【正文】  摘 要：混合式教学是融合传统课堂教学和在线课程的一种混合教学模式，近年来已成为高职教育实践的热门领域，该教学模式下会产生大量的数据，如何应用这些数据为教学诊改提供数据支撑是高职教育当前混合式教学研究的焦点。我校合作开发的“广工院”云课堂是混合式教学的具体实践，通过对云课堂数据的分析，提出了多级指标体系，构建了基于深度学习的学生学习能力评价模型并应用于实践，通过计算结果与实际数据的对比验证，基于云课堂教学大数据的评价模型相关系数较高，具有较强的实践意义。
　　关键词：混合式教学；深度学习；神经网络；大数据分析
　　混合式教学是在在线课堂基础上将在线教学的优势与传统课堂教学的优势结合起来的一种新型教学模式。
　　混合式教学过程是将在线教学的手段应用到传统课堂教学中，使教学过程既充分运用“互联网+”的信息化、智能化、便捷化的工具与手段，又能使学生受到一定程度传统课堂教学的约束，既使课堂更加可控，又能让学生更有课堂归属感。
　　在线课堂会产生海量的数字数据，传统课堂教学也会提供巨量的传统类型数据，如何将两种类型的数据数字化并有效存储和结合分析，是混合式教学研究的一大难题。
　　目前大数据、人工智能等现代信息技术已经渗透到各个领域的各个行业，如电商、娱乐、医疗、金融等行业都已经运用的非常成熟，但在高职教育领域，更多的是智慧校园管理的大数据应用，较少针对课堂教学的大数据分析和学生能力评价。
　　针对以上问题，本文在我校云课堂实践的基础上，将课堂教学大数据存储于国产分布式数据库（OceanBASE），构建大数据分析平台，并基于此平台，对学生学习能力进行评价预测实践。
　　1、混合式教学大数据
　　本次混合式教学的研究是基于我校“广工院”云课堂平台进行。该平台已在我校全面推广，全部课程和95%以上的教师均依托该平台完成教学工作，课前、课中、课后等环节均依托该平台完成，客户端有PC端和移动端。教学实施中，以学生为主体，教师完成方向指导，学生半自主化完成学习，学生学习细节由学生自行把握。
　　在混合式教学中，教学数据主要来源于传统教室教学过程产生的传统课堂数据和线上教学平台的记录。本研究基于“广工院”云课堂的校级实践展开，数据主要来源于课堂点名、实验实训时长、课堂测试、课堂作业、课下练习、线上学习时长、线上测试成绩、微课观看深度、线上签到、线上点名、线上讨论等诸多数据，如图1/2所示。


















图1 总体教学质量数据图
















图2 有效课堂数据图

　　2、基于深度学习的学生学习能力评价模型
　　2.1 学生学习能力评价体系构建
　　构建学生学习能力评价指标是一个复杂的分析过程，需要在保证各项指标数据化及可操作性的基础上，又要符合事实并逻辑自洽。因此，形成一个完整的评价体系以及指标体系是首要任务。
　　对于评价体系和指标体系，首先评价对象都是参与教学的学生，评价的内容是学生的学习能力，因此使用层次分析法作为核心评价体系。将评价目标拆分为多个不同层级的指标，一级指标下又有多个二级指标，若条件允许还可以进一步细分，这样就构成了一个完整的学生学习能力层次分析评价体系。
　　在体系构建的基础上，对我校“广工院”云课堂的已有数据和相关记录进行归纳分类，确定课下活跃指数、平时成绩指数、课堂参与度指数、课堂互动指数等一级指标，如图3所示。






图3 层次分析评价体系

　　2.1.1 学生学习能力评价指标
　　前述学生学习能力评价指标是构建一系列可以根据该参数决定学生学习能力的数据源，经过对大量数据的分析，以及查阅相关文献资料，可以决定一级指标和二级指标。
　　（1）课下活跃指数：课后练习完成情况、课后任务完成情况。
　　（2）平时成绩指数：课堂作业、课堂练习、课堂测验、过关练习。
　　（3）课堂参与度指数：学习资料、调查、一句话问答、粘贴板。
　　（4）课堂互动指数：抢答、点将、举手活动。
　　2.1.2 学生学习能力评价体系权重
　　前述学生学习能力评价指标中一级指标为4个、二级指标13个，如何将这些不同的指标赋予不同的权重，从而达到对学生学习能力最准确的评价是评价模型里非常重要的一步。在本文中采用层次分析法来确定每个不同指标的权重，如表1所示。

