王冬青 韓后 邱美玲 凌海燕 劉歡

[摘? ?要] 基于教學(xué)數(shù)據(jù)的學(xué)習(xí)分析是智慧教育研究關(guān)注的熱點(diǎn)與難點(diǎn)問題之一。面對(duì)智慧教學(xué)環(huán)境所采集的跨平臺(tái)異構(gòu)、多源、非完整以及動(dòng)態(tài)演化的數(shù)據(jù)，研究交互可視化分析機(jī)制，有助于構(gòu)建云端結(jié)合的數(shù)據(jù)分析生態(tài)系統(tǒng)。文章基于智慧課堂研究教學(xué)過程性數(shù)據(jù)可視分析方法與交互呈現(xiàn)方式，提出數(shù)據(jù)分層分析框架。針對(duì)傳統(tǒng)分析方法交互不足和理解性差的問題，提出一種基于認(rèn)知模型的人機(jī)交互可視化分析方法。以實(shí)際應(yīng)用中記錄的3000多節(jié)智慧課堂數(shù)據(jù)為例，搭建動(dòng)態(tài)生成性數(shù)據(jù)采集與分析原型系統(tǒng)并開展實(shí)證研究，為優(yōu)化動(dòng)態(tài)生成性數(shù)據(jù)采集與分析提供新方法。

[關(guān)鍵詞] 智慧課堂; 動(dòng)態(tài)生成性數(shù)據(jù); 學(xué)習(xí)分析; 交互可視化分析

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 王冬青（1978—），女，山東煙臺(tái)人。副教授，博士，主要從事智慧課堂學(xué)習(xí)環(huán)境設(shè)計(jì)與應(yīng)用、基于教學(xué)大數(shù)據(jù)的學(xué)習(xí)分析研究。E-mail：wangdq.scnu@gmail.com。

一、引? ?言

隨著云計(jì)算、大數(shù)據(jù)、人機(jī)交互等新技術(shù)快速發(fā)展，采集和分析學(xué)習(xí)者及其活動(dòng)情境的數(shù)據(jù)日益成為關(guān)注的焦點(diǎn)問題之一。學(xué)習(xí)管理系統(tǒng)、社交媒體、慕課、智慧課堂等在線學(xué)習(xí)環(huán)境蘊(yùn)含了更加豐富的數(shù)據(jù)，這使我們有可能更加深入地了解學(xué)生的學(xué)習(xí)過程[1]。雖然采集學(xué)習(xí)者及其行為的數(shù)據(jù)相對(duì)容易，但用戶通常由于缺乏專業(yè)的數(shù)據(jù)挖掘和處理技術(shù)知識(shí)，很難有效處理和解釋這些豐富的數(shù)據(jù)[2]。研究數(shù)據(jù)分析方法與機(jī)制，應(yīng)用數(shù)據(jù)可視化分析技術(shù)，實(shí)現(xiàn)系統(tǒng)自動(dòng)提供圖形化的分析結(jié)果，是當(dāng)前學(xué)習(xí)分析領(lǐng)域研究的重點(diǎn)問題。

二、問題的提出

隨著智慧課堂的日益普及，教學(xué)過程中產(chǎn)生了大量的動(dòng)態(tài)生成性數(shù)據(jù)，已有研究為上述數(shù)據(jù)的采集與存儲(chǔ)提出解決方案[3]，但尚需借助交互可視化分析技術(shù)進(jìn)行充分挖掘和應(yīng)用。一方面，以往數(shù)據(jù)分析很大程度上停留在原始學(xué)習(xí)行為屬性本身的分析層面，僅進(jìn)行簡(jiǎn)單匯總統(tǒng)計(jì)和比較分析，可理解性差，缺乏全過程、關(guān)聯(lián)性分析;另一方面，由于分析方法的單一和局限，即便擁有豐富的學(xué)習(xí)過程數(shù)據(jù)，也難以最大程度地挖掘數(shù)據(jù)價(jià)值，更加缺少基于人機(jī)交互的可視化分析。

文章關(guān)注智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)的可視分析方法與交互呈現(xiàn)方式，力求突破傳統(tǒng)分析方法交互不足和理解性差的問題，構(gòu)建數(shù)據(jù)分層分析框架，并開展人機(jī)交互可視化分析方法研究。搭建動(dòng)態(tài)生成性數(shù)據(jù)采集與分析原型系統(tǒng)并開展實(shí)證研究，優(yōu)化動(dòng)態(tài)生成性數(shù)據(jù)采集與分析方法，相關(guān)成果可為建立學(xué)習(xí)分析機(jī)制和發(fā)展教育大數(shù)據(jù)服務(wù)提供新思路與方法。

