摘要：本文構建了一個在線學習行為分析模型，運用教育數(shù)據(jù)挖掘技術，通過Excel和SPSS工具，對超星學習通平臺課程的學習行為數(shù)據(jù)進行分析，并采用多元線性回歸模型預測學生的學業(yè)成績。經(jīng)研究發(fā)現(xiàn)，作業(yè)平均成績、課程積分、討論區(qū)發(fā)帖數(shù)、章節(jié)學習次數(shù)、視頻觀看時長等變量是影響學習成績的主要因素，預測學業(yè)成績能為學習干預和個性化教學提供支持。文章最后提出課程資源優(yōu)化、開展學練結合、建立學習共同體等提高在線學習質(zhì)量的建議和措施，以期為優(yōu)化在線教育決策提供有益的參考。關鍵詞：數(shù)據(jù)挖掘；學習分析；在線學習行為；學習績效引言隨著大數(shù)據(jù)技術、互聯(lián)網(wǎng)技術和教育信息化的快速發(fā)展，在線學習已經(jīng)成為一種新的常態(tài)的學習方式，線上海量的學習資源和豐富的學習體驗，為學生提供了跨時空學習和開展自主學習的機會。學生在參與在線學習活動時產(chǎn)生的學習行為數(shù)據(jù)可在一定程度上體現(xiàn)學生的學習風格。而借助教育數(shù)據(jù)挖掘技術，研究和分析學習行為數(shù)據(jù)背后潛在的特征信息，可在學習資源、學習方式的選擇，開展精準教學和個性化教學，提高在線教學質(zhì)量等方面為教師、學生和管理者提供決策支持。國內(nèi)外研究概況綜述教育數(shù)據(jù)挖掘是指利用各種數(shù)據(jù)挖掘技術對教育數(shù)據(jù)進行處理和分析，尋找其中的有用信息和模式，幫助教師進行合理決策和有效管理。[1]國外學者Romeroamp;Ventura[2]總結了五類數(shù)據(jù)挖掘的方法：分類挖掘、聚類挖掘、文本挖掘、統(tǒng)計分析和可視化技術。國內(nèi)學者丁衛(wèi)平[3]運用教育數(shù)據(jù)挖掘技術，設計了一個教學評估智能輔助決策平臺，通過平臺應用分析，結果表明智能化提取數(shù)據(jù)中有用的規(guī)律和知識，能夠為教學評估提供決策支持。袁利平等[4]提出在教育數(shù)據(jù)挖掘技術中引入寬度學習方法，在數(shù)據(jù)挖掘中識別數(shù)據(jù)的規(guī)律與模式，提取有價值的信息。學習行為分析是對學生在學習過程中的各類活動進行分析，識別學習狀態(tài)和學習特征，研究學習行為對學習效果的影響關系。國外學者Schildkamp和Kuiper[5]通過對教學數(shù)據(jù)的學習分析來創(chuàng)新教學方法，提高學生的學習狀態(tài)，并應用于教學實踐和評測。還有國外學者[6]提出了一種支持向量機的學習分析方法，通過分析期末考試成績數(shù)據(jù)，能早期預測學習困難者，為學習干預提供支持。近年來，針對在線學習的數(shù)據(jù)挖掘和分析是教育數(shù)據(jù)挖掘的重要研究方向之一。國外學者PoonLKM等[7]利用數(shù)據(jù)挖掘和可視化技術，全面分析在線學習日志數(shù)據(jù)，利用算法挖掘?qū)W習導航模式，并通過分層和聚類方法實現(xiàn)模式的解釋。國內(nèi)學者王曉芳等[8]運用K-means算法分析MOOC數(shù)據(jù)中的學習行為，完成了學生畫像。張曉蕾等[9]剖析了在線學習完成率、學習過程變量影響和學生在線學習預測的問題，通過實證研究，建議應充分考慮學生在線學習的實質(zhì)需求和學習交互活動的復雜性。黃昌勤等[10]基于教育大數(shù)據(jù)，設計了一種在線學習倦怠預警模型，通過在線學習數(shù)據(jù)分析結果實施學習預警和學習干預。綜上所述，在基于數(shù)據(jù)挖掘的在線學習行為分析研究方面，國內(nèi)外學者都取得了許多的研究成果，但缺乏從多個維度對在線學習行為數(shù)據(jù)進行挖掘，實施模型構建和開展實證分析。為此，本研究利用超星學習通平臺的在線學習行為數(shù)據(jù)集，運用教育數(shù)據(jù)挖掘技術，分析在線學習行為特征，對學生的學習行為與學習成績進行Pearson相關性分析，通過多元線性回歸模型預測學業(yè)成績，并提出促進學生提高學習績效的建議，以期為在線學習過程監(jiān)測和教學策略優(yōu)化提供參考。基于數(shù)據(jù)挖掘的在線學習行為分析模型構建本研究以在線學習平臺的課程數(shù)據(jù)為例，基于教育數(shù)據(jù)挖掘技術和方法，構建了在線學習行為分析模型（如圖1）。