對“在線學習行為”可能應用方向的分析建模及挖掘
在日趨精密數(shù)字技術條件下，學習模式已通過互聯(lián)網(wǎng)、社會化媒體實現(xiàn)數(shù)字化。海量的學習信息以數(shù)據(jù)的形式蘊含著學習者的隱性行為特征。文章從數(shù)據(jù)挖掘與領域應用、學習行為及行為分析、網(wǎng)絡行為分析模型三個角度對在線學習行為可能的應用方向進行綜述研究，探討學習者的在線學習行為的建模機制，建立了數(shù)據(jù)、機制、結果三層次模型，并從網(wǎng)絡挖掘的角度對學習數(shù)據(jù)進行模式分類與解析。
一、引言
縱觀21世紀教育研究的發(fā)展趨勢，探究學習者的深層次思維與行動成為教育者關注的焦點。學習是個體獲得行為經(jīng)驗的過程(Dienes et al.，1995)，從教育心理學角度它可分為外顯學習(Explicit Learning)與內隱學習(Implicit Learning)。傳統(tǒng)學習行為理論研究由于技術與工具的局限性，只探討那些能直接測量的、可觀察的行為，而對內隱的學習行為潛能的研究，一直缺乏一手的實踐數(shù)據(jù)，且尚未形成系統(tǒng)的理論分析體系。因此如何革新傳統(tǒng)的學習行為分析模式，將內隱分析與外顯結合是教育者們一直思索的方向。
隨著網(wǎng)絡課程與學習技術系統(tǒng)的發(fā)展，在線學習越來越多地發(fā)生在各種教育情境中，這為深入研究學習者學習心理、行為帶來了新契機?；诰W(wǎng)絡的學習能使學生憑自己的喜好進行自主、探究性的學習，學習行為能自然地呈現(xiàn)，網(wǎng)絡也提供了記錄學習者隱性學習行為的載體。這些學習行為常常是無意識、零散的，行為之間潛在關聯(lián)結構、底層規(guī)則不顯著，但比外顯學習行為更能體現(xiàn)學習中微妙而復雜的邏輯關系，能折射學生最真實的思維與學習情況，是教師或其它評價機制不易捕獲到的。隱藏在學習平臺記錄中的學生學習行為，猶如豐富的礦藏，如果采用適當?shù)牟删蚍绞竭M行挖掘，這些反映學生學習行為(包括學習者的態(tài)度、動作、語言)的數(shù)據(jù)，能夠成為跟蹤學習、評價學習以及改進學習的最佳數(shù)據(jù)來源。由商業(yè)領域孕育而生的數(shù)據(jù)分析技術——“商業(yè)智能”，目前正在教育領域中悄然掀起并加劇進化，學習分析(Learning Analysis)作為一種教育數(shù)據(jù)分析技術，成為發(fā)展中不可或缺的核心力量(祝智庭等，2012；顧小清等，2012)。它通過對數(shù)據(jù)背后所隱藏的信息加以發(fā)現(xiàn)和理解并有效進行利用(或干預、或預測)的研究，從而追求最大的教育效益(Siemens et al.，2011)。為此，最為核心的問題是構建能滿足學習跟蹤、評價及改進需求的行為分析模型和數(shù)據(jù)挖掘算法。
本研究在廣泛文獻調研的基礎上，從學習分析需求出發(fā)，構建了在線學習行為分析模型，并設計了學習數(shù)據(jù)的挖掘模式，最后結合案例探討了學習分析研究的科學意義和應用價值。
二、現(xiàn)狀分析
由于對學習者在線學習行為分析涉及多個學術領域與技術，如數(shù)據(jù)挖掘、計算機網(wǎng)絡、行為認知學、人工智能、數(shù)理統(tǒng)計等，因此本研究的前期調研聚焦以下三個方面：數(shù)據(jù)挖掘與領域應用、學習行為及行為分析、網(wǎng)絡行為分析模型。
從大量數(shù)據(jù)中抽取有用信息的相關研究、技術及工具，在計算機領域有多種提法，包括數(shù)據(jù)挖掘、知識發(fā)現(xiàn)、知識提取等(Agrawal & Shafer，1996)?？傮w而言，研究人員更多地使用數(shù)據(jù)挖掘這一術語(Kurgan & Musilek，2006)。
