论文部分内容阅读
摘要：本文分析了课程建设网站采集的日常教学数据的類型和特点，并针对这些数据，采用统计分析和Echarts技术，以可视化的形式展现了师生的日常教学情况，分析了其与教学效果的关联关系，进而，提出了基于回归的学生成绩绩点预测方法，综合考虑了学生平时学习各方面的表现，利用Python实现了线性回归来预测学生的绩点。作者以“程序设计方法学”课程为例，应用该方法以发现学生平时表现与教学效果的关系，从而为课程的教学提供良好的决策支持。
关键词：教学数据分析；可视化；回归
中图分类号：G642 文献标识码：A 论文编号：1674-2117（2018）21-0099-04
随着互联网技术的不断发展，越来越多的高等学校及教育机构开始通过互联网来进行教学资源的普及和学习。这种教学方式不仅降低了教学成本，而且也极大地简化了教师的教学方式。因此，许多高校都在研发具有自己特色的在线教学平台。[1]同时，在线教学平台上的教学资源以及学生的日常行为信息随着教育范围的扩大也在不断丰富。这些资源和日常教学情况信息都可以用来帮助平台管理者改善学生体验和增进学习兴趣。然而，如何从这些数据中提取有用决策信息，是一个亟待解决的问题。针对以上问题，数据分析以及可视化方法提供了一种处理方式。数据分析是实现数据价值的重要途径，通过数据分析可以总结出数据中出现的规律，从而更好地理解现实，实现基于数据的决策。[2]而数据可视化充分利用了人们对可视模式快速识别的自然能力，完美地提高人们理解及分析数据的速度，帮助人们更有效地对海量数据进行挖掘，从而突破教育大数据分析的桎梏。[3]
在线教学平台的兴起，也引发了在线学习分析的热潮。强津培等人（2016）[4]实现了数据驱动的教学数据可视化平台，并将其运用到不同学科的教学实例中。该平台不仅能够满足跨学科的教学平台功能，而且能够通过可视化技术和交互技术，激发学生的学习兴趣。李娇娇等人（2017）[5]在数据可视化相关理论与技术的基础之上，以华中师范大学自主研发的云课堂为例对教育数据进行分析，包括对用户的分析、对数据模块和类型的分析，并基于数据类型和可视化技术分类对数据可视化的布局进行分析，针对教育数据中不同数据类型来选择合适的布局方法。刘海等人（2018）[6]在分析教学平台数据特点的基础上，提出了一系列面向教学场景的数据可视化方法，并结合自主研发的师大云课堂，将数据可视化方法应用到实际教学中。另外，国外在数据驱动的可视化在线教学平台技术方面也有相应研究。比利时鲁汶大学Govaerts等人[7]通过一个内嵌在网页上的应用程序记录学生在课程中参与活动的情况，并将数据进行可视化分析，以折线图、平行坐标、柱状图等方式显示学生的学习情况，为学生提供反馈，以促进他们更好地学习。与之类似，普渡大学的“警告信号系统”[8]则通过从网络教学平台以及课程成绩簿中收集信息来形成学生学习困难的层次，分别用绿色、黄色和红色标示危险等级，进而对学习成绩有“危险”的学生进行有针对性的教育。基于数据可视化技术的在线教学平台需要在表现形式、用户交互体验以及算法支持等方面进行研究，根据不同部分的需求进行设计，从而达到对数据以及算法的可视化体验。[9]
在上海市教委和上海大学提供的重点课程建设项目共同资助下，我们对“程序设计方法学”进行了课程建设，设计和实现了网络教学管理与分析平台，积累了多年数据。本文将以“程序设计方法学”为例，分析课程建设网站采集的日常教学数据的类型和特点，然后针对这些数据，分别使用基于Echarts和Python的统计分析与可视化、基于回归的学生成绩绩点预测方法对教学平台积累的数据进行学习，以发现学生平时表现与教学效果的关系，从而为课程教学提供良好的决策支持。
日常教学中的数据分类和特点
随着信息化在教学中的广泛应用，越来越多的课程建立了课程网站，网站中汇集了与课程日常教学相关的丰富数据。这些数据大致可以分为以下两种：第一种是静态数据，主要指网站中存储的人（教师和学生的个人基本信息）、课（课程的基本信息）和物（教学资源）的数据以及日常教务产生的各种数据。这些数据通过手工输入或批量导入获得，相对来说它们一旦产生变化性不大，但将随着教学年份的增加而增多。第二种是动态数据，包括网站通过在线答疑采集的师生互动信息、师生访问网站的日志信息，这些是常常发生变化的。
