基于学习分析技术的预测模型构建与实证研究

胡碧晧

（华东师范大学，上海 200062）

在基于通信网络的课堂教学管理过程中，技术管理平台已经积累了大量的教学管理数据。对这些科学数据结果进行深入挖掘和综合分析，将为课堂教学管理实施提供更多、更准确的科学依据，从而更加有效地帮助促进课堂学习、教学和课堂管理。同时，数据技术驱动的科学分析和数据挖掘也为教育行业研究人员提供了一种新的研究范式。学习模式分析在近几年的快速商业发展中也表明了研究者和实践者对其应用重要性的普遍共识。但是直到目前为止，学习分析仍然远远无法完全形成统一的分析模型，需要对特定应用情境的学习进行分析模型构建才能进行更加深入性的研究。

一、学习分析技术

随着移动信息学习技术在在线教育领域的不断普及和应用，学习技术分析技术的研究旨在为学习者提供专业的个性化学习分析服务，为教学人员提供精准的、持续改进的教学策略，成为教育增强师生学习能力领域又一重要的技术[1]。

5g 与其他人工智能相关技术的快速发展，为学习数据分析的广泛发展应用提供了广阔发展前景。学习分析技术研究主要包含了学习信息科学、学习分析技术、心理与学习统计等领域研究者，试图以“大数据”为学习研究基础工具。理解教育学习、更好地为设计与实施服务教育学习，是学习教育分析信息技术的一个核心科学研究发展目标，它主要得益于当前教育领域学习技术分析应用的不断普及以及由此直接带来的教育学习分析数据的丰富。

学习数据分析技术处于发展初期时，常常与其他学术数据分析、教育和大数据挖掘相提并论。其中，对从事学校管理的学术大数据应用加以分析整理收集分析，提供学校管理决策等为基础的数据应用被广泛称为高校学术数据分析。

学习技术分析数据研究，是从学习大数据的多个角度深入理解信息学习，大数据分析是其重要前提。因此，近年课程学习价值分析法的研究主要是伴随着在线上课程学习尤其是线上moocs 的快速发展而逐渐兴起的。例如，moocs 环境下在线学习学员行为变化特征分析、在线学习行为投入变化分析、在线学习行为质量变化分析、学习行为结果变化预测、学习行为干预方案设计等[2]。

学习分析技术设计旨在通过分析理解人们是怎样主动学习实现对自己学习的主动适应性课程设计。因此，学习技术设计分析研究者仍然是跨学科领域学习设计分析研究共同体的重要组成力量。除了各种学习数据分析模式为主的学习数据设计模式提供教学支撑外，研究者们还提出，学习分析设计也希望能够为各种学习数据分析模式提供应用解读相关数据所必必需的各种教育应用场景，从而为学习分析和应用解释相关数据、学习者及其行为以及成功或过于低效的各种学习分析模式设计提供教学框架。随着综合学习课程分析和综合学习课程设计两个领域的成熟，两者间的知识融合和学术协同正逐渐成为重要的学术研究热点领域。

二、学习分析模型分析

以下为学习分析模型情况介绍：

（一）学习分析过程模型

学习分析过程中的模型理论是西蒙斯根据学习关联实证主义理论，在建立tekl模型的理论基础上重新提出的。该数据模型中，数据主要分别来源于机器学习者电脑数据和移动智能手机数据。数据在被收集后经过自我或其他多种方式的信息处理与数据分析后，便立即可根据数据分析结果进一步地对其去进行干预，进而有效促进在校学生的学习个性化或者是适应性强的学习[3]。

（二）持续改进学习模型

持续改进学习模型概念是伊莱亚斯在对机器学习系统分析中的技术模型进行了详细界定后重新提出的。该学习模型将整个机器学习数据分析工作过程具体总结为七个主要步骤:数据获取、选择、聚合、预测、优化、使用和数据分享，即形成数据分析收集、数据处理和基础知识综合应用三个大的循环学习阶段。

（三）学习分析要素模型

学习分析要素模型方法是由沃尔夫冈和亨德里克利用里奇的一般意识形态学习分析方法，对学习形式分析领域研究者群体中正在讨论的每一个主题的要素进行分析和总结而再次提出的。

（四）学习分析概念模型

学习分析概念模型理论是近年我国著名学者李艳燕等在一种学习环境分析实践过程中的模型和一种持续不断改进学习环境的模型理论基础上重新提出立起来的。

四种影响学习过程分析技术模型都具有各自的技术侧重点，学习分析过程模型主要是从影响学习过程分析概念理论技术角度出发，以一种线状过程图的技术方式详细呈现了从数据采集、数据处理分析、结果处理应用的整个学习过程分析技术过程;持续改进学习模型从影响学习过程分析核心技术流程角度结合出发，以一种循环持续优化的技术方式详细描述了影响学习过程分析的核心技术改进流程;学习分析要素模型从如何影响整个学习过程分析核心技术的各个要素角度出发，以一种模块化的技术方式较为全面地详细描述了如何影响整个学习过程分析技术结果的各个要素;学习分析概念模型则从影响学习过程分析概念理论和核心技术流程角度结合出发，以一种循环持续优化的技术方式详细描述了影响学习过程分析的各个基本要素和整个核心技术流程。据此，可以得出结论，一个较为完善的机器学习数据分析系统模型结构应该必须包含以下五个基本要素:数据采集、数据处理、数据综合分析、结果综合应用、要素条件[4]。

