基于大数据的用户学习行为模式的挖掘分析

阮王锐 付荣 李明东 姜飞 辛政华

摘 要：教育信息化迈入了新的时代，学习者在不同学习平台中产生的海量学习行为数据，能够被学习管理系统所存储记录，利用学习者产生的学习行为数据能够及时有效地对学习者进行学情预警、学习路径推荐、课程推荐等一系列应用;并对每一类学习者的学习特点、行为特征做出较详细的解释，识别出学习者学习行为中对学习成绩影响最大的因素。

关键词：学习风格;特征识别;行为特征

一、网络学习行为研究

主要渉及不同信息呈现方式、学习风格下的网络学习行为和学习效果研究，需要考虑学习者如何学习及在网络中如何进行多媒体学习，不同学习风格的学习者有什么差异等问题，因而受多媒体学习、网络学习及课堂学习多种形式的相互作用。有关学习风格的定义，在国内影响较大的是谭顶良的观点"学习风格是学习者持续一贯的带有个性特征的学习方式，是学习策略和学习倾向的总和。

学习者画像体现了用户画像技术在教育学领域中的应用。了解学习者概况有两种基本方法：一种是寻找学习者的学习表现和学习活动之间的关系，另一种则是根据学习者不同的学习风格、学习类型等将学习者划分为不同的群体。与商业领域类似，教育学领域中的学习者也会在学习管理系统中产生学习行为数据，如：在线教育平台网站浏览痕迹、论坛发帖次数、课程交互次数、成绩等数据，上述数据具有持续时间长，连续性强等特点。学习者画像能够描述学习者的学习特点，为后续的教育决策提供理论支撑。

二、学习行为设计模式

国内研究者一般从教育学领域阐述在线学习行为的含义，国外研究者更注重利用观察、测量、收集到的在线学习行为数据进行实证研究。本研究认为，在线学习行为是学习者以不同终端为媒介，利用丰富多样的教学资源，为达成某种学习目的产生的网络学习痕迹的总和。因此，在线学习行为分析的最终对象是一系列学习者的于在线教育平台的操作。

（一）数据挖掘方法的使用

数据挖掘的一般定义为从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘、知识发现两个术语常同时出现，并相互替换使用。数据挖掘与知识发现的关系是：知识发现是不向用户透露数据细节，从原始数据中提取出有用知识的过程;

数据挖掘的一般流程为：数据获取、数据预处理、数据挖掘以及挖掘结果表达和解释，流程图如图1所示。

（二）统计分析方法

统计方法中的回归分析方法能够通过求回归方程描述一个变量的变化趋势和别的变量值的关系，回归方程如公式（1）所示。

                 （1）

常见的分类算法主要可以分为单一的分类算法和集成分类算法两种。单一的分类算法通常包括ANN分类、朴素贝叶斯分类、K近邻分类、决策树分类、支持向量机分类等;集成算法通常包括Bagging。

三、HTTPWatch网络学习行为数据收集

利用HTTPWatch来收集学习者的行为，主要是从HTTPWatch中提取记录用户打开页面的开始时间，用于获取用户打开某个网页的名称和网页加载情况，URL用于记录巧页加载过程中的资源定位。当用户点击一个超链接，打开某个网页时，网页便开始加载整个网页所需要的所有元素送些元素的加载类型通过Tpye类型字段判断。

学习时长是指在正式学习前笔者提供四种不同内容的程序性知识学习材料供学习者学习所花费的时长，本研究中的信息呈现方式主要是有数字文档型、动画+曰语、动画+文本、PPT+语言四种类型，其中三种视频的长度都是12分钟，在实验的假设中我们期待不同学习风格和不同的信息呈现方式下的被试在学习的时间上会有显著差异。下面笔者学习资源类型和学习风格为自变量，学习时长为因变量，采用多因素方差分析验证这一假设。表1反应出不同学习风格的多因素分析结果。

（一）用户学习模型分析

edX 数据集中将学习者分为 registered、viewed、explored、certified 四类，分别代表仅注册型者、一般型学习者、积极探索型学习者、获得证书型学习者。viewed 类学习者表示在 edX 平台注册了课程并至少访问了一次課后学习资源的学习者;explored 类学习者表示在 edX 平台注册了课程并访问了超过一半课后学习资源的学习者。在学习者特征分析中，在gender列中统计性别为男性（m）和女性（f）所占比率，Mit6.00课程和总课程女性学习者所占比率统计如表4.2所示。Mit6.00课程中女性学习者的占比仅为14.6%，远低于总课程中25.8%女性学习者的占比，推测是Mit6.00课程属于工科课程，专业性强。

四、总结

利用多元线性逐步回归模型，将学习投入特征、教学交互特征、课程完成度特征三类学习行为特征，按其对学习成绩的影响显著程度大小由大到小地逐个引入回归方程，准确地计量三种特征和学习成绩之间的相关程度，识别出对学习成绩影响最大的学习行为特征。通过构建出的学习者画像，针对学习积极性不高、辍学率高、学习成绩不理想的体验型和潜力型学习者进行课程定制，帮助于这两类学习者合理规划课程的知识领域和知识点，对学习者进行有效的督促和针对性的引导，提高用户学习行为的质量和有效性。

参考文献：

[1] 王莎莎，王梅.学习分析技术研究现状综述[J].中国教育技术装备，2019（08）：7-11.

[2] 艾兴，张玉.从数字画像到数字孪生体：数智融合驱动下数字孪生学习者构建新探[J].远程教育杂志，2021，39（01）：41-50.

[3] 张蕾.网络学习环境下学生有效学习行为的影响因素研究[D].西北师范大学，2018.

基金项目：2020年宿州学院虚拟仿真实验教学项目（编号：szxy2020xnfz02）;2021年国家级大学生创新创业训练计划项目（编号：202110379027）;2020年安徽省教育厅高等学校省级质量工程项目（编号：2020szsfkc1004）;2020年宿州学院校级质量工程项目（编号：szxy2020xxkc07）;2020年宿州学院专创融合重点课程项目（编号：szxy2020zckc22）。