摘要：在線學(xué)習(xí)已成為當(dāng)前較為重要的學(xué)習(xí)方式，但在線上環(huán)境中，學(xué)習(xí)者容易出現(xiàn)自主學(xué)習(xí)力較弱、持續(xù)參與力較低的情況。因此，文章針對(duì)基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)設(shè)計(jì)與開發(fā)進(jìn)行了研究。該系統(tǒng)旨在通過利用大數(shù)據(jù)分析及機(jī)器學(xué)習(xí)技術(shù)，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)建議及干預(yù)措施，以此優(yōu)化學(xué)習(xí)效果。文章詳細(xì)介紹了系統(tǒng)設(shè)計(jì)的總框架，包括數(shù)據(jù)收集處理模塊、用戶行為分析模塊、策略生成模塊和反饋與評(píng)估模塊。通過系統(tǒng)測(cè)試實(shí)驗(yàn)，驗(yàn)證了系統(tǒng)的穩(wěn)定性，并展示了系統(tǒng)在響應(yīng)時(shí)間、吞吐量及可用性方面的優(yōu)越表現(xiàn)。研究結(jié)果表明，該系統(tǒng)具有重要的應(yīng)用潛力，在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)的設(shè)計(jì)為線上學(xué)習(xí)提供了更為便利的技術(shù)手段，對(duì)提高學(xué)習(xí)者的學(xué)習(xí)效果有一定幫助。

關(guān)鍵詞：大數(shù)據(jù)環(huán)境；在線學(xué)習(xí)；行為干預(yù)；原型系統(tǒng)

中圖分類號(hào)：TP399文獻(xiàn)標(biāo)志碼：A

0 引言

隨著大數(shù)據(jù)技術(shù)的迅速發(fā)展，教育領(lǐng)域逐漸開始利用該技術(shù)對(duì)教學(xué)模式及學(xué)習(xí)過程進(jìn)行優(yōu)化，在線學(xué)習(xí)已經(jīng)成為現(xiàn)代教育的重要組成部分［1］。行為干預(yù)原型是指在教學(xué)系統(tǒng)的設(shè)計(jì)和開發(fā)階段，創(chuàng)建的一個(gè)初步的基本模型，用于驗(yàn)證和演示系統(tǒng)的核心功能和潛在效果［2-3］。行為干預(yù)原型在基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)中起著關(guān)鍵作用，通過構(gòu)建一個(gè)行為干預(yù)原型，研究人員和開發(fā)團(tuán)隊(duì)可以快速驗(yàn)證系統(tǒng)的核心功能，了解系統(tǒng)的潛在效果、識(shí)別潛在問題，并根據(jù)用戶反饋進(jìn)行改進(jìn)和優(yōu)化。因此，本文研究了基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)設(shè)計(jì)與開發(fā)，通過分析學(xué)習(xí)者的行為數(shù)據(jù)，為其提供個(gè)性化的學(xué)習(xí)建議和干預(yù)措施，幫助學(xué)習(xí)者更好地實(shí)現(xiàn)學(xué)習(xí)目標(biāo)。

1 基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)總框架

在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)的總體架構(gòu)設(shè)計(jì)主要包括4個(gè)模塊：數(shù)據(jù)收集與處理模塊、用戶行為分析模塊、干預(yù)策略生成模塊和反饋與評(píng)估模塊，具體的系統(tǒng)框架，如圖1所示。

在該系統(tǒng)中，數(shù)據(jù)收集與處理模塊用來獲取基礎(chǔ)數(shù)據(jù)，用戶行為分析模塊負(fù)責(zé)建立決策過程，干預(yù)策略生成模塊主要用來執(zhí)行決策，反饋和評(píng)估模塊可以幫助用戶實(shí)現(xiàn)自我評(píng)估。

2 系統(tǒng)各模塊設(shè)計(jì)

