劉永欣 趙元棣 張彬 李昂

摘? 要：構(gòu)建TULIP虛擬仿真平臺的目標(biāo)是有效提升學(xué)習(xí)者的邏輯思維和實踐能力。采集學(xué)習(xí)者在TULIP平臺有關(guān)空中交通管理本科專業(yè)課程的在線學(xué)習(xí)行為數(shù)據(jù)，選取9個學(xué)習(xí)行為量化指標(biāo)，采用主成分分析和k-均值聚類方法，對學(xué)習(xí)者在TULIP平臺14個任務(wù)的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析。通過分析聚類結(jié)果，將任務(wù)分為識記、資料拓展、前序課程延續(xù)、綜合應(yīng)用四類，并準(zhǔn)確識別成績優(yōu)秀和成績較差學(xué)習(xí)者的學(xué)習(xí)行為特征。探討基于TULIP平臺的教學(xué)方法，通過有針對性地制定教學(xué)方案和干預(yù)措施，實現(xiàn)提升學(xué)習(xí)效果的目標(biāo)。

關(guān)鍵詞：教育信息化；TULIP平臺；學(xué)習(xí)行為；主成分分析；k-均值聚類

中圖分類號：G642? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號：2096-000X（2023）21-0193-04

Abstract： The goal of constructing TULIP virtual simulation platform is to effectively improve learners' logical thinking and practical ability. The online learning behavior data of learners on the TULIP platform related to air traffic management undergraduate professional courses are collected. Through selecting 9 quantitative indicators of learning behavior， learners' learning behavior data of 14 tasks on the TULIP platform areanalyzed based on principal component analysis and k-means clustering method. By analyzing the clustering results， the tasks are divided into four categories： memorization， materials expansion， pre-coursecontinuation and comprehensive application， The learning behavior characteristics of learners with excellent and poor academic performance are accurately identified. The teaching methods based on TULIP platform are discussed， so as to formulate targeted teaching programs and interventions to achieve the goal of improving learning effect.

Keywords： educational informatization; TULIP platform; learning behavior; principal component analysis; k-means clustering

經(jīng)過多年的發(fā)展與建設(shè)，中國民航大學(xué)交通運輸專業(yè)課程已形成體系。然而，以教師為中心的傳統(tǒng)授課方式容易產(chǎn)生學(xué)生對知識理解不深、理論與實踐脫離等問題。在全國教育信息化建設(shè)的背景下，該專業(yè)以培養(yǎng)復(fù)合型、應(yīng)用型、創(chuàng)新型人才為目標(biāo)，以提升邏輯思維和實踐能力為核心，構(gòu)建了虛擬仿真學(xué)習(xí)平臺——TULIP（Task-based Ultra Learning Intelligent Platform）平臺，使學(xué)生通過完成多種實驗任務(wù)建立對空管規(guī)章的直觀認(rèn)識，加深對理論知識的準(zhǔn)確理解，充分激發(fā)學(xué)生的學(xué)習(xí)興趣和主觀能動性，有效提升教學(xué)效果和人才培養(yǎng)質(zhì)量。