三、教學(xué)數(shù)據(jù)分析與可視化的相關(guān)研究

教育數(shù)據(jù)分析以及數(shù)據(jù)的可視化呈現(xiàn)對(duì)教學(xué)研究和教學(xué)評(píng)價(jià)具有非常大的潛力[4]。在數(shù)據(jù)采集的基礎(chǔ)上需要考慮如何解釋所收集到的數(shù)據(jù)，使這些數(shù)據(jù)轉(zhuǎn)變?yōu)橹R(shí)并為教學(xué)服務(wù)[5]，擴(kuò)大人類的有限理性范圍、提高決策質(zhì)量。數(shù)據(jù)分析研究需要考慮分析對(duì)象、目標(biāo)、模型、方法與技術(shù)等內(nèi)容。

數(shù)據(jù)分析離不開上下文情境以及教學(xué)領(lǐng)域知識(shí)[6-7]，是一個(gè)循環(huán)迭代的過程，前期數(shù)據(jù)收集與分析的結(jié)果能夠?yàn)橄乱淮螖?shù)據(jù)收集與分析方法的選擇提供指導(dǎo)[8]。

（一）數(shù)據(jù)分析對(duì)象與目標(biāo)

數(shù)據(jù)分析對(duì)象包括教師、學(xué)生、家長(zhǎng)、教育管理者等。數(shù)據(jù)分析目的包括描述性數(shù)據(jù)分析和預(yù)測(cè)性數(shù)據(jù)分析兩類[9]，又可細(xì)分為檢測(cè)和分析、預(yù)測(cè)和干預(yù)、輔導(dǎo)和答疑、評(píng)價(jià)和反饋、適應(yīng)性、個(gè)性化和推薦、反思等。目前大多數(shù)研究關(guān)注適應(yīng)性系統(tǒng)，也有研究關(guān)注為教師提供學(xué)習(xí)活動(dòng)監(jiān)控系統(tǒng)[10]，或者為學(xué)習(xí)者提供反饋[11-12]。Feng和Heffernan為動(dòng)態(tài)評(píng)價(jià)開發(fā)不同的量規(guī)，衡量學(xué)生在智能導(dǎo)師系統(tǒng)中的精度、速度、嘗試次數(shù)以及尋求幫助的行為[13];Vatrapu等人通過一系列的可視化分析工具評(píng)估學(xué)生的學(xué)習(xí)活動(dòng)[14];Clow和Markriyannis在聲譽(yù)系統(tǒng)中使用數(shù)據(jù)為學(xué)習(xí)者在非正式學(xué)習(xí)環(huán)境中學(xué)習(xí)知識(shí)提供反饋[11]。

（二）數(shù)據(jù)分析方法與模型

在數(shù)據(jù)分析過程中，構(gòu)建數(shù)據(jù)分析模型是關(guān)鍵，數(shù)據(jù)分析模型扮演著分析“路徑”的角色。Knight等人構(gòu)建了一個(gè)分析和任務(wù)模型[15]，通過跟蹤不同類型知識(shí)和不同層次掌握水平，了解學(xué)生在復(fù)雜識(shí)字任務(wù)中的認(rèn)知參與。

數(shù)據(jù)分析技術(shù)的發(fā)展需要在兩個(gè)方面取得突破[16]：一是對(duì)結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)進(jìn)行高效率的深度分析，挖掘隱性知識(shí);二是對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行分析，例如，將語音、圖像和視頻數(shù)據(jù)轉(zhuǎn)化為機(jī)器可識(shí)別的、具有明確語義的信息，進(jìn)而提取有用的知識(shí)。在教育領(lǐng)域，從數(shù)據(jù)中提取有價(jià)值的技術(shù)主要包括[17-19]：預(yù)測(cè)（決策樹、回歸分析、時(shí)序分析）、聚類（聚類、離群點(diǎn)分析），關(guān)系挖掘（關(guān)聯(lián)規(guī)則挖掘、序列模式挖掘、相關(guān)挖掘）、模式發(fā)現(xiàn)和輔助決策。Dominguez等人使用歸類和關(guān)聯(lián)規(guī)則挖掘?yàn)榫幊叹毩?xí)的學(xué)生提供自動(dòng)反饋[20];Xiong等人提出一種基于決策樹的分類方法自動(dòng)生成學(xué)生在同伴評(píng)價(jià)系統(tǒng)中的表現(xiàn)[21]。同時(shí)，新的分析技術(shù)手段也在不斷涌現(xiàn)。例如，韓國(guó)檀國(guó)大學(xué)教師整合常用的學(xué)習(xí)分析技術(shù)手段提出多維分析方法[22]。不同領(lǐng)域?qū)W習(xí)數(shù)據(jù)分析依靠不同的技術(shù)手段。Bienkowski等人以用戶分類技術(shù)和集群技術(shù)為依托，進(jìn)行用戶基本信息、學(xué)習(xí)習(xí)慣、學(xué)習(xí)偏好等分析，通過趨勢(shì)分析技術(shù)和序列分析技術(shù)對(duì)學(xué)習(xí)者進(jìn)行預(yù)測(cè)[17]。

（三）可視分析方法與實(shí)現(xiàn)

