李紅艷

摘要：隨著移動設(shè)備與學(xué)習(xí)技術(shù)系統(tǒng)的發(fā)展，多種學(xué)習(xí)方式發(fā)生在教育情景中，移動自主學(xué)堂自開發(fā)應(yīng)用到教學(xué)過程，保留了大量教學(xué)數(shù)據(jù)。通過使用數(shù)據(jù)挖掘方法分析隱藏在這些數(shù)據(jù)下的有效信息，并利用這些信息進行評價反饋，從而可以幫助學(xué)生學(xué)習(xí)。使用熵權(quán)法進行分析研究表明，分析學(xué)生行為可以有效地為教師提供教學(xué)策略，合理利用學(xué)生之間的協(xié)作能力，提高學(xué)習(xí)效果。

關(guān)鍵詞：學(xué)習(xí)行為；學(xué)習(xí)分析；熵

中圖分類號：TP391.1 文獻標識碼：A 文章編號：1009-3044（2017）06-0160-03

Abstract： With the development of mobile devices and learning technology system， a variety of learning methods occur in the educational context， the mobile autonomous schools have been developed and applied to the teaching process. Through the use of data mining methods to analyze the hidden information in these data， and use the information to evaluate feedback， which can help students learn. The use of entropy method to analyze the research shows that the analysis of student behavior can be effective for teachers to provide teaching strategies， rational use of cooperation between students， improve the learning effect.

Key words：learning behavior； learning analysis； entropy

隨著移動設(shè)備與學(xué)習(xí)技術(shù)系統(tǒng)的發(fā)展，多種學(xué)習(xí)方式發(fā)生在教育情景中，為深層次研究學(xué)習(xí)者的學(xué)習(xí)行為帶來了新契機。學(xué)習(xí)分析技術(shù)在教育信息化環(huán)境中，使用數(shù)據(jù)挖掘的研究方法，對一定學(xué)習(xí)環(huán)境下學(xué)習(xí)者產(chǎn)生的學(xué)習(xí)數(shù)據(jù)進行研究分析，深度挖掘?qū)W習(xí)者學(xué)習(xí)信息，有利于實現(xiàn)教與學(xué)的個性化，為教學(xué)研究和動態(tài)調(diào)整學(xué)生學(xué)習(xí)策略提供了數(shù)據(jù)支持。

目前，自從數(shù)據(jù)分析技術(shù)在商業(yè)領(lǐng)域取得良好的效果后，把數(shù)據(jù)挖掘技術(shù)應(yīng)用到教育領(lǐng)域已經(jīng)成為一種趨勢。學(xué)習(xí)分析（Learning Analysis）作為一種教育分析技術(shù)，成為發(fā)展中不可或缺的核心力量。[1]所謂學(xué)習(xí)分析是指通過使用分析技術(shù)，挖掘隱藏在數(shù)據(jù)背后的深層次有效信息，并利用這些信息進行評價反饋，從而幫助學(xué)生提高學(xué)習(xí)效率和學(xué)習(xí)成績。

移動自主學(xué)堂改變了傳統(tǒng)的教學(xué)模式，實現(xiàn)了移動自主平臺支持下“四課型”教學(xué)模式與學(xué)習(xí)方式，實現(xiàn)了學(xué)生自主學(xué)習(xí)模式。[2]基于移動自主學(xué)堂的學(xué)習(xí)方式記錄了學(xué)生在學(xué)習(xí)過程中的所有學(xué)習(xí)行為，這些行為以形式豐富多樣的數(shù)據(jù)形式記錄在系統(tǒng)中。這些數(shù)據(jù)為挖掘?qū)W生學(xué)習(xí)過程中的行為提供了載體。從多維度挖掘出學(xué)生的學(xué)習(xí)行為背后隱藏的信息量，分析學(xué)生的日常學(xué)習(xí)行為習(xí)慣與學(xué)生的學(xué)習(xí)成績之間的關(guān)系。通過對學(xué)生學(xué)習(xí)行為的有效分析，可以為學(xué)校和教師跟蹤了解學(xué)生的學(xué)習(xí)情況，合理有效安排教學(xué)過程和教學(xué)計劃。