这些静态和动态相结合的数据具有多源异构的特点。静态信息中的师、生和课的基本信息、日常产生的作业与考试成绩等是结构化数据，教学课件、实验指导手册、学生上传的作业等是非结构化数据，而日志数据则是半结构化的数据。这些结构化和半结构化数据都可以为我们进行数据分析提供良好的数据基础，也为我们的分析提出了不同的需求。
基于Echarts的教学情况统计分析与可视化
针对教学情况数据中的某些单项情况，我们采用传统的统计方法进行分析，并采用了可视化技术Echarts[10]，以图表的形式展现数据分析结果，主要包括教学情况总结、师资分析、作业提交分析、互动分析、成绩分析等。具体如表1所示。
Echarts是一个纯Javascript图标库，能够提供直观、生动、可个性化定制、可交互的数据可视化图表，它支持折线图、柱状图、散点图等，同时还支持任意维度的堆积和多图表混合展现。我们以“程序设计方法学”课程为例，展现Echarts的可视化效果。
如下页图1所示，利用饼状图对师资力量进行分析，表明了教师的年龄分布、学位分布和职称分布，从中可以很清晰地看到师资分布情况；作业提交分析采用折线图，将每一年作业提交的比例计算后进行展示，从中可以看到同年学生在不同的作业题的提交率变化，帮助教师及时了解学生知识掌握情况，同时也可以看到不同年级学生对同一题的掌握情况不同，从而有针对性地调整授课内容的进度与难度；互动分析采用柱状图展现了提问人数周平均变化情况，可以清楚地看到每个学期中提问人数的波动情况；联动分析将每个学期的总评成绩、平时成绩和学生人数三者进行对比分析，并采用散点图进行了展示，散点图中的数据根据时间的不同进行动态变化，从而发现平时成绩与学生总评成绩的关联。 基于线性回归的学生成绩绩点预测
1.问题描述
平均绩点是评价本科生学习成绩是否优秀或者能否顺利毕业的最重要的标准，如果平均绩点偏低，会给即将毕业的学生造成种种不便，但平均绩点计算通常需要一至两周的时间，具有滞后性，不能及时给学生提供预警。因此，我们可以通过对历届学生的成绩进行分析和建模，得出学生成绩的普遍发展模式。根据这些模式建立预测模型，根据学生现有课程教学数据，包括学生平均出勤、平均作业得分、平均课外实践得分等信息来事先预测其未来平均绩点，为那些学习成绩可能不达标的学生提供学业预警，使其提前采取有效措施进行弥补，尽可能避免不能顺利毕业的事情发生；同时也可以帮助专业教师针对不同情况采取不同的策略来引导学生完成学业。
2.实验数据集
实验数据来自我校2011年至2018年期间开设的“程序设计方法学”课程五个学年学生成绩的历史数据，包括了学生选课人数、作业提交率、学生平均出勤率、平均作业得分、平均课外实践得分和平均绩点，具体如表2所示。
3.实验结果和分析
基于线性回归的学生成绩绩点预测方法主要思想是：首先分析影响学生绩点的因素主要有哪些，并利用平台进行采集和数据预处理，获得学习样本；然后利用Python编程实现线性回归方法，模拟学生平时学习因素和学生绩点之间的关系，获得线性回归方程；最后通过构建好的回归预测方程对学生平均绩点进行预测。算法的具体流程如图2所示。
将上述方法用Python实现后对表2的数据进行了学习，获得如以下公式所示的回归预测方程。
其中，Y為平均绩点，X1为选课人数，X2为作业提交率，X3为平均出勤率，X4为平均作业得分，X5为平均课外实践得分。通过公式求出的拟合绩点如表3所示，模型的均方误差MSE为0.0054。可以看出，利用线性回归获得的绩点预测模型可以较好地分析出学生日常学习行为（选课人数、作业提交率、出勤、作业得分和课外实践得分）与学生绩点的关联情况。
结语
信息技术在教学中的不断应用积累了越来越多的教学数据。本文通过统计分析和回归模型对积累的日常教学数据进行了分析与预测，并采用Echarts数据可视化工具对结果进行了图形展示，教师可以及时了解学生的学习状况，从而根据学生水平及时调整教学内容、方式与进度，进一步提高课程的教学水平，改进教学效果，提高教学质量。在未来的研究中，我们将不断积累更多的日常教学情况数据，采集更多门课程的日常教学数据，获得学生在校的多方面更加丰富的数据（如图书馆借阅数据、参与课外活动数据等），这样就可以引入机器学习和数据挖掘方法发现更多教与学的规律和特点，为教学提供更好的智能决策支持。
参考文献：
[1][6]刘海，李姣姣，张维，等.面向在线教学平台的数据可视化方法及应用[J].中国远程教育，2018（1）：37-44.