可視分析被認(rèn)為是大數(shù)據(jù)分析的重要方法[23]?？梢暬瘮?shù)據(jù)能夠解決教師使用數(shù)據(jù)作出決策時(shí)面臨的問題。Lefler研究表明，通過持續(xù)的評(píng)價(jià)與及時(shí)可視化的數(shù)據(jù)，教師能夠在非常短的時(shí)間內(nèi)完成以往花費(fèi)幾天才能完成的工作[24];Goodman指出，有效的分析報(bào)告應(yīng)該遵循的七點(diǎn)建議[25]。許多研究開始研發(fā)可視化分析工具，提供關(guān)于學(xué)習(xí)者當(dāng)前學(xué)習(xí)情況和歷次學(xué)習(xí)情況的可視化圖表[26]，幫助用戶靈活地作出決策。這些工具被應(yīng)用于傳統(tǒng)面對(duì)面教學(xué)、在線學(xué)習(xí)或者混合學(xué)習(xí)中。典型案例包括，在課堂中呈現(xiàn)當(dāng)前活動(dòng)的Classroom View[27];支持學(xué)生反思與意義建構(gòu)的CALMSystem[28];Ruipérez-Valiente等人為增強(qiáng)可汗學(xué)院平臺(tái)的學(xué)習(xí)分析功能而研發(fā)的ALAS-KA模塊[29];Lafford等人面向商業(yè)語言學(xué)習(xí)研發(fā)的Tell Me More應(yīng)用[30];Fekete等人利用人的感知和認(rèn)知能力提出的一種基于互動(dòng)技術(shù)的可視化分析工具，使用戶更高效地理解深層次數(shù)據(jù)的價(jià)值[31]。

目前數(shù)據(jù)分析的研究主要集中于通過在學(xué)習(xí)系統(tǒng)或?qū)W習(xí)平臺(tái)中整合工具來實(shí)現(xiàn)數(shù)據(jù)獲取與分析過程[32]，分析的手段多采用簡(jiǎn)單的匯總統(tǒng)計(jì)和比較分析，關(guān)注的重點(diǎn)是受教育者的群體特征以及國(guó)家、區(qū)域、學(xué)校不同層面教育發(fā)展的整體狀況。面對(duì)大數(shù)據(jù)背后蘊(yùn)藏的知識(shí)與智慧，已有研究嘗試構(gòu)建人的認(rèn)知模型支持?jǐn)?shù)據(jù)的可視化分析[33-34]。而對(duì)于智慧教學(xué)過程中多源、異構(gòu)、多維的動(dòng)態(tài)生成性數(shù)據(jù)分析工作，更需要結(jié)合人機(jī)交互技術(shù)，基于人的感知、認(rèn)知和推理決策等能力[35]，運(yùn)用交互式可視化分析方法開展。

四、智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)可視化分析方法

數(shù)據(jù)可視化分析是云計(jì)算和大數(shù)據(jù)研究的核心內(nèi)容之一。高效的數(shù)據(jù)分析過程離不開機(jī)器與人的相互協(xié)作與優(yōu)勢(shì)互補(bǔ)。下文將從分層分析框架與交互可視化分析機(jī)制兩個(gè)方面對(duì)智慧教學(xué)的動(dòng)態(tài)生成性數(shù)據(jù)可視化分析與呈現(xiàn)進(jìn)行研究。

（一）智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)分層分析框架

首先，基于智慧課堂教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)采集分層框架[3]，從計(jì)算機(jī)自動(dòng)處理的角度出發(fā)，構(gòu)建智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)分層分析框架，針對(duì)數(shù)據(jù)采集的行為層、事件層、活動(dòng)層與目標(biāo)層提供不同類型的分析方法，結(jié)合頻繁模式和周期模式挖掘，提出動(dòng)態(tài)生成性數(shù)據(jù)挖掘模型，在數(shù)據(jù)分析基礎(chǔ)上，為教師、學(xué)生、教育管理者等用戶提供不同維度的教學(xué)活動(dòng)序列圖、學(xué)習(xí)結(jié)果統(tǒng)計(jì)圖等可視化圖表，將復(fù)雜知識(shí)轉(zhuǎn)變成教育用戶便于接受和認(rèn)知的動(dòng)態(tài)圖形。

智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)分析框架，如圖1所示。面向描述層、診斷層以及應(yīng)用層的不同分析需求提供預(yù)測(cè)分析、聚類分析、關(guān)系挖掘、模式發(fā)現(xiàn)等分析方法。

1. 描述層

描述層對(duì)教學(xué)行為、學(xué)習(xí)行為以及學(xué)習(xí)表現(xiàn)數(shù)據(jù)進(jìn)行提取、分析，實(shí)現(xiàn)對(duì)一節(jié)課或多節(jié)課數(shù)據(jù)的基本統(tǒng)計(jì)和特征描述。數(shù)據(jù)可以從教師與學(xué)生的學(xué)習(xí)表現(xiàn)、行為序列、行為持續(xù)時(shí)間、行為具體參數(shù)等方面進(jìn)行描述，對(duì)于標(biāo)注教學(xué)事件信息的課堂數(shù)據(jù)，描述層提供每類教學(xué)事件使用的行為類型及持續(xù)時(shí)間，文章關(guān)注的描述分析包括：對(duì)于學(xué)生學(xué)習(xí)表現(xiàn)的描述分析;對(duì)于相同教師執(zhí)教的多節(jié)課堂數(shù)據(jù)進(jìn)行描述則關(guān)注“教師使用技術(shù)的行為習(xí)慣”;對(duì)相同班級(jí)課堂數(shù)據(jù)的描述聚焦于學(xué)生學(xué)習(xí)行為及表現(xiàn)情況等。

