基于大数据的高职学生课堂学习行为研究.docxVIP

基于大数据的高职学生课堂学习行为研究

[摘要]随着大数据技术的快速发展，数据分析统计技术为高职教育提供了新的视角和方法来深入了解学生的课堂学习行为。通过大数据模型技术收集和分析课堂中学生行为，探讨高职学生的学习行为模式、特征及其与学习效果的关系，旨在为了解学生需求、优化教学策略、提升信息化教学质量提供理论依据和实践指导。

[关键词]高职学生；学习行为；教学策略；大数据

在当今信息数字化时代，高职教育承担着培养适应社会需求的多元化和专业化人才的重任。信息化教学作为一种重要的教学手段，在高职课堂中得到了广泛应用和推广。然而，如何充分利用信息化课堂中产生的学生行为数据，对学生学习行为及习惯进行深入剖析，依托学生行为习惯分析结果，改进教学策略，提高教学效果，实现学生知识与技能的全面提升，成为教育工作者亟待解决的问题。大数据技术的出现为解决这一问题提供了可能，通过对学生在课堂中的学习行为数据进行采集、整理和分析，可以精准地把握学生的学习状态、需求和困难，从而实现个性化教学和精准教学干预[1]。

一、大数据在高职信息化教学中的应用

（一）数据收集来源

高职学生在学习管理系统中的操作行为记录了丰富的学习信息。这些数据从不同维度反映了学生的学习行为和参与程度。

1.学生的登录时间反映了其学习的起始点和学习时段偏好。登录频繁且时间规律的学生可能具有较强的学习自主性和规划性，而登录时间不固定或较少登录的学生可能需要更多的引导和督促。

2.教学视频平台的观看时长数据能体现学生对课程内容的投入程度。观看时长较长的学生可能对课程内容更感兴趣，或者在学习过程中更加专注和认真；观看时长较短的学生可能存在注意力不集中、对内容不感兴趣或时间安排不合理等问题。暂停和回放次数则反映了学生在学习过程中的思考和理解程度，频繁暂停和回放的学生可能在某些知识点上遇到困难，需要更多时间来消化和理解。

3.课中互动平台的数据涵盖了学生在课堂中的互动行为。学生的提问数量和质量反映了其学习的积极性和对知识的渴望程度。积极提问且问题具有深度和针对性的学生通常对学习充满热情，善于思考，他们通过提问来解决疑惑，深化对知识的理解。

4.课堂考勤数据则直接反映了学生的到课情况。全勤的学生学习态度端正，重视课堂学习；经常缺勤的学生可能缺乏学习纪律性，容易错过重要的学习内容。

5.课后讨论区的活跃度体现了学生在课后对学习的持续关注和参与程度。活跃的学生愿意在课后继续探讨课程相关问题，分享学习心得和经验，这有助于他们巩固知识，拓宽思维。发言内容则反映了学生的学习关注点和思考方向，有深度、有见解的发言表明学生对知识进行了深入思考和研究；而简单、敷衍的发言可能只是为了完成任务，没有真正投入学习讨论中。发言次数较多的学生在学习上更加主动，善于交流和表达自己的观点；发言次数少的学生可能相对内向，或者对学习缺乏热情[2]。

（二）数据分析方法

通过常用的数据分析方法，对学生行为的统计分析，了解学生学习行为的总体特征，增强教学过程中针对性的正向引导，提升整体教学质量。

1.描述统计分析通过对学生学习行为数据的统计描述，提供了学生学习行为的总体概况。平均学习时长反映了学生在一定时期内投入学习的平均时间。例如，统计一个学期内学生在某门课程上的平均每周学习时长，若平均时长较短，可能提示教师该课程的教学内容或教学方式需要调整，以吸引学生投入更多时间学习；若平均时长较长，则表明学生对该课程较为重视或感兴趣。

2.相关性分析用于探究不同学习行为变量之间的关联程度。学习时间与成绩之间的关系是研究的重点之一。一般来说，学习时间较长的学生成绩可能相对较好，但并非绝对。通过相关性分析可以更精确地了解两者之间的关系，例如，计算学习时间与考试成绩的相关系数，如果相关系数较高且为正，说明学习时间对成绩有显著的正向影响；如果相关系数较低或不显著，则可能存在其他因素影响成绩，如学习效率、学习方法等。

3.聚类分析对将具有相似学习行为特征的学生进行分类，有助于教师实施针对性教学。根据对学生在学习管理系统中的学习进度、作业完成情况、课堂互动参与度等多个变量进行聚类分析，可以将学生分为不同的学习群体。对于学习进度快、作业质量高、课堂互动积极的学生群体，教师可以提供更具挑战性的学习任务，如拓展性项目、学术研究等，满足他们的学习需求；对于学习进度慢、作业困难、互动较少的学生群体，教师可以给予更多的基础知识辅导、学习方法指导和鼓励，帮助他们逐步提高学习能力。通过聚类分析，教师能够实现教学资源的优化分配，提高教学效率和质量。

4.基于关联规则的数据挖掘算法能够发现学生学习行为模式中的隐藏规律。通过分析学生在教学视频平台上的观看行为序列，发现观看行为（如先观看某个知识点的讲解视频，再观看相关案例分析视频）与良好的学习效果（如作业成绩优秀、考试成绩较高