基于数据挖掘的在线学习行为分析与建模

叶文静 黄今慧

【摘要】在大数据的背景下，作者在分析了学习者在线学习行为的基础上，建立了基于数据挖掘的在线学习行为的模型。论文的重点不仅在于指出研究在线学习行为的重要性，更探讨了如何对在线学习行为构建模型，以及它会为教育领域带来的深远意义。

【关键词】数据挖掘;在线学习行为;教育大数据

【中图分类号】TP391

【文献标志码】A

【文章编号】1673-1069（2018）11-0146-02

1引言

在线学习是指通过计算机互联网，或通过移动无线网络，进行内容传播和快速学习的方式。这种学习方式不仅能使自身的学习需求被满足，同时也收集了与学习行为相关的数据。这些数据可从网络学习平台提取，然后对这些数据更加深入挖掘，再通过挖掘出的信息研究在线学习行为。但是在线学习过程中产生的数据庞大且杂乱，其中还包含了大量非结构信息，单是使用简单的统计分析方法不容易发现其隐藏的知识和规律，而且这些数据实际来源于教育大数据，因此我们需要采用更为精确，复杂的方式来研究。数据挖掘技术可以分析大量数据并能提取出隐藏在其中的、人们事先不了解的并对决策有用的信息和知识。数据挖掘技术就是我们所要选择的技术。

2在线学习行为分析

2.1在线学习行为特征分析

针对学习者的平均学习时间、学习进度、学习交流、各类资源应用等与学习行为有关的信息数据进行统计、可视化和各类挖掘方式，并结合学习者的个体数据来分析在线学习行为的特征。可从以下几个方面分析在线学习行为的特征：静态和动态特征、固有和变化特征以及一般和风格特征。本文主要分析的是学习者的静态和动态特征。顾名思义，静态特征是指学习者自身所固有的不会随时间的变化而变化或缓慢变化的方面;而动态特征则是指学习者随着时间的变化而发生显著变化的，并会对学习产生较大影响方面。若要从这两个方面展开分析，可以运用以下方法：

①根据通过具有相似或相同静态特征的学习者群体进行不同动态特征的在线学习行为分析并将这类人群进行分类。主要是通过协作过滤推荐算法，根据学习者的性别、年龄、学历以及学业专业等静态特征筛选出具有相似静态特征的学习者，并对参与总人数进行分组，将相似的学习者分为一组，调查并记录每组学习者彼此间的在线学习行为数据，分析这些数据可获取在线学习行为的影响因素。例如，年龄在18～22岁的女性计算机本科专业学习群体的学习行为差异主要在那几个方面、有何不同、如何分类等问题。

②基于对某网络学习平台的分析，根据分析能获取在线学习行为特征。首先采集该平台的数据，如学习者的登录时间、访问路径、在线时间长短以及在线学习内容等，然后再对这些数据进行分类研究;再如同一时间访问该平台且学习地点与时间长短相同的，正在学习同一门课程的人群可能是正在学校上课的学生，这类人群的学习行为不是自发的，但他们的学习进度却可以反映出各自的学习能力以及学习需求。

通过以上方法，可以了解在线学习行为受许多因素影响，而这些因素又可区分为内在因素和外在因素，如个人学习目的、学习需求以及不同的时间安排等可归纳于内在影响因素;不同专业的学习内容、不同的学习平台应用、多样的学习工具使用等可归纳于外在影响因素。这些因素不仅对在线学习行为带来了不同程度的影响，而且还产生了各种在线学习行为特征。

2.2基于数据挖掘构建在线学习行为模型

以某一网络学习平台为基础，然后基于该平台存储的在线学习行为的记录来采集数据，再对这些零散的数据进行处理和研究，最终可以构建一个基于数据挖掘的在线学习行为模型。该模型主要用于对学习需求、学习资源、学习工具以及学习模式对学习者在线学习行为所造成的影响以及影响程度的研究。之后还可用它挖掘出最佳学习者，并探索影响他们在线学习行为的因素。通过对这些因素的进一步研究，将推测如何有效提高学习者学习效果的方法，让更多的学习者有效地提高学习效率，找到适用于自己的学习方法。除此之外，我们还能将该模型应用于网络学习平台，进一步优化网络学习平台，使它能获得更精确的数据，这样就能更全面、系统、深入地分析在线学习行为，构建更广泛、更智能、更丰富的网络学习平台。

3对学习者的在线学习行为构建模型

3.1在线学习行为数据的采集

不同的数据采集所研究的方向也不同，但总体方向却是相同的，都是针对学习者在线学习行为进行研究。通过记载人们访问网站的次数以及在该网站停留的时间，可以发现最受人们喜爱的网络学习平台;通过记录学生作业完成情况以及解决疑难问题的方式，可以分析出他们的学习方式;通过记载人们对学习内容的观看时间以及留言评论，可以找到他们的兴趣爱好。因此，如何采集数据是构建在线学习模型的第一步。主要是通过对网络学习平台的选取以及数据准备来实现数据采集。

3.2在线学习行为数据的处理与挖掘

数据采集完成后，通过对该数据处理与挖掘，以获取研究者想要的信息，这是对在线学习行为构建模型的第二步。

3.2.1数据处理

完成第一步后，所采集到的原始数据不能直接用于数据挖掘，还应对该数据进行处理，使其能转换成可供数据挖掘使用的数据。

3.2.2数据挖掘

将数据处理好后，就要使用数据挖据对其进行操作。选取与研究一致的数据挖掘技术和工具也是至关重要的。分类，聚类和关联规则挖掘等算法均可应用于在线学习行为的数据挖掘中。

3.3在线学习行为模型的构建

完成以上步骤后，可以开始对在线学习行为构建模型。首先，通过数据挖掘获得的信息可以深入分析個人的在线学习时间安排、在线学习行为特征以及影响在线学习行为的主要因素。然后开始整合数据，将这些数据关联在一起并使用统计分析方法建立在线学习行为的模型。最后还要对该模型进行验证，把该模型应用于某一网络学习平台，然后根据学习者的在线学习效果是否提高，在线学习效率是否提升，以及该网络学习平台是否优化成功来验证该模型的准确性和实用性。

4结语

本文从数据挖掘的角度探讨了在大数据背景下的在线学习行为的分析与建模。经过一系列理论分析，最终发现构建在线学习行为模型是具有重大意义的。建立在线学习行为的模型，对网络学习平台进行优化，找到适合自己的学习方法。这不仅对提高人们的学习效率有很大的作用，还能帮助他们获得更完美的学习成果。这对于教育领域也是一大进展。因此，基于数据挖掘的在线学习行为的分析与建模是十分有必要的。