基于數(shù)據(jù)挖掘的學(xué)習(xí)行為研究已有一些成果。2017年，張健[1]利用改進(jìn)后的序列模式挖掘算法對學(xué)習(xí)行為的數(shù)據(jù)進(jìn)行采集、挖掘和分析，將數(shù)據(jù)挖掘技術(shù)應(yīng)用于個性化的學(xué)習(xí)系統(tǒng)，優(yōu)化了在線學(xué)習(xí)的機(jī)制以及用戶的學(xué)習(xí)體驗。2018年，王改花等[2]采用數(shù)據(jù)挖掘技術(shù)中的決策樹方法對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行了預(yù)測，構(gòu)建了適應(yīng)性學(xué)習(xí)系統(tǒng)學(xué)習(xí)干預(yù)模型。2019年，代紅等[3]通過對學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)過程中產(chǎn)生的大量學(xué)習(xí)行為記錄進(jìn)行分析和數(shù)據(jù)挖掘，并采用機(jī)器學(xué)習(xí)中集成學(xué)習(xí)的方法對學(xué)習(xí)成績進(jìn)行預(yù)測，研究結(jié)果對學(xué)習(xí)質(zhì)量的提高有重要意義。2020年，趙倩[4]選擇網(wǎng)絡(luò)教學(xué)平臺的師生行為進(jìn)行分析，應(yīng)用數(shù)據(jù)挖掘技術(shù)和行為序列分析法提取網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)的有用信息，發(fā)現(xiàn)有效學(xué)習(xí)規(guī)律，提出提升教學(xué)效果建議，為高校有效開展網(wǎng)絡(luò)教學(xué)平臺支持的混合式教學(xué)提供數(shù)據(jù)支持；同年，沈洵[5]利用大數(shù)據(jù)挖掘的關(guān)聯(lián)分析等方法歸納出個體學(xué)生在線學(xué)習(xí)行為與學(xué)習(xí)成效高關(guān)聯(lián)度的學(xué)習(xí)行為指標(biāo)，以此設(shè)計出在線課程學(xué)習(xí)行為數(shù)據(jù)標(biāo)準(zhǔn)，作為教師設(shè)計教學(xué)內(nèi)容和干預(yù)學(xué)生學(xué)習(xí)行為的參考依據(jù)。2021年，楊孟嬌等[6]選取了7個學(xué)習(xí)行為量化指標(biāo)，采用主成分分析法和K均值聚類算法相結(jié)合的方法，對開放教育學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行科學(xué)的聚類；同年，藺小清[7]完成了一種基于K-means聚類算法的在線學(xué)習(xí)行為分析方法的設(shè)計，通過聚類分析采集到的用戶在線學(xué)習(xí)行為路徑數(shù)據(jù)實現(xiàn)其在線學(xué)習(xí)行為的獲取，并從大數(shù)據(jù)中挖掘用戶學(xué)習(xí)行為習(xí)慣，為提高混合式教學(xué)質(zhì)量及效率提供參考。

目前，TULIP平臺已成功應(yīng)用于該專業(yè)的多門空管專業(yè)課程，學(xué)習(xí)者以闖關(guān)形式完成各項任務(wù)，包括以下幾個部分。

1）首次任務(wù)：需要在有限的時間內(nèi)完成，目的是讓學(xué)習(xí)者在不借助任何參考資料的情況下感知任務(wù)，進(jìn)行初步思考與設(shè)計。

2）正式任務(wù)：共有5次機(jī)會，每個任務(wù)所需要的知識都是未曾學(xué)過的，而這些知識均可以在平臺的資源庫中找到，需要學(xué)習(xí)者自行去尋找、探索、辨識。

3）錦囊：為每個任務(wù)提供錦囊，錦囊不提供具體解答，但會告訴學(xué)習(xí)者開啟闖關(guān)大門的鑰匙可能在哪。

從執(zhí)行任務(wù)開始，學(xué)習(xí)者在平臺上的學(xué)習(xí)行為包括鼠標(biāo)操作、查找文檔、學(xué)習(xí)文檔等數(shù)據(jù)都將被記錄。這些數(shù)據(jù)是分析學(xué)習(xí)者的學(xué)習(xí)風(fēng)格、學(xué)習(xí)習(xí)慣、學(xué)習(xí)態(tài)度以及提供定制學(xué)情報告的重要依據(jù)。

本文邀請中國民航大學(xué)交通運輸專業(yè)2018級本科生作為學(xué)習(xí)者，分批完成總共14個任務(wù)，采用聚類分析方法對收集到的學(xué)習(xí)數(shù)據(jù)進(jìn)行分析，以研究學(xué)習(xí)者的學(xué)習(xí)行為特點。

一? 數(shù)據(jù)采集與指標(biāo)確定

本文數(shù)據(jù)來源于TULIP平臺，刪除無效數(shù)據(jù)后各任務(wù)數(shù)據(jù)條數(shù)見表1，選取任務(wù)指標(biāo)見表2。

