CN111915458A - 面向探究式与个性化学习的线上实验教学系统 - Google Patents

Abstract

一种面向探究式与个性化学习的线上实验教学系统。本发明系统包括平台、学生客户端、教师客户端；所述平台包括数据库、关联规则挖掘算法模块、个性化服务模块、数据分析模块、可视化模块；平台功能：所述平台包括线上实验教学基础设施和个性化学习指导两大功能；所述线上实验教学基础设施主要是服务于线下线上实验相结合的教学模式，使用在线评测技术，为教师提供班级管理、作业布置、作业在线批改、成绩统计等功能，代替教师完成重复机械的工作部分，帮助教师更好地开展线上实验教学；所述个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。

Description

面向探究式与个性化学习的线上实验教学系统

技术领域

本发明涉及建设学生自主探究式在线教学平台相关领域。

背景技术

相对于理论教学，实验教学突出学生主体地位，手脑并用，更加有助于学生建构自己的科学知识体系；突出研究探索，更加有助于培养学生的创新意识和能力；突出观察思考、综合设计和多元分析结合，更加有助于提高学生的综合科学素质；突出知、情、意、能的高级复合作用，更加有助于学生得到全面综合的发展。大学生特别是工科生动手实验的时间、效率、效益应该成为人才培养质量的重要标志，实验教学也应该成为大学教学的重要方式、教学建设的重要内容、教学创新的重要途径。在这样的背景下，教育部于2019年开展了实验类“金课”的建设，对实验教学提出了提升高阶性、突出创新性、增加挑战度的要求。

目前，实验教学课时和实验室开放时间往往无法全面适应创新性、复合型、应用型人才培养的需要，新冠疫情防控期间线下的实验教学更是无法正常开展。线上自主实验教学平台可以起到积极引导学生探究式、个性化学习的作用。课前学生在平台上自主预习，通过自学检测结果的反馈，课内教师有针对性的开展互动研讨、展示分享、评价点拨，这一套“先学后教，以学定教”的方法是线上线下混合式教学的有效策略，在线实时反馈的自动评测系统是学生自主学习的有效激励手段，可以实现各教学环节时间、空间分配的转变，为以学生为中心的学习和教学方式创造条件。

当下，线上评测技术已经非常成熟，尤其在信息学竞赛训练领域。信息学竞赛需要参赛选手编写程序完成设定的任务，已程序的完整性、正确性作为评分标准。而在信息学竞赛的训练中，选手需要通过做大量程序编写练习题，并测试程序的正确性以提高自己的程序编写、问题解决能力。在线评测是一种基于web应用的技术，用户可以通过浏览器上传本地的程序到远程服务器，远程服务器测试用户程序的正确性并将结果返回给用户，用户能方便的知道自己编写的程序正确与否，配合平台包含海量试题的题库，用户可以在平台上不断“刷题”，达到自主学习提高的目的。

虽然在适用于编程竞赛的在传统线评测平台有很多优点，但其不适合直接应用于辅助高校学生程序编写初学者的实验教学的平台，也不能用于其他学科实践教学需要。主要原因基于以下几点：

1)不适合初学者学习。初学者编程基础薄弱，学习编程相关知识的能力弱于参与信息学竞赛的学生，目前多数在线评测平台题库题目难度大，题目间难度跨度大，知识点混杂且缺乏分类，使程序编写初学者在平台上难以找到合适自己的题目和学习路线。

2)不能适应不同学生学习能力。能教学和竞赛不同，竞赛使能力强的学生更强，而教学关注所有学生的共同发展。使用传统在线评测平台用于实验教学，学习能力强的学生能较好的适应平台题型和难度，学习能力较弱的学生可能会因为难以适应平台题目难度，进而无法获得实验教学的知识点，是基础更加薄弱，如果教师无法及时发现和帮助学生可能造成恶性循环。

3)不能很好契合实验教学需要。虽然实验教学注重学生自主学习能力培养，但也是线下教学的一个补充，线上实验教学内容也应该以班级为单位，与教学进度相对应，这些都是传统在线评测平台所不具备的。同时传统在线评测平台对班级学习情况的统计和分析几乎为零，使教师还需要花费额外的时间来完成学生作业统计分析工作。

综上，传统在线平台虽然能用于现代高校编程教学实验教学，但其只是作为一个批改作业的工具，并不能很好的发掘其数据库中大量数据的潜在价值，更无法对程序编写和其他学科的实验教学提供更多帮助。

