基于线上学习数据挖掘的学习行为和学习成效分析.pdfVIP

创新教学科技风２０２５年６月

ＤＯＩ:１０.１９３９２/ｊ.ｃｎｋｉ.１６７１￣７３４１.２０２５１７０３５

基于线上学习数据挖掘的学习行为和学习成效分析

冯杰

中央民族大学理学院北京１０００８１

摘要:当前ꎬ利用大数据分析技术对在线学习者进行行为数据分析ꎬ探索蕴含在数据中的规律ꎬ探讨学习行为特征

对学习成效的影响ꎬ这方面的工作具有重要的理论和实际意义ꎮ利用大数据分析结果ꎬ一方面ꎬ可以反馈、干预和预测学

习者的学习行为及成效ꎬ帮助学习者更好地掌握学习过程、提高学习效率ꎻ另一方面ꎬ也有助于教师和平台运营人员针对

不同的用户群体提供个性化的环境和学习指导ꎬ促进在线学习的可持续发展和教育教学领域的创新与变革ꎮ

关键词:线上学习ꎻ数据挖掘ꎻ学习行为ꎻ学习成效

一、概述果ꎬ为本课题的相关研究提供了坚实的理论基础ꎮ本项目

当前线上学习蓬勃发展ꎬ广泛的学习人群、丰富的在线以某大学网络教学平台中的慕课数据作为基础ꎬ收集了同

课程资源以及多样化的交互手段产生了大量的学习行为数一时期上课的学生的学习行为和学习成效数据ꎬ对学生的

据ꎮ如何利用大数据分析技术对在线学习者进行行为数据学习行为特征及其对学习成效的影响进行了探究分析ꎬ以

分析ꎬ探索蕴含在数据中的规律ꎬ探讨学习行为特征对学习期为在线学习和发展提供有益参考ꎮ

成效的影响ꎬ这方面的工作具有重要的理论和实际意义ꎮ二、基于Ｋ￣ＭＥＡＮ聚类的学习者类型划分

近年来ꎬ国内外不少专家学者在ＭＯＯＣ学习者行为分本文收集的数据信息包括:(１)学习者的基本信息(姓

析领域进行了实验和探索ꎬ例如ꎬ参考文献[１]中的学者提名、性别、学号、专业、年级)ꎻ(２)课程信息(课程名称、学科

出了一种以神经网络作为分类器的预测方法对ＭＯＯＣ课类别、课程章节数、课程起止时间)ꎻ(３)学习者的学习行为信

程的辍课率进行预测ꎻ参考文献[２]中的学者根据行为分息(签到次数、章节学习次数、作业次数、作业平均分、讨论发

析将ＭＯＯＣ学习者分为主动者、被动者和旁观者ꎬ并且分帖数、讨论回帖数)ꎻ(４)学习者的学习效果信息(学习成绩)ꎮ

[３]

析了不同学习者的课程完成率ꎮ贾积有等人基于北京对于每名学习者的学习行为数据ꎬ选取章节学习次数

大学６门ＭＯＯＣ课程的平台数据对学习者的学习行为进(ＣｈａｐｔｅｒＬｅａｒｎｉｎｇＮｕｍｂｅｒꎬＣＬＮ)、签到次数(ＳｉｇｎＩｎＮｕｍ￣

[４]

行了统计分析ꎻ陈兰岚等人基于ＣａｎｖａｓＮｅｔｗｏｒｋ提供的ｂｅｒꎬＳＩＮ)、讨论回帖数(ＤｉｓｃｕｓｓｉｏｎＲｅｐｌｙＮｕｍｂｅｒꎬＤＲＮ)、作

ＭＯＯＣ开放数据对学习者的类型与行为进行了分析ꎻ林麒业平均分(ＡｖｅｒａｇｅＨｏｍｅｗｏｒｋＳｃｏｒｅｓꎬＡＨＳ)四个特征ꎬ利用

[５]

麟等人利用Ｋ￣Ｍｅａｎ聚类的方法对不同人群学习行为进Ｋ￣ＭＥＡＮ算法进行聚类分析ꎬ聚类结果见图１ꎮ此外ꎬ根据

行聚类ꎬ探讨了学习行为与学习成效的关系ꎮ聚类结果ꎬ我们计算了每类学习者的学习特征及学习成绩

以上工作丰富了在线学习者行为分析领域的研究成均值ꎬ分析结果见表１ꎮ

图１不同类间的最终聚类中心

１０６

科技风２０２５年６月创新教学

表１不同类学习者的学习特征及学习成绩均值