上世紀90年代曾興起一股研究熱潮，研究人員致力于尋找一種通用算法，以解決所有與從大量數(shù)據(jù)中搜尋有用信息相關的問題。在研究算法之外，許多特定的數(shù)據(jù)挖掘工具應運而生。譬如，Clementine(Khabaza & Shearer，1995)、IBM Intelligent Miner(Tkach，1998)、Weka(Witten & Frank，2005)和DB Miner(Sole，2010)等。在工具、方法論及模型得到快速發(fā)展后，數(shù)據(jù)挖掘在諸多領域得到了廣泛且日益成熟的應用。國內外電信公司將數(shù)據(jù)挖掘引入核心業(yè)務管理系統(tǒng)，應用方向包括客戶分析及客戶關系管理(Cui，2009)；銀行使用數(shù)據(jù)挖掘技術實施反洗錢監(jiān)控(Cao & Do，2012)、客戶信用質量評估(Huang & Wu，2011)；證券交易監(jiān)管部門使用數(shù)據(jù)挖掘技術實施欺詐交易監(jiān)測(Golmohammadi & Zaiane，2012)；醫(yī)院借助數(shù)據(jù)挖掘協(xié)助醫(yī)生更好地開具處方和提供治療參考(Wang et al.，2013)；圖書館使用數(shù)據(jù)挖掘技術完成讀者需求分析(Zhu & Zhang，2011)、讀者管理(Yu，2011)、館藏推薦(Huang et al.，2011)。
數(shù)據(jù)挖掘技術進入教育領域相對較晚，研究人員的興趣主要集中在開發(fā)研究與分析教育情境下的海量數(shù)據(jù)的技術工具，如數(shù)據(jù)挖掘幫助提升高校學生的記憶力(Zhang et al.，2010)、數(shù)據(jù)挖掘在基礎教育課程評估中的應用(Hung et al.，2012)，而基于e-learning的數(shù)據(jù)挖掘研究則是近年來的研究前沿。譬如，在e-learning系統(tǒng)應用數(shù)據(jù)挖掘，協(xié)助學生完成個性化學習(Sun & Xie，2009)、改善自適應學習的效用(Chellatamilan et al.，2011)、提升學生的學習績效(Banu & Ravanan，2012)、研究學生行為和認知風格(Jovanovic et al.，2012)。
(二)學習行為及行為分析
對在線學習行為分析方面，國內的研究聚焦在數(shù)據(jù)指標與技術手段兩個維度。在數(shù)據(jù)指標維度，徐紅彩(2005)對在校大學生在線學習行為進行了調查與研究；曾祥躍(2008)對遠程學習者在線學習行為進行了調查與分析；靳麗(2008)在對在線學習者交互的行為特征進行分析的基礎上構建了在線學習行為模型；楊金來(2008)提出了Who-Do-What的網(wǎng)絡行為信息模型。在技術手段維度上，楊清蓮(2005)等人結合Web日志挖掘和數(shù)據(jù)立方體技術對服務器端及客戶端日志信息進行分析處理并加以評價；范潔(2005)釆用數(shù)據(jù)挖掘技術設計實現(xiàn)了在線學習行為評估系統(tǒng)，利用這個系統(tǒng)中的日志對學習者進行形成性評價；李德江等(2010)設計與實現(xiàn)了分布式網(wǎng)上學習行為統(tǒng)計系統(tǒng)，介紹了如何從分散的客戶端采集數(shù)據(jù)，再發(fā)送給服務器端統(tǒng)計的方法；廖競等(2011)設計了一種基于數(shù)據(jù)流獲取的在線學習行為數(shù)據(jù)釆集與分析的方案，總結出在線學習者學習行為的規(guī)律。
