李鈺，莊文密

（1.昆明理工大學(xué)管理與經(jīng)濟(jì)學(xué)院，云南昆明 650093；2.山東大學(xué)控制科學(xué)與工程學(xué)院，山東濟(jì)南 250061）

0 引言

新冠疫情影響下，高校無法正常開展線下教學(xué)，因此對新型教學(xué)模式的需求更加強(qiáng)烈，網(wǎng)絡(luò)課程已在高校得以廣泛推廣。網(wǎng)絡(luò)課程提供了全新的教學(xué)方式和參與形式，并且擁有多方面、多類型的基本信息。對于繁多的信息量，要求學(xué)生在了解本校網(wǎng)絡(luò)課程后進(jìn)行合理選擇。在新時期的全國高校教學(xué)教育改革工作中，網(wǎng)絡(luò)教學(xué)也可以促進(jìn)教學(xué)方法、教學(xué)內(nèi)容以及管理結(jié)構(gòu)方面的創(chuàng)新性改革。網(wǎng)絡(luò)課程建設(shè)中存在課程資源利用率較低、課程平臺互動性較弱和學(xué)生對課程設(shè)計的滿意度有待提高等問題，這對高校教育教學(xué)改革提出了挑戰(zhàn)。目前，網(wǎng)絡(luò)課程教學(xué)形式也不斷被國內(nèi)眾多高校所采用，但是依舊有高校在此方面做得不夠完善。因此，對網(wǎng)絡(luò)課程進(jìn)行綜合分析并對高校提供案例應(yīng)用支持尤為重要。

1 相關(guān)工作

已有研究表明，案例分析方法是一種常見方式。劉豫洲等以具體課程為例進(jìn)行探討，對網(wǎng)絡(luò)教學(xué)的優(yōu)勢及不足進(jìn)行分析，但缺乏對其科學(xué)方法的分析；龔永康等同樣以課程案例分析為主，從考核方法與結(jié)果等方面對網(wǎng)絡(luò)教學(xué)模式進(jìn)行設(shè)計與研究，但未利用結(jié)果數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析。同時，問卷調(diào)查方法也在網(wǎng)絡(luò)課程效果研究中被廣泛應(yīng)用。姜玉麗等采用問卷調(diào)查法對學(xué)生反饋進(jìn)行統(tǒng)計，這樣的方式使得調(diào)查內(nèi)容存在局限；唐衛(wèi)民等在問卷調(diào)查設(shè)計方面作進(jìn)一步細(xì)化，并給出具體統(tǒng)計結(jié)果，但分析深入程度不足。此外，利用數(shù)學(xué)模型的分析方法在近年來也得到了更多重視，李斐等運用交叉分析對網(wǎng)絡(luò)課程的滿意程度進(jìn)行評價并提出相關(guān)改進(jìn)建議，但在數(shù)據(jù)可視化方面稍有欠缺；徐志平分析MOOC技術(shù)對于課程建設(shè)過程中的一些局限性，提出相應(yīng)的解決方法，但缺少實際案例。饒雪峰等針對教學(xué)方案的不足，進(jìn)行改革探索，但對網(wǎng)絡(luò)課程的自身影響分析較少。綜上所述，本文研究基于某高校的教育教學(xué)實踐，基于Python技術(shù)實現(xiàn)數(shù)據(jù)處理并對學(xué)生網(wǎng)絡(luò)課程現(xiàn)狀進(jìn)行可視化分析，在了解學(xué)生網(wǎng)絡(luò)課程學(xué)習(xí)情況后，再采用逐步回歸分析法，得出影響學(xué)生網(wǎng)絡(luò)課程學(xué)習(xí)成績的各項因素，保證了研究方法的有效性、客觀性。

2 數(shù)據(jù)采集與處理

2.1 數(shù)據(jù)采集

本文采到的原始數(shù)據(jù)均來自于2018-2019第一學(xué)期某高校所有年級學(xué)生的《創(chuàng)新思維訓(xùn)練》《個人理財規(guī)劃》等25門網(wǎng)絡(luò)課程選修成績，是根據(jù)超星雅爾公司反饋的學(xué)生網(wǎng)絡(luò)課程學(xué)習(xí)情況表篩選、匯總得到。在百分制的總成績中，課程視頻得分占比35%，課程測驗得分占比25%，討論得分占比5%，考試得分占比35%，總占比課程視頻得分=考試得分＞課程測驗得分＞討論得分。

學(xué)生成績按百分制劃分為5個等級，綜合成績90～100分之間為A，綜合成績80～90分為B，綜合成績70～80分為C，綜合成績60～70分為D，綜合成績小于60分為E，即成績不及格。根據(jù)Python中的pandas庫計算后可得出，學(xué)生選修網(wǎng)絡(luò)課程的總?cè)藬?shù)為3 198，綜合成績等級為A的學(xué)生有993名，綜合成績等級為B的學(xué)生有1 167名，綜合成績等級為C的學(xué)生有598名，綜合成績等級為D的學(xué)生有209名，綜合成績等級為E的學(xué)生有231名。

