数据可视化赋能学情分析

摘要：在“互联网+教育”时代，信息技术融入教学过程拓宽了教学课堂的广度与深度，线上课堂平台简化了教学过程数据获取的方式。与此同时，数据的多样化、离散化导致以数据为基础的学情分析变得碎片化。针对数据赋能学情追踪，本文采用streamlit库，设计前端数据可视化页面，将多维度信息集成在一起，引入时间序列数据分析策略，刻画学生多维度学情画像，通过数据与分析可视化技术，实现了在线教学过程的学情分析。

关键词：数据可视化;数据分析;学情分析;在线教学

中图分类号：G434  文献标识码：A  论文编号：1674-2117（2022）18-0083-04

引言

《中国教育现代化2035》《教育信息化2.0行动计划》中强调义务教育阶段需要深化信息技术与教育教学的融合发展，推动信息技术在教学中深入、广泛应用[1]，这就要求教学过程中的教学手段和教学方法要适应新的教学环境。互联网与云端技术的发展，提升了在线教育平台的易用性和稳定性，加速了在线教育的发展。新冠肺炎疫情的暴发再次推动在线教育的普及与应用。在线教育在迅速扩张的同时，也暴露出了诸多问题[2]，其中，如何及时掌握学生的学情信息变得尤其重要。

本研究通过梳理数据可视化在教学过程中的相关研究，从数据赋能学情分析的角度出发，采用数据分析与可视化技术，基于在线课堂后台数据，从广度和深度上挖掘隐藏在数据背后的信息，刻画学生学习情况，达到学情可量化、学情可视化，助力教师精确诊断学情。

相关研究

数据可视化，是关于数据视觉表现形式的科学技术研究。刘欢[3]等提出数据可视化具有直观展示数据、增强理解数据、辅助探索数据的应用价值。刘迎春[4]等通过对学生考试数据的分析，构建学生学习数据可视化反馈模式，提高了数据的可解释性。郭世豪[5]使用FineReport工具制作了50种类型的数据图表，用于展示智慧课堂统计数据。张雷[6]借助visdom工具和Python机器学习库，实现学生成绩的可视化。针对学生的可获取数据维度越来越丰富，近期的研究尝试引入数据挖掘技术，实现多维度刻画学生画像，从而进行精准教学。翟鸣宇[7]等人采用K-protype聚类的方法，针对高效教育大数据，构建学生群体画像。刘思宇和那达林[8]构建学生数据获取流程，采用K-means聚类方法，分析首都医科大学19级学生的U校园学习数据，刻画学生画像。秦争妍[9]对教学系统中的学生行为进行数据分析，依据数据的时变性，建立学生动态画像。

学情分析[10]，是指教师对学生学习情况的分析，在新课程改革下，学情分析逐渐走入教育教学实践。学情数据是在课堂实践中产生的，其来源主要分为行为数据和结果数据。行为数据是学生参与教学活动的数据，如学习时长、答题次数等;结果数据是学生阶段性取得的成果，如作业正确率、答题正确率等。现有研究探索了学情的不同方面，张维霞[11]提出了分层学习、趣味课堂、预习和遥控管策略。黄香花和高忠信[12]探索针对性的练习讲评，提升学生兴趣，夯实知识点掌握度。赵煜[13]等人基于学生为中心，构建混合式教学模式，提升学生核心素养。潘华萍[14]关注学生个体间的差异，以案例分析的方式提出有效的教学过程，弥补差异提升教学有效性。刘炜和张林[10]通过课程学习平台数据构建评价体系对学生学习效果进行评价。

数据来源与介绍

本文数据来自小学三年级数学在线教学过程。直播教学采用的平台为Classin，作业收集与统计来自微信小程序班级小管家。通过对两个平台导出的数据进行归类，将采集到的数据来源时段分为课前、课中、课后三个环节（如下表）。

