为他们提供科学决策、有效反馈。

二、研究设计

本研究以某大学课程“高等数学”的混合式教学过程为数据来源。该课程的课程目标是：线上注重学习结果的探究性和学生学习的个性化，线下注重教学内容的前沿性和教学形式的互动性，通过线上与线下相融合，最终实现传授知识、培养能力和提高素质的有机结合，成为学生终身受益的“金课”。该课程的教学目标是：使学生在知识层面掌握一些基本数学概念和数学方法；在能力层面具备熟练运算、抽象概括、逻辑推理及综合运用已学知识分析解决问题的能力；在素质方面引导学生培养真正的科学精神和建立良好的学习习惯。

（一）课前准备阶段

借助于学校的Blackboard平台（简称BB平台），提前将教材、讲义、课件、微视频、作业、测试、参考资料等资源上传到平台中。制作学生的学习任务单，公布在平台“课程任务”栏，明确告诉学生每一次课要完成的学习任务和教师的反馈方式，包括课前、课后作业的提交方式和截止时间、问题交流和作业反馈的方式。学生主动查看推送的预习资料，及时按照要求完成预习任务。

（二）课堂讲授阶段

本研究根据“高等数学”课程的特点，在对多个直播平台效果进行对比之后，决定采用ClassIn直播为第一选择、QQ直播为备用选择的直播方案。在实际课堂教学中采取板书和PPT结合的讲授方式，主要针对预习作业、讨论板中学生们出现的问题和课程的重难点知识进行讲解。ClassIn直播还可以方便教师与学生进行互动交流，能够通过简单题目的设置，发现学生没有掌握的内容，便于教师及时调整教学方式；还可以实现屏幕共享，方便学生分享自己的想法。

（三）课后复习阶段

课堂结束以后，课堂视频会自动同步到BB平台，学生可以点击回看，当有疑问时在讨论板留言。教师在上课之前提前瀏览并回答，对于大多数同学都存在的共性问题，在下次课堂中会进行统一讲解。学生完成课后作业，按照任务单中的要求完成作业上传工作。助教在日期截止后在线批改作业，并统计作业上交情况、存在的问题和值得称赞的地方，在平台博客中按时反馈给学生。

三、数据分析与讨论

（一）数据收集

1.预习复习作业：实现线上批改和教学分析

教师通过及时批改在线作业了解学生对知识的掌握情况；每天安排不同的学习任务，作业内容、截止时间以及提交方式都会在平台中提供给学习者，有助于他们养成科学的学习习惯。当学生完成作业提交任务之后，教师会为他们提供及时的个性化反馈。

2.题库及测试：实现随堂测验和在线考试

在教学平台中完成测试后，平台会提供平均分、错误率、知识点的掌握程度等各种数据分析，方便教师对学生进行反馈。平台上还有对重点关注的学生的分析，方便监控有风险的学生，有利于因材施教。

3.在线时长及课程内容点击数：洞悉学生学习特点

通过在线时长与课程内容点击数，可以对学生的学习路径进行挖掘，方便了解每个学生的兴趣爱好，便于调整教学和因材施教。除此之外，还可以发现课程在线时长、课程内容点击数与学习成绩之间是否存在有显著关系，帮助教师有针对性地调整教学。

形成性评价依据的学习数据如图1所示。

（二）学习数据分析

1.作业/测试成绩分析

以第一次单元测试成绩统计分析为例，根据数学学科的特点，共设置主观题6个，客观题10个，统一时间、统一难度对49名学习者进行测试，绘制所有学习者的测试成绩柱状图如图2所示。

对学习者的本次测试成绩进行统计分析，得到各统计量的值如表1所示。结果表明偏度小于0，峰值在均值的右边。 峰度大于3，说明对于正态分布而言为厚尾分布，即图形的尾部要厚，峰处要尖。从J-B统计量的检验p值看，成绩分布不属于正态分布。