2.1 數(shù)據(jù)收集與處理模塊

數(shù)據(jù)收集與處理模塊主要用來獲取用戶在學(xué)習(xí)平臺(tái)上的行為數(shù)據(jù)。數(shù)據(jù)采集從在線學(xué)習(xí)平臺(tái)或其他數(shù)據(jù)源收集原始學(xué)習(xí)數(shù)據(jù)，包括用戶行為記錄、學(xué)習(xí)材料、評(píng)估數(shù)據(jù)等。在存儲(chǔ)采集到的數(shù)據(jù)時(shí)，采用適當(dāng)?shù)木W(wǎng)絡(luò)爬蟲技術(shù)，獲取數(shù)據(jù)并存儲(chǔ)為原始數(shù)據(jù)文件，具體如圖2所示。

經(jīng)過以上的網(wǎng)絡(luò)爬蟲獲取后，對(duì)采集到的數(shù)據(jù)進(jìn)行去除噪聲和異常值的處理，以此來確保數(shù)據(jù)的準(zhǔn)確性和完整性；該模塊將清洗后的數(shù)據(jù)存儲(chǔ)在合適的數(shù)據(jù)庫(kù)中，以便后續(xù)分析和處理使用。具體的數(shù)據(jù)清洗有以下步驟。

（1）去除重復(fù)數(shù)據(jù)：檢查重復(fù)記錄的數(shù)據(jù)并將其刪除，以確保數(shù)據(jù)的唯一性。

（2）處理缺失值：檢查數(shù)據(jù)中的缺失值，并根據(jù)情況選擇相應(yīng)的處理方法，如刪除含有缺失值的記錄、插補(bǔ)缺失值或使用默認(rèn)值代替。

（3）處理異常值：識(shí)別和處理數(shù)據(jù)中的異常值，使用統(tǒng)計(jì)方法（如3σ原則）進(jìn)行處理，如刪除、替換為合理值或插值等預(yù)處理步驟，使其適合后續(xù)分析和處理。將清洗后的數(shù)據(jù)存儲(chǔ)在適當(dāng)?shù)腜ostgreSQL數(shù)據(jù)庫(kù)中，以便進(jìn)行后續(xù)的用戶行為分析。

2.2 用戶行為分析模塊

用戶行為分析模塊通過分析學(xué)生的行為數(shù)據(jù)，提供個(gè)性化的學(xué)習(xí)建議和干預(yù)措施，以提高學(xué)生的學(xué)習(xí)效果。該模塊會(huì)從行為數(shù)據(jù)中提取有價(jià)值的特征，在考慮學(xué)習(xí)環(huán)境的后使用序列分析方法中的馬爾科夫模型（Markov Model），分析學(xué)生的學(xué)習(xí)行為序列，從而確定用戶的行為模式。在特征提取完成后進(jìn)行用戶建模，根據(jù)學(xué)生的行為特征及上下文信息構(gòu)建用戶畫像，包括學(xué)習(xí)偏好、學(xué)習(xí)風(fēng)格、學(xué)習(xí)能力等。使用機(jī)器學(xué)習(xí)算法，以邏輯回歸預(yù)測(cè)學(xué)生對(duì)不同學(xué)習(xí)資源的興趣程度。最后，該模塊根據(jù)學(xué)生的行為特征和用戶畫像，對(duì)學(xué)生的學(xué)習(xí)行為進(jìn)行評(píng)估，評(píng)估內(nèi)容包括學(xué)習(xí)活躍度、學(xué)習(xí)效果等。

2.3 策略生成模塊

該系統(tǒng)的策略生成模塊主要根據(jù)學(xué)習(xí)者的行為數(shù)據(jù)及信息，生成個(gè)性化的學(xué)習(xí)干預(yù)策略，以幫助學(xué)習(xí)者改善學(xué)習(xí)體驗(yàn)、提升學(xué)習(xí)成績(jī)。