在國際上，對在線學習行為分析的研究集中在三個方面：使用工具軟件追蹤和記錄在線學習行為；關注學習者需求和在線學習環(huán)境；尋找在線學習行為和學習績效的關系。其中，有代表性的研究主要包括：李等(Lee et al.，2002)研究了不同網(wǎng)絡環(huán)境下學習者在線學習過程中與學習者個性特征相符的學習策略；楊和蔡(Yang & Tsai，2009)釆用問卷進行信息收集，對學習者在線學習中的學習環(huán)境偏好和學習信念進行探討；羅梅羅等(Romero et al.，2009)提出了在個性化學習系統(tǒng)中提高Web挖掘效率的高級架構；阿爾哈特比(Alkhattabi et al.，2011)針對目前在線學習系統(tǒng)中學習質量不佳的事實，使用Web數(shù)據(jù)挖掘技術建立學習質量評價的模型。洛(Lo，2005)則通過學習者在線學習的路徑、瀏覽順序和習慣，確定該學習者可能具有的學習風格和學習偏好，為學習者推薦相應的學習資源。
(三)網(wǎng)絡行為分析模型
在國內，對網(wǎng)絡行為進行分析的模型主要存在幾個領域。在網(wǎng)絡安全領域，王攀等(2008)針對Web用戶行為分析面臨的無規(guī)范、智能性差等問題，提出了基于動態(tài)行為輪廓庫(DBP)的行為分析模型；李軍等(2008)建立了新的基于流的統(tǒng)計分析模型，從網(wǎng)絡異常行為預警的角度，實時監(jiān)測和發(fā)現(xiàn)網(wǎng)絡異常，檢測和發(fā)現(xiàn)網(wǎng)絡中的可疑代碼；潘蕾等(2011)提出了通過分析用戶使用行為獲得用戶行為模式，并判定其行為傾向、發(fā)現(xiàn)異常行為的主動模型。在商業(yè)領域，黃雄偉(2011)利用Web分析技術對客戶行為分析(customer behavior analytics，簡稱CBA)，通過網(wǎng)絡技術分析客戶消費購買行為，及時調整自身營銷策略，對客戶成功實施交叉銷售和關聯(lián)銷售；肖英(2012)提出基于馬爾科夫隨機場(Markow Random Field)模型的行為意圖分析模型。在在線學習領域，彭文輝團隊(2006)對網(wǎng)絡學習行為進行了理論層面的劃分，提出了以多維度與多層次的角度進行模型的建構；周巖(2009)針對大學生群體進行了網(wǎng)絡學習行為的建模與分析，并基于理性行為理論與技術接納模型(TAM)構建出了包含九個潛在變量的因果關系模型。
在國外的網(wǎng)絡安全領域，孔特(Conte，2008)等基于網(wǎng)絡質量保證，開發(fā)出可用性檢查技術(WDP——網(wǎng)頁設計視角建立可用性評估)，建立了基于Web應用程序的可用性評估模型；蓋齊(Geczy，2008)等提出構建行為中心的用戶配置文件模型，該模型利用網(wǎng)絡環(huán)境下用戶交互進行行為分析；多德羅(Dodero，2011)等對如何擴展常規(guī)Web應用的關聯(lián)數(shù)據(jù)以及利用數(shù)據(jù)集提供特定的Web服務進行了深入研究，得到基于模型—視圖—控制器的體系結構。在商業(yè)領域，伊瓦塔和扎瓦德(Iwata & Sawada，2013)基于價格信息的購買數(shù)據(jù)得到客戶行為分析模型，研究對每件物品的均值與方差實踐估計。