2. 診斷層

診斷層提供教學(xué)特征與學(xué)習(xí)特征的相關(guān)描述，例如技術(shù)應(yīng)用層次（此處的技術(shù)包含軟硬件、內(nèi)容與服務(wù)等）、學(xué)習(xí)效果分析、對(duì)生成性內(nèi)容的關(guān)注程度等。

（1）技術(shù)應(yīng)用層次

技術(shù)在課堂教學(xué)中發(fā)揮著重要作用，然而技術(shù)本身并不能改變課堂教學(xué)的本質(zhì)，除非教師能夠在課堂教學(xué)中合理使用技術(shù)。從教學(xué)角度，合理分析教師的課堂管理與資源使用、組織測(cè)評(píng)活動(dòng)、使用學(xué)情分析、分享與評(píng)價(jià)學(xué)生活動(dòng)等在其技術(shù)應(yīng)用行為中所占比率，確定其技術(shù)應(yīng)用層次的高低。結(jié)合進(jìn)一步分析得出教師智慧課堂的教學(xué)模式與風(fēng)格。

（2）學(xué)習(xí)效果分析

借助S-P表分析，提供有關(guān)課堂練習(xí)、課堂測(cè)驗(yàn)的試題異常程度、試題異常系數(shù)、學(xué)習(xí)穩(wěn)定程度和學(xué)習(xí)穩(wěn)定系數(shù)的分析。S-P 表記錄了每個(gè)學(xué)生對(duì)每個(gè)題目每個(gè)選項(xiàng)的作答情況。如果某個(gè)錯(cuò)誤的選項(xiàng)被多數(shù)學(xué)生選擇，可以認(rèn)為學(xué)生對(duì)該題的知識(shí)掌握不好、存在誤解或者題目有歧義。如果少數(shù)的學(xué)生選擇了錯(cuò)誤的選項(xiàng)，這樣教師可以選擇的策略是對(duì)選錯(cuò)的學(xué)生在課下進(jìn)行單獨(dú)指導(dǎo)。

（3）對(duì)生成性內(nèi)容的關(guān)注程度

生成性內(nèi)容包括教師板書、學(xué)生測(cè)評(píng)結(jié)果與學(xué)習(xí)作品等，對(duì)生成性內(nèi)容的關(guān)注體現(xiàn)在“資源使用”“作品展示”與“課堂評(píng)價(jià)”等行為中。

3. 建議層

學(xué)習(xí)分析的終極目標(biāo)是提高學(xué)習(xí)和教學(xué)成效，因此，根據(jù)數(shù)據(jù)分析結(jié)果進(jìn)行有效干預(yù)顯得非常重要。建議層則是根據(jù)描述層與診斷層的分析結(jié)果，為教師深化技術(shù)應(yīng)用層次、學(xué)生了解個(gè)人課堂學(xué)習(xí)狀況、家長(zhǎng)掌握學(xué)生學(xué)習(xí)情況、教育管理者查看教師課堂教學(xué)情況等提供指導(dǎo)與幫助。

（二）基于知識(shí)產(chǎn)生模型的交互可視化分析機(jī)制

針對(duì)傳統(tǒng)數(shù)據(jù)分析方法交互性不足和理解性差等問題，以人作為分析主體和需求主體，強(qiáng)調(diào)基于人機(jī)交互和符合人的認(rèn)知規(guī)律的分析方法，提出基于認(rèn)知模型的人機(jī)交互可視化分析方法，引入時(shí)空數(shù)據(jù)和多維數(shù)據(jù)可視化技術(shù)，研究智慧教學(xué)數(shù)據(jù)可視分析方法，將隱喻知識(shí)轉(zhuǎn)變成教育用戶便于接受和認(rèn)知的圖形、圖像。

教育大數(shù)據(jù)分析面臨的最根本挑戰(zhàn)是從數(shù)據(jù)中凝練可領(lǐng)悟的知識(shí)，采用數(shù)據(jù)融合技術(shù)聚合數(shù)據(jù)間、信息間、知識(shí)片段間多維度、多粒度的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)更多層面的知識(shí)交互。以知識(shí)發(fā)現(xiàn)活動(dòng)為核心，構(gòu)建面向人機(jī)交互可視化分析的認(rèn)知模型和干預(yù)引擎，從而形成新知識(shí)的建立過程。例如，分析者可以通過標(biāo)注等交互操作顯式建立鏈接，計(jì)算機(jī)對(duì)分析者新建的知識(shí)鏈接進(jìn)行更新，并通過語法語義分析更新領(lǐng)域知識(shí)庫，為交互可視分析提供干預(yù)引擎。