发明内容

本发明目的在于克服现有技术不足，公开一种面向探究式与个性化学习的线上实验教学系统。

一种面向探究式与个性化学习的线上实验教学系统，其特征在于，包括线上实验教学基础设施和个性化学习指导两大功能；所述线上实验教学基础设施主要是服务于线下线上实验相结合的教学模式，使用在线评测技术，为教师提供班级管理、作业布置、作业在线批改、成绩统计等功能，代替教师完成重复机械的工作部分，帮助教师更好地开展线上实验教学；所述个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习；

系统包括平台、学生客户端、教师客户端；所述平台包括数据库、关联规则挖掘算法模块、个性化服务模块、数据分析模块、可视化模块；

线上实验教学基础设施功能是根据线上实验教学需要而设计；首先教师根据教学进度，通过教师客户端操作，从题库中选取合适的题目作为班级线上实验任务；学生通过学生客户端登录后完成班级实验任务并提交，平台根据题目类型选取合适的在线评测程序对学生作业进行评测，并将结果储存在后台数据库中；所述数据分析模块定期使用评估模型对学生的学习情况和班级整体学习情况进行评估。以程序编写实验为例，模型输入题目知识点分布、学生首次提交结果、最终提交结果、提交次数、耗时等信息，所述数据分析模块通过加权平均的方式评估学习效果，最终统计形成班级学习统计和个人学习档案。其中，权值可以通过收集若干学期数万条学生提交记录，结合教师对学生的评价以及学生期末考核成绩，所述数据分析模块使用机器学习局部加权线性回归算法计算的回归模型获得。基于线上实验教学基础设施所建立的个人学习档案，结合通过关联规则挖掘算法模块所获得的知识点间递进关系，给不同学习情况的学生推荐合适的学习资源和相关题目；根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。最后把分析结果通过可视化模块采用表格形式展示。

所述数据库包括用户信息、档信息案、题库，所述用户信息包括管理员、教师、学生，其中教师和学生在注册时需要填写注册信息、权限、所属班级；所述档案信息包括班级信息、学生个人基础信息、教师个人基础信息，通过注册时收录；所述题库通过购买获得，包括学习资料和相关测试题目。

所述个性化服务模块，用于个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。

所述关联规则挖掘算法模块，其知识关系模型构建过程为：

1)构建初始知识关系模型

知识关系模型用于描述知识间的递进关系，是做个性化推荐的基础。初始知识关系模型的构建可以收集大量用户学习数据，通过数据挖掘中关联规则挖掘相关算法来分析各类知识间是否存在相关性或递进关系。当初始数据量小而无法支撑关联规则的发掘时，可以基于经验规则制定初始知识关系模型(例如根据使用教材中知识教授顺序)，或设置各知识间交互关联程度相同的关联的模型，并通过后续学生提交相关数据逐步优化知识关系模型。

2)推荐相关学习资料和相关测试题目

平台根据构建的知识关系模型结合学生当前学习情况，为学生推荐合适的学习资料和相关题目，并收集学生测试题目的提交结果。当系统判断学生某一知识点未掌握时，会在模型中选择该知识点的基础知识点相关资料推荐给学生；而当系统判断学生某一知识点熟练掌握时，会在模型中选择该知识点的拓展知识点相关资料。

3)评估学习效果并调整知识关系模型

平台根据评估模型结合学生新提交结果评估学生学习效果，并通过比较学生前后学习情况来评估当前知识关系模型的合理性，形成反馈，并以此调整知识关系模型中知识间关联系数。

学生通过自主学习平台根据学生学习情况推荐的教学资源，并完成相关题目。随后，平台统计学生的提交相关数据，评价学生的学习效果，并通过负反馈调整知识关系模型。

面向探究式与个性化学习的线上实验教学平台使用了成熟的在线评测技术，在线评测平台基础上丰富了管理、统计、数据可视化方面的功能，使平台能替代教师完成教学中部分工作，使教师能将更多时间投入教学其他方面。平台通过预先精心设计的题目，结合学生作业提交情况提取学生学习特征，为每一位学生制作个人学习档案，并以此为依据为学生制定学习计划。应用关联规则挖掘技术发掘题目特征间相关性，通过学习资料和相关题目的推送的方式帮助学生在完成实验任务之后的自主探究学习。