移動自主學(xué)堂經(jīng)過多年的應(yīng)用實踐，存儲了大量教學(xué)數(shù)據(jù)，本文正是對移動自主平臺下的學(xué)生學(xué)習(xí)行為數(shù)據(jù)進行建模分析，從而得到學(xué)生學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系，從而為移動自主平臺教學(xué)提供輔助決策，使教師充分利用資源改進教學(xué)。論文根據(jù)學(xué)習(xí)行為需求分析，探討學(xué)生在一個月周期內(nèi)的學(xué)習(xí)行為與月末考試成績之間的關(guān)系，得到學(xué)生學(xué)習(xí)行為效果模型，并使用模型預(yù)測學(xué)生在未來的學(xué)習(xí)成績。

1 學(xué)習(xí)行為分析研究現(xiàn)狀

數(shù)據(jù)作為信息的載體，具有較強的可視性和可用性，能夠精準，全面的反應(yīng)人物的思維和行為的發(fā)展規(guī)律。[3]在傳統(tǒng)的教學(xué)模式中，保存的數(shù)據(jù)多為學(xué)生日常學(xué)習(xí)中的練習(xí)和考試試卷，數(shù)據(jù)也僅僅局限于老師的試卷分析。在信息化教學(xué)模式環(huán)境下，數(shù)據(jù)包括學(xué)生積極參與課堂教學(xué)的表現(xiàn)，與老師同學(xué)互動的頻率，課后學(xué)習(xí)的記錄等。通過使用數(shù)據(jù)挖掘技術(shù)對這些數(shù)據(jù)進行分析挖掘，分析學(xué)生的日常學(xué)習(xí)行為習(xí)慣與學(xué)生的學(xué)習(xí)成績之間的關(guān)系。在今后的教學(xué)過程中根據(jù)反饋信息進行調(diào)整學(xué)習(xí)方法，從而完成學(xué)習(xí)目標。

國內(nèi)外研究學(xué)者都對學(xué)習(xí)分析技術(shù)展開了一系列研究，美國普渡大學(xué)研發(fā)的“信號預(yù)警系統(tǒng)”系統(tǒng)對學(xué)習(xí)者的學(xué)習(xí)行為進行研究，在學(xué)生的學(xué)習(xí)成績達到一定臨界點時以郵件的形式向?qū)W生發(fā)出預(yù)警信號為學(xué)生提供實時反饋。[4]澳大利亞Wollongong大學(xué)基于學(xué)習(xí)分析技術(shù)研發(fā)了可視化評估工具，幫助教師迅速診斷學(xué)習(xí)的學(xué)習(xí)行為路徑，并進行有效反饋。[5]在我國，彭文輝等提出了網(wǎng)絡(luò)學(xué)習(xí)行為的一個多維度和多層次的模型，對于學(xué)習(xí)者的學(xué)習(xí)行為分析，構(gòu)成了對學(xué)習(xí)者的行為評價和學(xué)習(xí)智能化、個性化調(diào)整的基礎(chǔ)。[6]顧小清等建立了學(xué)習(xí)行為研究的數(shù)據(jù)，機制，結(jié)果三層次模型，系統(tǒng)的對學(xué)習(xí)行為模式進行了解析。[7]

2 學(xué)習(xí)行為屬性分析

在教育中針對學(xué)生學(xué)習(xí)行為進行分析對開發(fā)學(xué)生的思維與從多個維度挖掘隱藏的有價值的數(shù)據(jù)信息，一方面實現(xiàn)了教師根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為分析學(xué)生對在教學(xué)過程中對知識的掌握程度和學(xué)習(xí)關(guān)注度。另一方面，通過分析學(xué)生的學(xué)習(xí)行為，學(xué)校和教師可以了解學(xué)生近期的學(xué)習(xí)情況，方便教學(xué)管理。在移動自主學(xué)堂學(xué)習(xí)環(huán)境中，學(xué)生在移動自主平臺上與老師進行課堂教學(xué)內(nèi)容的交流，對所學(xué)知識進行隨堂檢測，知識疑難點的提問與交流等。

根據(jù)日常教學(xué)過程，把學(xué)生的學(xué)習(xí)行為分為以下幾個方面：

1）自我查詢學(xué)習(xí)行為：自我查詢學(xué)習(xí)行為主要表現(xiàn)為學(xué)生針對自身情況查詢想要了解的資源，這是一種主動的學(xué)習(xí)行為，它受學(xué)生自我認知的控制。

