潘曉君，張佑春

1 基于xMOOC+SPOC課程資源平臺(tái)的搭建

xMOOC是基于MOOC基礎(chǔ)之上讓學(xué)生對(duì)課堂教學(xué)內(nèi)容能夠有較深入認(rèn)知的教學(xué)模式［1］.它的教與學(xué)活動(dòng)主要以微課、討論、作業(yè)等形式的元素構(gòu)成［2-3］.

對(duì)比xMOOC，SPOC對(duì)于準(zhǔn)備申請(qǐng)參加課程學(xué)習(xí)的學(xué)生設(shè)置了較高的門(mén)檻，只有達(dá)到預(yù)設(shè)條件的學(xué)生才被允許進(jìn)入課程學(xué)習(xí).它可以說(shuō)是MOOC的教學(xué)擴(kuò)展，教師可以在使用xMOOC的同時(shí)，對(duì)少部分的學(xué)生使用SPOC，極大地提高了教學(xué)效率［4］.

由于xMOOC與SPOC這兩種模式在教學(xué)的目標(biāo)和對(duì)象上是互不相同的.為便于開(kāi)展線(xiàn)上線(xiàn)下混合教學(xué)模式，本文將兩種教學(xué)模式結(jié)合起來(lái)，充分發(fā)揮各自的優(yōu)勢(shì)，借鑒國(guó)內(nèi)外一些優(yōu)質(zhì)的在線(xiàn)平臺(tái)教學(xué)資源，對(duì)具有微課、微視頻、習(xí)題庫(kù)、案例庫(kù)、測(cè)試庫(kù)、作業(yè)等全方位的教學(xué)資源進(jìn)行組建［5-6］，設(shè)計(jì)和搭建了基于xMOOC+SPOC的課程資源平臺(tái).

該平臺(tái)充分挖掘優(yōu)勢(shì)課程資源，重組教學(xué)內(nèi)容，完善現(xiàn)有優(yōu)秀的教學(xué)案例，結(jié)合微視頻設(shè)計(jì)大賽等方式豐富相關(guān)的教學(xué)資源，進(jìn)而提高整體的教學(xué)效果.搭建的課程資源平臺(tái)框架如圖1所示.

圖1 課程資源平臺(tái)的構(gòu)建

2 邏輯回歸模型的構(gòu)建

2.1 模型初始值的設(shè)置

本文構(gòu)建的模型數(shù)據(jù)來(lái)源于xMOOC+SPOC平臺(tái)采集的學(xué)習(xí)日志，為了標(biāo)記學(xué)生對(duì)知識(shí)點(diǎn)的認(rèn)知情況，將課程學(xué)習(xí)中的每一節(jié)定義為知識(shí)點(diǎn)的粒度，從學(xué)生的日常學(xué)習(xí)和做題情況分析其對(duì)知識(shí)點(diǎn)的掌握程度，評(píng)估其知識(shí)水平能力.

為了評(píng)估學(xué)生的知識(shí)水平情況，本文采用最匹配的知識(shí)列表進(jìn)行評(píng)定.首先需要定義學(xué)生知識(shí)水平的兩種端點(diǎn)狀態(tài)，分別為1（知識(shí)點(diǎn)已掌握）和0（知識(shí)點(diǎn)未掌握）.將學(xué)生的答題列表逐次匹配可能的知識(shí)狀態(tài)列表，從中挑選出最佳的匹配，若同時(shí)存在兩個(gè)或多個(gè)知識(shí)狀態(tài)列表與學(xué)生的答題列表匹配度較高時(shí)，則取它們的平均值.這樣學(xué)生的知識(shí)水平評(píng)估值就不只是1和0兩種端點(diǎn)狀態(tài)，而是在［0，1］區(qū)間中的值.