传统教学强调面向学习者中的大多数，学习者在同一个集体、同一个学习环境、同一时间、同一进度进行学习，虽然他们的年龄、智力水平差不多，但由于他们的兴趣、性格等方面可能存在较大差异，学习结果必然存在差异。因此，在教学中教师不仅需要关注学习者的共性，更应该关注他们的个性。混合式教学能够根据学习者的个体差异性因材施教，有利于培养全面发展的人。

通过高等数学第一次单元测试成绩可以看出，学习者的测试成绩普遍较好，表明学习者对在线教学的方式比较适应，教师可以按照原有的教学方式继续有效开展教学。

2.课程访问量分析

不同的学习者参与课程的积极性和活跃程度是不同的，这在一定程度上可以通过他们访问课程时间的长短反映出来。因此，在本研究中利用SPSS软件统计每位学习者访问课程的总时长，利用Excel软件绘制出条形图，进而统计分析学生访问课程、进行学习的时长情况。

从课程后台数据图表可以看出，学习者登录平台进行学习的课程访问量存在较大差距，学习者的最小课程访问时长为50.941小时，最大课程访问时长为231.37小时，平均课程访问时长为131.295小时，标准差为47.458小时，其中，有24人的课程访问时长低于全体平均水平，将近三分之二的学习者，课程访问时长为51～150小时，只有24.49%和10.20%的学习者课程访问时长为151～200小时和201～250小时。以上结果表明，学习者的课程访问时长总体比较集中，课程访问时长较多的学习者人数较少。为了进一步分析访问量与成绩之间的定量关系，研究者绘制了访问量与成绩相关性分析图如图3所示。

对学习者的课程访问量与测试成绩两组数据做相关分析及相关系数的显著性检验，得到访问量和成绩的皮尔逊相关系数为0.37，这表明两者呈正相关性；经计算可知t值为2.76，显著性假设检验的p值为0.008 2，小于0.01，这表明总体存在显著性差异。对访问量和成绩做回归分析，回归方程为：成绩Y=0.0189 6*访问量+79.805 3，回归模型估计标准误差为 8.538，回归系数的F统计量为7.623，p值为0.008 2。

除此之外，本研究还对课程访问量前10名与后10名的20位同学的测试成绩进行了统计分析，通过分析数据我们可以发现，对于课程访问量前10的同学来说，成绩都比较稳定地集中在99分左右，对于课程访问量后十的同学来说，成绩起伏较大，且普遍偏低，可以进一步证明课程访问量与测试成绩之间的正相关关系。因此，课程设计时可以对学习者的课程访问时间做出具体规定，设置最低访问时间，当学习者访问时间低于这一最低时间时，则平台将会自动提醒学习者及时访问课程。

3.各内容区的访问情况

利用平台的追踪功能对数据进行分析发现，学习者对于学习区的各项内容均有所涉猎，访问量排在前三的是课程任务、第二阶段过关与提高、第一阶段过关与提高，点击率最高的是课程任务，占总数的49.83%。访问量排在后三的是考核方式、教学大纲及日历、课程致辞，尤其是49名学习者中至少有7名未访问过课程致辞。为使分析更加清晰，将各内容区汇总为课程基本信息、单元内容学习、过关与提高、课程任务复习以及课外拓展5部分内容。对于课程基本信息这一部分来说，点击数较少，表明学习者对于该部分内容的学习兴趣较低。

另外，内容区的点击数在学习者刚开始学习时较高，但随着学习的不断深入却逐渐减少，特别是单元六、七、十一、十二的点击数都在1000左右，与前面的点击量差别较大。出现这一现象的原因可能是：学习者刚开始时学习热情比较高涨，能够较多地访问前两个阶段的过关与提高以及学习内容；学习者刚开始学习时对在线学习有较强的好奇心，所以點击量最高；学习难度发生了变化，学习者在刚开始学习高等数学时可能会有一定的难度，此时他们会积极地参与到在线学习平台当中。随着学习的深入，会逐渐减少对于学习平台的依赖，转向自主学习。