在在線學習領域，貝克(Baker，2008)等提出了用戶認知模型，建立了關于認知跟蹤角度的新方法，利用類似于建立上下關聯(lián)的估算概率進行機器學習；貝克與同事(2004，2006)在關于行為模型研究中得出，如果想得到較好的學習效果，需向學習者提供開放式的學習環(huán)境，讓其自由地展現(xiàn)學習行為，在此模型基礎上他們提出自動訓練技術，對學生的練習行為進行規(guī)則獲取，使得智能教學輔導系統(tǒng)中的指導行為可以在不同課程之間通用；麥克法德和道森(Macfayden & Dawson，2010)則對學習管理系統(tǒng)中的數(shù)據(jù)進行追蹤與分析，得到與學習者期末成績相關聯(lián)的行為變量模型；道森(2010)團隊對高等教育機構如何高效利用數(shù)據(jù)捕獲機制提高學習者的學習體驗，以及為實習者特定學習成果的完成提供信息情報進行了研究；格雷勒和德拉克斯勒(Greller & Drachsler，2012)從受益者、目標、數(shù)據(jù)、工具、外部限制、內部限定六個維度提出了設計模型；埃莉莎(Elisa，2012)則從資源使用的角度提出了過程模型，其核心是計算機、理論、機構與人員四種資源，共同推動數(shù)據(jù)收集、信息加工、結果應用的循環(huán)發(fā)展。
(四)研究現(xiàn)狀總結
數(shù)據(jù)挖掘最近十年來在商用領域已經(jīng)得到較為充分的研究及成功的應用，其工具、方法論及模型已相對成熟。它通過對客戶行為的分析提高客戶關系管理質量、導引客戶做出導向性的行為，最終實現(xiàn)經(jīng)濟效益的提升；在教育領域，數(shù)據(jù)挖掘的研究和應用相對較少，特別是在線學習行為分析方面的研究尚處于起步階段。這從表一中可得到一定程度的印證。
而已有的在線學習行為模型研究，也僅針對學生在線學習平臺的顯性行為進行分析，學生在線學習的習慣、情感、品質等隱性學習因子并未得到深入系統(tǒng)的研究；且尚未有成熟的用于分析在線學習者行為的模型和工具，還沒有形成較為成型的研究與應用趨勢。
三、建模思路
由綜述可知，已有學者對在線學習模式建模，但均未體現(xiàn)對在線學習分析的過程描述。埃莉莎(Elisa，2012)的四種技術資源模型雖然談及資源循環(huán)過程，但對數(shù)據(jù)處理分析的思路與結果對象未有詮釋。因此，本研究建模的總體目標為：以學習分析需求為導向，以理解和優(yōu)化學習為目標，自底向上對在線學習行為過程進行建模與分析；遵循問題解決流程模式，自底向上將模型分為數(shù)據(jù)、機制、結果三部分(見圖1)：數(shù)據(jù)層呈現(xiàn)學習者可能產(chǎn)生的數(shù)據(jù)源與數(shù)據(jù)庫；機制層構建能夠輔助理解與優(yōu)化學習效果的技術與方法；結果層體現(xiàn)利益相關者與數(shù)據(jù)之間的關聯(lián)狀態(tài)，以及如何最終影響學習效果的關系流程。模型雖然呈現(xiàn)自底向上的線性效果，但實為循環(huán)過程，數(shù)據(jù)受益者(學習者)又為數(shù)據(jù)產(chǎn)生者(即數(shù)據(jù)主體)，從而使得該模型的運行機制周而復始，數(shù)據(jù)不斷迭代更新。
(一)數(shù)據(jù)
模型的最底層由大量的學習者數(shù)據(jù)組成，來源分為學習者產(chǎn)生或發(fā)布的數(shù)據(jù)，如學習管理系統(tǒng)(LMS)、學生信息系統(tǒng)(SIS)、個人學習環(huán)境(PLE)、社會網(wǎng)絡服務(SNS))的數(shù)據(jù)，和與學習者關聯(lián)的智能數(shù)據(jù)，如課程數(shù)據(jù)、語義數(shù)據(jù)及其它可能關聯(lián)的數(shù)據(jù)。在實現(xiàn)自底向上的行為數(shù)據(jù)特征提取、分類、存儲與索引基礎上，建立具有學習效益的行為特征數(shù)據(jù)庫(如對學生的登錄行為、資源瀏覽行為、信息交互行為等特征建立相關數(shù)據(jù)庫)。