沈貴慶

關(guān)鍵詞： 大數(shù)據(jù)分析; 高校智慧教育; 數(shù)據(jù)挖掘算法; Hadoop技術(shù); 云計算; 學(xué)生認知模型

中圖分類號： TN919?34; TP393 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）04?0097?04

Application research of big data analysis in college wisdom education

SHEN Guiqing

（Northwest A & F University， Yangling 712100， China）

Abstract： It is difficult to accurately analyze the students′ learning behavior from massive intelligence resources in the traditional data analysis platform for college wisdom education， resulting in the low accuracy problem in the difficulty prediction of test?oriented questions. Therefore， the big data analysis research is carried out for college wisdom education. The composition of the intelligent education system architecture and the data analysis platform are given. The Hadoop technology is used to analyze and process the wisdom education resources. The data mining algorithm in combination with the cloud computing technology is used to deeply analyze and explain the collection and convergence of student learning behavior data. The implicit and explicit behaviors of students′ learning are obtained to evaluate the education quality， predict students′ future learning performance， and establish the student cognitive model and visualization chart. The acquired data is intelligently integrated into the wisdom education system architecture. The system architecture is applied to the question?answering data provided by the online education system， so as to predict the difficulty of English reading test. The test results show that the prediction performance of the test difficulty evaluation is good.

Keywords： big data analysis; college wisdom education; data mining algorithm; Hadoop technology; cloud computing; student cognitive model

0 ?引 ?言?

大數(shù)據(jù)、人工智能技術(shù)的發(fā)展和廣泛應(yīng)用，使得“互聯(lián)網(wǎng)?教育”成為高等院校教育改革與發(fā)展的重要研究方向[1]?！爸腔劢逃钡奶岢龈菍⒏咝＝逃畔⒒嵘角八从械男赂叨萚2]。面向高校智慧教育的大數(shù)據(jù)分析逐漸成為研究廣泛關(guān)注的重要研究方向之一[3]。目前，相關(guān)學(xué)者已研究出多項針對智能輔助系統(tǒng)的數(shù)據(jù)分析平臺。例如：李爽等人通過學(xué)生學(xué)習(xí)行為投入測量指標構(gòu)建數(shù)據(jù)分析平臺[4]。這些測量指標更有利于分析和測量教學(xué)智能輔助系統(tǒng)的學(xué)習(xí)行為。周效章以云計算、大數(shù)據(jù)分析技術(shù)為依托，按照“線上?線下?線上”為教育實施路徑，構(gòu)建了“在線教育平臺+學(xué)習(xí)中心”融合教學(xué)模式的數(shù)據(jù)分析平臺[5]。上述數(shù)據(jù)分析平臺缺乏對學(xué)生學(xué)習(xí)行為數(shù)據(jù)合理的整合管理模式，易造成信息孤島，無法準確分析學(xué)生學(xué)習(xí)行為數(shù)據(jù)，導(dǎo)致在面向試題時的難度預(yù)測精度較低。在分析國內(nèi)智能輔助系統(tǒng)的數(shù)據(jù)分析平臺現(xiàn)存問題的基礎(chǔ)上，構(gòu)建“面向高校智慧教育的大數(shù)據(jù)分析平臺”，以推動我國高校智慧教育發(fā)展。

1 ?高校智慧教育大數(shù)據(jù)分析

1.1 ?高校智慧教育體系架構(gòu)

高校智慧教育體系架構(gòu)屬于多層次體系結(jié)構(gòu)，共6層：感知層、通信層、云計算層、業(yè)務(wù)層、數(shù)據(jù)層和智能服務(wù)層。由這6層結(jié)構(gòu)構(gòu)成體系架構(gòu)如圖1所示。

模型中感知層負責(zé)將系統(tǒng)環(huán)境與外部高校環(huán)境進行信息交互，通過傳感器、移動終端等設(shè)備實時感知高校環(huán)境和教師、學(xué)生信息，并將感知數(shù)據(jù)經(jīng)由通信層上傳[6]。網(wǎng)絡(luò)通信層負責(zé)將感知層獲取的相關(guān)數(shù)據(jù)傳輸?shù)綐I(yè)務(wù)層，為高校學(xué)生提供網(wǎng)絡(luò)訪問服務(wù)。云計算層采用虛擬化技術(shù)實現(xiàn)高校校園可視化、可靠的云服務(wù)。業(yè)務(wù)層主要負責(zé)為高校師生的教學(xué)、管理提供全方位、多角度的服務(wù)支撐。數(shù)據(jù)層采用大數(shù)據(jù)分析技術(shù)，綜合學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，在網(wǎng)絡(luò)空間內(nèi)構(gòu)建教育體系架構(gòu)的虛擬框架，并對框架做出全方位的描述，為高校智慧校園的不同應(yīng)用方向提供數(shù)據(jù)支持。智能服務(wù)層主要負責(zé)對不同應(yīng)用系統(tǒng)進行深度整合，給學(xué)生和教師提供個性化服務(wù)。整合處理后，最終展現(xiàn)在師生面前的不是一個生硬的應(yīng)用系統(tǒng)，而是一個以個性化服務(wù)為宗旨、以師生需求為導(dǎo)向的智能信息化服務(wù)平臺[7]。