該模塊會(huì)根據(jù)用戶行為分析模塊中提取的特征結(jié)果，對(duì)學(xué)生的學(xué)習(xí)行為進(jìn)行分析評(píng)估，其中涉及學(xué)習(xí)活躍度、學(xué)習(xí)效果、學(xué)習(xí)進(jìn)展等評(píng)估項(xiàng)。系統(tǒng)根據(jù)評(píng)估結(jié)果確定學(xué)生的個(gè)性化學(xué)習(xí)目標(biāo)，推薦適合學(xué)生的學(xué)習(xí)資源。該模塊會(huì)自動(dòng)基于學(xué)習(xí)資源的內(nèi)容、難度、學(xué)習(xí)方式等因素進(jìn)行匹配，推薦包括：在線課程、教材、練習(xí)題等參考資料。根據(jù)學(xué)生的個(gè)性化學(xué)習(xí)目標(biāo)和評(píng)估結(jié)果，幫助學(xué)生調(diào)整學(xué)習(xí)計(jì)劃，制定學(xué)習(xí)時(shí)間表、設(shè)定學(xué)習(xí)階段性目標(biāo)、安排復(fù)習(xí)時(shí)間。

2.4 反饋與評(píng)估模塊

反饋與評(píng)估模塊會(huì)定期向?qū)W生提供學(xué)習(xí)監(jiān)督反饋，跟蹤學(xué)生的學(xué)習(xí)進(jìn)展，并督促學(xué)生保持學(xué)習(xí)動(dòng)力。反饋內(nèi)容包括學(xué)生的學(xué)習(xí)成果、參與度、學(xué)習(xí)行為等方面，旨在鼓勵(lì)學(xué)生積極學(xué)習(xí)，糾正學(xué)習(xí)中存在的問題。模塊會(huì)持續(xù)跟蹤學(xué)生的學(xué)習(xí)行為和評(píng)估結(jié)果，根據(jù)實(shí)時(shí)反饋及學(xué)習(xí)進(jìn)展進(jìn)行更新和調(diào)整，通過實(shí)時(shí)監(jiān)測(cè)學(xué)生的行為數(shù)據(jù)，定期評(píng)估學(xué)生的學(xué)習(xí)成果，根據(jù)學(xué)生的學(xué)習(xí)情況系統(tǒng)會(huì)提出個(gè)性化的學(xué)習(xí)建議，并給予一定的干預(yù)措施。將反饋分析結(jié)果與系統(tǒng)性能評(píng)估結(jié)果進(jìn)行關(guān)聯(lián)分析，以獲取綜合的反饋信息，以此來了解干預(yù)策略的效果、用戶感受及系統(tǒng)運(yùn)行狀況。將反饋與評(píng)估結(jié)果應(yīng)用于系統(tǒng)改進(jìn)和優(yōu)化，系統(tǒng)會(huì)根據(jù)學(xué)習(xí)者的反饋調(diào)整改進(jìn)干預(yù)策略，優(yōu)化系統(tǒng)的功能設(shè)計(jì)，為學(xué)生提供更好的學(xué)習(xí)體驗(yàn)。

3 系統(tǒng)測(cè)試

3.1 實(shí)驗(yàn)準(zhǔn)備

為測(cè)試基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)的性能，實(shí)驗(yàn)選擇A-Platform平臺(tái)，服務(wù)器型號(hào)為B-Server，配置為Intel Xeon E5處理器、64 GB內(nèi)存和1TB硬盤。實(shí)驗(yàn)過程中準(zhǔn)備適量的學(xué)習(xí)者行為數(shù)據(jù)，包括學(xué)習(xí)日志、交互記錄等，并確保數(shù)據(jù)集具有多樣性和代表性，實(shí)驗(yàn)選擇響應(yīng)時(shí)間、吞吐量和系統(tǒng)可用性作為評(píng)估系統(tǒng)性能的關(guān)鍵指標(biāo)。將準(zhǔn)備好的學(xué)習(xí)者行為數(shù)據(jù)導(dǎo)入到系統(tǒng)中，以構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集，在B-Server上部署A-Platform，并按照平臺(tái)的要求進(jìn)行配置設(shè)置。設(shè)計(jì)一系列實(shí)驗(yàn)場(chǎng)景，涵蓋系統(tǒng)的不同功能和使用方式，以測(cè)試系統(tǒng)在不同負(fù)載和情境下的性能，最后執(zhí)行實(shí)驗(yàn)場(chǎng)景設(shè)計(jì)，并記錄關(guān)鍵數(shù)據(jù)指標(biāo)，每個(gè)實(shí)驗(yàn)場(chǎng)景應(yīng)重復(fù)多次，以獲取可靠的平均結(jié)果。