如何對數(shù)據(jù)進行收集、清理是工作重點，清理時數(shù)據(jù)分類分兩個維度，從存儲類型上分為結構化、非結構化與半結構化數(shù)據(jù)，這是數(shù)據(jù)庫存儲的通用模式。結構化數(shù)據(jù)使用數(shù)據(jù)庫二維邏輯表呈現(xiàn)，結構和數(shù)據(jù)長度是預先定義好的(如學習者的個人信息)；非結構化數(shù)據(jù)則無固定結構與長度，允許重復字段，涵蓋所有格式的文本、圖像、音頻、視頻、超媒體、報表等(如學習管理系統(tǒng)里的文本和多媒體學習資源，社交網(wǎng)絡中的資源信息)，數(shù)據(jù)庫中的模型結構呈樹狀和圖狀；半結構化數(shù)據(jù)介于上述兩者之間，屬結構變化大且與內容共同存儲的形式，呈現(xiàn)一種自描述現(xiàn)象，HTML文檔即為其中的代表(學習者在個人學習環(huán)境、學習管理系統(tǒng)中的描述性數(shù)據(jù)均為此類，如電子郵件、評論)。
從可變性來看，可分為靜態(tài)數(shù)據(jù)與動態(tài)數(shù)據(jù)。學生信息系統(tǒng)里的大部分學習者個人信息基本保持穩(wěn)定，不會因時間變化而改變其屬性，屬靜態(tài)數(shù)據(jù)(如姓名、性別等)。在線學習行為由結構性與層次性的活動組成，具有時間特性，產(chǎn)生的數(shù)據(jù)常直接反映事務過程，所以基本上為動態(tài)數(shù)據(jù)(如在線時間、訪問量等)。在后期進行分析時，與行為特征關聯(lián)的因素既包含了靜態(tài)變量，又要采用大量的動態(tài)特征變量組。在構建研究模型中，對定義的在線學習行為因素進行篩選及分類，建立有效的特征子集，適當增加學習特征因素提取的層數(shù)，提高分析精度，并重點分析和測量行為認知因素的有用性、資源環(huán)境認同度等，在線學習行為類型具有多樣性，在進行這些行為時學習者展現(xiàn)處理問題能力又具有復雜性分層，因此需要動態(tài)調整模型中的各參數(shù)，實現(xiàn)性能的不斷優(yōu)化。
(二)機制
模型的第二層是分析機制模塊，關注行為特征數(shù)據(jù)庫中各因素間的關聯(lián)與內涵的探究。此時待分析的數(shù)據(jù)已經(jīng)過清理、標準化轉換、整合、離散化、規(guī)約化的預處理，可按照應用目的設計相應分析機制，同時兼顧時間線將分析結果提供即時反饋和預測。
1)即時反饋。用以描述和解釋以當前時間點為終點的過程情況，包含對學習資源使用的反饋、對學習者學習狀態(tài)評價的反饋。在學習資源的反饋機制中可加入自適應引擎進行資源的智能化調整，以期更好地配合學習者的學習需求。學習者狀態(tài)評價反饋涉及聚類分析、時間序列分析、規(guī)則推理、知識獲取等技術的整合，實現(xiàn)客觀、全面反映學習者學習記錄的數(shù)據(jù)，以及同層次的比較數(shù)據(jù)，可為學習者當前的狀態(tài)進行解釋，提供診斷，便于及時進行學習改進。
2)學習適應度。在學習者使用系統(tǒng)的過程中是否與學習環(huán)境相融合，以及在學習過程中的學習狀態(tài)是否良好，可利用系統(tǒng)自適應模塊進行分析。
3)學習診斷與反饋。為了便于學習者及時了解自身學習效果，教育者及時進行教學干預，平臺應用應包含即時性學習診斷與階段性學習診斷。