二? 基于主成分分析的任務(wù)影響因素提取

本文利用主成分分析[5]篩選出相關(guān)性強(qiáng)的變量并按重要程度排序，為聚類分析奠定基礎(chǔ)。

由于各任務(wù)的難度和特點不同，對于不同任務(wù)，學(xué)生的成績存在較大差異。分別采用KMO值檢驗、Bartlett球形檢驗、公因子方差對數(shù)據(jù)的可行性進(jìn)行檢驗[6]，當(dāng)選取指標(biāo)滿足以下3個條件時，證明它們之間的相關(guān)性較高，可以作為聚類分析的影響因素。①KMO值大于0.6；②滿足Bartlett球形檢驗（ρ<0.05）；③選取指標(biāo)的公因子方差大于0.4。

影響因素提取及排序結(jié)果見表3。

三? 基于k-均值聚類的學(xué)習(xí)行為數(shù)據(jù)分析

針對每個任務(wù)，利用表3中的影響因素對學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析[7]，得到每個任務(wù)的聚類結(jié)果，見表4。

選取典型任務(wù)的聚類結(jié)果進(jìn)行分析如下。

1? 識記類任務(wù)

FPL電報、二次監(jiān)視雷達(dá)C模式高度驗證、雷達(dá)標(biāo)牌識別等任務(wù)是典型的識記類學(xué)習(xí)內(nèi)容。以“FPL電報任務(wù)”為例，學(xué)習(xí)者共分為四類：①第一類共69人，成績在[40，61]之間，首次完成任務(wù)的學(xué)習(xí)次數(shù)平均0.77次，學(xué)習(xí)次數(shù)平均2.17次；②第二類共8人，成績在[6，67]之間，首次完成任務(wù)的學(xué)習(xí)次數(shù)為0，學(xué)習(xí)次數(shù)平均6.38次；③第三類共154人，成績在[54，70]之間，首次完成任務(wù)的學(xué)習(xí)次數(shù)平均1.2次，學(xué)習(xí)次數(shù)平均2.20次；④第四類共26人，成績在[82，94]之間，首次完成任務(wù)的學(xué)習(xí)次數(shù)平均2.46次，學(xué)習(xí)次數(shù)平均3.04次。

根據(jù)聚類結(jié)果可以發(fā)現(xiàn)，首次完成任務(wù)的學(xué)習(xí)次數(shù)和學(xué)習(xí)次數(shù)相對較多的第四類學(xué)習(xí)者，成績明顯高于第一和第三類；而完全沒有參與“首次任務(wù)”學(xué)習(xí)的第二類，學(xué)習(xí)次數(shù)最高，但成績相對較差，說明了設(shè)置“首次任務(wù)”的必要性：在不借助任何參考資料的情況下在有限時間內(nèi)完成任務(wù)，客觀上起到了對學(xué)習(xí)者“加壓”的作用，有助于保證正式內(nèi)容的理解、辨識與掌握。

2? 資料拓展類任務(wù)

航空器最低調(diào)整速度標(biāo)準(zhǔn)、機(jī)場管制放行間隔等任務(wù)涉及相關(guān)資料的搜集與理解。以航空器最低調(diào)整速度標(biāo)準(zhǔn)任務(wù)為例，學(xué)習(xí)者共分為三類：①第一類共45人，成績在[43，71]之間，學(xué)習(xí)次數(shù)平均3.8次，資料查看次數(shù)平均3.8次；②第二類共33人，成績在[35，66]之間，學(xué)習(xí)次數(shù)平均4.97次，資料查看次數(shù)平均2.18次；③第三類共26人，成績在[10，27]之間，學(xué)習(xí)次數(shù)平均1.46次，資料查看次數(shù)平均1.35次。

根據(jù)聚類結(jié)果可以發(fā)現(xiàn)，成績最高的第一類學(xué)習(xí)者查看資料次數(shù)達(dá)到3.8次，而成績墊底的第三類學(xué)習(xí)者只有1.35次，因此可以推斷該類型任務(wù)需要學(xué)習(xí)者在首次學(xué)習(xí)前掌握一定的基礎(chǔ)知識，在學(xué)習(xí)中注意查閱相關(guān)資料并提取交叉內(nèi)容。

3? 前序課程延續(xù)類任務(wù)

