基于隨機森林的混合教學學習行為評價模型

朱家成 陳剛 向華 李支成 吳開誠

摘要：混合教學是在當前基于在線學習的基礎(chǔ)之上，提出的一個全新的教學模式，該模式推廣急需更為客觀的過程評價。通過收集混合教學實施過程的各種學生學習行為數(shù)據(jù)，進行歸納總結(jié)，可以劃分為三大類數(shù)據(jù)：傳統(tǒng)課堂數(shù)據(jù)，在線學習數(shù)據(jù)，階段測試數(shù)據(jù)。在此基礎(chǔ)上增加了特有的人工干預模型，并在這些數(shù)據(jù)的基礎(chǔ)上，搭建了學生行為分析評價數(shù)據(jù)挖掘模型。經(jīng)過真實教學數(shù)據(jù)的驗證，增加了人工干預的隨機森林數(shù)據(jù)挖掘模型能夠更好好的評價學生的學習效果，達到了實驗預期。該模型為混合教學的探究提供了更深入的支持。

關(guān)鍵詞：混合教學;人工干預;行為分析;評價模型;數(shù)據(jù)挖掘;隨機森林

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2019）29-0118-03

在當前全球化的信息社會里，大數(shù)據(jù)應(yīng)用到各行各業(yè)的時代里，社會高校的教育方式日新月異，基于MOOC之類的混合教學模式如雨后春筍，并得到了國內(nèi)外諸多優(yōu)秀高校的認可，包括國外的斯坦福，哈佛，麻省理工等，國內(nèi)的北大，清華，復旦等諸多名校。在當前背景下順應(yīng)而生了各種各樣的在線教育平臺，以及多樣化的在線教學模式，如何更好地提高在線教育的教學質(zhì)量與教學效率，利用好這個教學模式是當今研究的熱點。

而MOOC和SPOC類在線課程要求學生要具有較強的自主學習能力和學習動力，而學生在長期應(yīng)試教育模式下，無法適應(yīng)在線課程的學習模式。在線課程難以實現(xiàn)個性化教學，以及缺少對學生學習行為的制約，因此無法達到預期的學習效果。為了解決這一問題，我們江漢大學采用的是混合教學模式。

1混合教學

混合教學將MOOC和SPOC等在線教育形式引入到高校傳統(tǒng)課堂中，混合教學中的在線學習是在教師指導下實現(xiàn)有意義的個性化自適應(yīng)學習和深層次學習。采用混合學習形式，既有利于共享優(yōu)質(zhì)在線教育的資源，提升高校的品牌效應(yīng)，又能夠發(fā)揮在線學習的特點，使線下課堂變得更加動態(tài)、靈活，提高了校內(nèi)教學質(zhì)量?；旌辖虒W是把學生作為教學活動的主體，教師變成教學過程控制的主體，將傳統(tǒng)教學的優(yōu)勢和互聯(lián)網(wǎng)在線課程的優(yōu)勢結(jié)合起來，既發(fā)揮教師引導、啟發(fā)、監(jiān)控教學過程的主導作用，又充分體現(xiàn)學生作為學習過程主體的主動性、積極性與創(chuàng)造性，從而取得最優(yōu)化學習效果的教學方式?；旌辖虒W是在線教育在高校校內(nèi)教學中應(yīng)用的真正價值。

本文是通過江漢大學計算機中心在超星平臺上開設(shè)的《大學計算機基礎(chǔ)》這門課為基礎(chǔ)，通過分析這門課采用的混合教學模式下的學生學習行為相關(guān)數(shù)據(jù)，構(gòu)建模型，對學習效果進行預測，以達到對混合教學，在線學習這種教學模式的探究，并為教育模式的改進打下堅實的基礎(chǔ)。江漢大學計算中心推行《大學計算機基礎(chǔ)》混合教學已有兩年有余，本人也是混合教學實施的一線教師研究者，積累了豐富的混合教學數(shù)據(jù)，通過對前人研究的總結(jié)與歸納，對自己教學行為數(shù)據(jù)的分析，并通過最終期末測試驗證，充分證實了混合教學的優(yōu)勢，與行為分析預測模型的準確性。

2學生行為數(shù)據(jù)分析

2.1發(fā)現(xiàn)行為

混合教學中，學生在教師的監(jiān)控、引導下利用在線課程進行自主學習。在線學習與課堂學習混合進行，在線學習平臺和課堂教學信息化平臺提供大量和學生學習行為數(shù)據(jù)，數(shù)據(jù)包括線上數(shù)據(jù)和課堂數(shù)據(jù)兩部分。線上數(shù)據(jù)包括在線學習平臺中記錄的各種學習行為數(shù)據(jù)，例如學生觀看視頻的時間序列，學習資源的瀏覽形式、在線交流的時間、參與教學互動和論壇討論，交互式練習測試的結(jié)果等等。線下課堂學生行為數(shù)據(jù)包括學生點名、實驗、小組討論、課堂測試、報告、期末考試等數(shù)據(jù)?？偟膩碚f，所有的學生參與的教學行為可以分為三大類：傳統(tǒng)教學數(shù)據(jù)、在線教學數(shù)據(jù)、階段單元測試數(shù)據(jù)。

