基于课程教学成效的Moodle课程聚类分析

　　摘要：随着互联网技术的发展，基于网络教学平台开展线上教学的新型模式迅速普及，基于社会构建主义理论的Moodle平台成为国内外高校频繁使用的教学平台之一。该文基于Moodle平台积累的师生交互数据，利用Weka中的K-Means算法按照教学成效对Moodle课程进行聚类，发现Moodle各课程在实施教学方面的特点，并提出后续建设的有益建议。

　　关键词：Moodle；数据挖掘；聚类分析；K-Means算法；weka

　　随着互联网技术的快速发展及其对高等教育的深入影响，基于网络的教学应用已经成为当前教学的主流模式，各大院校纷纷构建了自己的网络教学平台，同时积极出台各项教学政策激励教师开展基于网络的混合式教学、翻转课堂教学等的研究。在众多网络教学平台中，以开放源代码特性著称的基于社会构建主义教学理论的Moodle平台被国内外众多高校频繁使用，例如哈尔滨工业大学的乐学网，华东政法大学的网上课堂，台湾铭传大学的数位教学平台。截止2017年6月，Moodle官网显示，Moodle在276个国家有共51153个活动网站。Moodle已经成为世界上使用人数最多的网络在线教学平台之一。

　　Moodle强大的日志记录功能可以记录师生基于平台交互的所有数据，近些年有不少学者针对Moodle平台课程数据开展各类研究。2014年金杰以《开放教育学习指南课程》为例，使用SPSS软件对教师参与度，学生参与度作业完成次数，课程成绩等进行了相关性研究。2016年苏仰娜以《多媒体课件设计与制作》课程实践翻转课堂教学为例，利用Moodle平台的测试、讨论、报表与日志、互动评价与电子档案袋等功能，实现对学生在线学习活动的跟踪。2016年郭涵阳等通过对Moodle平台师生访问行为的日志进行统计与数据挖掘研究，发现课程教学材料以及其他相关的自主学习材料存量和类型对课程、资源的访问量会造成影响，师生的交互量会对学生访问作业资源与提交作业的积极性造成影响。2016年沈良忠等通过对Moodle平台课程数据的研究，提出了基于三维度的课程评价模型。由此可见通过对Moodle平台课程数据的深入分析，确实能够发现数据背后所隐藏的一些规律，更好的指导网络课程的教学开展。因此，本文主要参考文献4提出的三维度视角，也从课程、教师以及学生三个方面对数据进行处理，通过聚类技术来分析不同类型课程之间的教学成效差异，有针对性的提醒教师做好相应课程的教学建设工作，帮助教学管理部门更好的实现对于Moodle课程的管理，并能根据相关分析结果进行下一步Moodle课程建设的后续决策。

　　1Moodle课程数据

　　Moodle平台是MartinDougiamas博士于2002年开发的课程管理系统，2006年由上海师范大学黎加厚引入国内，经过15年的发展目前功能越来越强大，系统运行已经越来越稳定。Moodle平台主要分为以下九大模块：①课程管理模块：教师可以全面控制课程的所有设置。②作业模块：教师可以布置作业，学生提交作业，教师批改作业并反馈给学生。③聊天模块：支持学生之间、师生之间、教师之间之间的直接交流。④投票模块：学生可以就教师需要调查的某项内容进行投票。⑤论坛模块：主要分为教师专用、课程新闻、全面开放等论坛模式，方便教师发布公告，学生探讨问题。⑥测验模块：教师定义题库，学生进行测验。⑦资源模块：教师上传课程相关资源，学生浏览学习。⑧问卷调查模块：教师可以进行在线问卷的编辑，然后让学生填写问卷调查。⑨互动评价模块：提供师生之间、生生之间对某项内容的互动评价。其中课程管理模块、资源模块以教师为主导，作业模块、投票模块、测验模块、问卷调查、聊天模块、论坛模块、互动评价等模块均以师生共同为主导。由此可见，课程教学的有效开展需要课程建设的投入以及教师和学生的共同参与和积极配合。

