高職學生學習行為分析與成績預測系統設計

李 毅, 趙圓圓

(石家莊職業技術學院 信息工程系,河北 石家莊 050800)

0 引言

近年來,隨著智慧校園的蓬勃發展,高職院校的教育信息化手段多種多樣,產生了很多的基礎教育數據,包括在線學習平臺數據、視頻數據等,種類繁多且結構復雜,這些數據在一定程度上反映了學生的學習行為.云計算具有強大的資源處理能力,但是需要將所有的數據上傳至云端,不僅增加了網絡帶寬的壓力,而且實時性較差[1].云邊協同是在云計算的基礎上,結合邊緣計算產生的新解決方案.邊緣計算通過網絡邊緣的邊緣節點快速處理數據,能有效地解決云計算框架中數據傳輸延遲、網絡帶寬壓力大的問題,通過云計算和邊緣技術協同工作,能有效地提升應用程序的性能[1].目前云邊協同主要應用在工業互聯網、智慧交通、智能安防和醫療保健等領域[2].隨著云邊協同技術的發展,采用云邊協同技術進行數據分析成為一種趨勢,本文提出了一種基于云邊協同的高職院校學生學習行為分析與成績預測智能化管控平臺的解決方案,以期對高職學生的學習行為數據進行自動化分析和數據挖掘,從而為高職學生提供學業預警,并輔助高職院校管理人員做出決策.

1 系統結構設計

云邊協同下高職學生學習行為分析與成績預測系統主要由邊緣層、網絡傳輸層、云層和用戶界面層組成,系統架構圖見圖1.

圖1 系統架構圖

邊緣層包含多個邊緣節點,負責數據采集、存儲和分析.在邊緣節點,先采集課堂實錄視頻、在線學習平臺行為數據、教務系統中學生課程成績數據,將其存儲在本地磁盤中;再對學生行為進行分析和預處理,包括目標檢測、目標確認和行為識別,并對這些數據進行初步清洗、集成、規范;最后將相關數據上傳至云服務器.

網絡傳輸層使用校園局域網,將在邊緣節點預處理后的行為數據傳輸到云層.

云層由數據庫服務器和管理服務器組成,先存儲邊緣層上傳的數據,再使用聚類算法對上傳的數據進行分析,并對學生學習行為與學業成績的相關性進行分析,生成學業成績預測模型,最后將處理后的學生行為數據、行為分析結果及相關模型數據發送至用戶界面層.

使用C#語言實現用戶界面層,采用C/S架構搭建應用平臺.用戶界面層具有行為數據和成績數據查詢、成績監控、學生學業預警及系統管理等功能.

2 系統功能設計

系統的總體功能有邊緣節點管理、數據查詢、成績監控、學業預警和系統管理,具體內容見圖2.

圖2 系統總體功能圖

3 系統思路設計

本設計分為三階段,研究思路見圖3.

圖3 研究思路

由圖3可以看出,在研究的第一階段,確定不同學習行為特征變量;在第二階段,分析不同的學生行為特征變量與學業成績的相關性,對學生的校園行為與學業成績進行聚類分析,深度挖掘相關性并形成學生行為數據模型;第三階段,對數據的相關性進行聚類分析,提出學生學業預警策略和構建學習成績分級預測模型,實現對學生學習全過程的成績預測.第一階段在邊緣端完成,第二和第三階段在云端完成.

4 學生校園行為與成績相關性分析

在第一階段,本團隊通過文獻[3]確定了在線學習行為特征變量,包括課程音視頻學習情況、作業完成情況、簽到(考勤)情況、任務點完成情況、在線測試成績;根據課堂實錄視頻總結出8種課堂行為,分別為聽講、閱讀、書寫、站立、翻書、玩手機、睡覺和左顧右盼.參照文獻[3]使用皮爾遜相關性分析法,確定與期末成績呈正相關的學生課堂學習行為有聽講、書寫、閱讀和翻書,且相關性顯著;而與期末成績呈負相關的學生課堂非學習行為有玩手機、睡覺和左顧右盼.據此,本文確定使用的學生校園行為特征變量有:課程音視頻學習情況、作業完成情況、簽到(考勤)情況、任務點完成情況、在線測試成績、聽講、書寫、閱讀、翻書、玩手機、睡覺和左顧右盼.