采用基于数据挖掘的学生学习情况的特征提取和统计，以及题目间相关性的提取，设计并实现了一款适用于面向探究式与个性化学习教学模式的线上实验教学平台。结合题目特征和对学生作业提交情况统计分析，获取学生学习效果，为学生规划下一步学习方案，提高学生自学热情，帮助学生和教师更好完成自主探究式线上教学。

附图说明

图1为系统运行原理图

图2为知识关系模型与推荐系统关系图图3为知识点模型构建图

图4为推荐模型图

图5为系统框架示意图

具体实施方式

以下结合附图对本发明技术方案做详细说明。

图1为系统运行原理图

平台设有题库，教师将精心挑选后的题目存放在题库中，用于布置作业、考试或自由练习。课前课后，教师根据线下教学进度，选择题库中的题目为学生布置预习和线上实验内容。学生线上完成班级实验任务，交由平台评测程序在线评测。

平台使用评估模型对学生本次实验的提交结果进行统计分析，评估学生的学习情况。综合学生多次实验结果为学生绘制学习档案，记录学生当前学习情况和长期以来的学习效果。同时，平台综合班级内学生实验效果评估班级整体学习情况。平台的统计信息可以帮助教师和学生调整教学重点或学习方法。

图2为知识关系模型与推荐系统关系图

为帮助学生完成个性化自主学习，提高学习效果，平台尝试寻找知识点间关联关系，包括哪些知识点应先于其他知识点学习，在学习某些知识点后接着学习哪些知识点效果最佳，为学生找到一条平滑学习各知识点的路径。

首先利用已有信息构建初始知识点关系模型。一般可以使用教材中知识点的教授顺序。在平台运行中，平台将使用知识点关系模型结合学生当前学习情况，为他选择下一个将学习的知识点，并推荐相关题目和教学资源。与此同时，学生通过平台规划学习路线的学习效果可以反应平台规划路线是否合理，形成反馈不断修正平台知识点模型，间接提高推荐质量。

图3为知识点模型构建图

平台分析个人提交序列，通过GSP序列模式分析方法对提交序列中解答较好的提交对应知识点进行分析，并将其中反应出的知识点顺序用于调整或构建知识点模型。

图4为推荐模型图

平台会定期通过推荐学生题目或学习资源的方法为学生规划学习路线，推荐时考虑学生当前学习效果。如果学生未掌握曾学过的某一知识点，系统将为其推荐该知识点的基础知识点相关资源；若学生掌握但无法熟练运用某一知识点时，平台为其推荐该知识点相应的练习题；当学生能熟练掌握某一知识点时，平台将推荐一些和知识点相关的拓展知识点。

图5为系统框架示意图，平台整体分成6个模块，其中：

用户模块和班级模块组成管理部分，与实际教学中学生管理形式相对应；

题目模块和提交模块组成资源部分，用于保存平台的题目和其他资源，记录学生提交情况并对学生提交进行评测；

数据分析模块和个性化服务模块组成数据分析部分，数据分析模块应用上述模型对学生和班级的学习情况进行分析和可视化处理，个性化服务模块通过学生的学习效果结合知识点模型为学生指定学习路线，推荐一些相关的资源。

本发明系统包括平台、学生客户端、教师客户端；所述平台包括数据库、关联规则挖掘算法模块、个性化服务模块、数据分析模块、可视化模块；

平台功能：所述平台包括线上实验教学基础设施和个性化学习指导两大功能；所述线上实验教学基础设施主要是服务于线下线上实验相结合的教学模式，使用在线评测技术，为教师提供班级管理、作业布置、作业在线批改、成绩统计等功能，代替教师完成重复机械的工作部分，帮助教师更好地开展线上实验教学；所述个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。

系统原理：线上实验教学基础设施功能是根据线上实验教学需要而设计；首先教师根据教学进度，通过教师客户端操作，从题库中选取合适的题目作为班级线上实验任务；学生通过学生客户端登录后完成班级实验任务并提交，平台根据题目类型选取合适的在线评测程序对学生作业进行评测，并将结果储存在后台数据库中；所述数据分析模块定期使用评估模型对学生的学习情况和班级整体学习情况进行评估。以程序编写实验为例，模型输入题目知识点分布、学生首次提交结果、最终提交结果、提交次数、耗时等信息，所述数据分析模块通过加权平均的方式评估学习效果，最终统计形成班级学习统计和个人学习档案。其中，权值可以通过收集若干学期数万条学生提交记录，结合教师对学生的评价以及学生期末考核成绩，所述数据分析模块使用机器学习局部加权线性回归算法计算的回归模型获得。基于线上实验教学基础设施所建立的个人学习档案，结合通过关联规则挖掘算法模块所获得的知识点间递进关系，给不同学习情况的学生推荐合适的学习资源和相关题目；根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。最后把分析结果通过可视化模块采用表格形式展示。

