基于移动云教学平台的学情数据分析实证研究——以独立学院《动态网站设计》课程为例

计算机工程与科学

基于移动云教学平台的学情数据分析实证研究——以独立学院《动态网站设计》课程为例

刘云鹏

（广东东软学院信息管理与工程学院,广东佛山 528225）

收稿日期:2019-08-11 修回日期:2019-10-20 出版日期:2019-12-25 发布日期:2019-12-25

An empirical study of learning situation data

analysis based on mobile cloud teaching platform:

A case study of “dynamic website design” course

LIU Yun-peng

（School of Information Management and Engineering,Neusoft Institute Guangdong,Foshan 528225,China）

Received:2019-08-11 Revised:2019-10-20 Online:2019-12-25 Published:2019-12-25

摘要/Abstract

摘要：

在“移动互联网+”时代来临之际，切实开展真正的翻转课堂教学，将会开启大数据时代高等教育教学改革的新天地，每个教师都可以是自己课堂的大数据生产者。
通过在移动学习环境下，开展云班课《动态网站设计》的混合式教学实践，并通过云班课收集的详细数据，利用“DataHoop”大数据分析平台，对学生的学习状况进行分类，分析学生的学习动机，探索基于网络的学生学习心理，为教师开展网络教学、制作满足学生需求的课程资源和学生考核管理办法等提供数据和理论支撑。

关键词: 云教学, 学情数据, 教育数据分析, 聚类分析

Abstract:

In the era of “mobile Internet +”, to carry out the real flipped classroom teaching will open up a new world for the reform of higher education in the era of big data. Every teacher can be a big data producer in his classroom. This research carries out the mixed teaching practice of “Dynamic Website Design” course in the cloud class under the mobile learning environment. Through the detailed data collected from the cloud class and the big data analysis platform of “Datahoop”, we classify the students’ learning status, analyze their learning motivation, and explore the students’ learning psychology based on the network. This study provides data and theoretical support for teachers to carry out online teaching, make curriculum resources that meets students’ needs, and designs student assessment management methods.

Key words: cloud teaching, learning data, educational data analysis, cluster analysis

刘云鹏. 基于移动云教学平台的学情数据分析实证研究——以独立学院《动态网站设计》课程为例[J]. 计算机工程与科学.

LIU Yun-peng.

An empirical study of learning situation data

analysis based on mobile cloud teaching platform:

A case study of “dynamic website design” course

[J]. Computer Engineering & Science.

[1]	张柏恺, 杨德刚, 冯骥, . 一种去除聚类数量和邻域参数设置的自适应聚类算法[J]. 计算机工程与科学, 2021, 43(10): 1838-1847.
[2]	熊菊霞1,2,3,吴尽昭1,2,3. 异构复杂信息网络敏感数据流动态挖掘[J]. 计算机工程与科学, 2020, 42(04): 628-633.
[3]	高星1，刘剑飞1，郝禄国2，董琪琪1. 基于YOLOv3算法的训练集优化和检测方法的研究[J]. 计算机工程与科学, 2020, 42(01): 103-109.
[4]	李鑫健，刘漫丹. 基于最短时间距离的校园无线网络用户关联性度量[J]. 计算机工程与科学, 2019, 41(10): 1755-1762.
[5]	杜佳星,陈亚伟,张静. 基于聚类分析优化的距离修正室内定位算法[J]. 计算机工程与科学, 2018, 40(02): 246-254.
[6]	文静，曹妍，张琳，牟向伟. 基于双重遗传的聚类分析算法研究[J]. 计算机工程与科学, 2017, 39(12): 2320-2325.
[7]	陈秀明1,2,钱丽1,3,胡贤德1,李敬明1,2,张怡文1. 直觉犹豫模糊集的相关系数在群推荐中的应用[J]. 计算机工程与科学, 2017, 39(11): 2139-2144.
[8]	杨红波1,郑剑2. 基于改进聚类分析的神经网络集成方法应用研究[J]. J4, 2015, 37(05): 974-978.
[9]	黄闽英，牟锐. 对模糊聚类分析法的改进及其在SRM中的应用[J]. J4, 2011, 33(6): 144-149.
[10]	孙晓博，廖桂平. 基于新的相似性度量的加权粗糙聚类算法[J]. J4, 2011, 33(12): 110-115.
[11]	蒋德珑1,2，李〓盛3，王克文1，付金光1. 模糊聚类分析系统的研究与实现[J]. J4, 2011, 33(12): 121-125.
[12]	李峻金，向阳，牛鹏. 一种用于数据挖掘的差异粒子群算法[J]. J4, 2010, 32(6): 95-98.
[13]	邝祝芳谭骏珊. KMApriori：一种有效的数据库异常检测方法[J]. J4, 2008, 30(6): 18-21.
[14]	何振峰. 一种两阶段的限制层次聚类算法[J]. J4, 2006, 28(7): 70-72.
[15]	张文军张润杰古德祥. 具有随机化统计检验的聚类分析算法与网络实现[J]. J4, 2006, 28(12): 74-76.