教师在线教育环境下大数据应用.docx

教师在线教育环境下大数据的应用 来源：继续教育 一、引言 　　大数据作为信息技术发展的新趋势，已经渗透到各行各业，成为重要的驱动因素，教育也无法置身事外。国内外许多专家指出， 教育中的大数据挖掘，涉及教学进程、教学评估、教学管理、教学决策、教学反馈、个性化算法等各个方面。在数据分析驱动教育变革的大数据时代，教育领域蕴藏着广泛应用价值的海量数据，利用教育数据挖掘和学习具有分析技术，构建教学结构的相关模型，探索教学变量之间的相关关系，为教育教学决策提供有效的支持将成为未来教育的常态发展趋势。 　　从2014年上半年开始，本人负责开发的本市第一家面向浙江省中小学、幼儿园教师培训的网络学习平台正式开始投入运营。平台在师范生、教育硕士培养以及基础教育教师培训中得到良好的应用，支撑了教师教育创新，彰显了终身学习和开放学习的理念。在日常的运营过程中，教师学员在平台中日常的点击、浏览、视频操作、拖放、处理等一系列动作，无时无刻产生着海量的行为数据；除此之外，授课专家与学员的讨论区、学员与学员之间的互动区访问量都非常大，平台的论坛每天都更新数百条帖子，教师学员们在课程聊天室、Wiki、互动区一直处于超活跃状态，在这个过程中，平台也累积了大量的学员互动数据。 　　在这样的背景下，本文选取平台中的一门在线课程作为研究对象，研究并构建大数据挖掘与分析机制，对这些纷繁复杂的数据进行提炼和分析，进行有效地利用开发，发现这些数据的背后蕴含的学员行为轨迹，捕捉学员群体或个体的学习行为、学习习惯，跟踪学员的成长轨迹，发掘平台本身所带有的不合理模块资源，进而改进平台功能模块、教学资源。平台中大数据的有效应用将会弥补目前国内教师在线教育的海量数据分析空白，具有非常突出的意义，除了促进教师教育培训模式的多样化和个性化定制，同时也会对我国各类在线教育提供大量的参考和启示。 　　二、平台大数据分析机制 　　平台学习分析的指导思路是选取数据聚集的各关键因素，运用大数据技术挖掘学员的平台登录细节、浏览页面、资源搜索词关联度、搜索频次、资源操作细节、互动研讨语义内容等信息轨迹，并在此基础上采用大数据集群算法和趋势探测等数学性算法过程，深度解析平台学员的学习行为数据和模式。  　　本文在借鉴瑞典斯德哥尔摩大学在线教育学习分析模式的基础上，以遵循“Teschura”分析技术作为数据挖掘支撑，规划了平台学习数据分析三元架构。如图1所示，平台大数据分析架构包括资源活跃度分析、搜索词关联度解析、学习效果相关性分析三大部分。其中资源活跃度分析是页面数据挖掘的首要步骤，主要包括页面占用细节、登录信息、独立访客等要素，通过数据集分析组件Oracle Server Analysis Service与下一步骤绑定。搜索词关联度解析既是本文学习分析的核心架构组件，也是本文学习分析的创新点之一，该模块旨在重组学员群体热点搜索词的相关性，挖掘学员群体的教学兴趣聚点，以此为依据重构并优化平台教学资源。学习效果相关性分析是三元分析架构的关键分析组件，以高性能网格算法HPCC，面向解决方案的标签工具RapidMiner作为分析工具，将各教学功能模块的使用率与学员群体的学习效果的相关性为研究对象，以此为依据来优化各教学模块在平台kecheng 中的比重。 　　三、基于学员的大数据行为分析 　　平台数据挖掘功能的首要任务就是进行资源活跃度分析，包括资源访问频次（V V）、独立访客（UV）、浏览次数（PV）、独立访问IP数（IP）、链接来源（SA）、站点停留时间（Ts）、页面停留时间（Tp），继而采用站点分析专有的全景统计、站长统计、流量分析、来源分析、转化分析、报表展示等手段，从资源利用角度来显现站点学员学习行为和习惯，并揭示平台的缺陷和优化方向。 　　本研究以浙江省中小幼教师教育EduSoho培训平台中2016年下半年的后台数据为参考，并选取平台中的一门在线课程——“教师课件设计实用技巧与案例详解”（简称“课件技巧与案例”）作为研究对象。该门课程总共包含六章，其中按照课程教学重难点可分为九大版块内容，包括：动画、图表、音视频、插件、控件、图片高级技巧、超链接、模板、案例，开课时间为2016年10月15日至2017年1月15日，跨度三个月，这一时间段该门课程的选课总人数为2613人。 　　（一）资源活跃度分析 　　对资源活跃度的分析主要关注3个参数：I P、UV、PV。独立访问IP数（IP），可统计学员在访问站点时的IP地址，该项参数与站点停留时间（Ts）、页面停留时间（Tp）这两项参数一同进行分析，便可挖掘出学员浏览平台的集中时间段和学习习惯等基础数据。浏览次数（PV），即通常所说的PageView值，学员每打开1个站点页面，记录1个PV，当学员多次打开同一页面则PV累积计算，用以衡量站