知識(shí)產(chǎn)生模型是實(shí)現(xiàn)人機(jī)交互可視化分析的核心，在Sacha等人提出的知識(shí)產(chǎn)生模型[35]基礎(chǔ)上，分析智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)的不同類型，提出動(dòng)態(tài)生成性數(shù)據(jù)可視化分析中的知識(shí)產(chǎn)生模型，如圖2所示。在意義建構(gòu)理論支持下設(shè)計(jì)探索、驗(yàn)證與知識(shí)產(chǎn)生的三層循環(huán)模式，提出面向時(shí)空數(shù)據(jù)、多維數(shù)據(jù)以及二者融合的可視化分析方法，開發(fā)基于用戶認(rèn)知模型的干預(yù)引擎。其中，時(shí)空數(shù)據(jù)和多維數(shù)據(jù)是智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)類型的典型代表。一方面，智慧課堂教學(xué)現(xiàn)場(chǎng)或者進(jìn)行交互式數(shù)據(jù)查詢時(shí)，通常需要結(jié)合時(shí)間和事件等從不同維度提供數(shù)據(jù)的實(shí)時(shí)分析。另一方面，隨著更多教學(xué)活動(dòng)在多終端環(huán)境開展，除了數(shù)據(jù)的規(guī)模化擴(kuò)張，高維引起的問題也是研究的重點(diǎn)。采用平行坐標(biāo)散點(diǎn)圖的方式支持分析者從多個(gè)角度應(yīng)用多種可視化技術(shù)進(jìn)行分析。

五、系統(tǒng)實(shí)現(xiàn)

（一）智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)分析系統(tǒng)體系結(jié)構(gòu)

針對(duì)上述智慧課堂動(dòng)態(tài)生成性數(shù)據(jù)的分析方法，搭建數(shù)據(jù)采集、分析與可視化（交互式視覺表現(xiàn)）原型系統(tǒng)，針對(duì)不同使用對(duì)象和應(yīng)用需求呈現(xiàn)不同的信息量與信息深度，幫助用戶探索和解釋復(fù)雜的數(shù)據(jù)，系統(tǒng)體系結(jié)構(gòu)如圖3所示。

基本流程包括：（1）獲取不同類型智慧教學(xué)支撐系統(tǒng)中的教學(xué)行為數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)與學(xué)習(xí)表現(xiàn)數(shù)據(jù)。所采集的數(shù)據(jù)遵循智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)采集規(guī)范[3]。（2）對(duì)預(yù)處理后的教學(xué)行為與表現(xiàn)數(shù)據(jù)進(jìn)行分類，完善學(xué)生、教師、班級(jí)、課程等基本信息。（3）將數(shù)據(jù)輸出給交互式分析引擎，針對(duì)不同使用對(duì)象和應(yīng)用需求呈現(xiàn)不同的信息量與信息深度，幫助用戶探索和解釋復(fù)雜的數(shù)據(jù)。（4）為教師和學(xué)習(xí)者提供顆粒度不同的可視化圖表，并將分析結(jié)果同步至教育云服務(wù)中。（5）教育云服務(wù)基于分析結(jié)果為用戶推送個(gè)性化學(xué)習(xí)資源。（6）教育研究人員根據(jù)可視化數(shù)據(jù)，完善智慧教學(xué)支撐系統(tǒng)，實(shí)現(xiàn)智慧教學(xué)全過程數(shù)據(jù)的整合應(yīng)用，滿足個(gè)性化教學(xué)與學(xué)習(xí)要求。

本文依托珠?！盎浗淘啤痹囼?yàn)區(qū)智慧課堂教學(xué)試點(diǎn)項(xiàng)目，自2013年以來，共在珠海5個(gè)區(qū)建成100多間智慧教室，開展基于智慧課堂教學(xué)支撐系統(tǒng)的常態(tài)化應(yīng)用。所研發(fā)的智慧教學(xué)動(dòng)態(tài)生成性數(shù)據(jù)分析系統(tǒng)匯聚了珠海市智慧教學(xué)試點(diǎn)校應(yīng)用智慧教學(xué)支撐系統(tǒng)的3000多節(jié)課堂數(shù)據(jù)，涉及93所學(xué)校，233個(gè)班級(jí)，622名教師用戶，實(shí)現(xiàn)了課堂活動(dòng)再現(xiàn)、教學(xué)序列分析、SP表分析、教師風(fēng)格聚類等教學(xué)行為數(shù)據(jù)與表現(xiàn)數(shù)據(jù)的分析、挖掘與可視化呈現(xiàn)，如圖4所示。

a. SP表分析? ? ? b. 教學(xué)活動(dòng)統(tǒng)計(jì)? ? ?c. 教學(xué)活動(dòng)序列

（二）交互可視化分析機(jī)制實(shí)現(xiàn)