1.2 ?面向?qū)W生學(xué)習(xí)行為的大數(shù)據(jù)分析技術(shù)

通過收集學(xué)生學(xué)習(xí)階段相關(guān)數(shù)據(jù)，對收集的數(shù)據(jù)進行預(yù)處理，預(yù)處理過程包含數(shù)據(jù)清洗、數(shù)據(jù)規(guī)整化處理等，預(yù)處理后針對學(xué)生的學(xué)習(xí)行為數(shù)據(jù)構(gòu)建相應(yīng)的數(shù)據(jù)分析模型，分析高校學(xué)生該學(xué)期針對學(xué)習(xí)任務(wù)制定的學(xué)習(xí)模式以及對知識的掌握程度。將數(shù)據(jù)分析結(jié)果反饋給學(xué)生和教學(xué)管理者，學(xué)生和教學(xué)管理者針對此結(jié)果調(diào)整學(xué)習(xí)計劃和教學(xué)進度。

1.2.1 ?收集高校學(xué)生學(xué)習(xí)行為數(shù)據(jù)

對高校學(xué)生學(xué)習(xí)行為數(shù)據(jù)統(tǒng)一化標準處理過程如圖2所示。

智慧教育與當(dāng)前高校教育方式的不同之處在于，高校智慧教育是以高校學(xué)生為中心，以綜合多媒體課堂互動的方式，鼓勵高校學(xué)生根據(jù)自身學(xué)習(xí)情況開展新型學(xué)習(xí)模式。如何從含量的學(xué)生學(xué)習(xí)行為數(shù)據(jù)中發(fā)現(xiàn)學(xué)習(xí)行為的潛在規(guī)律，是當(dāng)前階段亟待研究的重要問題。根據(jù)xAPI數(shù)據(jù)規(guī)整化基準采集學(xué)習(xí)行為記錄。不規(guī)整的學(xué)習(xí)行為數(shù)據(jù)以xAPI數(shù)據(jù)規(guī)整化基準調(diào)整后，可實現(xiàn)檢索、讀取和寫入功能。

預(yù)測分析報告框架中的學(xué)習(xí)應(yīng)用平臺通過設(shè)置不同的數(shù)據(jù)采集器，對學(xué)生與教育體系架構(gòu)應(yīng)用平臺的交互數(shù)據(jù)備份，存入本地數(shù)據(jù)庫中，并間隔給定周期將這些數(shù)據(jù)傳送到教育體系架構(gòu)的數(shù)據(jù)分析平臺的學(xué)習(xí)行為存儲模塊中。

高校學(xué)生在不同學(xué)期、不同場景下學(xué)生的學(xué)習(xí)行為是不同的，通過學(xué)生對不同學(xué)習(xí)工具在各個階段的實際應(yīng)用，分場景、周期采集有效的學(xué)習(xí)行為數(shù)據(jù)，以xAPI數(shù)據(jù)規(guī)整化基準進行傳輸，形成大數(shù)據(jù)分析的基本條件[8]。

1.2.2 ?學(xué)習(xí)認知情況度量

通過分析結(jié)果評價學(xué)生對教學(xué)內(nèi)容掌握程度，達到對學(xué)習(xí)成績的預(yù)測。對預(yù)測結(jié)果進行詳細解釋并建立學(xué)生認知模型[9]，采用可視化技術(shù)全方位展示分析結(jié)果。具體步驟如下：

評價體系中就學(xué)生對教學(xué)內(nèi)容的掌握程度，給出不同評價指標的評價基準，不同的評價指標相應(yīng)的權(quán)重不同，構(gòu)造一個模糊一致判斷矩陣[R]，采用該矩陣衡量評價等級與相關(guān)因素之間重要性的對比結(jié)果，矩陣形式描述如下：