表1 各级指标权重表














　　2.1.3 学生学习能力评价指标计算方法
　　每个一级指标都以百分制计分，在根据不同学生的实际数据，按照相对地位量数进行标准化为实际数据。
　　2.2 学生学习能力评价模型构建
　　将所有学生学习能力指标分级分层之后，就可以使用深度学习模型进行学生学习能力判定。将学生的二级评价指标作为输入，将学生的阶段成绩和数据作为训练数据集，通过训练获得学生学习能力的评价。依据不同层所处的位置，整个神经网络可以分为三层：输入、隐藏与输出。首层和末层是输入输出层，中间的均为隐藏层，且互相链接，隐藏层中第i层的每一个神经元都与下层的每一个神经元互相连接。
　　深度学习模型虽然逻辑上较为繁琐，但具体到每一个细节，都是线性关系加激活函数；除了第一层和最后一层，其间可以有多个中间层，会衍生许多参数，则线性关系w和偏倚b需建立规则。
　　2.3 模型算法验证实践
　　本模型的数据全部来源于“广工院”云课堂的全校实践数据，通过学生学习能力评价体系可以得到学生在不同层次的得分，最后可以在验证了系统评价体系的可靠性之后对学生后续的学习能力进行预测。
　　通过分析混合式教学过程中产生传统教学数据和在线教学数据汇聚为混合教学数据；通过诸如学生点名详情，学生实训详情，学生举手活动详情等融合为属性数据集；最终生成综合数据集。然后依据前文所述指标体系，分成多重指标，其中包括四个一级指标、13个二级指标以及若干三级指标。通过观察训练模型，对部分学生学习能力的实际值与预测值进行比对。
　　验证数据约1000个样本，并且根据学期末考试和单元测试的成绩产生60个训练样本和20个测试样本。在本文的实验中，迭代次数约为4000，并用学生期末考试成绩与单元测试成绩的加权平均值作为预测对照组。最后的比对验证过程中，分别进行了合格和不合格的分类分析，以及10分区间、5分区间与1分区间的回归分析，可得出结果如表2所示。

表2 预测结果相关系数表







　　可以看出在进行最终成绩是否合格的分类预测中，分层评价模型的相关系数为98.3%，即该模型对1000个样本的最终是否合格与不合格预测中，计算结果准确度相当高；在之后的10分区间至1分区间中，分层评价模型的预测结果相关系数也都在85%以上，相对于加权平均预测该模型具有良好的预测计算能力。
　　通过验证，模型可以准确地对学生学习能力进行评价，在一定程度上可以对参与教学的师生进行深层次的提前预警和诊改指导。
　　3、结论
　　通过对基于“广工院”云课堂混合式教学大数据的应用，利用深度学习训练模型，可以较为全面的挖掘学生真实学习能力，可以对学生的学习状况进行深层次的掌握，从而达到因材施教的目标，还可以根据学生的学习状况的成长变化，对学生的不良行为和教师教学质量进行提前预警。但本文的研究还存在诸多局限性，其一是评价体系还相当主观，其科学性和健壮性还有待深入挖掘；其二是评价数据的局限性，数据完全来源于我校云课堂实践，其广度和深度还有待扩展，对其他平台的数据适应度上还有待进一步完善。
　　参考文献：
　　[1]史沛鑫.基于教育大数据的高校教师能力模型及评价研究[D].华中师范大学，2020.DOI：10.27159/d.cnki.ghzsu.2020.002471.
　　[2]杨传辉.OceanBase高可用方案[J].华东师范大学学报（自然科学版），2014（05）：173-179.
　　[3]朱家成，陈刚，向华，李支成，吴开诚.基于深度神经网络的混合教学学生画像模型[J].信息技术与信息化，2020（10）：196-199.
　　[4]陈建敏，徐苏丽，马晓松，程茜宇.基于深度学习的高校贫困生精准资助模型的构建[J].通化师范学院学报，2019，40（05）：140-144.DOI：10.13877/j.cnki.cn22-1284.2019.05.023.
　　[4]李有增，曾浩.基于学生行为分析模型的高校智慧校园教育大数据应用研究[J].中国电化教育，2018（07）：33-38.
　　[5]吴丹，陆柳杏.智慧信息服务大数据分析框架[J].图书与情报，2018（02）：1-7.