对于课外拓展部分，学习者的点击量最少，仅占总点击数的1.99%，将该部分点击量前10的同学的访问量与测验成绩进行相关性分析及相关系数的显著性检验，得到皮尔逊（Pearson）相关系数为0.097，这表明两者的相关性不显著。因此，无需对学习者对该部分的点击量做出具体的规定，但对该部分内容的学习可以在一定程度上提高学习者对数学学习的积极性。针对这一问题，在设计教学时，要注意每一部分的难度应该适当，根据学习者的最近发展区，给学生推送更为适切的学习内容，还应该注意对学习者学习积极性与主动性进行激发，例如举办数学知识竞赛等活动。

4.以“日”为单位课程访问统计分析

利用平台的课程分析报告功能，得到学习者整个学期近80个教学日中对内容区与论坛的访问量情况。新学期开始前通知学习者使用平台。由于需要预习新课，因此虽然当月1日还没有开始新课程，但仍有约2000次的访问量。内容区的访问量在2日到9日这一周内的访问量最高，接下来几周的访问量虽然有减少，但平均每天的访问量仍在1500次以上。由于每天会为学习者布置课程任务，因此内容区访问量每天都维持在一个较高的水平。在论坛中，学习者访问量减少的趋势更加明显，从18日开始，论坛的点击率急剧减少，每日平均点击量降到40次以下。出现这一变化的原因主要是学习者对新的授课方式的兴趣逐渐降低，当学习者发现教学平台中并没有比较新奇的教学内容时，就会逐渐减少对学习平台的点击量，但由于课程任务的要求，学习者仍会每天点击内容区，但是频率会较之前有显著的减少。除此之外，论坛区中点击量的减少是由于在论坛中的回帖不能有效地解决学习者的问题，所以他们不会再多次地去访问论坛，而会采取其他的方式来解决自己的问题。

5.周内各天课程访问统计分析

本研究搜集了平台提供的学生一周之中每一天的访问数据，且对数据进行了统计分析，得到了他们一周的每日访问情况，发现了学习者更为细致的学习特点。

通过分析数据发现，学习者在周二的访问量最高，周五次之，周六和周日相对较少。学习者在周内各天的访问量会出现一定的波动，以周内各天访问量的平均值为参考线，针对各个拐点进行分析显示，周一的访问量急剧上升。作为新的一周开始的第一天，学习者会重新调整學习状态，因此会多次点击教学平台进行学习。学习者会在课堂学习之后访问平台，复习相关的知识内容，完成当日的作业，进行巩固。周二与周三的访问量比较接近，在周一学习完课程之后，学习者可能会产生一定程度的放松，因此对于课程内容的访问量会减少。周四下午一般不安排课程，学习者会积极访问平台，因此，点击数会达到一个小的极大值。随着一周上课时间的结束，学习者在周五的访问量又会急剧减小。在周六，学习者有充分的时间能够进行自主学习，访问量却没有增加，反而较周五又出现了减少的情况，这主要是在经历了一个周的学习之后，学习者会产生一定的倦怠与疲劳，选择在周六适当地放松一下，因此访问量会减少。周日的访问量与平均值最接近，学习者开始为下一周的学习做准备，进行教学内容的复习与预习，因此，相对于周六，周日的访问量会有一个明显的增加趋势。

基于上述各日访问量规律，对于一些比较重要内容的发布，教师可以选择在周一与周四进行发布，以便更多的学习者能够在第一时间看到发布的内容。对于测试等活动可以安排在周二以及周三，在学习者学习完课堂内容后紧接着进行测试，不但可以帮助他们加深对所学知识的理解，而且会提供及时有效的反馈，从而提升学习效果。最后，对于周五、周六，可以选择安排一些教学活动，使学习者参与到平台教学当中，提高平台的点击量与访问时长。