2）溝通學(xué)習(xí)行為：課堂學(xué)習(xí)是一種學(xué)習(xí)方式，而在學(xué)習(xí)過程中的溝通、交流也可以認為是一種學(xué)習(xí)方式。日常學(xué)習(xí)環(huán)境中，教師與學(xué)生之間、學(xué)生與學(xué)生之間、學(xué)生與學(xué)習(xí)資源之間都存在交互行為。

3）自我加工學(xué)習(xí)行為：在學(xué)習(xí)過程中，學(xué)生可以對學(xué)習(xí)資源進行收藏、標記和注釋，對知識點進行電子筆記的整理，可以對知識進行提問和答疑等方式進行自我學(xué)習(xí)。

4）外部條件：當在圍繞教學(xué)目標進行學(xué)習(xí)時，學(xué)生的學(xué)習(xí)也同樣受學(xué)習(xí)基礎(chǔ)和一些學(xué)習(xí)環(huán)境的影響。學(xué)生每門課程的基礎(chǔ)會影響學(xué)生的學(xué)習(xí)行為，如果學(xué)生的這門課程的基礎(chǔ)較好，在教學(xué)過程中，就會對教師的教學(xué)內(nèi)容容易接受，才會對教師的教學(xué)內(nèi)容或形式感興趣，使系統(tǒng)記錄的學(xué)習(xí)行為數(shù)據(jù)越多。而對于基礎(chǔ)差的學(xué)生，聽課時就會跟不上老師的教學(xué)進度，從而學(xué)起來比較吃力，久之就會失去學(xué)習(xí)的興趣，直到放棄這門學(xué)科。同時，系統(tǒng)每天保存學(xué)生上課的學(xué)習(xí)路徑，可根據(jù)登錄情況判斷學(xué)生是否出勤，長時間的請假會影響學(xué)生的學(xué)習(xí)情況。每節(jié)課學(xué)生會對本節(jié)課的學(xué)習(xí)體會進行自我評價，主要分為：好，中，差三類。

移動自學(xué)學(xué)堂教學(xué)環(huán)境下學(xué)生的學(xué)習(xí)行為大致包含的屬性參數(shù)如表1所示：

3 基于信息熵的學(xué)生學(xué)習(xí)行為分析

通過對移動自主學(xué)堂的教學(xué)日志進行分析，可以得到學(xué)生的學(xué)習(xí)行為，在分析學(xué)生的行為記錄時，根據(jù)不同類型的行為在模型中的作用賦予不同的權(quán)值。本文將采用信息熵計算，來判斷不同行為不確定程度的大小，對學(xué)生的學(xué)習(xí)行為進行研究，探討在一定周期內(nèi)學(xué)生的日常學(xué)習(xí)行為與學(xué)生的學(xué)習(xí)成績之間的關(guān)系，并為學(xué)生提出有效的建議。

假定有m個學(xué)生，每個學(xué)生有n種類型的學(xué)習(xí)行為，將學(xué)生Si的學(xué)習(xí)行為記錄表示成m*n階矩陣S=（kij）m*n，其中k是一個二維數(shù)據(jù)，表示的是第i個學(xué)生第j類型的學(xué)習(xí)行為的變量。

Step1：首先要對學(xué)生行為的各個指標的數(shù)據(jù)進行標準化處理。假設(shè)某學(xué)生第i學(xué)科的學(xué)習(xí)行為指標為X1，X2，…Xm，則可對學(xué)生行為數(shù)據(jù)進行處理，如下式

其中，bij為第i學(xué)科第j類型的學(xué)習(xí)行為的標準化值，max（bij）為第j類學(xué)生學(xué)習(xí)行為的最大值。

Step2：求學(xué)生各學(xué)習(xí)行為的信息熵值

按照信息論中信息熵的定義，一組數(shù)據(jù)的信息熵表示為

其中Pj為學(xué)習(xí)行為j發(fā)生的概率，按照信息熵定義計算行為信息熵，行為信息熵的具體含義是行為次數(shù)分布越均勻，則行為信息熵越大，行為的個性化特征越弱，在學(xué)生學(xué)習(xí)行為確定中，行為j的信息熵值越大，則對應(yīng)的行為權(quán)重值Wj越小。