[2]覃雄派，王会举，杜小勇，等.大数据分析——RDBMS与MapReduce的竞争与共生[J].软件学报，2012，23（1）：32-45.
[3]王媛媛，丁毅，孙媛媛，等.数据可视化技术的实现方法研究[J].现代电子技术，2007，30（4）：71-74.
[4][9]强津培，戴松.面向教学的数据可视化图表交互系统研究[J].系统仿真学报，2016，28（9）：2101-2108.
[5]李姣姣.面向在线学习平台的数据可视化研究[D].上海：华中师范大学，2017.
[7]顾小清，黄景碧，朱元锟，等.让数据说话：决策支持系统在教育中的应用[J].开放教育研究，2010，16（5）：79-80.
[8]https：//www.itap.purdue.edu/learning/tools/signals.
[10]冀潇，李杨.采用ECharts可视化技术实现的数据体系监控系统[J].计算机系统应用，2017，26（6）：72-76.
作者简介：刘悦，女，副教授，研究方向为数据挖掘、机器学习。
基金项目：本文工作受上海高校外国留学生英语授课示范性课程建设项目（软件工程）（上海市教育委员会文件教外〔2016〕83号）和上海市教委重点课程建设项目（程序设计方法学）（上海市教育委员会文件沪教委高〔2015〕37号））共同资助。
关键词：教学数据分析；可视化；回归
中图分类号：G642 文献标识码：A 论文编号：1674-2117（2018）21-0099-04
随着互联网技术的不断发展，越来越多的高等学校及教育机构开始通过互联网来进行教学资源的普及和学习。这种教学方式不仅降低了教学成本，而且也极大地简化了教师的教学方式。因此，许多高校都在研发具有自己特色的在线教学平台。[1]同时，在线教学平台上的教学资源以及学生的日常行为信息随着教育范围的扩大也在不断丰富。这些资源和日常教学情况信息都可以用来帮助平台管理者改善学生体验和增进学习兴趣。然而，如何从这些数据中提取有用决策信息，是一个亟待解决的问题。针对以上问题，数据分析以及可视化方法提供了一种处理方式。数据分析是实现数据价值的重要途径，通过数据分析可以总结出数据中出现的规律，从而更好地理解现实，实现基于数据的决策。[2]而数据可视化充分利用了人们对可视模式快速识别的自然能力，完美地提高人们理解及分析数据的速度，帮助人们更有效地对海量数据进行挖掘，从而突破教育大数据分析的桎梏。[3]
在线教学平台的兴起，也引发了在线学习分析的热潮。强津培等人（2016）[4]实现了数据驱动的教学数据可视化平台，并将其运用到不同学科的教学实例中。该平台不仅能够满足跨学科的教学平台功能，而且能够通过可视化技术和交互技术，激发学生的学习兴趣。李娇娇等人（2017）[5]在数据可视化相关理论与技术的基础之上，以华中师范大学自主研发的云课堂为例对教育数据进行分析，包括对用户的分析、对数据模块和类型的分析，并基于数据类型和可视化技术分类对数据可视化的布局进行分析，针对教育数据中不同数据类型来选择合适的布局方法。刘海等人（2018）[6]在分析教学平台数据特点的基础上，提出了一系列面向教学场景的数据可视化方法，并结合自主研发的师大云课堂，将数据可视化方法应用到实际教学中。另外，国外在数据驱动的可视化在线教学平台技术方面也有相应研究。比利时鲁汶大学Govaerts等人[7]通过一个内嵌在网页上的应用程序记录学生在课程中参与活动的情况，并将数据进行可视化分析，以折线图、平行坐标、柱状图等方式显示学生的学习情况，为学生提供反馈，以促进他们更好地学习。与之类似，普渡大学的“警告信号系统”[8]则通过从网络教学平台以及课程成绩簿中收集信息来形成学生学习困难的层次，分别用绿色、黄色和红色标示危险等级，进而对学习成绩有“危险”的学生进行有针对性的教育。基于数据可视化技术的在线教学平台需要在表现形式、用户交互体验以及算法支持等方面进行研究，根据不同部分的需求进行设计，从而达到对数据以及算法的可视化体验。[9]