2.2 數(shù)據(jù)預(yù)處理

在進(jìn)行數(shù)據(jù)挖掘之前，不可或缺的一個過程就是數(shù)據(jù)預(yù)處理。本文以學(xué)生網(wǎng)絡(luò)課程選修情況和學(xué)習(xí)成績?yōu)檠芯康哪繕?biāo)模型，具體數(shù)據(jù)內(nèi)容以CSV文件格式存儲在相關(guān)原始數(shù)據(jù)文件中，其屬性包括課程名、學(xué)號、姓名、院系、課程視頻得分、課程測驗得分、討論得分、考試得分、成績等級、各項成績完成進(jìn)度等。

3 數(shù)據(jù)可視化分析

3.1 特征相關(guān)性分析

特征相關(guān)性性分析目的主要是從多方面研究影響學(xué)生網(wǎng)絡(luò)選修課程總分的主要因素，查看每個特征的相關(guān)性，屬于直觀分析的第一階段。通過圖1可以看出，針對綜合成績，課程視頻得分的影響值為0.83，課程測驗得分的影響值為0.83，討論得分的影響值為0.22，考試得分的影響值為0.86，因此，最有可能影響綜合得分的特征是課程視頻得分、課程測驗得分、考試得分，而對比之下，影響相對較小的特征是討論得分。

Fig.1 Feature correlation analysis圖1 特征相關(guān)性分析

3.2 綜合成績等級分析

由圖2可見，綜合成績?yōu)锽的人數(shù)最多，超過選修網(wǎng)絡(luò)課程總?cè)藬?shù)的1/3。綜合成績等級為A和B的人數(shù)相接近，而綜合成績等級為D和E的人數(shù)相對較少，但也存在。這反映出學(xué)生選修的網(wǎng)絡(luò)課程成績情況普遍較好，成績優(yōu)秀者居多，僅有一小部分人最終綜合成績不通過。

Fig.2 Comprehensive scores grade distribution圖2 綜合成績等級分布

3.3 得分分?jǐn)?shù)段頻率

根據(jù)圖3可以直觀看出，網(wǎng)絡(luò)課程的課程視頻得分分?jǐn)?shù)段普遍集中在滿分35分，這表明絕大多數(shù)學(xué)生均能完成課程視頻的學(xué)習(xí)，但仍有極少部分學(xué)生并未觀看課程視頻。

課程測驗得分分?jǐn)?shù)段集中在15-25分，仍有近100名學(xué)生課程測驗得分為0分，而滿分25分者只有200余人，這表明多數(shù)學(xué)生網(wǎng)絡(luò)課程的學(xué)習(xí)效率較低，學(xué)習(xí)情況較差。

討論得分的分?jǐn)?shù)段普遍集中在0分和5分，且0分居多，這表明由于討論得分在綜合成績中占比較低，多數(shù)學(xué)生忽視了學(xué)習(xí)過程中的討論互動，不重視討論得分。

考試得分分?jǐn)?shù)段集中在15-35分，且有較大部分學(xué)生的考試得分為0分，這表明有部分學(xué)生并未參加最終考試。由于前期學(xué)習(xí)較好的學(xué)生綜合成績已經(jīng)能夠合格，導(dǎo)致只有極少數(shù)學(xué)生考試得分為滿分35分。

Fig.3 Scoresegment frequency圖3 得分分?jǐn)?shù)段頻率

4 回歸分析

4.1 逐步回歸

逐步回歸分析是一種研究隨機(jī)變量與已知數(shù)據(jù)之間存在何種關(guān)系的常見的數(shù)據(jù)相關(guān)性分析方法。它通過挑選對學(xué)生網(wǎng)絡(luò)課程綜合成績影響較大的物理量進(jìn)行回歸建模，并與實測值比較，以判別學(xué)生成績情況。

逐步回歸的基本特征是要在模型中逐個添加變量。解釋變量每次被引入后，F(xiàn)檢驗將被執(zhí)行，并依次對所選解釋變量進(jìn)行t檢驗。引入的解釋變量會隨著后面解釋變量的引入而改變。如果它們變得不再顯著，則可以刪除它們。在插入每個新變量之前，確?；貧w方程中只包含重要的變量。這是一個迭代的過程，直到回歸方程中沒有選擇顯著的解釋變量，或者回歸方程中沒有剔除不顯著的解釋變量，以確保最后一組解釋變量集是最優(yōu)的。