　　1.1数据的获取

　　根据以上对Moodle平台教学功能模块的分析可知，Moodle平台的相关数据主要分为课程有关的数据，例如课程资源数、活动数、试题数；教师相关如教师在线时间、发帖数量、批改情况；跟学生相关如学生在线时间、提交数量、浏览量等等。因此，本文对于课程的教学成效的评价亦主要从以上三个方面进行数据收集，相应的数据汇总如表1所示。

　　1.2数据的预处理

　　由于不同数据的取值范围存在不一致现象，因此需要将这些数据进行标准化处理。数据预处理的方法主要参考文献4中的方法。经过标准化预处理以后，具体数据如表2所示：

　　2课程聚类分析

　　2.1聚类分析

　　聚类分析的主要思想就是要将一个大的数据集通过算法分析拆分成若干个大小不一的子集，使的同一个簇中的数据对象之间的距离很近或相似度比较高，不同簇中的对象距离很远或相似度比较低。其中，基于划分的K-Means就是被广泛应用的聚类算法。K-Means算法的过程如下：①先随机选取K个数据作为中心；②计算每个数据到每个中心的距离，并将它分配到最近的中心的类；③重新计算已经得到的每个类的中心；④重复迭代直到新的中心不再改变；⑤结束算法。

　　本文基于Weka平台中的K-Means算法对数据进行聚类分析，主要完成了单课程多教师和多班级的课程聚类，主要考察课程整体教学团队的教学成效；同时也对每位教师、每个班级的课程教学成效进行了聚类，主要考察每位教师在不同班级授课的教学成效。针对以上第1种分析需求，需要将获取数据中的同名课程的多位教师该课程的数据汇总之后取平均值，再进行聚类。经过加和取平均值处理之后，共得到28门课程数据，设置聚类数量为3之后得到的结果如表3所示：

　　由表3可见，clusterl的课程教学成效最优，cluster0的课程次之，cluster2的课程相对较差。专业课程的课程资源比公共课程相对而言更加完善，但是专业课程总体而言教学效果的两极分化比较严重，说明各专业教师和学生在参与在线教学环节的组织方面差异较大。这一结果也说明，课程教学成效的好坏教师和学生的积极参与显得尤其重要。

　　针对以上第2种分析需求，共有162门课程，设置聚类数量为3之后得到的结果如表4所示。

　　通过表3和表4的比较，发现表4中Cluster0的占比有所提高，研究发现这主要是马克思主义基本原理概论和中国特色社会主义理论体系概论等思想政治基础课程的开设是面向所有学生而导致的。为了深入研究每类的课程情况，这里取表3中的Clusterl的典型课程大学语文为例具体说明，结果如表5所示。

　　通过表3～5的综合分析，可以得到如下结论：

　　①课程的建设度在一门好的网络课程中占重要地位，且对课程的教学成效有一定影响。但是如果师生参与不积极，将无法实现教学预期，如表5中的第4条记录。此外，课程资源的匮乏肯定会降低学生的课程参与度。

　　②课程教学成效与教师和学生的参与度有直接联系，并且教师的参与积极性能够能带动学生的参与积极性，而且相关教学意见的及时反馈对于学生而言至关重要。

　　3结束语

　　基于网络平台的在线教育新模式，有效改变了传统教学只能在课堂学习的限制，同时培养了学生主动学习的良好习惯；但是网络教学的成效问题，是学校教学管理部门必须要关注的一个重要问题，如果不对其进行有效监督，则网络教学极有可能流于形式。本文基于Moodle平台数据对课程教学成效的聚类分析，可以對不同的课程进行聚类，帮助教学管理部门对课程进行过程的监控，同时可以提醒课程负责教师对课程的教学开展进行反思和加以改进。

　　作者：徐淳建等