论文部分内容阅读
摘要：为了发现教学过程中存在的问题，提高教学质量，改善学习效果，预测学习结果，自主研发了一款用于各类课程的学习分析系统，并运用于实际教学中。对杭州电子科技大学《电磁场与电磁波》课程的相关教育数据进行了多角度多层次的全面分析。分析实例表明，该系统能很容易地帮助教师和学生获得其感兴趣的分析结果，并以可视化的形式展现给用户，改善了整个教学和学习过程。
关键词：大数据；教育数据；学习分析；多维分析；可视化
中图分类号：G434 文献标识码：A 文章编号：1009-3044（2016）10-0162-02
随着互联网技术在教育领域广泛和深入的应用，已经积累大量、丰富和复杂的教育数据。如何更加充分、有效地利用这些数据分析学习过程中出现的问题、预测学习结果、优化教学过程、改善课程内容成为一个极富意义并且具有挑战性的问题。学习分析就是大数据在教育领域应用的一项新兴技术，受到国内外相关领域越来越多的关注，成为教育技术领域发展的新热点[1]。
1 学习分析系统的研究现状
国外对学习分析的研究起步较早，从2011年起已经积累了很多的理论基础，近年来已经由纯粹的理论概念阶段发展到具体的实际应用阶段，涌现出很多已经处于实用阶段的学习分析系统[2-5]。与国外相比，国内到目前为止主要还是停留在理论探索和分析阶段，或者是在理论和概念上的拓展，对于具体的学习分析工具和系统的实际应用的研究较少。其主要原因是国内学习分析系统软硬件开发上的落后，自主研发的学习分析工具和应用程序凤毛麟角[6]。
2 自主研发系统--果仁学习分析系统
果仁学习分析系统是果仁大数据平台（www.guorn.com）在学习分析领域的应用，利用通用大数据和互联网技术对教育数据进行多维分析。
2.1系统功能设计
系统功能的设计主要从两个方面来进行：一是文献分析，研究国外最新的学习分析系统的特点和进展[7]。二是通过与相关课程的师生以及校学习管理系统管理员的交流，来获取用户需求。最后得到具体功能如下：易用性、有效性、易于集成、可扩展性、重用性、实时性。
2.2系统架构
该系统架构图如图1所示，整个系统主要由6个模块组成：数据服务、数据仓库、元数据、查询引擎、分析引擎以及可视化引擎。
数据服务模块需要处理从不同数据源获得的各类数据。数据仓库的设计主要是要考虑到分析引擎的需要，将数据分析的需求作为首要考虑。数据仓库里各类数据表的描述信息由元数据模块管理。查询引擎是很多传统ROLAP BI系统的核心技术所在。分析引擎由查询引擎获得查询语句，然后根据查询语句从数据仓库取出相关的数据表并进行合并、关联、筛选、聚合、分组等各种数据操作。果仁分析引擎采用了内存中分析（In-Memory Analysis）的方案，最大限度地提高分析引擎的计算效率。可视化引擎对分析引擎输出的分析结果进行可视化展现。
2.3实证分析
选取杭州电子科技大学《电磁场与电磁波》课程作为样本，从学生，教师，课程负责人及院校管理者等多种用户视角分析各类学习因素对于课程学习的影响，探讨改善课程教学的可能方案。实验数据包括：2012-2014年电子学院新生个人信息；2003-2015年选修该课程学生的课程成绩；2003-2015年选修该课程学生的班级专业等个人信息。
1） 学生基本情况分析
学生作为学习过程的主要参与者，对其基本情况的分析是必要的。通过学生个人信息表中的生源信息，果仁分析系统自动与地理维度相关联，得到学生各种信息在地理维度上的分布，如图2所示，展示了学生数量在各个省份上的分布。可以看出浙江生源占了很大比例。
对于一个学院的新生使用果仁学习分析系统进行分析，与常见的Microsoft Excel相比，其优势还不是太明显，但是如果是对一个学校、一个省甚至于整个国家的学生进行分析的话，其优势就会更加明显。以上这些分析如果使用Microsoft Excel，即使是对于一个熟练的操作人员，得到相同的结果也需要花费数小时，使用果仁学习分析系统，一个初学者就能在几分钟内获得的上述结果。
2） 课程多维分析
果仁学习分析系统可以将有联系的数据集自动关联起来进行多维分析。比如，对于样本课程，可以从学生、班级、专业、学院和时间等各个角度进行分析。将学生的班级专业的信息和学生课程成绩相关联，就可以获得班级或者专业在样本课程的平均分。图3显示的是不同专业在2003年-2015年间样本课程的平均分。同样也可以得到不同班级的平均分。
我们还可以结合多个角度同时对课程进行分析，如图4蓝色曲线，显示的是从2003--2015学年的课程平均分：
从图4中可以看出一个规律是整个曲线呈现出锯齿状，一个学期分数高，下一个学期分数低。原因何在？我们可以对比每个学期选修的学生人数。从图4中可以看到，分数低的那个学期选修课程的学生人数也很少，经常只有个位数，经过进一步的调查得知：大部分学生都是在学年的第一学期选修该课程，在第二学期选修的学生是重修的，因此成绩一般较差。
篇幅所限其他实证分析功能不一一展现。
3 结束语
综上表明，无论是教师还是学生，都能够很容易地掌握果仁学习系统的分析过程和方法，迅速获得其感兴趣的分析结果，可视化的分析结果更加友好直观、易于理解并且从中发现奇异值。在今后的工作中，笔者将继续完善果仁学习分析系统的功能，提高系统的效率，不断改善其用户体验。
参考文献：
[1] Donald M. Norris. Seven Things You Should Know About First Generation Learning Analytics[EB/OL].[2011-12-06]. http：//www.educause.edu/library/resources/7-things-you-should-know-about-first-generation-learning-analytics.