2.1.1傳統(tǒng)教學數(shù)據(jù)

傳統(tǒng)教學數(shù)據(jù)顧名思義，來源于混合教學中傳統(tǒng)課堂上產(chǎn)生的數(shù)據(jù)，而《大學計算機基礎(chǔ)》這門課比較特殊，除了常規(guī)的點名作業(yè)之外還是有上機練習實驗部分，所以歸納起來傳統(tǒng)教學數(shù)據(jù)有以下幾種：

（1）課堂點名

（2）課堂提問

（3）課堂限時作業(yè)

（4）課下實驗

（5）課下作業(yè)

2.1.2在線教學數(shù)據(jù)

在混合教學中與傳統(tǒng)課堂最明顯的區(qū)別就是增加了大量的在線學習數(shù)據(jù)，一般在線學習都是有相應(yīng)的在線學習平臺，本文研究中學生所使用的在線學習平臺是超星學習通學習平臺。一般不同的平臺所提供的在線學習數(shù)據(jù)都不盡相同，但歸納起來也基本在以下幾點以內(nèi)：

（1）在線點名

（2）任務(wù)點完成情況

（3）視頻完成情況

（4）討論詳情

（5）訪問詳情

（6）在線作業(yè)

（7）在線測試

2.1.3階段單元測試數(shù)據(jù)

在本次混合教學中，將大學計算機基礎(chǔ)的教學內(nèi)容分為了六個階段，分別是（A）計算機基礎(chǔ)理論知識，（B）計算機軟硬件系統(tǒng)，（c）Windows 7操作系統(tǒng)的概念與使用，（D）word軟件的使用，（E）Excel軟件的使用，（F）計算機網(wǎng)絡(luò)多媒體相關(guān)知識。

江漢大學計算中心為了更好地配合《大學計算機基礎(chǔ)》這門課程的混合教學的順利展開，由系里的老師專門開發(fā)了針對這門課的一個學生測試平臺，該測試平臺和最終期末考試形式類似，通過知識點劃分，將每階段的內(nèi)容都拿出來給混合教學的學生進行測評，從而可以得到階段測試數(shù)據(jù)。

2.2總結(jié)行為

課堂數(shù)據(jù)和在線學習數(shù)據(jù)相比，具有真實、可控的特點，同時也具有主觀成分，使得混合教學中的數(shù)據(jù)也更加復雜。對學習過程的追蹤和評估促進了學習分析和教育數(shù)據(jù)挖掘的發(fā)展和應(yīng)用。隨著大數(shù)據(jù)時代的來臨，大數(shù)據(jù)存儲系統(tǒng)和數(shù)據(jù)分析方法的不斷發(fā)展，數(shù)據(jù)挖掘、機器學習和人工智能等相關(guān)領(lǐng)域的蓬勃發(fā)展為本課題提供強大的技術(shù)支撐。

如何將這些復雜學習數(shù)據(jù)進行清理、整合、分析、建模，從中發(fā)現(xiàn)有價值的模式和知識，并對學習效果進行及時預測是本課題關(guān)注的焦點，也是混合教學研究中需要著重解決的關(guān)鍵問題，具有極大的理論和實際應(yīng)用價值。

3建模評價

可以看出本次研究的數(shù)據(jù)眾多，在這些教學與學習行為數(shù)據(jù)里，本文根據(jù)數(shù)據(jù)最終的評價方向，構(gòu)建了隨機森林數(shù)據(jù)挖掘模型，來判定最終的學習狀態(tài)。

3.1人工干預模型

人工干預模型主要是通過對平時教學工作中，學生實時表現(xiàn)情況的記錄，來進行一個綜合指數(shù)的評價，因為平時的學生數(shù)據(jù)記錄過程中，首先是在開放環(huán)境中，不可避免有些數(shù)據(jù)是通過其他非常規(guī)手段得來的，而這些數(shù)據(jù)會在一定程度上影響最終評價結(jié)果，其次，是機器記錄的數(shù)據(jù)相對來說不是特別完整，很多學生態(tài)度認真，表現(xiàn)積極等信息很難被數(shù)據(jù)記錄下來，所以人工評fire型也尤為重要。

