基于大数据的学习行为分析
斯坦福大学于2016 年发布了《2030 年的人工智能与生活》报告，该报告指出：新一代人工智能技术将深刻地影响教育领域，支撑智慧教育的实现。

随后，美国白宫发表的Artificial Intelligence, Automation，and the Economy 报告也着重指出：人工智能技术未来会在学校广泛应用，基于人工智能的自动辅助教学工具会渗透到教学的方方面面，实现真正意义的个性化教育。

面对当今势头强劲的在线教育，人工智能技术正在对其产生多方面的影响。

面向教育的大数据分析实例
大数据的发展为教学管理提供了更多的管理手段，基于大数据预测、分析基础上的教学管理方法和决策模型，在传统的教学模型上有了很多的改变，大数据技术和互联网思维将影响教育发展规划，加快推进教学活动与现代科技的融合。

以大数据为基础的教学管理主要体现在三个方面：
（1）评价日常教学的质量：主要是分析学生的成绩，了解学生知识掌握
情况，对不同班级的教学效果进行横向比较。

（2）改进和提高教学方法：通过分析学习轨迹数据，查找教学的薄弱环节，提供改进意见。

（3）支持教学的运行决策：分析学校师资、资源、管理等方面的状况，优化学校的教学资源配置，正确运用评价结果，全面诊断学校的教育教学水平，
发现其中的薄弱领域和环节，从而为下一步改进提供依据。

以下通过两个实例，分别从两个方面介绍大数据在教学中的应用。

1普渡大学Signal 学业预警系统
学业预警是指学校针对学生在求学过程中出现的学业不佳、违规违纪等现象，对学生本人及家长作出及时提示，并采取相关措施以帮助学生顺利完成学业的一种监督管理制度。

随着我国高等教育步入大众化阶段，各类高等院校在面临诸多发展机遇的同时迎来了巨大的挑战，在校大学生数量急剧增加，许多学生由于自身学习目标迷茫、学习态度不端正、自主学习能力和自控能力较差和受到如网络世界、交友不慎、家庭条件等外界因素影响，导致学业状况不佳，从而无法按时顺利毕业。

因此利用学业预警机制对学生学业进行实时动态监控、成绩预测和预警，不仅能帮助学生有效规避学业危机，引导和督促学生科学学习，还可以保障学校教育教学质量，促进建设和谐高校。

国内的学业预警系统形式单一、功能有限，学业预警机制难以落实到位，缺乏时效性。

美国一些高校通过对学生的SAT 成绩、家庭经济情况、宿舍停留时间长短以及食堂用餐情况的分析，了解他们退学的可能性，以便帮助那些在学业以及大学生活适应性上出现问题的学生。

普渡大学的退学预警系统是基于对学生学业变量，如课程GPA 成绩、等级考试成绩以及学生登录课程网站频率的分析。

在这些方面综合表现不好的学生会被亮黄灯甚至红灯，然后收到一封学业失败危险预警邮件。

邮件建议他们尽快与导师联系，或者寻求外界帮助。

普渡大学的研究者发现，那些曾经被亮黄灯，即处在中度学业失败危险的学生，收到预警邮件后会在课堂上表现得更好。

而那些直接被亮红灯，即处于高危群体的学生，
即便收到了预警邮件，他们在课堂表现上也不会有太大改观。

由此也可以看出，早期预警对成绩不佳的学生顺利完成学业显得十分重要。

2美国高等教育大数据分析实例
根据预测分析报告（Predictive Analytics Reporting Framework）在美国西部有16 所高校学习数据分析项目，包括170 万学生，产生的数据集有810 万个修课记录，定义的学生的学习特征有33个变量，如学习者身份变量、学习基础变量、课程特征变量、学习行为变量和教学行为特征变量等。

其中，无论是对特征的提取还是对修课记录的分析都离不开大数据和云计算技术。

如图1 所示，PAR 的实现过程主要分为六个部分，各部分之间有紧密的逻辑关系。

1.收集学生学习行为记录。

随着技术的发展，在线开放课程的使用越来越普及，在线平台也如雨后春笋般涌现，如三大MOOC 平台：Coursera，
Udacity 和EDX等，很多学校把传统教学活动移到在线系统上，换了一种教学环境，不仅方便了学生，还为教师节省了很多时间。

系统会记录学生浏览课程、观看视频以及完成习题和测试等行为数据，这一系列的记录都可以反映出学生在学习过程中的具体情况。

2.集成学生学习的相关数据。

大量原始的学生记录存储在数据库或系统日志里，需要筛选出有用的信息，通过统计方法或相关技术对教学活动进行记录并加以整理，在整个PAR 框架的实现中起着很关键的作用。

3.对集成的数据进行分析和预测。

这个过程主要使用统计分析和数据挖掘技术。

把初步整理的数据通过统计推理的方法，分析学生的不良学习特征，分析和比较不同院校学生的学习保持率、学习进步和完成情况，然后对学生特征进行建模并对结果进行预测分析，这是教学活动分析中很关键的一个步骤，是学生学习情况的结果分析和教学改进意见的主要依据。

4.对数据分析和预测的结果进行解释。

根据分析和预测的结果，对结果数据的数值大小或意义进行解释，对偏高或偏低的数值给出分析结果，对结果使用统计方法进行分类或标注，找出学生学习成绩高或低的原因。

5.教学决策和干预。

完成学生数据的分析报告，使用可视化技术把解释结果形成图表或文字呈献给教学管理者。

教学管理者根据分析报告采纳相应教学策略，对学习不良的学生进行指导干预，促进学生发展。

PAR 框架是一个循环的过程，在教学管理者对学生的学习进行干预之后，在下一次的实验分析报告中可以观察同一个或同一类的学生的学习情况，根据学习情况再采取相应的改进措施。