Step3：確定學(xué)生行為各指標的權(quán)重

計算出各個指標的信息熵 。通過信息熵計算各學(xué)習(xí)行為的權(quán)重：

且存在權(quán)重之和為1。由此可見當學(xué)生在各行為上的值相差越大，其熵值越小，熵權(quán)越大，表示改行為對學(xué)生的行為研究的價值越大。

Step4：學(xué)生學(xué)習(xí)行為研究模型

式中，I為學(xué)生行為評價指標，wi為第i個指標的權(quán)重，kij為量化后的行為數(shù)據(jù)，n為學(xué)生學(xué)習(xí)行為個數(shù)。

對于學(xué)生學(xué)習(xí)行為分析，每個學(xué)生都是一個樣本，學(xué)生的學(xué)習(xí)行為對應(yīng)樣本的各維數(shù)據(jù)。實驗采用數(shù)據(jù)庫中385名學(xué)生樣本數(shù)據(jù)，選取每個學(xué)生近1個月的web服務(wù)器客戶端日志數(shù)據(jù)，生成學(xué)生學(xué)習(xí)行為數(shù)據(jù)表。根據(jù)學(xué)習(xí)行為屬性，通過對一名學(xué)生的9種行為記錄進行分析。按照上述步驟使用熵權(quán)法進行計算權(quán)值得到表2：

實驗采用1個月為一個周期，學(xué)生的學(xué)習(xí)基礎(chǔ)參照學(xué)生月初的測驗分數(shù)和排名，經(jīng)過多次試驗得出，學(xué)生的學(xué)習(xí)行為與學(xué)習(xí)月末成績成正比關(guān)系，學(xué)生日常教學(xué)過程中的主動參與度高、表現(xiàn)積極與學(xué)生學(xué)習(xí)效果相關(guān)，線上學(xué)習(xí)相對于瀏覽收藏和瀏覽錯題本行為對學(xué)習(xí)成績的影響較小。上課過程中，學(xué)生積極響應(yīng)老師發(fā)出的提問指令與課后學(xué)習(xí)評價相關(guān)。

4 結(jié)論

通過對學(xué)生課堂教學(xué)中的變現(xiàn)進行分析，得出了學(xué)生在日常的教學(xué)過程中的學(xué)習(xí)表現(xiàn)，把結(jié)果反饋后有助于教師和家長了解學(xué)生的學(xué)習(xí)情況，通過配合使用有效的教學(xué)方法，提高學(xué)生的學(xué)習(xí)效果和學(xué)習(xí)成績。從教師角度來說，教師可以采取一定措施調(diào)整教學(xué)策略，對于日常參與度較低，變現(xiàn)不積極的學(xué)生采取激勵措施激發(fā)學(xué)生學(xué)習(xí)；另外，教師可以把積極學(xué)生和不積極學(xué)生合理安排在一起，充分發(fā)揮積極學(xué)生的帶頭作用，并提高同學(xué)的協(xié)作能力。從學(xué)生角度來說，學(xué)生了解在日常的表現(xiàn)中自己與成績較好學(xué)生的差距，可以調(diào)整自己的學(xué)習(xí)態(tài)度。

參考文獻：

[1] 祝智庭，沈德梅.學(xué)習(xí)分析學(xué)：智慧教育的科學(xué)力量[J].電化教育研究，2013（05）：5-12， 19.

[2] 王瑞，李永波，王曉東，等.移動自主學(xué)堂及其應(yīng)用[J].河南師范大學(xué)學(xué)報：自然科學(xué)版，2014（6）：162-166.

[3] 姜強，趙蔚，王朋嬌，王麗萍，等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實現(xiàn)[J].中國電化教育，2015（1）：85-92

[4] Iten，L.Arnold，K，&Pistilli，M.Ming Real-time Data to Improve Student Success in a Gateway Course[EB/OL]. [2013-05-14].http：//www.bio-purdue.edu/bootcamp/.

[5] Macfadyen L P， Dawson S.Mining LMS data to develop an “early warning system”for educators A proof of concept[J]Computer & Education 2010，（54）：588-599

[6] 彭文輝，楊宗凱，黃克斌.網(wǎng)絡(luò)學(xué)習(xí)行為分析及其模型研究[J].中國電化教育，2006（10）：31-35.

[7] 胡藝齡，顧小清，趙春.在線學(xué)習(xí)行為分析建模及挖掘[J].開放教育研究，2014（2）：102-110.