預測用以對學習者將來可能出現(xiàn)的狀態(tài)進行預先推斷。預測技術融合了可視化技術、回歸分析、人工智能、機器學習及人工神經(jīng)網(wǎng)絡，在建立因素與任務相關性映射的基礎上，發(fā)掘學生的學習動機、歸因和自我效能感，從認知、效果、矢量關聯(lián)的角度進行應用；在應用過程中，對學習者的學習風格及偏好、學習計劃、學習需要等諸多狀態(tài)進行預測。
4)學習風格及偏好判斷與反饋。對于學習主體，由于長期下意識行為而形成的學習習慣，可通過對學習者在使用在線學習平臺產(chǎn)生的訪問路徑、對象、頻率等數(shù)據(jù)的采集和分析，預測出每位學習者的個人風格及偏好，有利于后續(xù)學習計劃的制定，以及系統(tǒng)資源的推送。
5)學習計劃制定。在了解學習者的風格及偏好基礎上，分析出可能適宜學習者的學習計劃，提供各類學習方案，便于學習者定制個性化學習。
6)學習需要。學習需要可以理解為學習者的學習動機，是學習者追求成功的一種心理傾向，包含內容興趣和過程興趣兩部分。前者指學習者對學習目標及主題感興趣；后者則反映學習者對學習策略的可預期，二者共同決定學習者對后續(xù)學習的參與程度。利用在線數(shù)據(jù)可預測學生的學習需要，通過系統(tǒng)智能化推薦相關知識點幫助其學習，或反饋給教師尋求幫助。
(三)結果
模型的第三層即為分析結果的可視化呈現(xiàn)，最終對象包括學習者、教師、家長、管理層與開發(fā)人員。學習者作為數(shù)據(jù)的提供者又是數(shù)據(jù)的最大受益者，是整個模型的關鍵；可視化的分析結果呈現(xiàn)給教師、家長或課程領導者，便于他們通過干預機制對學習者的學習狀態(tài)進行指導。對家長而言，分析結果提供了深入了解孩子學習狀況的渠道，可以具體關注孩子學習過程的各個細節(jié)，彌補教師無法兼顧每位學生的缺點；對教師而言，分析結果便于教師動態(tài)、全面地掌握整體的學習情況(如什么時候學生準備好進入下一階段學習，哪些學生需要給予特別關注)，對其有更清晰的認識從而開展適宜的教學活動及教學干預；對課程領導者而言，可以得到關于某門課程甚至學校的總體教學診斷情況，便于其對課程方案、教學方案及其它相關教育決策的制定；對學習者本身而言，他(她)可以清晰地知曉自己當前的學習狀態(tài)與未來可能的學習結果，從而提前采取措施，修正學習行為和計劃。
資源分析結果可呈現(xiàn)給課程開發(fā)者、課程設計者，也可呈現(xiàn)給學習者。開發(fā)人員通過分析結果可以進一步改進系統(tǒng)設計以及資源結構調整，有助于在線課程的合理設計、在線學習平臺的開發(fā)及教育資源的有效利用。學習者則獲得適應性更高的學習資源，提高學習效率。在資源效果分析研究過程中，算法分析遵循以下流程：通過網(wǎng)站分析工具linktag標識，準確標識細分流量渠道，標識流量源；定制學習KPI(Key Performance Indicator，簡稱KPI)，監(jiān)測學生瀏覽資源路徑，改進用戶訪問體驗，提升轉化率；分析端到端的ROI：從流量源-學習效益回報分析；確定優(yōu)化方向，確定改進哪些資源或功能能有效提高學生的學習效率。
借鑒商業(yè)領域的網(wǎng)絡分析思路，將學習數(shù)據(jù)的挖掘工作分為三類(見圖2)，圖中虛線部分表示是關聯(lián)性不明確，待進一步分析的數(shù)據(jù)：