進(jìn)離場插飛機(jī)間隔任務(wù)強(qiáng)調(diào)飛機(jī)性能等前序課程內(nèi)容的綜合應(yīng)用，學(xué)習(xí)者共分為三類：①第一類共56人，成績在[74，92]之間，學(xué)習(xí)次數(shù)平均2.14次，資料查看次數(shù)平均2.23次；②第二類共48人，成績在[30，62]之間，學(xué)習(xí)次數(shù)平均1.15次，資料查看次數(shù)1.04次；③第三類共19人，成績在[10，53]之間，學(xué)習(xí)次數(shù)平均1次，資料查看次數(shù)平均0.16次。

根據(jù)聚類結(jié)果可以發(fā)現(xiàn)，成績最高的第一類學(xué)習(xí)者在學(xué)習(xí)過程中，學(xué)習(xí)次數(shù)和資料查看次數(shù)也最高；共有19人沒有拿到理想成績，從側(cè)面說明了此種強(qiáng)調(diào)前序課程知識綜合應(yīng)用的任務(wù)，比識記類任務(wù)的難度更大，前序課程內(nèi)容的掌握程度和綜合問題的解決能力都與最后的成績相關(guān)。

4? 綜合應(yīng)用類任務(wù)

機(jī)場起落航線運行間隔、前后進(jìn)近航空器雷達(dá)尾流間隔標(biāo)準(zhǔn)等任務(wù)是管制學(xué)員建立起初步指揮能力的重要一環(huán)，強(qiáng)調(diào)知識的綜合應(yīng)用。以機(jī)場起落航線任務(wù)為例，學(xué)習(xí)者共分為四類：①第一類共12人，成績在[60，79]之間，學(xué)習(xí)次數(shù)平均2.5次，錦囊使用次數(shù)平均0.83次，資料查看次數(shù)平均2.42次，資料查看時長平均223.75 s；②第二類共53人，成績在[30，61]之間，學(xué)習(xí)次數(shù)平均1次，錦囊使用次數(shù)平均0.66次，資料查看次數(shù)平均0.96次，資料查看時長平均109.43 s。③第三類共41人，成績在[42，69]之間，學(xué)習(xí)次數(shù)平均1.5次，錦囊使用次數(shù)平均1.83次，資料查看次數(shù)平均1.1次，資料查看時長平均251.7 s。④第四類共16人，成績在[84，96]之間，學(xué)習(xí)次數(shù)平均2.69次，錦囊使用次數(shù)平均2.06次，資料查看次數(shù)平均2.56次，資料查看時長平均396.00 s。

根據(jù)聚類結(jié)果可以發(fā)現(xiàn)，成績較高的學(xué)習(xí)者普遍學(xué)習(xí)次數(shù)較多，查看錦囊和資料次數(shù)較多，資料查看時長較長，說明此種任務(wù)的難度較大，任務(wù)的訓(xùn)練次數(shù)、強(qiáng)度、熟練程度以及錦囊的提示作用有助于學(xué)習(xí)者掌握知識點。

四? 基于TULIP平臺的教學(xué)方法探討

通過以上分析可知，針對不同類型的學(xué)習(xí)任務(wù)，學(xué)習(xí)行為的共性特征差異較大；針對同一學(xué)習(xí)任務(wù)，不同學(xué)生呈現(xiàn)出在學(xué)習(xí)習(xí)慣、認(rèn)知方式等多方面的差異。因此，結(jié)合本專業(yè)課程特點，利用TULIP平臺開展“線上+線下”混合教學(xué)，采集并分析每個任務(wù)中不同學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，構(gòu)建“以學(xué)生為中心+基于能力教育”的創(chuàng)新型教學(xué)模式。

1? 面向課堂的多樣化組織

TULIP平臺的核心思想是“以學(xué)生為中心”，具體體現(xiàn)在首次任務(wù)的嘗試、擴(kuò)展資料的查找、錦囊提示的理解、實驗任務(wù)的復(fù)盤等。教師在課堂設(shè)計和授課過程中，可以針對每個知識點的特點和任務(wù)的種類，靈活安排、使用TULIP平臺的各個模塊，使課堂真正呈現(xiàn)“學(xué)生自主學(xué)習(xí)、自主實踐和自主獲取能力”，充分展現(xiàn)出由“知識是教師教出來的”向“知識是學(xué)生自己構(gòu)建起來的”這一目標(biāo)徹底轉(zhuǎn)變。