[2] Aaron Zeckoski. Learning Analytics Initiative[EB/OL].[2015-03-26]. https：//confluence.sakaiproject.org/display/LAI/Learning Analytics Initiative.
[3] Tanya Roscorla. How Analytics Can Help Colleges Graduate More Students[EB/OL]. [2015-03-26]. http：//www.centerdigitaled.com/news/How-Analytics-Can-Help-Colleges-Graduate-More-Students.html.
[4] Jim Greenberg. Learning Analytics Task Group[EB/OL]. [2014-02-14]. http：//wiki.sln.suny.edu/display/FACT/Learning Analytics Task Group.
[5] Anya Kamenetz. Big Data Comes To College[EB/OL]. [2014-07-04]. http：//www.npr.org/blogs/ed/2014/07/04/327745863/big-data-comes-to-college.
[6] 李青，王涛. 学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）：129-133.
[7] Johnson L， Adams Becker S， Estrada V，et al. NMC Horizon Report： 2015 Higher Education Edition[EB/OL]. [2015-06-17]. http：//cdn.nmc.org/media/2015-nmc-horizon-report-HE-EN.pdf/.
关键词：大数据；教育数据；学习分析；多维分析；可视化
中图分类号：G434 文献标识码：A 文章编号：1009-3044（2016）10-0162-02
随着互联网技术在教育领域广泛和深入的应用，已经积累大量、丰富和复杂的教育数据。如何更加充分、有效地利用这些数据分析学习过程中出现的问题、预测学习结果、优化教学过程、改善课程内容成为一个极富意义并且具有挑战性的问题。学习分析就是大数据在教育领域应用的一项新兴技术，受到国内外相关领域越来越多的关注，成为教育技术领域发展的新热点[1]。
1 学习分析系统的研究现状
国外对学习分析的研究起步较早，从2011年起已经积累了很多的理论基础，近年来已经由纯粹的理论概念阶段发展到具体的实际应用阶段，涌现出很多已经处于实用阶段的学习分析系统[2-5]。与国外相比，国内到目前为止主要还是停留在理论探索和分析阶段，或者是在理论和概念上的拓展，对于具体的学习分析工具和系统的实际应用的研究较少。其主要原因是国内学习分析系统软硬件开发上的落后，自主研发的学习分析工具和应用程序凤毛麟角[6]。
2 自主研发系统--果仁学习分析系统
果仁学习分析系统是果仁大数据平台（www.guorn.com）在学习分析领域的应用，利用通用大数据和互联网技术对教育数据进行多维分析。
2.1系统功能设计
系统功能的设计主要从两个方面来进行：一是文献分析，研究国外最新的学习分析系统的特点和进展[7]。二是通过与相关课程的师生以及校学习管理系统管理员的交流，来获取用户需求。最后得到具体功能如下：易用性、有效性、易于集成、可扩展性、重用性、实时性。
2.2系统架构
该系统架构图如图1所示，整个系统主要由6个模块组成：数据服务、数据仓库、元数据、查询引擎、分析引擎以及可视化引擎。
数据服务模块需要处理从不同数据源获得的各类数据。数据仓库的设计主要是要考虑到分析引擎的需要，将数据分析的需求作为首要考虑。数据仓库里各类数据表的描述信息由元数据模块管理。查询引擎是很多传统ROLAP BI系统的核心技术所在。分析引擎由查询引擎获得查询语句，然后根据查询语句从数据仓库取出相关的数据表并进行合并、关联、筛选、聚合、分组等各种数据操作。果仁分析引擎采用了内存中分析（In-Memory Analysis）的方案，最大限度地提高分析引擎的计算效率。可视化引擎对分析引擎输出的分析结果进行可视化展现。
2.3实证分析
选取杭州电子科技大学《电磁场与电磁波》课程作为样本，从学生，教师，课程负责人及院校管理者等多种用户视角分析各类学习因素对于课程学习的影响，探讨改善课程教学的可能方案。实验数据包括：2012-2014年电子学院新生个人信息；2003-2015年选修该课程学生的课程成绩；2003-2015年选修该课程学生的班级专业等个人信息。