在上海市教委和上海大学提供的重点课程建设项目共同资助下，我们对“程序设计方法学”进行了课程建设，设计和实现了网络教学管理与分析平台，积累了多年数据。本文将以“程序设计方法学”为例，分析课程建设网站采集的日常教学数据的类型和特点，然后针对这些数据，分别使用基于Echarts和Python的统计分析与可视化、基于回归的学生成绩绩点预测方法对教学平台积累的数据进行学习，以发现学生平时表现与教学效果的关系，从而为课程教学提供良好的决策支持。
日常教学中的数据分类和特点
随着信息化在教学中的广泛应用，越来越多的课程建立了课程网站，网站中汇集了与课程日常教学相关的丰富数据。这些数据大致可以分为以下两种：第一种是静态数据，主要指网站中存储的人（教师和学生的个人基本信息）、课（课程的基本信息）和物（教学资源）的数据以及日常教务产生的各种数据。这些数据通过手工输入或批量导入获得，相对来说它们一旦产生变化性不大，但将随着教学年份的增加而增多。第二种是动态数据，包括网站通过在线答疑采集的师生互动信息、师生访问网站的日志信息，这些是常常发生变化的。
这些静态和动态相结合的数据具有多源异构的特点。静态信息中的师、生和课的基本信息、日常产生的作业与考试成绩等是结构化数据，教学课件、实验指导手册、学生上传的作业等是非结构化数据，而日志数据则是半结构化的数据。这些结构化和半结构化数据都可以为我们进行数据分析提供良好的数据基础，也为我们的分析提出了不同的需求。
基于Echarts的教学情况统计分析与可视化
针对教学情况数据中的某些单项情况，我们采用传统的统计方法进行分析，并采用了可视化技术Echarts[10]，以图表的形式展现数据分析结果，主要包括教学情况总结、师资分析、作业提交分析、互动分析、成绩分析等。具体如表1所示。
Echarts是一个纯Javascript图标库，能够提供直观、生动、可个性化定制、可交互的数据可视化图表，它支持折线图、柱状图、散点图等，同时还支持任意维度的堆积和多图表混合展现。我们以“程序设计方法学”课程为例，展现Echarts的可视化效果。
如下页图1所示，利用饼状图对师资力量进行分析，表明了教师的年龄分布、学位分布和职称分布，从中可以很清晰地看到师资分布情况；作业提交分析采用折线图，将每一年作业提交的比例计算后进行展示，从中可以看到同年学生在不同的作业题的提交率变化，帮助教师及时了解学生知识掌握情况，同时也可以看到不同年级学生对同一题的掌握情况不同，从而有针对性地调整授课内容的进度与难度；互动分析采用柱状图展现了提问人数周平均变化情况，可以清楚地看到每个学期中提问人数的波动情况；联动分析将每个学期的总评成绩、平时成绩和学生人数三者进行对比分析，并采用散点图进行了展示，散点图中的数据根据时间的不同进行动态变化，从而发现平时成绩与学生总评成绩的关联。 基于线性回归的学生成绩绩点预测
1.问题描述
平均绩点是评价本科生学习成绩是否优秀或者能否顺利毕业的最重要的标准，如果平均绩点偏低，会给即将毕业的学生造成种种不便，但平均绩点计算通常需要一至两周的时间，具有滞后性，不能及时给学生提供预警。因此，我们可以通过对历届学生的成绩进行分析和建模，得出学生成绩的普遍发展模式。根据这些模式建立预测模型，根据学生现有课程教学数据，包括学生平均出勤、平均作业得分、平均课外实践得分等信息来事先预测其未来平均绩点，为那些学习成绩可能不达标的学生提供学业预警，使其提前采取有效措施进行弥补，尽可能避免不能顺利毕业的事情发生；同时也可以帮助专业教师针对不同情况采取不同的策略来引导学生完成学业。