1)Web內容挖掘：教育領域的Web內容挖掘體現(xiàn)在對網(wǎng)絡文檔中的內容及其描述進行有效信息的提取，包括內容的檢索、過濾、去雜、異構集成、聚類、OLAP等過程。從學習行為分析的角度，主要進行文本語義分析及多媒體挖掘兩類。文本語義分析賦予網(wǎng)絡文本以計算機可理解的語義邏輯，其中元結構本體的定義是關鍵，它是人類對特定領域信息的通用解析，呈現(xiàn)對知識的結構化與形式化的陳述。利用Web語義技術從原本無結構的網(wǎng)絡文本HTML或XML中抽取出特征向量，建立可以表述和替代原始文本的抽象模型，使計算機能更好地實現(xiàn)自動化知識抽取、查詢和搜索。隨著多媒體技術的廣泛使用，諸如圖像和視頻課程資源的興起，多媒體挖掘也在在線學習行為分析中充當一定角色，它與文本挖掘的區(qū)別在于提取的特征向量不再是文本內容信息，而是與圖像或視頻相關聯(lián)的類型值、文件URL、關鍵值、顏色灰度值等信息，對這些特征向量建立Web倉庫，重點進行關聯(lián)發(fā)現(xiàn)，采用本體映射、結合規(guī)則發(fā)現(xiàn)，建立多維分析模式。
2)Web結構挖掘：指從在線學習平臺后臺獲取各文檔頁面之間的組織結構關系，并從網(wǎng)狀鏈接的復雜多維關系中推導出有效知識的過程。應用于學習中的Web結構挖掘目前還沒有引起人們較多的興趣，但在整個Web信息空間中，頁面超鏈接之間隱含的有用知識也是不可忽視的，比如結合最權威頁面機制，在對學習頁面進行分類和聚類后，進而找到最精華的學習資源，或根據(jù)學習者的訪問結構為其推薦最合適的頁面，構造輔助于教學的學習資源推薦功能。
3)Web使用記錄挖掘：通過挖掘后臺服務器中保存的訪問日志，可以獲取學習者使用學習平臺產(chǎn)生的各種訪問及交互信息，從中抽取出有用的數(shù)據(jù)，形成目標模式；分析得到用戶的使用習慣、行為偏好、學習進度，有助于系統(tǒng)結構的調整與改善，并可以對學習者形成個性化的學習服務。這一挖掘分析在當前應用最廣泛。已有研究成果表明，諸如“參加論壇中的討論次數(shù)、線上練習測試次數(shù)、郵件發(fā)送次數(shù)”等數(shù)據(jù)均與學習者最終表現(xiàn)關聯(lián)。使用記錄的挖掘結合人工智能、信息論以及機器學習等領域的成熟技術，在數(shù)據(jù)處理時重點是如何進行有效數(shù)據(jù)甄別及事物識別，結合不同的技術分析訪問模式，諸如預測技術，即通過數(shù)據(jù)集合中的某一部分(預測變量)去推斷另一部分的可能表現(xiàn)(被預測變量)；聚類技術，即將一個整體數(shù)據(jù)集分成多個類別，每一類中都包含具有相似性能的一簇數(shù)據(jù)；關系挖掘技術(Relationship mining)，即在一個數(shù)據(jù)集里發(fā)現(xiàn)變量之間的關聯(lián)，并將其編碼待用；時序模式挖掘(Sequential pattern mining)，即捕捉一系列發(fā)生的事件之間的關聯(lián)；路徑分析，即尋找用戶頻繁訪問的路徑模式?；谏鲜黾夹g建模分析完成后，可以利用可視化技術和工具對結果進行呈現(xiàn)。
上述挖掘模式將在線學習行為可能產(chǎn)生的數(shù)據(jù)進行歸類。隨著應用目的變化，各種模式的研究和發(fā)展都在不斷深化，如何將三種模式有效結合進而達到最優(yōu)的分析結果是我們當前正在探究的課題，由于結構關系分析中需要涉及行為理論的表達與理解，從而影響任務相關性映射，因此如何進行自底向上的特征提取與關聯(lián)分析，其中有許多機理有待進一步研究。
電子課本作為兼具數(shù)字閱讀與數(shù)字學習雙重特性(顧小清等，2012)的電子學習新形式，開始逐步應用于學前與中小學課堂教學中。本案例的設計擬依托電子課本對K12學生的知識點掌握情況進行數(shù)據(jù)挖掘與分析，最終實現(xiàn)對學習者的知識點掌握情況診斷與反饋。其前提是電子課本已對知識點進行了細粒度的資源結構化呈現(xiàn)，構建了可重用知識點的教學設計，提供了相關的練習資源(每道練習題配有答案提示，以輔助其完成答題)，基于上述情境可以產(chǎn)生分析需要的各項細粒度學習數(shù)據(jù)(Fine-grained learning data)。遵循在線學習行為分析模型(見圖1)的三層次結構，分析過程如下：