[R=r11 ? … r1n ? ? ? ?? ? ? ??rn1 ? … rnn] （1）

式中，[rnn]表示隸屬度函數(shù)。對式（1）給出的各行因素進行求和，獲得[h1，h2，…，hn]，此時因素[ai]的權(quán)重為：

[τ=hih1+h2+…+hn] ? （2）

以上為評價指標的權(quán)重確定方法，通過專家對比，獲得不同評價指標的權(quán)重。

依據(jù)評價標準，邀請多個專家評價學(xué)生對教學(xué)內(nèi)容的掌握程度。各項評價指標通過[X={x1，x2，…，xn}]描述，[Y={y1，y2，…，ym}]表示評價結(jié)果集合，將評價結(jié)果劃分為5個等級，描述為[y1]，[y2]，[y3]，[y4]，[y5]，表示“完全掌握”“90%的部分可以掌握”“80%的部分可以掌握”“70%的部分可以掌握”“60%的部分可以掌握”。對于不同的評價指標，可通過構(gòu)造一個模糊評價矩陣來全面描述：

[T=t11 ? … t1m ?? ? ? ? ? ? ? ? ?tn1 ? … tnm] ?（3）

式中，[tnm]表示矩陣[T]相應(yīng)的隸屬度函數(shù)。

以下給出二級指標的模糊評價因素集的權(quán)重：

[A=[a1， ?a2， ?…， ?an]] （4）

結(jié)合最大隸屬度基準判定，評估教育質(zhì)量，預(yù)測學(xué)生日后學(xué)習(xí)表現(xiàn)，構(gòu)建認知模型。

采用可視化技術(shù)全方位展示學(xué)生學(xué)習(xí)行為數(shù)據(jù)的分析結(jié)果：采用餅狀圖來描述行為數(shù)據(jù)類型的分布情況;通過餅狀圖的面積大小分析不同行為數(shù)據(jù)類型的分布情況，所占面積越大說明該學(xué)生對此類學(xué)習(xí)活動更感興趣;通過折線圖來描述學(xué)生對課堂測試題目的準確性，通過折線中走勢的變化觀測學(xué)生對已學(xué)內(nèi)容的掌握情況;通過柱狀圖來表現(xiàn)學(xué)生在此學(xué)期中某一天的學(xué)習(xí)活動數(shù);通過散點圖來描述學(xué)生參與教學(xué)活動的活躍程度[10]。

2 ?實驗結(jié)果與分析

為了驗證面向高校智慧教育的大數(shù)據(jù)分析平臺的綜合有效性，需要進行一次實驗驗證。仿真實驗在配置為WIN 7操作系統(tǒng)、Intel酷睿Ⅱ處理器、1.86 GHz主頻、2.95 GB RAM的筆記本計算機進行。

將數(shù)據(jù)分析平臺應(yīng)用于某高等院校提供的學(xué)生高數(shù)答題數(shù)據(jù)，采用近200萬的答題記錄，預(yù)測高數(shù)科目測試題的難度，選取均方根誤差（RMSE）衡量準確性能;利用排序準確度（DOA）評測高數(shù)科目試題對之間的難度排序正確率;利用皮爾遜相關(guān)系數(shù)（PCC）測試高數(shù)科目測試題難度與學(xué)生成績之間的關(guān)系。

利用t檢驗通過率評測高數(shù)科目測試題難度評估結(jié)果的置信水平。上述評價指標中，均方根誤差（RMSE）值越小，說明預(yù)測結(jié)果精度越好;剩余指標值越大說明預(yù)測模型性能越好。圖3給出試題難度預(yù)測結(jié)果，對比方法包括文獻[4]給出的數(shù)據(jù)分析平臺和文獻[5]給出的數(shù)據(jù)分析平臺。為了簡化描述，將文獻[4]給出的數(shù)據(jù)分析平臺和文獻[5]給出的數(shù)據(jù)分析平臺下的預(yù)測模型以及所提平臺下的預(yù)測模型分別表示為A1，A2，A3。

從圖3中可以看出，與文獻[4]、文獻[5]給出的數(shù)據(jù)分析平臺下的預(yù)測模型相比，所提平臺下的預(yù)測模型能夠更準確地對英語測試題進行難度預(yù)測。

分別采用文獻[4]、文獻[5]給出的數(shù)據(jù)分析平臺下的預(yù)測模型以及所提的預(yù)測模型，預(yù)測高校學(xué)生多次答題得分結(jié)果，不同方法對高校學(xué)生成績預(yù)測表現(xiàn)在A數(shù)據(jù)集和B數(shù)據(jù)集的對比結(jié)果如圖4所示。