該模型通過研究和分析揭示在線學習行為數(shù)據(jù)背后潛在的特征信息，為后續(xù)的學習干預和精準教學提供支持。1.數(shù)據(jù)獲取在線學習平臺中記錄著大量的學生學習行為數(shù)據(jù)，如何從海量的原始學習數(shù)據(jù)中選取有針對性的學習行為屬性特征進行分析至關重要。因此，在數(shù)據(jù)采集時需合理地選取在線學習行為的屬性特征，既要反映出對在線學習資源的使用程度，又要反映出學習行為與學習效果之間的關聯(lián)關系，在此基礎上進行分析并構建數(shù)據(jù)模型。筆者從超星學習通平臺提取的學生數(shù)據(jù)，其原始屬性包含學習行為和學習成績兩個數(shù)據(jù)集。學習行為數(shù)據(jù)主要包括瀏覽課程資源和觀看課程視頻等，學習成績數(shù)據(jù)包括章節(jié)測試成績和綜合成績等。部分在線學習行為指標屬性參數(shù)如上頁表1所示。2.數(shù)據(jù)挖掘在數(shù)據(jù)挖掘中，先對采集到的在線學習行為數(shù)據(jù)和成績數(shù)據(jù)進行數(shù)據(jù)預處理，即去重、去噪、文本處理等，再根據(jù)數(shù)據(jù)類型，選擇分類算法、聚類算法、文本挖掘或可視化技術等方法進行挖掘，并對挖掘的數(shù)據(jù)進行可視化呈現(xiàn)和分析，篩選出輸入和輸出變量，提煉出有意義、有價值的教學信息，為學習分析提供數(shù)據(jù)支持。數(shù)據(jù)挖掘過程和方法如圖2所示。3.在線學習行為分析和學情診斷在確定在線學習行為分析目標的基礎上，依據(jù)行為科學、系統(tǒng)論及學習分析理論構建出的學習行為數(shù)據(jù)分析和學情診斷模型如圖3所示。該模型對挖掘出的在線學習行為數(shù)據(jù)，自左向右、自上向下進行分析與建模。橫向流程劃分為聚類分析、推薦分析、關聯(lián)分析三部分，縱向分析劃分為數(shù)據(jù)處理、方法選擇及分析過程、結果輸出等，最后通過線性回歸模型，對在線學習行為數(shù)據(jù)進行量化，找出各指標節(jié)點的概率變化及其與學習狀態(tài)的關聯(lián)關系，呈現(xiàn)全面準確的學習狀態(tài)信息，并根據(jù)學習分析的結果診斷學生當前的學習狀態(tài)，為下一步干預模型的構建提供有效支持。在線學習行為分析模型的實施路徑和實踐1.數(shù)據(jù)采集與挖掘在學習分析模型的支持下，筆者選擇超星學習通平臺上的“電工電子技術”課程數(shù)據(jù)，開展應用與實踐研究。本研究以筆者所在學院機械設計22級126名學生為研究對象，結合研究目標，采集了學生的基本信息數(shù)據(jù)和在使用平臺時的日志數(shù)據(jù)及課程考試數(shù)據(jù)。將126名學生的學習行為數(shù)據(jù)10276條導入數(shù)據(jù)庫，首先對數(shù)據(jù)進行清理、篩選和數(shù)據(jù)集成，過濾由學生誤操作產(chǎn)生的重復、無效行為。其次，進行數(shù)據(jù)挖掘和統(tǒng)計分析。通過層次聚類將在線學習行為變量分為信息交互、問題解決和合作交流等行為維度。最后，采用SPSS統(tǒng)計分析工具對在線學習行為數(shù)據(jù)和成績數(shù)據(jù)進行Pearson相關性分析，得到的相關系數(shù)矩陣如下頁表2所示。從相關系數(shù)矩陣可以看出：作業(yè)平均成績、課程積分與綜合成績的Pearson相關系數(shù)在0.7以上，說明這兩項學習行為與綜合成績之間有著非常顯著的相關性；討論區(qū)發(fā)帖數(shù)、視頻觀看時長、章節(jié)測驗成績與綜合成績的Pearson相關系數(shù)在0.4～0.7區(qū)間內(nèi)，說明這三項學習行為與綜合成績有較強的相關性；瀏覽課程資源數(shù)、學習任務提交次數(shù)與綜合成績的Pearson相關系數(shù)在0.4以下，說明這兩項學習行為與綜合成績的相關性較弱。由此可見，有2個變量對在線學習的綜合成績影響較小，后續(xù)的學習分析將會去除這2個變量的數(shù)據(jù)；有5個變量對在線學習的綜合成績影響較大，其中，作業(yè)平均成績和課程積分對在線學習成績的影響最為顯著。這說明學生高質(zhì)量地完成作業(yè)能有效地反映學生的學習規(guī)律和學習投入，而課程積分的獲得表明學生經(jīng)常進行討論、交流和相互學習，可激發(fā)學習積極性，幫助其較好地完成在線學習任務。