數(shù)據(jù)來源：傳統(tǒng)數(shù)據(jù)誠信記錄（點名代簽記錄，作業(yè)舞弊記錄，實驗舞弊記錄，階段測試舞弊記錄），在線數(shù)據(jù)舞弊記錄（在線測試舞弊，在線作業(yè)舞弊，在線其他非誠信記錄），老師人為判斷數(shù)據(jù)（課堂表現(xiàn)積極記錄，閃光點記錄）。基本判斷規(guī)則：總分100分，有一次不誠信記錄扣10分，有一次閃光記錄，加5分。

3.2數(shù)據(jù)挖掘綜合評價模型

綜合模型是在前三個模型所得結(jié)果的基礎(chǔ)上的一個綜合判斷，能夠較為全面地把一個學生的真實學習效果給預估出來。

3.2.1數(shù)據(jù)挖掘算法

對于數(shù)據(jù)挖掘，一般的方向是分類與回歸，分類是進行定性分析，回歸是進行定量分析，在本文中主要是進行學習效果的評價，故進行分類分析。首先第一步是利用已有分類的數(shù)據(jù)作為訓練數(shù)據(jù)，來檢測模型;然后用沒有分類的數(shù)據(jù)輸入到模型里去，輸出該數(shù)據(jù)的類別。

3.2.2隨機森林綜合評價模型

隨機森林是一種機器學習模型。它比神經(jīng)網(wǎng)絡(luò)計算量小，集成多棵決策樹的預測，2001年Breiman把分類樹組合成隨機森林，即對變量和數(shù)據(jù)進行隨機化，生成很多分類樹。

隨機森林實施第一步是得到基分類器，主要有兩個步驟：

首先對原始集進行放回隨機抽樣，得到和原始集規(guī)模大小一致的訓練集;然后進行屬性及的隨機分配，從一定量的屬性中選取小于該數(shù)值的屬性個數(shù)作為分裂屬性進行分裂。

4實驗與結(jié)論

4.1實驗實施

將初始樣本的數(shù)據(jù)分成M*N維，對該數(shù)據(jù)進行有放回的取樣，取出同樣為M*N的樣本數(shù)據(jù)。

從數(shù)據(jù)的N維中提取無放回的M維特征，即對每個數(shù)據(jù)樣本都采用決策樹的模式。通過計算找到分類最優(yōu)的特征K以及閾值th來進行劃分。

重復訓練所有的數(shù)據(jù)樣本，得到ntree個決策樹。

多次訓練之后，所得到的集合便是隨機森林，應(yīng)用隨機森林進行預測結(jié)果是，通過對預測及進行分類，得到分類之后的結(jié)果。

在本文中具體實施步驟如下：

第一步：導人數(shù)據(jù)：

將第2章總結(jié)的數(shù)據(jù)全部導人系統(tǒng)，分別有傳統(tǒng)教學數(shù)據(jù)（分為五類）、在線教學數(shù)據(jù)（分為七類）、階段單元測試數(shù)據(jù)（包含六個階段）。

第二步：人工干預指數(shù)計算

人工干預就是根據(jù)老師的上課過程自己的一些觀察數(shù)據(jù)以及個人判斷數(shù)據(jù)給予每個學生的綜合打分。

第三步：數(shù)據(jù)整合

首先中傳統(tǒng)教學數(shù)據(jù)T按照數(shù)據(jù)順序，分別將課堂點名，課堂提問等等設(shè)置為TO，T1，T2，T3等;將在線教學數(shù)據(jù)設(shè)為L，同理屬于在線數(shù)據(jù)的在線點名，任務(wù)點完成情況，視頻完成情況，討論詳情等設(shè)置為L0，L1，L2，L3等;階段單元測試數(shù)據(jù)六個階段的成績分別是A，B，C，D，E，F(xiàn);再加上我們?nèi)斯じ深A模型得到的評估值v，就可以構(gòu)成我們此次研究的數(shù)據(jù)集。

第四步：導人模型

在本次模型實施中，總共將兩套數(shù)據(jù)分別代人隨機森林數(shù)據(jù)挖掘模型，采用的是weka數(shù)據(jù)挖掘平臺?？梢缘玫揭韵聝煞N預測結(jié)果：

（1）不增加人工干預參數(shù)

可以得到準確率為0.64。

（2）增加人工干預參數(shù)V

可以得到準確率為0.79。

4.2實驗結(jié)論

可以看到，加入了人工干預參數(shù)的隨機森林數(shù)據(jù)挖掘模型，可以更好地預測學生學習行為，有大幅度地提高了預測的準確性。因為相比于傳統(tǒng)的數(shù)據(jù)，加入了人工干預參數(shù)，能夠更為全面的記錄學生的真實學習情況，包括學習能力，學習態(tài)度，以及數(shù)據(jù)獲取的準確性判斷，該模型對混合教學的發(fā)展有著極大的推進作用。