以高職S學院2019級W 專業3班2021—2022學年第一學期物聯網組網及應用課程的在線學習數據、課堂實錄視頻和該課程學生期末成績為樣本數據集.其中,在線學習數據為一個學期的學習數據,數據預處理過程見文獻[3];教室課堂實錄視頻每次課90 min,共選取6次課540 min的視頻數據.首先,對采集的學生課堂行為視頻數據進行篩選,將包含要研究的課堂行為的視頻分割成短視頻,并進行標注.其次,將短視頻經過抽幀處理轉化為連續多幀的圖像,對圖像中的行為再次進行標注,劃分成訓練集和測試集.再次,通過基于深度學習的OpenPose算法在訓練集上進行訓練,使用訓練生成的算法模型自動識別學生的課堂行為.每個學生的課堂行為初始分數為0,如果識別為課堂學習行為,則課堂學習行為分數加1;如果識別為課堂非學習行為,則該學生的課堂非學習行為分數加1,實現對視頻數據的預處理.物聯網組網及應用課程期末成績從教務系統中獲得,原數據為5級制:優秀、良好、中等、及格和不及格,對數據進行規范化處理,1代表優秀,2代表良好,3代表中等,4代表及格,5代表不及格.將邊緣端預處理后的行為特征變量對應的數據上傳至云端.

第二階段,云端接收來自邊緣端上傳的數據,首先對數據進行整合,部分整合數據的截圖見圖4.

圖4 學生行為部分數據截圖

根據學生在線學習行為、課堂行為與課程學習成績相關性分析,使用k- means進行聚類,根據聚類效果評判標準之一的輪廓系數,確定k-means的聚類個數為3.使用SPSS Modeler15.0 軟件對聚類結果進行可視化,聚類結果的平行線圖見圖5.

圖5 聚類結果的平行線圖

聚類結果顯示,在線測試成績、作業完成情況和課程音視頻學習情況的分數越高,期末成績的等級越高.在課堂上學生認真聽講、記筆記、閱讀,則期末成績較高;相反,玩手機行為越多,上課睡覺,左顧右盼,則期末成績較低.

學生正常畢業的條件之一是學生各科成績均合格并取得相應學分.根據學生在線學習行為、課堂行為與學科成績之間的關系,可以預測學生學科學習成績,而根據學生學科成績也可以預測學生的學業成績.

第三階段,在云端,使用決策樹C5.0分析學生的在線學習行為和課堂行為對學科成績的影響,并進行分級預測,學習成績分級預測模型圖見圖6.

圖6 學習成績分級預測模型

由圖6 可知,學生在課堂上左顧右盼次數≤7次,期末成績等級為優秀;如果學生在課堂上左顧右盼次數＞7次,玩手機次數≤75次,則期末成績等級為良好的概率為95.65%;如果學生在課堂上左顧右盼次數＞7次,玩手機次數在(75,83]時,期末成績等級為中等;如果學生在課堂上左顧右盼次數＞7次,玩手機次數＞83 次,課程音視頻學習所得分數＞44.444分,則期末成績等級為及格;如果學生在課堂上左顧右盼次數＞7次,玩手機次數＞83次,課程音視頻學習所得分數≤44.444分,則期末成績等級為不及格.

將樣本數據集隨機分配70%的樣本量為訓練樣本,30%的樣本量為檢驗樣本,經過實驗,模型的準確率為97.67%,達到了研究的預期效果,即使用該模型可實現對學生學科成績的分級預測.

當通過該模型預測到學生等級為5級即學科成績不及格時,說明學生可能會出現掛科的現象,即學生可能無法正常畢業.通過學習成績分級預測可以提示教師督促學生抓緊學習,及時糾正學生的不良行為.

5 結語

云邊協同下高職學生學習行為分析與成績預測系統能夠幫助教育管理者及時查看學生的課堂學習狀態,了解學生的校園行為習慣,有針對性地對學生的學習行為進行干預.本文以每一位學生為獨立研究對象對其學習行為進行多角度分析,但是不同專業的學生學情不同,不同年級的學生特點也不同,后續可以以年級或專業為研究對象,對具有同一特征的學生群體進行學習行為分析和學業成績預測研究.