三、基于学习分析技术的预测模型构建与实证研究

根据以上四种深度学习机器分析数据模型可以轻松构建设计出一个深度学习数据分析模型。深度学习数据分析模型是一种促使学习者在其对深度知识理解的基础上，积极主动地、批判性判断地被动去学习接受新基础知识，并通过所需要建立的新旧基础知识间的各种联系去帮助解决复杂实际问题和寻求创新的高级知识学习活动方式。深度学习数据分析模型的整个总体评估思路与深度学习结果分析的一般评估模型相似，只是它以各种深度分析学习结果中的评估方法为理论基础，而非一般的评估学业成绩。因此根据所收集总结的综合学习行为分析数据模型并与不同学习者的行为分析大数据的各种数据结构特点分析相结合，构建了基于不同学习者的行为分析大数据的一套深度综合学习数据分析模型。该数据模型主要包含了大数据采集、数据处理、数据信息分析、结果信息呈现与数据应用，以及数据流程管理中的各个要素构成条件。

1.基于深度教育学习数据分析模型的第一步应用就是对在校学生大量的日常学习量和行为交互数据的分析采集，学生日常学习交互行为分析数据可以包含了在校学生通过在线上学习平台所直接产生的一切有关师生学习的交互行为数据，也可以包括学生线下日常教育学习中通过物联网和感知器等技术所直接产生的一切有关师生学习的交互数据等。对于数据采集后得到的用户行为分析数据则需要根据不同的数据类型与不同特征点来进行处理相应的信息存储与数据清理。

2.应用深度机器学习数据分析模型的第二步任务是复杂数据处理，即通过进行相应的复杂数据统一存储与信息清理，该方式可以实现对完全结构化、半完全结构化、非完全结构化的复杂数据的自动统一存储管理，以及根据用户要求自动整合各种数据存储格式，剔除与其无关的复杂数据[5]。

3.建立深度数据学习综合分析模型的第三步阶段是深度数据综合分析阶段，该分析阶段主要是根据不同的数学分析方法(包括诊断结果分析、预测结果分析、评价结果分析)对数据处理后的深度数据结果进行综合分析，从而准确评估每个学生进行深度数据学习的应用结果。

4.建立深度学习数据分析模型的最后一步工作是结果直接呈现与技术应用，根据学生受众的不同，将数据分析的心理结果以不同的深度可视化显示方式直接呈现显示出来，教师与教学管理者不仅可根据学生分析后的结果对每个学生的深度学习心理行为模式进行教学干预与心理引导，促进每个学生最终达到教师深度优化学习的最佳结果，学生也同时可根据学生分析后的结果直接进行调整和不断优化自身的深度学习心理行为，从而最终达到学生深度优化学习的最佳结果。

以MOOCs 为例，目前MOOC 平台是完全自主的在线学习平台，具备实现个性化学习的关键要素。学习者对学习目标、学习进度、学习方式、学习时间以及使用的学习资料等享有绝对的自主权，具有彻底的在线学习自主性。但是，完全的自主性给学习者提出了严峻的挑战，如难以立即转换被动学习角色，进入良好的主动学习状态。以ccedx 等在平台中作为一举例，目前，只能通过实现对一个学习者每次学习活动时间和各种学习活动进度的实时记录以及对一个学习者简单的学习结构性优化机制互评与非简单结构化的学习同伴进行互评，还没有办法达到通过将一个学习者的各种学习活动路径、发生的各种学习活动行为通过反馈传递给其他学习者，以引发学习者进行自我反省、自主导学的程度。利用反馈学习数据分析技术挖掘每位学习者生活大数据，反馈学习分析研究结果可使每位学习者在进行自主组织学习的工作过程中及时进行自我学习评估，不断完善优化和加强学习[6]。

四、结束语

综上所述，根据四种学习分析模型可以构建出深度数据学习综合分析模型，该优化模型为良性循环数据优化分析模型，数据分析的优化结果在广泛应用于学习优化中对学生进行深度远程学习处理过程的优化同时，也将作为新的学习数据被学生收集，进而经过信息处理与数据分析，进一步帮助优化学生深度远程学习优化过程，形成一个良性循环，这十分符合学生深度远程学习的基本意义，能够做到极好地有效促进广大学生开展深度远程学习。