四、教学启示

（一）适时分析教学设计和学生个性化表现，实施因材施教

通过测试结果与作业成绩、课程访问量等数据发现存在着个别同学作业完成不够完整、平台访问量减少、反馈作业多等问题。教师可以采用个性化教学，根据学习者不同的特点及对知识的掌握程度布置不同的作业，建立教学题库，然后为他们推送个性化作业，以提升学习效果。教师通过平台对学习者的学习进行监控与指导，对于高成就的学生，可以推送拓展知识、考研竞赛资料等，使他们能够在掌握基本知识的基础上力求在难点知识上有所突破，能够参加高水平竞赛；对于高风险学生，要给予更多的关注，帮助他们找出原因、进行整改，并推送适合于当前水平的学习资料。

（二）及时评估教学效果，设计有针对性的教学活动

针对数学学科的特点，对于不易掌握的知识点，可以定期开设数学习题课。在调查了高等数学的学习进度后，对学生在学习过程中遇到的问题进行汇总，于3月21日、4月4日、4月18日及5月23日等多个时间节点面向全体选课学生开设习题课。教师每天会为学习者布置不同的学习任务而不需要通知学习者，他们会在平台的课程任务当中自行查找，学生几乎都能够在规定的时间内提交作业，每周至少6次，有利于学生建立良好的学习习惯。重视学习活动交互设计[8]，设计中要注意难度适当，根据学生的最近发展区，设置适合学习者的内容进行学习。在教学过程中除了正常的教学内容外，还应该适时采取措施激发学习者的积极性、主动性和创造性，例如举办数学文化竞赛等教学活动，提高学习者对于数学学习的兴趣。

（三）设置最低访问时限，提供自主反馈，分时段推送教学内容

在进行课程设计时，可以对学习者的课程访问时间做出具体规定，当学生的总访问时间低于这一最低时间时，则平台将会自动提醒学生及时访问课程；要通过平台的各种监控功能提醒学习者，及时为他们反馈学习效果。根据学习者对于平台访问时间的不同，为了使他们第一时间可以接收到比较重要的内容，教师可以选择在周一与周四进行发布和提醒。测试等活动可以安排在周二以及周三，在学习者学习完课堂内容后紧接着进行测试，不但可以帮助他们加深对所学知识的理解，而且能提供及时有效的反馈，从而提升学习效果。最后，可以选择在周五、周六安排一些教学活动，使学习者参与到平台教学当中。

（四）持续更新学习资源，及时促进问题解决

当学习者发现教学平台中并没有比较新奇的教学内容时，就会逐渐地减少对学习平台的点击量。有必要在保证教学内容不变的基础上，对学习资源进行调整，使教学资源更符合学习者的学习习惯，更能够激发学习者的学习积极性。由于课程的特殊性，学习者在学习过程中会遇到许多的问题，论坛的设计能够使学习者将自己的问题发布到讨论区当中，但当论坛中的回帖不能有效地解决学习者的问题时，学习者不会再多次地去访问论坛，而会采取其他的方式来解决自己的问题。因此，有必要对论坛模块的使用方法进行进一步的设计，例如可以通过匿名的方式提问和回帖，学习者之间不能看到对方的姓名；可以将学习者在论坛中的参与程度计入形成性评价当中，充分发挥论坛的功能。

（五）有机整合学术史和学科文化方面的相关内容，提升学生的学习动机

数学方面的学术史、学科文化、学术故事非常丰富，比较容易能触及学生的情感体验，适时融入教学过程，可以提升学习动机和培养学习兴趣。本研究中把这部分内容放在了课外拓展部分，从这个模块的学生点击率来看，学生在数学通识栏目的点击率为763次，远远超过其他栏目。因此，为了开阔学生的视野，本研究选择了一本著名应用数学家史蒂夫·斯托加茨（Steven Strogatz）编写的《微积分的力量》作为学生课外阅读的教材，并进行了集中课外展示。后期与学生交谈发现，分享效果非常好，绝大多数学生对于书中的内容印象深刻，反映收获非常大。