所述数据库包括用户信息、档信息案、题库，所述用户信息包括管理员、教师、学生，其中教师和学生在注册时需要填写注册信息、权限、所属班级；所述档案信息包括班级信息、学生个人基础信息、教师个人基础信息，通过注册时收录；所述题库通过购买获得，包括学习资料和相关测试题目。

所述个性化服务模块，用于个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。

所述关联规则挖掘算法模块，其知识关系模型构建过程为：

1)构建初始知识关系模型

知识关系模型用于描述知识间的递进关系，是做个性化推荐的基础。初始知识关系模型的构建可以收集大量用户学习数据，通过数据挖掘中关联规则挖掘相关算法来分析各类知识间是否存在相关性或递进关系。当初始数据量小而无法支撑关联规则的发掘时，可以基于经验规则制定初始知识关系模型(例如根据使用教材中知识教授顺序)，或设置各知识间交互关联程度相同的关联的模型，并通过后续学生提交相关数据逐步优化知识关系模型。

2)推荐相关学习资料和相关测试题目

平台根据构建的知识关系模型结合学生当前学习情况，为学生推荐合适的学习资料和相关题目，并收集学生测试题目的提交结果。当系统判断学生某一知识点未掌握时，会在模型中选择该知识点的基础知识点相关资料推荐给学生；而当系统判断学生某一知识点熟练掌握时，会在模型中选择该知识点的拓展知识点相关资料。

3)评估学习效果并调整知识关系模型

平台根据评估模型结合学生新提交结果评估学生学习效果，并通过比较学生前后学习情况来评估当前知识关系模型的合理性，形成反馈，并以此调整知识关系模型中知识间关联系数。

以程序编写实验为例，我们首先选取了一个公开的适合编程初学者的在线评测平台，收集了平台上1000道题目信息和160万条提交信息，使用GSP序列模式分析算法构建初始知识关系模型，并根据学生学习情况，为学生推荐某一知识点的前置知识点或拓展知识点相关的教学资源或题目。当学生掌握了某知识点，但不能熟练运用时，平台将为其推荐包含相同知识点的且难度提升练习题；当学生未能掌握某知识点或掌握情况偏弱时，平台将为其推荐该知识点的基础练习或该知识点的前置知识点的题目；当学生熟练掌握某知识点时，平台会为其推荐该知识点的拓展知识相关学习资料和题目。

学生通过自主学习平台根据学生学习情况推荐的教学资源，并完成相关题目。随后，平台统计学生的提交相关数据，评价学生的学习效果，并通过负反馈调整知识关系模型。

本发明的主要功能流程如下：

教师在完成线下教学后，根据教学计划在平台上布置实验教学计划，学生通过浏览器登录平台查看并完成实验内容，提交实验作业，平台批改学生作业返回批改结果；统计班级学生提交情况，通过表格等可视化手段让教师了解班级学习效果。同时，平台收集学生评测结果和首次提交结果、提交次数等相关信息，结合题目考察知识点分布，计算学生知识点学习情况，评价学生代码能力，并将学生各知识点学习情况等信息汇集成学生学习档案。

平台后台使用关联规则挖掘算法，构建模型以描述知识点间递进关系，并以此作为依据为学生制定进一步学习方案。对于基础薄弱或较好的学生，平台为其推荐相关知识点基础知识点或拓展知识点相关学习资料和题目，达到因材施教的教学效果。

工作流程

1)教师根据线下教学进度，布置学生线上实验内容。

2)学生实验时间登录平台，完成教师布置的线上实验内容。

3)平台收集学生信息，评估学生学习效果和班级教学效果，建立学生个人学习档案，并绘制可视化图表。

4)教师通过图表了解班级教学情况，调整教学重点。

5)平台根据学生学习情况，定期为学生推荐合适的题目。

6)学生自主学习时间登录平台，自行完成平台推荐的题目，或浏览题库，选择自己感兴趣的题目完成。

7)平台后台评估学生自主学习效果，调整知识关系模型。

创新点

1)本发明改进了传统在线平台的应用于实验教学时的诸多不足之处，平台将教学所需各功能融合，做到使用一个平台就能完成整个线上实验教学。

2)与部分平台通过用户行为相似性来为用户推荐题目不同，本发明提取了用户的学习效果，根据各知识点学习情况的不同采用不同的策略为用户推荐合适的题目，达到因材施教的效果。