從圖4中可以看出，所提平臺下的預(yù)測模型能夠?qū)Φ梅纸Y(jié)果進行高精度預(yù)測。

3 ?結(jié) ?論

將大數(shù)據(jù)分析技術(shù)應(yīng)用于高校教育領(lǐng)域，降低了高校智慧教育數(shù)據(jù)采集、轉(zhuǎn)換、集成和挖掘的門檻，使定量研究高校智慧教育行為、優(yōu)化教學(xué)方案成為可能。大數(shù)據(jù)分析技術(shù)對高校教學(xué)環(huán)境以及師生課業(yè)發(fā)展產(chǎn)生了深刻的影響，使廣大師生和學(xué)校受益。

參考文獻

[1] 蔣東興，吳海燕，袁芳，等.高校智慧校園成熟度模型與評價指標體系研究[J].鄭州大學(xué)學(xué)報（工學(xué)版），2017，38（2）：1?4.

JIANG Dongxing， WU Haiyan， YUAN Fang， et al. Research on the wisdom campus maturity model and the evaluation indexes [J]. Journal of Zhengzhou University （Engineering science）， 2017， 38（2）： 1?4.

[2] 李朝暉，陳迪新.基于眾創(chuàng)的高校圖書館智慧服務(wù)模式研究[J].圖書館工作與研究，2017，1（7）：57?62.

LI Chaohui， CHEN Dixin. Research on the smart service mode of university library based on group innovation [J]. Library work and study， 2017， 1（7）： 57?62.

[3] 李馨.高等教育大數(shù)據(jù)分析：機遇與挑戰(zhàn)[J].開放教育研究， 2016，22（4）：50?56.

LI Xin. Big data analytics in higher education： opportunities and challenges [J]. Open education research， 2016， 22（4）： 50?56.

[4] 李爽，王增賢，喻忱，等.在線學(xué)習(xí)行為投入分析框架與測量指標研究：基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J].開放教育研究，2016，22（2）：77?88.

LI Shuang， WANG Zengxian， YU Chen， et al. Mining LMS data for behavioral engagement indicators in online learning environments [J]. Open education research， 2016， 22（2）： 77?88.

[5] 周效章.“在線教育平臺+學(xué)習(xí)中心”融合教學(xué)模式構(gòu)建研究：基于滬江教學(xué)模式的分析與思考[J].現(xiàn)代教育技術(shù)，2017，27（10）：33?40.

ZHOU Xiaozhang. The research on the construction of integrated teaching model of "online education platform + learning center"： based on analysis and reflection about the teaching mode of Hujiang [J]. Modern educational technology， 2017， 27（10）： 33?40.

[6] 曾忠祿.大數(shù)據(jù)分析：方向、方法與工具[J].情報理論與實踐， 2017，40（1）：1?5.

ZENG Zhonglu. Big data analysis： directions， methods and tools [J]. Information studies： theory & application， 2017， 40（1）： 1?5.

[7] 肖源，郝杰，劉瑩，等.信息分析視角下的大數(shù)據(jù)分析平臺構(gòu)架研究[J].情報科學(xué)，2016，34（9）：83?89.

XIAO Yuan， HAO Jie， LIU Ying， et al. Research on the framework of big data analysis platform in the perspective of information analysis [J]. Information science， 2016， 34（9）： 83?89.

[8] 嚴萍.高等職業(yè)院校人才培養(yǎng)工作評估的反思與改進：基于安徽省兩輪高職評估大數(shù)據(jù)分析[J].職業(yè)技術(shù)教育，2016，37（18）：30?34.

YAN Ping. Reflection and improvement on the evaluation of personnel training in higher vocational colleges： based on analysis on the massive data of evaluation of two rounds of higher vocational colleges in Anhui province [J]. Vocational and technical education， 2016， 37（18）： 30?34.

[9] 張兵.一種用于云計算數(shù)據(jù)庫的數(shù)據(jù)挖掘方法研究[J].控制工程，2016，23（6）：956?960.

ZHANG Bing. Study of data mining method for cloud computing database [J]. Control engineering of China， 2016， 23（6）： 956?960.

[10] 楊可晗，馬瓊.大數(shù)據(jù)下提高遠程教育質(zhì)量提取有效資源仿真[J].計算機仿真，2017，34（4）：212?215.

YANG Kehan， MA Qiong. To improve the quality of distance education and the simulation of effective resources under the big data [J]. Computer simulation， 2017， 34（4）： 212?215.