收集的学生在线学习数据可进一步划分为考勤、参与度和效果评测。课堂考勤，课前在平台的花名册中可以快速看到出勤和迟到名单，课后可在平台中导出每位学生具体的考勤情况和在线时长课堂数据。学习参与度包含课堂中奖杯发放、每位学生具体的举手次数、抢答次数、发言时长、摄像头开放时长等，课后通过具体的数据对学生的学习参与度进行量化。

学习效果评测数据包括课堂中答题器的使用，通过发布、收集学生答案、获取全班的正确率，从而了解在规定时间内提交答案的人数和正确率（此数据在课后可导出）;课后作业的完成情况在微信小程序班级小管家中进行统计与发布。

可视化设计

可视化界面采用Python3.7开发环境，使用streamlit库编写数据可视化界面脚本，完成数据文件上传、文件自动解析、时间序列可视化和对比可视化。其中，时间序列可视化是指可以筛选学生在多节课中不同维度学情数据的可视化。通过时间序列数据可视化，实现学情精准追踪，挖掘学生状态的时变性。对比可视化是指可以筛选不同学生在不同维度的学情数据比较。通过对比可视化，挖掘学生间学情差异。此外，对于课堂表现数据采用K-means聚类方法，实现学生课堂表现的粗略分类统计，可视化页面数据处理流程如图1所示。

针对多维度特征可视化设计，笔者采用特征集成的方式来刻画学生，抛弃了离散化的数据可视化方式，避免了单一特征可视化的孤立感，丰富了学生的数据维度，使可视化结果变得更加丰满，如图2所示是数据整合可视化策略示意图。

结果展示

1.数据上传

在数据可视化前端页面运行之后，点击“Browse files”按钮搜索整合后的在线教学数据文件，同时实现数据上传和加载过程。在数据加载完成之后，通过显示数据文件的前5行数据来校对文件，如图3所示是上传数据后可视化页面展示结果。

2.数据对比

对比数据可视化可以显示出某一节课部分学生在某些维度中的具体比较，笔者以第4节课的8、25、38三位学生为例进行详细说明。以实际上课时长和摄像头打开时长进行比较，图4中横坐标表示8、25、38三位学生，纵坐标表示具体的数值，可以看出，在实际上课时长相似的情况下，25号学生摄像头打开时长明显低于另外两名学生（不打开摄像头不易及时观察学生注意力是否集中），因此，教师可在课后与学生进行深度沟通，了解其不愿打开摄像头的原因，认真倾听其情感需求，在有困难时给予适当的帮扶。

从筛选举手次数、抢答次数、发言时长和获得奖杯数四个特征得到的图5来看，8号学生在课堂上的表现较为积极，说明其积极参与课堂活动，学习积极性较高;38号学生较8号学生而言，在抢答、发言时长、获得奖杯数方面稍微少了一些，后期应加大表扬力度，鼓励其更加积极地参与课堂互动，同时也应该反思此节课预设的教学活动设计是否能成功激发学生积极参与的热情;25号学生在此节课中表现情况不太理想，仅仅抢答了一次，参与课堂互动的积极性较低，教师应该在课后了解学生不愿意积极参加互动的原因，同时根据学生的差异性，设计分层、有梯度的问题，使学生体会到答对问题、积极参与课堂互动的满足感。

筛选出课堂答题正确率和作业情况统计后得到的数据如图6所示，课堂答题正确率是根据课堂练习统计得出的，此堂课设置了4道选择题，要求学生在规定的时间内作答，并根据结果统计出正确率。答对4道正确率为100%，答对3道正确率为75%，即0.75，以此类推。作业情况统计为对当天提交的作业情况进行统计记录，分为优、良、中三个等级，其中优为1，良为0.67，以此类推。可以看出，25号学生并未参加课堂的答题，课后作业的完成情况较其他两名学生也不理想，教师需要在课后了解其未参加课堂答题的原因。8号学生和38号学生整体表现差距不大，但8号学生的课堂答题存在错误，可以根据具体题目判断其是否在本节课的学习重难点上存在障碍，并增加类似的题目进行巩固。