根據(jù)逐步回歸分析，計算結(jié)果為［［0.687 150 69 0.689 721 38 0.050 477 96 0.737 546 67］］。這表示第4個變量的方差貢獻(xiàn)最大，即考試成績對綜合成績的高低影響最大。而第1個變量和第2個變量的方差貢獻(xiàn)保留3位小數(shù)后分別為0.687和0.690，幾乎接近.因此課程視頻成績和課程測驗成績對綜合成績的高低影響相近。第3個變量的方差貢獻(xiàn)保留3位小數(shù)后為0.050，影響較小，可以忽略不計。

4.2 線性回歸

給定一個隨機(jī)樣本，一個線性回歸模型(

Y

，

X

...，

X

)，i=1，…，

n

，假設(shè)回歸子

Y

和回歸量

X

…

X

之間的關(guān)系是除X的影響外，還有其他的變數(shù)存在。加入一個誤差項

ε

也是一個隨機(jī)變量）捕獲除

X

…

X

外任何對

Y

的影響。因此，一個多變量線性回歸模型可表示為如式（1）所示形式。

由圖4可以看出，課程視頻得分越高，綜合成績及格率越高。但是如果課程視頻得分不高，綜合成績一定不高。由此可見，有些學(xué)生可能在看完課程視頻后并未進(jìn)行課程測驗或最終考試；有一小部分學(xué)生并未觀看課程視頻，因此綜合成績?yōu)?分；而有一部分學(xué)生即使課程視頻得分為滿分35分，綜合成績?nèi)赃_(dá)不到60分及格分，并且此類學(xué)生不在少數(shù)。

課程測驗得分與綜合成績總體呈正相關(guān)趨勢，即課程測驗得分越高，綜合成績越高。盡管課程測驗得分占比僅25%，不是最多的部分，但課程測驗分?jǐn)?shù)越高，綜合成績及格人數(shù)越多。

討論得分與綜合成績總體沒有太多相關(guān)性，尤其是綜合成績的及格率與討論得分沒有直接聯(lián)系。大部分學(xué)生的討論得分均為0分，但不影響他們綜合成績的及格率。

考試得分越高，綜合成績越高，及格率也越高。有部分學(xué)生并未參加最終考試，相比于參加最終考試的學(xué)生，未參加最終考試學(xué)生的及格率相對較低，幾乎不能及格。最終考試分?jǐn)?shù)較低的學(xué)生也有一小部分綜合成績不能及格。大部分高分學(xué)生考試成績都相對較高。因此，考試得分對綜合成績存在較大影響。

Fig.4 Effect of grades on passing圖4 得分對是否及格的影響

綜上所述，課程視頻成績和考試成績對綜合成績起決定性影響，即課程視頻成績和考試成績越高，綜合成績越高。課程測驗成績決定綜合成績高低，即課程測驗成績越高，綜合成績有可能越高。而評論成績幾乎不影響他們的綜合成績，并無明顯趨勢。

5 結(jié)語

本文針對高校網(wǎng)絡(luò)教學(xué)的真實反饋數(shù)據(jù)進(jìn)行深入研究，利用Python實現(xiàn)大數(shù)據(jù)處理與可視化，結(jié)合多種回歸方法對影響網(wǎng)絡(luò)課程教學(xué)效果的多種因素進(jìn)行分析，從科學(xué)、客觀的角度挖掘出網(wǎng)絡(luò)課程學(xué)習(xí)中存在的問題，并提出合理化建議。

本文回歸分析結(jié)果表明，課程視頻得分、課程測驗得分和考試得分是影響學(xué)生網(wǎng)絡(luò)課程最終得分的重要因素，三者共同促進(jìn)了網(wǎng)絡(luò)課程建設(shè)，但實際教學(xué)實施中學(xué)生重視程度不一，導(dǎo)致最終教學(xué)效果達(dá)不到預(yù)期。對此，可通過優(yōu)化課程考核機(jī)制突出各項內(nèi)容的重要性，促使學(xué)生明確課程學(xué)習(xí)的全面推進(jìn)目標(biāo)。此外，分析發(fā)現(xiàn)網(wǎng)絡(luò)教學(xué)過程中的討論得分對綜合成績的影響較小，容易造成參與學(xué)生積極性不高，可適當(dāng)提高討論得分的重要程度從而促進(jìn)學(xué)生參與感，進(jìn)而提升教學(xué)效果。

通過對學(xué)生課程成績影響因素的分析與研究，能更客觀地展現(xiàn)網(wǎng)絡(luò)教學(xué)的規(guī)律性，有助于高校進(jìn)行專業(yè)方向調(diào)整、教學(xué)資源合理配置和教學(xué)質(zhì)量改進(jìn)，同時也為高校學(xué)生樹立端正的學(xué)習(xí)態(tài)度和選擇適當(dāng)?shù)木W(wǎng)絡(luò)課程提供參考。