(一)數(shù)據(jù)
主要獲取學習者在電子課本中產(chǎn)生、發(fā)布的數(shù)據(jù)，以及部分關聯(lián)的智能數(shù)據(jù)。數(shù)據(jù)挖掘模式采用Web內容挖掘與Web記錄挖掘相結合的形式體現(xiàn)任務的關聯(lián)性。Web內容挖掘獲取的數(shù)據(jù)包括：學習者發(fā)布的關于知識點的評論文本、回答練習題的描述性答案、練習的錯誤率、錯誤的內容。Web記錄挖掘獲取的數(shù)據(jù)包括：學習者練習的次數(shù)、每道練習題的提示次數(shù)和質量(即請求的深度)、錯誤答案的重復次數(shù)、回答每道題的反應時間。根據(jù)已有文獻研究結果，學習者登錄次數(shù)、頁面停留時間及資源點擊次數(shù)等常規(guī)性數(shù)據(jù)與學習行為無直接關聯(lián)，故研究設計不考慮此類數(shù)據(jù)。
(二)機制
由于具有內容挖掘與記錄挖掘兩種模式，數(shù)據(jù)歸一化前處理機制各有不同。內容挖掘采用文本內容分析與知識獲取技術對半結構化數(shù)據(jù)進行知識發(fā)現(xiàn)。記錄挖掘則在對數(shù)據(jù)進行標準化轉換、整合處理后采用規(guī)則推理、時間序列分析對各因素變量進行關聯(lián)映射。歸一化處理后，對整體數(shù)據(jù)進行聚類與回歸分析，形成與最終結果正(負)相關的各因素權重，匯合形成掌握情況的相關報告。再結合人工智能與機器學習技術，實現(xiàn)個性化應用。
(三)結果
本案例的設計最終希望實現(xiàn)對學習者的知識點掌握情況反饋。基于數(shù)據(jù)的收集與機制分析后可呈現(xiàn)兩個角度的結果反饋：1)對學習者，分析結果直接呈現(xiàn)學習者的知識掌握水平報告及該過程的學習狀態(tài)，實現(xiàn)對學習者的水平診斷，判斷其是否可以進入下一階段學習。如果達到標準則進行下一學習主題的推薦，如沒有則建議鞏固當前知識，加強練習；2)對教師，分析結果不僅反映每位學習者最終的知識掌握程度，并呈現(xiàn)具體的學習過程信息，如了解區(qū)分哪些學生沒有嘗試練習所以沒能掌握知識，哪些是嘗試了但仍然困惑的。這些信息能幫助教師針對不同類別采取不同教學策略；或是針對知識點的練習中大量學生尋求提示，并且重復練習的錯誤率較高，這些信息提示教師某知識點較難，學生普遍未能掌握，需要重復講解。
六、結語
移動互聯(lián)技術的飛速發(fā)展使得教育工作者和信息技術人員都堅信：在不遠的未來，教育領域會掀起一波革命浪潮，線上教育將成為不可替代的學習模式。學習評價作為學習系統(tǒng)的反饋調節(jié)機制，在學習與教學過程中起重要作用，在基于測量、描述、判斷和建構四種模式的基礎上，如何利用網(wǎng)絡行為數(shù)據(jù)輔助動態(tài)生成學習效果，是對在線教育最客觀的分析。在線學習行為分析以其特殊的行為反饋機制，綜合了自底向上的信息處理加工和自頂向下的行為關聯(lián)分析的雙向處理模式，成為在線教育蓬勃發(fā)展的伴隨產(chǎn)物，是世界教育技術研究前沿所在，也對充分調動學習者的積極性，發(fā)掘學習者潛能，合理利用學習資源具有重大價值。
CDA數(shù)據(jù)分析師考試相關入口一覽（建議收藏）：
? 想報名CDA認證考試，點擊>>>
“CDA報名”
了解CDA考試詳情；
? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330