3.时序数据显示

时间序列可视化可以显示出某位学生在连续的课节中某一个特征或多个特征的变化，以17号学生在连续5节课的变化为例（如图7），筛选出举手次数、抢答次数等特征。随着时间的推移，17号学生在线上学习的表现有所进步，每个特征变量都有所增加。抢答和举手及获得的奖杯数增长较为明显，可以推断出此学生逐渐适应了线上教学的授课模式，学习的积极性逐渐增强。其作业完成情况进步幅度较小，教师可以对学生作业进行细致分析，同时给予有效反馈。

4.数据分类

可视化界面可以实现对某一节课学生的分类，以第一节课为例，选择类别数为3，可以将50名学生分成三类，如图8所示。图中横坐标与纵坐标没有实际的含义，图中的三个粉色五角星表示三类的中心点，绿色为一类，红色为一类，蓝色为一类;1～49号表示此班49名学生。可以看出，绿色与红色两类的边界较为明显，而蓝色和红色的边界模糊，说明此两类中临界学生较多，如20、33、44号三位学生。结合此三位学生的具体表现来看，这三位学生在各维度的表现差距较大，不是很稳定。例如，20号学生在课堂表现方面十分积极，但在作业完成情况方面却不尽如人意。33号学生课堂很少举手抢答问题，但是在课堂答题和作业完成情况方面都较为优异。此类学生教师应该针对性地进行帮扶，促进其多维度均衡发展。

总结

本文通过设计在线课堂数据可视化界面，整合多维特征刻画学生，助力教师分析学情。在线上教学中，每位教师都应该具备数据意识，掌握在线平台学习数据的获取与分析方法，意识到数据对日常教学的促进作用，将学生的课堂表现、作业和测评的完成情况作为评判学生的具体数据来源，实现对学生学习情况的精准分析，及时调整后续教学。

参考文献：

[1]南星辉.教育信息化背景下在线课堂的改革路径——以“兰州智慧教育名师在线”为研究样本[J].兰州文理学院学报：自然科学版，2021，35（05）：111-114.

[2]陈琳，丁莲，雷静，等.疫情时期线上教学状况的调查研究[J].福建电脑，2022，38（03）：33-36.

[3]刘欢，汤维中，任友群.数据可视化促进教育决策科学化：内涵、策略与挑战[J].教育发展研究，2018，38（05）：75-82.

[4]刘迎春，谢年春，高瑱涛.精准教学视野下基于学习测评数据的可视化反馈研究[J].黑龙江高教研究，2020（12）：39-44.

[5]郭世豪.基于大数据的在线教学平台数据可视化研究[J].河南广播电视大学学报，2022，35（01）：7-11.

[6]张雷.基于visdom工具实现学生数据可视化分析[J].中国新通信，2021，23（15）：72-73.

[7]翟鸣宇，程建，王苏桐，等.基于K-prototype聚类的学生教育画像分析[J].大连理工大学学报：社会科学版，2021，42（06）：22-31.

[8]刘思宇，那达林.基于可视化学习分析的学生画像构建[J].医学教育管理，2021，7（S1）：211-216.

[9]秦争艳.基于数据可视化的学生数据标签及学生画像在教学系统中的应用研究[J].信息记录材料，2021，22（02）：138-140.

[10]刘炜，张林.大学英语线上教学的学情分析与学习评价[J].湖北开放职业学院学报，2020，33（12）：154-155+158.

[11]张维霞.初中语文线上有效教学方法研究[J].新课程，2021（45）：141.

[12]黄香花，高忠倍.小学数学学情跟踪练习讲评教学策略创新初探[J].学苑教育，2022（09）：39-41.

[13]赵煜，李春艳，张华生.基于学情的混合式教学模式构建初探[J].地理教育，2022（S2）：4-7.

[14]潘华萍.关注学情差异 有效开展线上教学——以2BM3U1 Period 1 The Seaons I Like为例[J].现代教学，2020（S2）：47-48.