2? 面向?qū)W生的差異化教學(xué)

TULIP平臺的教學(xué)理念是“基于能力教育”，通過全面、自動采集學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，利用數(shù)據(jù)挖掘、統(tǒng)計分析、機(jī)器學(xué)習(xí)等方法為每位學(xué)生構(gòu)建學(xué)習(xí)畫像，定量評估其各項能力。在此基礎(chǔ)上，面向不同能力等級的學(xué)生，實施差異化教學(xué)，確保教學(xué)活動能夠匹配每位學(xué)生的興趣、特點和能力，真正實現(xiàn)“因材施教”。持續(xù)跟蹤每位學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，對能力提升效果進(jìn)行分析。

3? 面向教師的定制化評價

TULIP平臺的使用對象除了學(xué)生還有教師，通過分析授課班級內(nèi)所有學(xué)生的學(xué)習(xí)畫像，教師能夠充分、準(zhǔn)確掌握學(xué)生的能力水平與特點，從而進(jìn)行更有針對性的教學(xué)環(huán)節(jié)設(shè)計和過程評價設(shè)計。針對同一課程的不同授課教師，利用班級學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，計算生成教學(xué)效果評價結(jié)果，從而使教師之間能夠相互借鑒，取長補(bǔ)短。對于多年從事同一課程教學(xué)工作的教師，繪制其教學(xué)效果評價曲線，有助于教師掌握教學(xué)規(guī)律。

4? 面向課程的體系化構(gòu)建

TULIP平臺的最終目標(biāo)是建立專業(yè)課程體系，包括虛擬仿真類（如：空管理論、實踐等）和非虛擬仿真類（如：高等數(shù)學(xué)、大學(xué)物理等）課程，不同課程中識記、資料拓展、前序課程延續(xù)、綜合應(yīng)用四類任務(wù)的比例配置有所區(qū)別，課程之間的任務(wù)具有邏輯性和延續(xù)性，從而構(gòu)建出完整的專業(yè)課程體系，可以為每個學(xué)生在本科四年的學(xué)習(xí)中提供更精細(xì)化的學(xué)習(xí)指導(dǎo)或干預(yù)措施，以期最終實現(xiàn)專業(yè)培養(yǎng)目標(biāo)。

參考文獻(xiàn)：

[1] 張健.基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為分析與研究[D].西安：西安電子科技大學(xué)，2017：79-80.

[2] 王改花，傅鋼善.網(wǎng)絡(luò)學(xué)習(xí)行為與成績的預(yù)測及學(xué)習(xí)干預(yù)模型的設(shè)計[J].中國遠(yuǎn)程教育，2019（2）：39-48.

[3] 代紅，吳文凱，任玲，等.網(wǎng)絡(luò)學(xué)習(xí)行為分析與預(yù)測的研究[J].通訊世界，2019，26（10）：28-29.

[4] 趙倩.基于行為數(shù)據(jù)分析的網(wǎng)絡(luò)教學(xué)平臺應(yīng)用研究[D].呼和浩特：內(nèi)蒙古師范大學(xué)，2020：4-5.

[5] 沈洵.基于大數(shù)據(jù)分析的在線課程學(xué)習(xí)行為數(shù)據(jù)標(biāo)準(zhǔn)設(shè)計[J].新課程研究，2020（21）：45-47，89.

[6] 楊孟嬌，侯麗媛.基于數(shù)據(jù)挖掘的開放教育學(xué)習(xí)者學(xué)習(xí)行為聚類分析[J].安徽廣播電視大學(xué)學(xué)報，2021（3）：32-37.

[7] 藺小清.大數(shù)據(jù)時代K-means聚類算法應(yīng)用于在線學(xué)習(xí)行為研究[J].電子設(shè)計工程，2021，29（18）：181-184，193.