3)本发明挖掘知识点间相关性，帮助用户更好规划各知识点学习路线，提高用户学习效率和学习效果。

4)本发明抽取了探究式线上实验教学的流程，并以此为基础架构整个平台，并将具有学科特征的功能封装成模块，使得平台不仅能用于程序编写实验教学，经过简单模块更换即可用于其他学科的教学工作。

实施应用

1)本发明适用于各高校线上实验教学需要。

2)本发明为教师所绘制的班级和学生学习情况可视化图表，可以帮助教师改进教学计划，也可以作为课程评分的依据。

3)本发明为学生所制作的学生个人档案，可以帮助学生了解自身的学习情况，便于学生在学习过程中调整学习重点。

Claims (4)

1.一种面向探究式与个性化学习的线上实验教学系统，其特征在于，包括线上实验教学基础设施和个性化学习指导两大功能；所述线上实验教学基础设施主要是服务于线下线上实验相结合的教学模式，使用在线评测技术，为教师提供班级管理、作业布置、作业在线批改、成绩统计功能，代替教师完成重复机械的工作部分，帮助教师更好地开展线上实验教学；所述个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习；

系统包括平台、学生客户端、教师客户端；所述平台包括数据库、关联规则挖掘算法模块、个性化服务模块、数据分析模块、可视化模块；

线上实验教学基础设施功能是根据线上实验教学需要而设计；首先教师根据教学进度，通过教师客户端操作，从题库中选取合适的题目作为班级线上实验任务；学生通过学生客户端登录后完成班级实验任务并提交，平台根据题目类型选取合适的在线评测程序对学生作业进行评测，并将结果储存在后台数据库中；所述数据分析模块定期使用评估模型对学生的学习情况和班级整体学习情况进行评估；所述数据分析模块通过加权平均的方式评估学习效果，最终统计形成班级学习统计和个人学习档案；基于线上实验教学基础设施所建立的个人学习档案，结合通过关联规则挖掘算法模块所获得的知识点间递进关系，给不同学习情况的学生推荐合适的学习资源和相关题目；根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习；最后把分析结果通过可视化模块采用表格形式展示。

2.如权利要求1所述的系统，其特征在于，所述数据库包括用户信息、档信息案、题库，所述用户信息包括管理员、教师、学生，其中教师和学生在注册时需要填写注册信息、权限、所属班级；所述档案信息包括班级信息、学生个人基础信息、教师个人基础信息，通过注册时收录；所述题库通过购买获得，包括学习资料和相关测试题目。

3.如权利要求1所述的系统，其特征在于，所述个性化服务模块，用于个性化学习指导，是指通过数据挖掘相关方法，根据学生个人的学习情况为学生提供定制化学习指南，帮助学生更好地开展线上自主探究式学习。

4.如权利要求1所述的系统，其特征在于，所述关联规则挖掘算法模块，其知识关系模型构建过程为：

1)构建初始知识关系模型

知识关系模型用于描述知识间的递进关系，是做个性化推荐的基础；初始知识关系模型的构建可以收集大量用户学习数据，通过数据挖掘中关联规则挖掘相关算法来分析各类知识间是否存在相关性或递进关系；当初始数据量小而无法支撑关联规则的发掘时，基于经验规则制定初始知识关系模型，或设置各知识间交互关联程度相同的关联的模型，并通过后续学生提交相关数据逐步优化知识关系模型；

2)推荐相关学习资料和相关测试题目

平台根据构建的知识关系模型结合学生当前学习情况，为学生推荐合适的学习资料和相关题目，并收集学生测试题目的提交结果；当系统判断学生某一知识点未掌握时，会在模型中选择该知识点的基础知识点相关资料推荐给学生；而当系统判断学生某一知识点熟练掌握时，会在模型中选择该知识点的拓展知识点相关资料；

3)评估学习效果并调整知识关系模型

平台根据评估模型结合学生新提交结果评估学生学习效果，并通过比较学生前后学习情况来评估当前知识关系模型的合理性，形成反馈，并以此调整知识关系模型中知识间关联系数；

学生通过自主学习平台根据学生学习情况推荐的教学资源，并完成相关题目；随后，平台统计学生的提交相关数据，评价学生的学习效果，并通过负反馈调整知识关系模型。

Images