1） 学生基本情况分析
学生作为学习过程的主要参与者，对其基本情况的分析是必要的。通过学生个人信息表中的生源信息，果仁分析系统自动与地理维度相关联，得到学生各种信息在地理维度上的分布，如图2所示，展示了学生数量在各个省份上的分布。可以看出浙江生源占了很大比例。
对于一个学院的新生使用果仁学习分析系统进行分析，与常见的Microsoft Excel相比，其优势还不是太明显，但是如果是对一个学校、一个省甚至于整个国家的学生进行分析的话，其优势就会更加明显。以上这些分析如果使用Microsoft Excel，即使是对于一个熟练的操作人员，得到相同的结果也需要花费数小时，使用果仁学习分析系统，一个初学者就能在几分钟内获得的上述结果。
2） 课程多维分析
果仁学习分析系统可以将有联系的数据集自动关联起来进行多维分析。比如，对于样本课程，可以从学生、班级、专业、学院和时间等各个角度进行分析。将学生的班级专业的信息和学生课程成绩相关联，就可以获得班级或者专业在样本课程的平均分。图3显示的是不同专业在2003年-2015年间样本课程的平均分。同样也可以得到不同班级的平均分。
我们还可以结合多个角度同时对课程进行分析，如图4蓝色曲线，显示的是从2003--2015学年的课程平均分：
从图4中可以看出一个规律是整个曲线呈现出锯齿状，一个学期分数高，下一个学期分数低。原因何在？我们可以对比每个学期选修的学生人数。从图4中可以看到，分数低的那个学期选修课程的学生人数也很少，经常只有个位数，经过进一步的调查得知：大部分学生都是在学年的第一学期选修该课程，在第二学期选修的学生是重修的，因此成绩一般较差。
篇幅所限其他实证分析功能不一一展现。
3 结束语
综上表明，无论是教师还是学生，都能够很容易地掌握果仁学习系统的分析过程和方法，迅速获得其感兴趣的分析结果，可视化的分析结果更加友好直观、易于理解并且从中发现奇异值。在今后的工作中，笔者将继续完善果仁学习分析系统的功能，提高系统的效率，不断改善其用户体验。
参考文献：
[1] Donald M. Norris. Seven Things You Should Know About First Generation Learning Analytics[EB/OL].[2011-12-06]. http：//www.educause.edu/library/resources/7-things-you-should-know-about-first-generation-learning-analytics.
[2] Aaron Zeckoski. Learning Analytics Initiative[EB/OL].[2015-03-26]. https：//confluence.sakaiproject.org/display/LAI/Learning Analytics Initiative.
[3] Tanya Roscorla. How Analytics Can Help Colleges Graduate More Students[EB/OL]. [2015-03-26]. http：//www.centerdigitaled.com/news/How-Analytics-Can-Help-Colleges-Graduate-More-Students.html.
[4] Jim Greenberg. Learning Analytics Task Group[EB/OL]. [2014-02-14]. http：//wiki.sln.suny.edu/display/FACT/Learning Analytics Task Group.
[5] Anya Kamenetz. Big Data Comes To College[EB/OL]. [2014-07-04]. http：//www.npr.org/blogs/ed/2014/07/04/327745863/big-data-comes-to-college.
[6] 李青，王涛. 学习分析技术研究与应用现状述评[J].中国电化教育，2012（8）：129-133.
[7] Johnson L， Adams Becker S， Estrada V，et al. NMC Horizon Report： 2015 Higher Education Edition[EB/OL]. [2015-06-17]. http：//cdn.nmc.org/media/2015-nmc-horizon-report-HE-EN.pdf/.