面向Scratch在线编程教育的大数据分析模型与关键技术研究

In big data area, online learning education platform will produce massive real-time data. In this case, how to introduce the big data technology into the field of teenage programming and then develop an intelligent online learning education platform based on big data is becoming a hot research. The target of this research is data analysis based on Scratch online programming, the main research contents are as follows: (1) We research the big data analysis framework of online programming and construct an online programming data analysis model for Scratch which integrates data acquisition, work evaluation, data analysis and service delivery. Also, the generation scheme of collaborative data set for learning and authoring process is also part of this research.(2) Based on the concept of computational thinking, we need to card and develop fine-grained evaluation criteria, and design evaluation schemes for dynamic and static joint analysis, so as to achieve the real-time evaluation of works.(3) In order to provide an effective adaptive learning tool, towards computational thinking, we need to research the planning of data-driven learning paths. Furthermore, through the determination of learners' learning style, we can research the work recommendation strategy based on user learning style.(4) We research the analysis of programming habits combining static and dynamic data to detect bad programming habits. Meanwhile, based on machine learning, we explore the techniques of learning behavior analysis for both groups and individuals. At last, we verify the above research contents on the online programming education platform based on big data aggregation and analysis.

在线学习教育平台会产生海量实时数据，如何将大数据技术引入到青少年编程领域进而研发出基于大数据智能的在线学习教育平台是本课题的研究重点。课题以基于Scratch在线编程的数据分析为目标，研究内容如下：（1）研究在线编程大数据分析框架，构建数据采集、作品评估、数据分析与服务提供于一体的面向Scratch的在线编程数据分析模型。研究面向学习和创作过程的协作型数据集的生成方案。（2）基于计算思维概念，梳理并制定细粒度评估标准，设计动态与静态联合分析的评估方案，实现作品的实时评估。（3）研究面向计算思维的数据驱动学习路线规划，提供有效的自适应学习工具。进而通过学习者学习风格的确定，研究基于用户学习风格的作品推荐策略。（4）研究静态与动态数据相结合的编程习惯分析，检测不良编程习惯。同时，基于机器学习探索面向群体和个体的学习行为分析技术。最后，在基于大数据聚集和分析的在线编程教育平台上验证上述研究内容。

以数据分析为基础提供个性化教育服务，是构建在线教育平台的必然趋势。面向Scratch 的在线编程教育平台，在项目完成的过程中必将产生大量的过程数据。对于在线编程教育评估标准的确立和评估模型的构建是至关重要的。面向Scratch的在线编程教育平台其客户群里是少年学习者，更关注其计算思维能力的培养以及计算思维技能的评估。学习者在学习目标、知识基础和学习风格等方面存在个体差异。学习路径规划在考虑教学行为与学习行为个性化特征的背景下设计学习路径，能够引导学习者成功地完成学习任务、达到学习目标。学习行为和习惯的分析对于提高Scratch学习者的编程能力具有重要影响。而Scratch的在线编程教育平台可以产生大量静态和动态的面向少儿群体和少儿个体的学习数据。..在在线编程大数据分析框架方面，课题组研究适用于面向Scratch在线编程教育的大数据分析模型，根据平台产生的海量动态和静态数据构建对外开放的面相学习和创作过程的协作型数据集。在作品评估方面，基于计算思维概念，从多重维度和不同能力等级研究与数理细粒度的评估标准，探索动态和静态联合分析的评估方案。在个性化学习策略方面，研究面向计算思维的数据驱动学习路线规划，为学习者进行学习路线规划，提供个性化自适应学习工具；研究基于用户学习风格和张量分解的作品推荐策略，合理为学习者进行作品推荐，提供高效的作品协同推荐引擎。在学生行为分析方面，课题组对Scratch编程的不良习惯 探索，研究静态与动态数据相结合的编程习惯检测方法；综合运用机器学习方法，研究面向群体和个体的学习行为分析技术，挖掘出不同年龄段、不同性别以及不同地域等群体和个体的偏好差异、行为差异以及能力差异等信息。. 综上所述，本项目的研究成果为在线编程教育大数据挖掘和学生行为分析提供基础理论与关键技术支持，并为在线编程教育大数据服务的进一步研究打下基础，具有十分重要的理论意义和应用前景。