2.实验数据集
实验数据来自我校2011年至2018年期间开设的“程序设计方法学”课程五个学年学生成绩的历史数据，包括了学生选课人数、作业提交率、学生平均出勤率、平均作业得分、平均课外实践得分和平均绩点，具体如表2所示。
3.实验结果和分析
基于线性回归的学生成绩绩点预测方法主要思想是：首先分析影响学生绩点的因素主要有哪些，并利用平台进行采集和数据预处理，获得学习样本；然后利用Python编程实现线性回归方法，模拟学生平时学习因素和学生绩点之间的关系，获得线性回归方程；最后通过构建好的回归预测方程对学生平均绩点进行预测。算法的具体流程如图2所示。
将上述方法用Python实现后对表2的数据进行了学习，获得如以下公式所示的回归预测方程。
其中，Y為平均绩点，X1为选课人数，X2为作业提交率，X3为平均出勤率，X4为平均作业得分，X5为平均课外实践得分。通过公式求出的拟合绩点如表3所示，模型的均方误差MSE为0.0054。可以看出，利用线性回归获得的绩点预测模型可以较好地分析出学生日常学习行为（选课人数、作业提交率、出勤、作业得分和课外实践得分）与学生绩点的关联情况。
结语
信息技术在教学中的不断应用积累了越来越多的教学数据。本文通过统计分析和回归模型对积累的日常教学数据进行了分析与预测，并采用Echarts数据可视化工具对结果进行了图形展示，教师可以及时了解学生的学习状况，从而根据学生水平及时调整教学内容、方式与进度，进一步提高课程的教学水平，改进教学效果，提高教学质量。在未来的研究中，我们将不断积累更多的日常教学情况数据，采集更多门课程的日常教学数据，获得学生在校的多方面更加丰富的数据（如图书馆借阅数据、参与课外活动数据等），这样就可以引入机器学习和数据挖掘方法发现更多教与学的规律和特点，为教学提供更好的智能决策支持。
参考文献：
[1][6]刘海，李姣姣，张维，等.面向在线教学平台的数据可视化方法及应用[J].中国远程教育，2018（1）：37-44.
[2]覃雄派，王会举，杜小勇，等.大数据分析——RDBMS与MapReduce的竞争与共生[J].软件学报，2012，23（1）：32-45.
[3]王媛媛，丁毅，孙媛媛，等.数据可视化技术的实现方法研究[J].现代电子技术，2007，30（4）：71-74.
[4][9]强津培，戴松.面向教学的数据可视化图表交互系统研究[J].系统仿真学报，2016，28（9）：2101-2108.
[5]李姣姣.面向在线学习平台的数据可视化研究[D].上海：华中师范大学，2017.
[7]顾小清，黄景碧，朱元锟，等.让数据说话：决策支持系统在教育中的应用[J].开放教育研究，2010，16（5）：79-80.
[8]https：//www.itap.purdue.edu/learning/tools/signals.
[10]冀潇，李杨.采用ECharts可视化技术实现的数据体系监控系统[J].计算机系统应用，2017，26（6）：72-76.
作者简介：刘悦，女，副教授，研究方向为数据挖掘、机器学习。
基金项目：本文工作受上海高校外国留学生英语授课示范性课程建设项目（软件工程）（上海市教育委员会文件教外〔2016〕83号）和上海市教委重点课程建设项目（程序设计方法学）（上海市教育委员会文件沪教委高〔2015〕37号））共同资助。