《基于智慧课堂的高职学生特征模型构建研究》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

基于智慧课堂的高职学生特征模型构建研究

范文

崔曙光

摘要：该研究基于湖南汽车工程职业学院智慧课堂教学平台，给出了数据采集及分析应用总体架构，阐述了从软件平台、硬件设备及特定信息等方面的数据采集方式，基于采集的学生实时学习数据，从基本特征维度、知能结构维度、学习风格维度、内容偏好维度等多个维度构建学生的特征模型。利用该模型可准确提取学生学习需求，为后续实现个性化服务的精准推送提供有力支撑。

关键词：智慧课堂;高职;模型

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2020）19-0204-02

开放科学（资源服务）标识码（OSID）：

1 研究背景

根据因材施教的教育理论，传统的统一化、标准化的刻板人才培养模式已经不满足当今的时代需求。《中国教育现代化2035》提出要关注学生的个性化学习，积极探索大数据时代个性化人才的培养策略。因此，如何对智慧课堂教育大数据进行分析建模，实现学生的个性化学习已成为当前热点研究问题。而要提升个性化学习推送服务的精准度，对学生的学习需求进行精准建模是关键。

2 存在问题

其一、需求数据采集不实时。要实现学生学习需求的精准建模，前提是学生学习数据的采集能保证及时，准确。但目前研究绝大部分采取填报式的采集方式，而非来源于智慧课堂的实际教学过程，这难以实现数据采集的实时性，亦无法实时更新学生需求，势必导致学习资源推荐不准确。

其二、学习需求建模不精准。建模时过多关注学习知识方面建模，忽略了学生学习行为建模、学习经历等因素对学习资源需求的影响，由此生成的特征参数表示不够精确，另外目前研究极少考虑特征参数的权重问题，导致基于学习需求模型推荐的学习资源序列差异小，不符合个性化学习要求。

3 研究现状

3.1国外研究现状述评

Bienk提出教育数据挖掘是综合运用统计学、机器学习算法和数据挖掘技术，通过建模发现学生学习结果与学习内容、学习资源和教学行为等变量的相互关系，预测学生的学习趋势。Ferguson等基于线索词匹配，提出学习者知识结构模型，开展学习分析。Koedinger收集196个学生的学习数据，建立个性化贝叶斯知识跟踪模型，研究了学生能力以及学生的学习率等。

3.2 国内研究现状述评

智慧课堂的学习分析建模研究：孙曙辉提出基于动态学习数据分析的智慧课堂概念及内涵，描述了智慧课堂的教学结构理论模型，并阐述了智慧课堂的主要应用价值。刘海鸥提出了基于画像模型的个性化学习精准服务模式。但未能结合相关算法进行实证分析。林秀瑜以联通主义学习理论、数据分析方法及教育评价与测量理论为基础，从学习数据变量等方面建构了智慧学习环境下学习分析的理论模型。胡姣设计了面向个性化学习的网络课程资源推送框架，但其模型仅从软件开发的角度阐释了推送框架中的支持系统、分析系统、推荐系统和构建系统四个子系统，并未深入考虑学生需求。李浩君从多学习者特征、学习资源特征、强化特征三方面，提出基于三维特征协同支配的个性化学习资源推荐模型，其中强化特征是为了解决考虑多学习者特征导致的推荐准确度不高的问题。

4 基于智慧课堂的高职学生学习需求模型构建

要提高学生学习需求模型构建的准确度，首先需要获取学生的学习需求数据，所以数据采集至关重要，数据采集的要求是要做到及时化和常态化，这样才能动态体现学生的最新学习需求。

4.1 基于智慧课堂的个性化学习数据采集

智慧课堂是利用新一代的智能技术，从信息化角度构建的智慧学习环境。智慧校园最突出功能是静默式的采集学生的学习数据。湖南汽车工程职业学院自2017年开始全面推行基于智慧课堂的教学模式，并打造了“三可视一精准”即“办学水平可视化、教师发展可视化、学生成长可视化和管理服务精准化”的大数据分析与决策中心平台。通过基于对智慧课堂课前、课中、课后的学习数据进行分析，可以更加准确的了解学生的学习状态，从而针对性地进行个性化的学习指导和资源的推送。

采集方式包含如下类型：

1）基于智慧课堂的软件平台数据采集。静态基本信息可以智慧校园共享数据中心提供的统一查询接口关联教务系统数据库获取。动态数据采集来源于课程设计平台、在线学习软件、互动教学工具等。包括学习内容、学习行为、学习互动等各方面的常规学习数据采集。

2）基于硬件设备数据采集。一是基于物联设备的采集：通过巡航摄像头和雨立方设备捕捉学生的画面组，可细致、精确的捕捉学生的面部表情及肢体形态，如通过头部的低头抬头的角度算法來做抬头分析，进一步做学生学习专注度参考，判断学生的精神状态（兴奋、冷静、困意、睡眠等），由此可分级描述注意力集中程度（感兴趣、注意力集中、丢失注意力）;后方摄像头可捕捉学生的电脑屏幕，监测其学习动态。结合前后摄像头采集数据，可较准确的把握学生的学习状态。二是智慧教室中的交互显示屏/白板可采集学生的操作记录。