交互可視化常用的一種方法是使用戶能夠以不同粒度級(jí)別（例如，任務(wù)，學(xué)生，團(tuán)體，課程）查看數(shù)據(jù)需求。本文以教師風(fēng)格為例，構(gòu)建智慧課堂教學(xué)風(fēng)格序列模型，由于每位教師的教學(xué)活動(dòng)序列不同，根據(jù)教師行為特征及有效規(guī)則進(jìn)行頻繁序列挖掘和聚類分析，能有效呈現(xiàn)教學(xué)風(fēng)格的交互可視化分析結(jié)果。

首先依據(jù)加涅九步教學(xué)法，將能夠體現(xiàn)教學(xué)風(fēng)格的教學(xué)行為特征提煉為“課堂講授”“課堂測(cè)驗(yàn)”“自主學(xué)習(xí)”“課堂提問”“總結(jié)評(píng)價(jià)”“鼓勵(lì)學(xué)生”六類，然后進(jìn)行頻繁序列聚類的可視化分析實(shí)現(xiàn)。實(shí)現(xiàn)過程由接口模塊、預(yù)處理模塊、分析模塊、可視化模塊四個(gè)模塊共同完成，如圖5所示。

基于云端平臺(tái)數(shù)據(jù)采集API接口[3]，匯聚跨平臺(tái)異構(gòu)、多源的第三方智慧課堂支撐系統(tǒng)教學(xué)行為的業(yè)務(wù)數(shù)據(jù)。在預(yù)處理模塊，對(duì)原始課堂行為數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理或標(biāo)準(zhǔn)化形成特征數(shù)據(jù);在分析模塊，通過讀取配置參數(shù)和規(guī)則列表，采用優(yōu)化的K-means聚類算法，對(duì)預(yù)處理過后的課堂交互數(shù)據(jù)進(jìn)行極大頻繁序列挖掘和聚類分析，以此確定教師的教學(xué)風(fēng)格以及分析出不同教師教學(xué)方法的差異;基于分析模塊輸出的結(jié)果，通過可視化模塊個(gè)性化交互展示教師課堂教學(xué)風(fēng)格聚類結(jié)果。

個(gè)性化交互機(jī)制主要體現(xiàn)在兩個(gè)方面：一是，采用層次篩選，可以自主選擇閾值、學(xué)校、學(xué)科、教師、年級(jí)、班級(jí)、聚類個(gè)數(shù)，甚至細(xì)化到某個(gè)教師的具體教學(xué)風(fēng)格情況;二是，基于用戶認(rèn)知模型篩選，在教師風(fēng)格的聚類分析中，默認(rèn)給出最優(yōu)聚類結(jié)果，但用戶可以根據(jù)認(rèn)知經(jīng)驗(yàn)，選取所需的簇類個(gè)數(shù)參數(shù)K，進(jìn)一步優(yōu)化聚類分析結(jié)果，如圖6所示，輪廓系數(shù)是聚類效果的評(píng)價(jià)指標(biāo)，結(jié)合內(nèi)聚度和分離度兩個(gè)因素，介于[-1，1]，越趨近于1，代表內(nèi)聚度和分離度都相對(duì)較優(yōu)。

圖6給出了珠海市初中語文學(xué)科30位教師478節(jié)課的智慧課堂教學(xué)風(fēng)格可視化結(jié)果。將教師智慧課堂教學(xué)風(fēng)格的分析結(jié)果進(jìn)行個(gè)性化交互展示，以柱狀圖的形式展示，縱坐標(biāo)顯示同一個(gè)類簇中的所有教師，橫坐標(biāo)代表各個(gè)活動(dòng)的持續(xù)時(shí)間。從可視化圖中可以看出聚成了5個(gè)簇，每個(gè)簇的教師都具有獨(dú)特的風(fēng)格，相同簇的教師具有相同的教學(xué)行為特征。其中，簇1共有4位教師，他們的教學(xué)時(shí)間相較其他簇更多，教學(xué)行為豐富多樣，擅長(zhǎng)進(jìn)行自主學(xué)習(xí)、總結(jié)評(píng)價(jià)、較多使用課堂測(cè)試檢測(cè)學(xué)生學(xué)習(xí)效果，能夠熟練開展智慧課堂教學(xué)應(yīng)用;簇2共有8位教師，其課堂教學(xué)行為較為單一，側(cè)重于課堂講授和自主學(xué)習(xí);簇3共有4位教師，教學(xué)行為特征體現(xiàn)在關(guān)注課堂講授，少量關(guān)注自主學(xué)習(xí)，教學(xué)時(shí)間較簇1明顯偏少，對(duì)智慧課堂的使用還沒有那么成熟，處于初步應(yīng)用階段;簇4共有6位教師，其課堂行為涉及課堂講授、課堂測(cè)試、自主學(xué)習(xí)、總結(jié)評(píng)價(jià)等教學(xué)的各個(gè)方面，但時(shí)間較短，表明教師正積極探索智慧課堂教學(xué)應(yīng)用;簇5共有8位教師，其教學(xué)行為很少，表明此簇教師對(duì)智慧課堂的使用還不熟悉，需進(jìn)一步提升信息技術(shù)教學(xué)能力?？傮w分析教師教學(xué)風(fēng)格，可以得出，有33%左右的教師開始關(guān)注豐富多樣的教學(xué)方式，如簇1和簇4的教師較多關(guān)注自主學(xué)習(xí)、評(píng)價(jià)和鼓勵(lì)學(xué)生等，教師的智慧課堂教學(xué)方式由單一向多元化發(fā)展。