五、结语

对“高等数学”课程教学数据不间断的分析给教学改革提供了科学依据，以上5方面的启示都贯彻到了近几年的教学改革过程，教学的效果也获得显著提升。如高等数学课程思政效果明显，调查显示多数学生感觉高等数学融入课程思政内容对自己的品德形成影响较大。问卷显示，79.55%的学生认为高等数学课程教学中需要讲授文化自信的内容，88.64%的学生认为教师讲授课程思政内容很好，能给予学生积极的思想指导，77.28%的学生认为教师挖掘出来的思政内容对学生的道德品质有较大或非常大的影响。49名选课学生积极踊跃参加数学竞赛等创新活动，获得国家级奖16项，省级奖22项。本研究真正促进了以学生为中心的教学，学校的课程教学评价报告显示课程的教师得分为99.10分，从各指标维度对比来看，课程教学质量显著高于学校平均水平。

參考文献

[1] 余胜泉，路秋丽，陈声健.网络环境下的混合式教学：一种新的教学模式[J].中国大学教学，2005（10）：50-56.

[2] 徐晓东.为教育和教学改革而设计：《剑桥学习科学手册（第2版）》评述[J].中国电化教育，2020，402（7）：20-29.

[3] 乐惠骁， 贾积有. 基于大数据挖掘的初中数学教学内容重点发现研究[J]. 数字教育， 2022，8（3）：49-57.

[4] 张勤，刘宇.数据挖掘技术在高校学生成绩分析中的应用[J].计算机光盘软件与应用，2013，16（15）：221-222.

[5] 王良周，于卫红. 大数据视角下的学习分析综述[J]. 中国远程教育，2015（3）：31-37.

[6] 潘青青，杨现民，陈世超. 国际学习分析技术研究进展与趋势分析：基于2014年至2016年Journal of Learning Analytics论文分析[J]. 中国远程教育（综合版），2019（3）：14-22.

[7] 曹帅，王以宁，徐鹏. 学习分析技术的研究现状与未来趋势：基于2011—2015年LAK会议论文的分析[J]. 中国电化教育， 2016（5）：78-84.

[8] 金莉芬，钟志贤，易凯谕. 国内在线学习研究的现状与走势分析：基于CNKI 1997—2021年数据[J]. 数字教育，2022， 8（1）：9-17.

（责任编辑 孙兴丽）

Analysis of College StudentsLearning Behavior Based on Educational Data Mining Technology and Its Teaching Enlightenment

— With the Course of “Advanced Mathematics” of a University as an Example

Wang Jiana， Chen Kaiquanb

（a.School of Mathematical Sciences， b.Teching Center of Fundamental Courses， Ocean University of China， Qingdao， Shandong， China 266100）

Abstract： With the rapid speed development of education informatization， huge amounts of data for learning analysis are accumulated. By processing and analyzing these data， the laws in teaching can be found and the key data that could optimize teaching can be extracted， which can improve teaching effectiveness. With the course of “Advanced Mathematics”in a university as an example， this research collects and analyzes the data generated in the learning process. It is found that the course scores are positively related to the course visits of learners， and traffic to the course by learners is very variable in different time periods. According to this conclusion， when the teaching content is designed， it is suggested that we should reflect on the curriculum design and implement individualized teaching， consider the teaching effect timely and design targeted teaching activities， make rational use of the advantages of online learning， design the minimum time limit for course visit and provide feedback in a timely manner， and update teaching resources continually， present teaching resources to learners in different periods and answer questions submitted by students timely， organically integrate academic history and subject culture related content to enhance students'  learning motivation.

Key words： Data mining; Analysis of learning; Blended learning