3）特定信息采集：针对某个特定主题，例如教师在新授班级授完第一次课后，为了解学生的学习情况，可应用智课堂教学平台提供的投票功能，发起主题为“授课速度”的投票，设计选项为“合适”、“过快”、“过慢”。相对于传统的纸质调研，智慧课堂可将这种特定主题的信息采集无缝融入数学活动，作为常规教学的一个组成部分，并可实时查看参与人员、统计结果。

4.2 基于智慧课堂个性化数据的学生特征模型构建

个性化服务精准推送的实现必须基于对学生学习特征的准确把控。采用合适技术进行学生特征模型构建，并能依据智慧课堂的实时学习数据动态修正模型。一般认为学习者个性特征主要包括知识水平、错误/误解、情感特征、认知以及元认知能力等。本文结合调研和相关文献，基于学生在智慧课堂的学习行为数据“习得”其特征。拟从如下维度建模：基本特征维度、知能结构维度、学习风格维度、内容偏好维度。使用四元组形式化描述为S=fS_Base，S_KnowStruc，S_Stvle，S_ConPrefl。

1）基本特征维度

基本信息包括姓名、前置学历、性别、兴趣、特长、高考分数、获奖情况等。可形式化为S_Base=fName，PteEducation，Sex，Interest， Speciality，Score， Prize， Lessons），其中PreEducation：：=SecVocational l HighSchool，表示中职还是普高;对中职毕业的学生，其所学课程可作为二级指标。Lessons= {Lesson..Les-soni，_Lesson}

2）知能结构维度

知能结构反映学生的知识体系的完整度和知识技能的掌握程度。在学习过程中不断更新进化。知能结构以课程为单位，基于贝叶斯网络的组合关系和依赖关系构建知识点关联模型。依赖关系形式化为Dependency{（K1，K2，…Kn），K}，描述了知识点的学习顺序。组合关系形式化为Oragination{K，（K1，K2，…Kn）l，表示复合知识点和单一知识点的聚合关系。采用图2所示模型体现组合和依赖。S_KnowStruc= {SK1，SK2，……SKn}，其中SK表示一门课程。

3）学习风格维度

学习风格的建构方式有显式和隐式两种。常用的显式建构方法采用所罗门学习风格量表推测，但其只能反映学生的某阶段的静态状态。本文在智慧课堂不断积累的学习数据支撑下，参考Feilder-Silverman学习风格理论模型，从智课堂教学平台提供的问题解答、上课弹幕、参与投票、上课互动等功能生成的数据，可挖掘出学生属于活跃型|沉思型的何种类别;从学生访问具体案例、操作文档等具体事物的次数和访问时间，访问抽象概念等描述原理性的文档的次数和访问时间，可推测出其属于感觉|直觉型的何种类别;通过分析学生在视频、音频文件及文本文件的次数和时长可推测其属于视觉|言语型的何种类别。序列|综合型的推断可依据学生对不同页面组织形式的喜爱程度。学习风格可形式化描述为S_Style= {ThinkWay，Percep-tion， Media， Navigation），其中ThinkWay：： activelthoughtful， Percep-tion：： sensationallintuitive， Media：： Visualltextual， Navigation：： se-quencelintegrated。

4）内容偏好维度

内容偏好反映了学生感兴趣的知识领域，可通过分析学生观看或下载的学习资源的语义信息，结合搜索历史记录、收藏记录、分享评论记录等，对资源集合R={r1，r2，……rn}中的ri，描述为V（ri）={（s1，w1），（s2，W2），，，.（sn，Wn）}，其中Si为特征向量，Wi为对应权重。采用K-meas进行聚类分析，得出学生感兴趣的知识领域。其形式化描述为S_ConPref=（domain1，domain2，_domain。]。

5 总结

本研究基于湖南汽车工程职业学院智慧课堂的采集的真实学生学习数据，从学生基本特征、知能结构、学习风格、内容偏好等多维角度构建学生特征模型，能较准确地反映学生的学习状态和需求，为后续个性化服务推送研究提供有力支撑。

参考文献：

[1]Bienk.Enhancingteachingandlearningthrougheducationaldatamin-ingandle aminganalytics： Anissuebrief[J]. USDepartmentofEduca-tion， OfficeofEducationaITechnology，2012（1）.

[2] Ferguson.Anevaluationoflearninganalyticstoidentifyexploratoryd-ialogueino nli nediscussions[A]. ProceedingsoftheThirdlnterna-tionalConferenceonLearningAnalytics [C].NewYork：ACM，2013.

[3]孫曙辉，刘邦奇.基于动态学习数据分析的智慧课堂模式[J].中国教育信息化，2015{22）.

[4]林秀瑜，智慧学习环境下学习分析的理论模型及其机制[J].现代教育技术，2019（4）.

[5]胡姣.面向个性化学习的网络课程资源构建路径探索[J].教学与管理，2019（33）.

[6]李浩君.基于三维特征协同支配的个性化学习资源推荐方法[J].计算机科学，2019（S1）.

[7] Lyu M R.Software Fault Tolerance[M].New York：John Wileyand Sons，1995.

【通联编辑：朱宝贵】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。