通過可選簇和可選定某位教師給出相應(yīng)教師風(fēng)格等交互功能更加直觀地分析出同一類教師課堂教學(xué)方法的相似性和不同類教師課堂教學(xué)方法的差異性，能夠較客觀地反映課堂教學(xué)實(shí)情。一方面，便于教師對(duì)課堂教學(xué)行為、課堂師生互動(dòng)行為等的清楚認(rèn)識(shí)，有助于實(shí)現(xiàn)教學(xué)過程的客觀評(píng)價(jià)和完善，對(duì)教師優(yōu)化教學(xué)環(huán)節(jié)和形成獨(dú)具特色的教學(xué)風(fēng)格具有重要意義。另一方面，便于教研人員針對(duì)教師風(fēng)格聚類分析結(jié)果，對(duì)不同教師群體的教學(xué)習(xí)慣、教學(xué)方式等進(jìn)行比較，有助于提煉智慧課堂有效教學(xué)模式，為教研活動(dòng)以及教學(xué)建議提供科學(xué)客觀的數(shù)據(jù)支撐。

六、結(jié)? ?語

隨著智慧教育的深入實(shí)施，如何讓教學(xué)過程中動(dòng)態(tài)生成的數(shù)據(jù)更具“智慧性”和“可視性”，已成為當(dāng)前學(xué)習(xí)分析領(lǐng)域關(guān)注的重要研究問題。本文以智慧課堂教學(xué)行為數(shù)據(jù)為例，針對(duì)傳統(tǒng)數(shù)據(jù)分析交互性不足和理解性差等問題，提出一套新穎、高效的智慧課堂教學(xué)模式挖掘及可視化分析方法，充分解釋所收集的大數(shù)據(jù)，挖掘隱性知識(shí)，轉(zhuǎn)變?yōu)榻逃脩舯阌诮邮芎驼J(rèn)知的圖形、圖像。下一步研究工作將根據(jù)系統(tǒng)模擬用戶交互形成仿真數(shù)據(jù)和真實(shí)用戶應(yīng)用中形成的可視化分析報(bào)告，收集用戶對(duì)數(shù)據(jù)采集指標(biāo)及可視化報(bào)告的意見，提出采集與分析方法的優(yōu)化策略，探索應(yīng)用過程中數(shù)據(jù)可視化分析的一般規(guī)律，形成支撐過程性數(shù)據(jù)交互分析與動(dòng)態(tài)演化的生態(tài)圈。

[參考文獻(xiàn)]

[1] SIEMENS G，LONG P. Penetrating the fog： analytics in learning and education[J]. Educause review， 2011， 46（2）： S866.

[2] QU H， CHEN Q. Visual analytics for MOOC data [J]. IEEE Computer graphics & applications， 2015， 35（6）：69-75.

[3] 王冬青， 韓后， 邱美玲，等. 基于情境感知的智慧課堂動(dòng)態(tài)生成性數(shù)據(jù)采集方法與模型[J]. 電化教育研究， 2018（5）：26-32.

[4] WEST D M. Big data for education： data mining， data analytics， and web dashboards[M]. Washington，USA： Brookings Institution Press， 2012：11.

[5] MARCHESE T J. Assessment update. third down， ten years to go[J]. Aahe Bulletin， 1987（40）：3-8.

[6] COBURN C E， TURNER E O. Research on data use： a framework and analysis[J]. Measurement： interdisciplinary research & perspective， 2011， 9（4）：173-206.

[7] YOUNG V M， KIM D H. Using assessments for instructional improvement： a literature review[J]. Education policy analysis archives， 2010（18）： 1-40.

[8] CHATTI M A， DYCKHOFF A L， SCHROEDER U， et al. A reference model for learning analytics[J]. International journal of technology enhanced learning， 2012， 4（5-6）：318-331.

[9] MAY T A. Analytics， university 3.0， and the future of information technology[DB/OL]. Educause Review Online. [2018-04-10]. http：//net.educause.edu/ir/library/pdf/ERM1159.pdf， 2011.

[10] ROMERO C， ROMERO J R， LUNA J M， et al. Mining rare association rules from e-Learning data[C]// Educational Data Mining 2010， the International Conference on Educational Data Mining， Pittsburgh， Pa， USA， June 11-13， 2010. Proceedings. DBLP， 2010：171-180.

[11] CLOW D， MAKRIYANNIS E. iSpot analysed：participatory learning and reputation[C]// International Conference on Learning Analytics and Knowledge， Lak 2011， Banff， Ab， Canada， February 27 - March. DBLP， 2011：34-43.