為取得學(xué)生知識(shí)水平的評(píng)估值，本文參考了貝葉斯知識(shí)跟蹤模型中的初始參數(shù)值，具體參數(shù)描述如表1所示，表中qn和mn分別表示對(duì)于第n個(gè)題目，學(xué)生的答題情況與知識(shí)的了解程度.

表1 初始參數(shù)運(yùn)算

各個(gè)參數(shù)的公式運(yùn)算如下：

2.2 基于邏輯回歸算法的學(xué)習(xí)狀態(tài)模型的設(shè)計(jì)

邏輯回歸算法是對(duì)采集的數(shù)據(jù)進(jìn)行訓(xùn)練，用獲取的數(shù)據(jù)樣本分析出它對(duì)應(yīng)的類(lèi)別［7］.邏輯回歸訓(xùn)練模型對(duì)學(xué)生的學(xué)習(xí)態(tài)度的評(píng)定需要經(jīng)過(guò)如下幾個(gè)步驟，如圖2所示.首先對(duì)采集到的數(shù)據(jù)進(jìn)行前期預(yù)處理，接著對(duì)數(shù)據(jù)進(jìn)行特征的提取與挑選，然后就是對(duì)模型進(jìn)行數(shù)據(jù)匹配及訓(xùn)練操作，最后進(jìn)行學(xué)習(xí)狀態(tài)的綜合評(píng)價(jià).

圖2 邏輯回歸算法的訓(xùn)練模型

2.3 數(shù)據(jù)特征的提取與選擇

xMOOC+SPOC平臺(tái)采集到的學(xué)習(xí)數(shù)據(jù)集是最開(kāi)始的日志記錄，學(xué)生學(xué)習(xí)態(tài)度的行為特征是影響模型訓(xùn)練結(jié)果的關(guān)鍵因素.為便于對(duì)SPOC平臺(tái)采集的數(shù)據(jù)過(guò)濾及分析，將學(xué)生學(xué)習(xí)態(tài)度特征集標(biāo)記為T(mén)，如表2所示.

表2 學(xué)習(xí)態(tài)度特征集T

通過(guò)大量的研究發(fā)現(xiàn)，學(xué)生最近時(shí)期的學(xué)習(xí)行為狀態(tài)最能表現(xiàn)其現(xiàn)實(shí)的學(xué)習(xí)情況，近期的數(shù)據(jù)具有較高的參考價(jià)值；前期的學(xué)習(xí)表現(xiàn)也在某種程度上反映了學(xué)生的學(xué)習(xí)情況，需要將前后期學(xué)習(xí)情況結(jié)合起來(lái)考慮.綜合整個(gè)學(xué)習(xí)過(guò)程，為了更加客觀地說(shuō)明這種特性，本文引入了數(shù)學(xué)模型中的衰減函數(shù)，以學(xué)習(xí)周為單位，依據(jù)學(xué)生多周的學(xué)習(xí)情況進(jìn)行合理有效的衰減.具體的衰減函數(shù)定義為：

其中：Lj為第j周課件學(xué)習(xí)時(shí)長(zhǎng)；λ為衰減系數(shù)；衰減函數(shù)中的輸出Rj為基于衰減函數(shù)的第j周課件學(xué)習(xí)時(shí)長(zhǎng).

3 實(shí)驗(yàn)結(jié)果及分析

為了盡可能客觀反應(yīng)學(xué)生學(xué)習(xí)的狀態(tài)，本文使用當(dāng)前流行的數(shù)據(jù)分析工具M(jìn)atlab進(jìn)行建模，運(yùn)用多種分類(lèi)算法進(jìn)行相關(guān)實(shí)驗(yàn)比較.本實(shí)驗(yàn)的數(shù)據(jù)是采集于學(xué)校2020級(jí)計(jì)算機(jī)網(wǎng)絡(luò)課程的學(xué)習(xí)數(shù)據(jù).