由此，將這5個變量生成量化數(shù)據(jù)庫，用于后續(xù)的在線學習分析。2.在線學習行為分析在選取變量后，本研究采用多元線性回歸模型來構建學習行為變量和學習成績變量之間的回歸模型。回歸模型是一種預測性的建模技術，研究的是因變量（目標）和自變量（預測器）之間的關系，可用來預測分析時間序列模型和發(fā)現(xiàn)變量之間的因果關系。本研究在SPSS中，以Y（在線學習成績）為因變量，X1（討論區(qū)發(fā)帖數(shù)）、X2（視頻觀看時長）、X3（課程積分）、X4（作業(yè)平均成績）、X5（章節(jié)測驗成績）為自變量，建立多元線性回歸模型，由于不同變量對被解釋變量的影響不同，因此，在回歸建模過程中，選擇逐步回歸的方式，回歸分析相關系數(shù)如表3所示。根據(jù)多元線性回歸相關系數(shù)表可知，討論區(qū)發(fā)帖數(shù)、視頻觀看時長、課程積分、作業(yè)平均成績、章節(jié)測驗成績這五個學習行為變量是影響學生在線學習成績的關鍵變量，系數(shù)都大于零，對學習成績呈現(xiàn)正向影響，且這五個在線學習行為變量包含了信息交互、問題解決和合作交流這三個行為維度，說明這三個維度的學習行為對學習成績都產(chǎn)生較大的影響，最終根據(jù)回歸系數(shù)確定的在線學習成績回歸模型為：Y=3.080+0.021X1+0.079X2+0.379X3+0.381X4+0.180X5根據(jù)5個變量數(shù)據(jù)集，將具有相似學習行為的學生進行聚類分析，通過成績回歸模型便可實時預測學生的在線學習成績，監(jiān)控其學習過程，同時可將學生的成績與班級整體水平相比較，可更清晰地反映出學生是否存在學習危機，以盡早發(fā)現(xiàn)學習風險，為后期的學習干預提供有效支持。研究結論及建議1.豐富教學資源，提升視頻質(zhì)量從課程視頻資源的學習情況統(tǒng)計數(shù)據(jù)來看，學生更傾向于學習10分鐘以內(nèi)的視頻資源。也有研究表明，碎片化學習更有利于學生對知識的記憶和理解。因此，對于知識點較多和較復雜的教學內(nèi)容，可將其分解成多個短視頻講解，這樣有利于知識的有效遷移。有數(shù)據(jù)表明，在線學習時間間隔越長，學生的遺忘率和復看率也會隨之增加。因此，可引導學生設置好視頻學習的順序，有規(guī)律地依次觀看教學視頻，并限定視頻學習的時間段，這樣有助于學生用較少的時間高效完成學習任務。此外，教師還需經(jīng)常豐富和創(chuàng)新視頻的教學內(nèi)容，適度更新和提高視頻的新穎度，激發(fā)學生的學習興趣。2.開展學練結合，提高作業(yè)質(zhì)量從學習行為數(shù)據(jù)與成績的相關系數(shù)來看，作業(yè)是影響學習績效的關鍵變量，作業(yè)的完成情況很大程度上反映了學生的學習態(tài)度和知識掌握情況。因此，教師應抓住影響學習效果的關鍵因素，如注意作業(yè)難度、控制題量、及時批閱和評價等，提高學生完成作業(yè)的質(zhì)量。3.建立學習共同體，提升論壇活躍度學習行為數(shù)據(jù)分析顯示，課程積分、討論區(qū)發(fā)帖數(shù)等變量對學習績效的影響很大。通過師生問答和交流討論使教師和學生在網(wǎng)絡上建立虛擬的在線學習共同體，可激發(fā)學生的學習積極性。因此，教師可有意識地提升在線論壇的活躍度，增加在線專題討論次數(shù)，提高發(fā)帖數(shù)、回帖數(shù)，并監(jiān)控發(fā)帖和回帖的質(zhì)量，形成師生學習共同體，讓學生養(yǎng)成參與交流和討論的習慣，促進深層次學習。4.制訂學習計劃，養(yǎng)成學習習慣在分析學習行為數(shù)據(jù)時，筆者發(fā)現(xiàn)有超過30%的學生在線學習間隔天數(shù)較多，而到了臨近期末考試，在線學習次數(shù)和學習時間則明顯增多，這表明很多學生喜歡進行考前突擊學習。有研究表明，考前突擊的學習效果并不好，長時間的熬夜學習會導致思維紊亂和影響身體健康，反而降低了學習效率。因此，教師在監(jiān)控學習過程中，不僅要及時查看在線學習成績，更應多關注學生的學習持續(xù)性、連續(xù)性等學習狀態(tài)，并適當開展在線學習干預，分層次實施個性化教學，幫助學生制訂學習計劃，養(yǎng)成良好的學習習慣。結束語本研究基于數(shù)據(jù)挖掘技術，建立了在線學習行為分析模型，并選擇了超星學習通平臺上電工電子技術課程的相