[12] NIEMANN K， SCHMITZ H C， SCHEFFEL M， et al. Usage contexts for object similarity： exploratory investigations[C]// International Conference on Learning Analytics and Knowledge. New York：ACM， 2011：81-85.

[13] FENG M， HEFFERNAN N. Can we get better assessment from a tutoring system compared to traditional paper testing？ Can we have our cake （better assessment） and eat it too （student learning during the test）？[C]//International Conference on Intelligent Tutoring Systems. Berlin， Heidelberg： Springer， 2010： 309-311.

[14] VATRAPU R， TEPLOVS C， FUJITA N， et al. Towards visual analytics for teachers' dynamic diagnostic pedagogical decision-making[C]//Proceedings of the 1st International Conference on Learning Analytics and Knowledge. New York：ACM， 2011： 93-98.

[15] KNIGHT S， LITTLETON K. Developing a multiple-document-processing performance assessment for epistemic literacy[C]//Proceedings of the Fifth International Conference on Learning Analytics and Knowledge. New York：ACM， 2015： 241-245.

[16] 工信和信息化部電信研究院. 大數(shù)據(jù)白皮書（2014年）[R]. 北京：工業(yè)和信息化部電信研究院， 2014.

[17] BIENKOWSKI M， FENG M， MEANS B. Enhancing teaching and learning through educational data mining and learning analytics： an issue brief[J]. US Department of education， office of educational technology， 2012（1）： 1-57.

[18] ROMERO C， VENTURA S. Educational data mining： a survey from 1995 to 2005[J]. Expert systems with applications，2007， 33（1）：135-146.

[19] BAEPLER P， MURDOCH C J. Academic analytics and data mining in higher education[J]. International journal for the scholarship of teaching & learning， 2008， 4（2）：267-281.

[20] DOMINGUEZ A K， YACEF K， CURRAN J R. Data mining for generating hints in a python tutor[C]// Educational Data Mining 2010，? the， International Conference on Educational Data Mining， Pittsburgh， Pa， USA， June 11-13， 2010. Proceedings. DBLP，2010：91-100.

[21] XIONG W， LITMAN D， SCHUNN C. Assessing reviewers' performance based on mining problem localization in peer-review data[C]//Educational Data Mining 2010-3rd International Conference on Educational Data Mining. 2010： 211-220.

[22] KIM M， LEE E. A Multidimensional analysis tool for visualizing online interactions[J]. Journal of educational technology & society， 2012， 15（3）：89-102.

[23] 任磊， 杜一， 馬帥，等. 大數(shù)據(jù)可視分析綜述[J]. 軟件學(xué)報(bào)， 2014（9）：1909-1936.

[24] LEFLER M， BRASIEL S. Using data dashboards to supercharge data-driven decision making in the K-12 classroom[EB/OL].? [2018-04-10]. https：//digitalcommons.usu.edu/researchweek/ResearchWeek2015/All2015/145/.

[25] GOODMAN D P， HAMBLETON R K. Student test score reports and interpretive guides： review of current practices and suggestions for future research[J]. Applied measurement in education， 2004， 17（2）：145-220.

[26] FEW S. Information dashboard design： displaying data for at-a-glance monitoring[M]. Burlingame， CA： Analytics Press， 2013.

[27] FRANCE L， HERAUD J M， MARTY J C， et al. Monitoring virtual classroom： visualization techniques to observe student activities in an e-Learning system[C]// International Conference on Advanced Learning Technologies. IEEE， 2006：716-720.

[28] KERLY A， ELLIS R， BULL S. CALMsystem： a conversational agent for learner modelling[J]. Knowledge-based systems， 2008， 21（3）：238-246.

[29] RUIPEREZ-VALIENTE J A， MUNOZ-MERINO P J， LEONY D， et al. ALAS-KA： A learning analytics extension for better understanding the learning process in the Khan Academy platform[J]. Computers in human behavior， 2015， 47：139-148.

[30] LAFFORD B A. Review of tell me more spanish[J]. Language learning & technology， 2004， 8（3）：21-34.

[31] FEKETE J D， WIJK J V， STASKO J T， et al. The value of information visualization[M]//Information visualization. Springer， Berlin， Heidelberg， 2008： 1-18.

[32] FERGUSON R， SHUM S B. Social learning analytics： five approaches[C] // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. New York：ACM， 2012： 23-33.

[33] GREEN T M， RIBARSKY W， FISHER B. Building and applying a human cognition model for visual analytics[J]. Information visualization， 2009， 8（1）： 1-13.

[34] PATTERSON R E， BLAHA L M， GEINSTEIN G G， et al. A human cognition framework for information visualization[J]. Computers & graphics， 2014， 42： 42-58.

[35] SACHA D， STOFFEL A， STOFFEL F， et al. Knowledge generation model for visual analytics[J]. Visualization & computer graphics IEEE transactions on， 2014， 20（12）：1604-1613.