本實(shí)驗(yàn)運(yùn)用的是交叉驗(yàn)證方式，每次進(jìn)行集中訓(xùn)練的人數(shù)為200，選擇測(cè)試的數(shù)目為50.利用交叉訓(xùn)練獲得模型參數(shù)，以便運(yùn)算出正樣本、負(fù)樣本，以及準(zhǔn)確率.

實(shí)訓(xùn)數(shù)據(jù)集依據(jù)學(xué)生學(xué)習(xí)課程的時(shí)長(zhǎng)、參加討論互動(dòng)，以及作業(yè)的完成情況等評(píng)價(jià)指標(biāo)按照一定比例設(shè)置.學(xué)生學(xué)習(xí)狀態(tài)的特征集是分類(lèi)器特征空間的輸入數(shù)據(jù)，學(xué)生學(xué)習(xí)標(biāo)簽是分類(lèi)器標(biāo)記的輸入.

為了更加精準(zhǔn)地描述學(xué)生的學(xué)習(xí)狀態(tài)，本文使用衰減函數(shù)定義學(xué)生的學(xué)習(xí)情況，衰減系數(shù)設(shè)置在0到0.6范圍內(nèi).在本模型中，當(dāng)模型參數(shù)設(shè)定為0.6時(shí)得到的準(zhǔn)確率是最高的，最能客觀反應(yīng)學(xué)生的學(xué)習(xí)狀態(tài).

Matlab中有很多不同的分類(lèi)算法，這些算法對(duì)應(yīng)于不同的特征訓(xùn)練集.本文采用的是交叉驗(yàn)證的方法，將隨機(jī)森林算法、樸素貝葉斯、KNN分類(lèi)算法及AdaBoost分類(lèi)算法與邏輯回歸算法進(jìn)行相互比較，實(shí)驗(yàn)結(jié)果如表3所示，邏輯回歸算法在這些算法中準(zhǔn)確率最高，性能表現(xiàn)最好.

表3 分類(lèi)器算法準(zhǔn)確率比較

本實(shí)驗(yàn)將學(xué)生的學(xué)習(xí)態(tài)度標(biāo)記為兩大類(lèi)：積極與不積極；將常用的幾種分類(lèi)算法召回率、F度量值、準(zhǔn)確率等重要反應(yīng)指標(biāo)進(jìn)行對(duì)比，結(jié)果如表4所示，結(jié)果顯示邏輯回歸算法的F度量值是最好的，對(duì)學(xué)生學(xué)習(xí)態(tài)度的誤判率是最低的.

表4 分類(lèi)器算法性能指標(biāo)比較

如圖3所示，邏輯回歸算法相對(duì)于其他幾種分類(lèi)器，能夠較準(zhǔn)確地預(yù)估學(xué)生學(xué)習(xí)態(tài)度是否積極，精準(zhǔn)率較高.

圖3 準(zhǔn)確率隨著學(xué)習(xí)周數(shù)的變化圖

4 結(jié)語(yǔ)

在SPOC平臺(tái)下，本文通過(guò)對(duì)基于xMOOC的“計(jì)算機(jī)網(wǎng)絡(luò)”課程進(jìn)行教學(xué)改革研究，運(yùn)用相關(guān)的分類(lèi)算法設(shè)置參數(shù)，定義學(xué)習(xí)狀態(tài)特征，建立了基于xMOOC+SPOC的計(jì)算機(jī)網(wǎng)絡(luò)課程邏輯回歸模型，對(duì)采集的數(shù)據(jù)進(jìn)行模式匹配及訓(xùn)練.實(shí)踐證明，該模型對(duì)學(xué)生總體的學(xué)習(xí)狀態(tài)與對(duì)相關(guān)知識(shí)的掌握情況有很好的評(píng)估能力，能夠較好地監(jiān)督學(xué)生的整個(gè)學(xué)習(xí)過(guò)程，為課程的網(wǎng)絡(luò)化教學(xué)提供了個(gè)性化的技術(shù)指導(dǎo).