基于大数据背景的在线学习行为分析模型

崔贝贝

【摘要】我国科技技术的进步带动了在线学习模式的较快发展，使其实现了网络化与数字化，这在较大程度上在大数据背景下为在线学习行为分析模型的建立提供了保障，保证了在线学习行为分析模式构建质量，不但能够使在线学习形式得到较大丰富，而且在较大程度上可加快我国在线学习的未来发展。

【关键词】大数据背景 在线学习行为 分析模型

【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2018）44-0001-01

前言：

21世紀，人们生活已步入信息化时代，较多行业在大数据背景下有较大的发展，其中在线学习在此基础上正积极探索新型技术来提升其质量，这在一定程度上可提高学习效率。此外，移动电话与互联网连接较为紧密，一般情况下通过短信来提升客户对产品的认识，不但能够提高客户对产品认知度，而且在一定程度上可增加对产品的反馈效果，这对在线学习模型建立具有较大促进作用。

1.在线学习行为概述

随着我国经济的发展，教育的发展也呈现出了以信息为基础的教学模式，其中在线学习是现代教育中一种新型的学习形式[1]。较多学者没有对此种学习法方法进行确切的定义，主要对其描述为：学习者借助网络技术，在网络环境中利用网络提供的学习平台与工具获得自身需要的信息与资源，以此进行自主学习与交互。此外，在线学习有广义与狭义之分，其中广义主要是指学习者从网络平台中获得信息与资源的总和；狭义主要是指学习者根据自身所需对学习平台进行针对性选择，并使用一些辅助工具与资源信息能够提升其学习质量，实现学习具体化。

2.在线学习行为的分类

在线学习主要是根据人工智能理论为基础，其中人工智能理论主要有不同的维度体系，在此基础上具有较为完善的属性，可在较大程度上对学习者的学习要求进行有效满足，并且满足了在线学习行为分类维度[2]。此外，人工智能主要是根据一些智能行为发展而来，能够对一些学习行为过程中的分类进行有效指导，一般情况下在线学习行为的分类主要从功能、结构以及方式三个维度。其中结构维度的学习行为的出发点一般情况下是从认知、操作、解决问题以及协作角度进行分类分析；功能维度主要是从学习者在学习的过程中，对学习信息处理过程实施针对性有效的分析，其中信息行为一般有加工、查询以及发布等；方式维度主要是学习者在平台中进行有效的交流与互动的一种行为，其中从交互对象角度来看，有人机交互、人人交互。

3.大数据背景下在线学习分析模型构建原则

3.1 通用性原则

通用性原则主要是指在线学习分析模型的构建不但可以在该平台为学习者提供信息资源与学习，而且在其他平台中也能为学习者提供信息资源与学习，能够在较大程度上提高学习者多方面要求，而且可满足不同管理者需求，为此能够对分析模型中的一些方法与组织模块进行有效添加。

3.2 系统性原则

系统性原则主要是把在线学习行为分析模型当作一个系统，在此基础上对该系统中的要素进行针对性分析，其中有分析方法、目标以及数据等，这在较大程度上能够有效保证分析模型的合理性与科学性。

3.3 对应性原则

对应性原则主要是表明学习过程应当与分析任务相对应，比如学习者应当通过哪种方法来得到较高的学习的成绩，哪种操作能够产生此种较好的学习效果[3]。在线学习行为分析模型任务的确定有较强的针对性，平台管理者能够在模型构建过程中根据学习者需求进行任务的有效设定，把学习过程与分析任务进行有效对应，以此找出关键点。

4.大数据背景下在线学习分析模型构建

4.1 在线学习行为的数据模型构建

4.1.1 多维度的在线学习行为数据模型

概念数据模型的建立是模型构建过程中较为重要的内容，以此加强对对象与实体对象之间的关系，一般有面向对象法、实体联系法以及谓词法。其中，谓词法主要是通过句子结构进行数据模型的构建，以此在较大程度上可对在线学习行为中主体与客体之间的关系进行维护。

4.1.2 多层次的在线学习行为数据模型

在线学习行为分类较多，其复杂程度具有差异性，根据复杂性不同将其分为低级、中级和高级。其中，低级在线行为是指学习者进行一次性操作行为；学习者进行不同方向交互以及评价操作属于中级行为；高级在线行为主要是学习者通过在线学习对一些较为复杂的问题进行有效解决的行为。

4.2 在线学习行为数据的采集

在线学习行为数据采集需要用同步采集技术，一般情况下主要体现在以下不同方面：（1）可以通过服务器端进行数据的有效采集，其中包括两种格式，扩展日志格式以及通用日志格式，能够在较大程度上保证在线行为的实时性；（2）能够通过客户端进行数据的采集，其数据采集方法一般是通过创建Cookie实施有效采集，但需要用户许可。

4.3 在线学习行为分析模型的横向流程设计

4.3.1 在线学习行为的聚类分析

在线学习的分类标准较为模糊，并且具有一定的差异性，在进行分类过程中没有全面考虑学习过程，另外由于学习者自身需求与动机具有较大的差异性，使学习者之间学习行为有较大不同，此外通过行为的聚类分析结果，对学习属性相似度进行有效分析，并进行不同类别的划分，通过对不同群体行为特征实施针对性分析。

4.3.2 在线学习行为的个性化课程分析

随着时代的发展，个性化学习需求较大，平台管理者希望进行个性化学习服务工具的设计，能够在较大程度上提升学生的学习效率[4]。此外，平台中的课程推荐功能可根据学习者自身兴趣进行针对性信息数据的选择，以此满足个性化学习要求。

4.4 在线学习行为分析模型的纵向流程设计

使用在线学习行为数据分析模型，并通过一些学习任务从平台中获得信息数据，同时实施预处理。此外，在线学习行为信息数据由于类型不同，在收集的过程中会在一定程度上出现新型数据不完整、噪音以及冗余等，这就需要对数据分析之前实施预处理。除此之外，在线学习方法较为重要，只有选择合理的学习方法才能保证分析结果的正确性，才能对教学结构进行有效完善与优化。

结语：

综上所述，本文主要通过电信运营商在线营销作为研究案例背景，通过大数据分析的方法，按照特征选取、模型、训练集等流程，以可自由支配的收入、时间和社会学习作为主要的研究特征，并以营销人员构建的对照组为参考选取实验组，证明数据驱动方法在目标客户选择方面有较好的实验结果。

参考文献：

[1]樊剑剑.基于大数据的在线学习行为分析模型研究[J]. 自动化与仪器仪表， 2018（3）：62-63.

[2]杨雪， 姜强， 赵蔚，等. 大数据时代基于学习分析的在线学习拖延诊断与干预研究[J]. 电化教育研究， 2017（7）：51-57.

[3]贾艳梅， 刘礼想. 大数据环境下在线学习行为的分析[J]. 中小学电教（下半月）， 2015（8）：3-4.

[4]姜强， 赵蔚， 王朋娇，等. 基于大数据的个性化自适应在线学习分析模型及实现[J]. 中国电化教育， 2015（1）：85-92.