3.2 實(shí)驗(yàn)結(jié)果

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析整理，計(jì)算平均響應(yīng)時(shí)間、吞吐量和系統(tǒng)可用性等指標(biāo)。根據(jù)分析得到的數(shù)據(jù)，生成實(shí)驗(yàn)結(jié)果表，以清晰地展示系統(tǒng)的各項(xiàng)性能，挑選其中的5個(gè)場(chǎng)景進(jìn)行實(shí)驗(yàn)結(jié)果展示，具體的實(shí)驗(yàn)數(shù)據(jù)，如表1所示。

根據(jù)實(shí)驗(yàn)結(jié)果可知，基于大數(shù)據(jù)環(huán)境的在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)在多個(gè)方面表現(xiàn)出色，實(shí)驗(yàn)結(jié)果顯示，系統(tǒng)的平均響應(yīng)時(shí)間在85.25～120.31 ms，表明系統(tǒng)能夠在短時(shí)間內(nèi)快速響應(yīng)用戶請(qǐng)求，提供高效的學(xué)習(xí)體驗(yàn)。實(shí)驗(yàn)場(chǎng)景2的平均吞吐量達(dá)到150.21請(qǐng)求/s，意味著系統(tǒng)能夠同時(shí)處理大量的請(qǐng)求，保證用戶流暢使用。實(shí)驗(yàn)場(chǎng)景4顯示系統(tǒng)可用性達(dá)到99.6%，說明系統(tǒng)的穩(wěn)定性和可靠性較高，用戶可以隨時(shí)訪問系統(tǒng)并進(jìn)行學(xué)習(xí)活動(dòng)，不會(huì)受到系統(tǒng)故障或不穩(wěn)定性的影響。在線學(xué)習(xí)行為干預(yù)原型系統(tǒng)在響應(yīng)時(shí)間、吞吐量和系統(tǒng)可用性方面表現(xiàn)優(yōu)秀，能夠提供高效、可靠的學(xué)習(xí)服務(wù)，可以為用戶提供優(yōu)質(zhì)的學(xué)習(xí)體驗(yàn)，支持對(duì)學(xué)習(xí)者實(shí)施有效的學(xué)習(xí)行為干預(yù)，并為用戶提供個(gè)性化的學(xué)習(xí)建議及指導(dǎo)。

4 結(jié)語(yǔ)

通過利用大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)，能夠更好地理解學(xué)習(xí)者的行為特征和學(xué)習(xí)需求，為其提供個(gè)性化的學(xué)習(xí)支持。不僅有助于提高學(xué)習(xí)者的學(xué)習(xí)效果，還為教育領(lǐng)域提供了創(chuàng)新的教學(xué)方法。該系統(tǒng)在處理大規(guī)模的學(xué)習(xí)者數(shù)據(jù)、提高預(yù)測(cè)和干預(yù)的準(zhǔn)確性等方面，仍然存在一些挑戰(zhàn)及改進(jìn)空間，需要在未來的工作中進(jìn)一步研究?jī)?yōu)化，以便為用戶帶來積極影響，提高用戶的學(xué)習(xí)能力。

參考文獻(xiàn)

［1］劉瑩，楊淑萍.大數(shù)據(jù)背景下的智能型自適應(yīng)在線學(xué)習(xí)行為研究［J］.繼續(xù)教育研究，2023（6）：58-62.

［2］繆玲，張尚先，燕紫君.在線學(xué)習(xí)空間數(shù)據(jù)驅(qū)動(dòng)的學(xué)生評(píng)價(jià)指標(biāo)體系構(gòu)建［J］.廣州廣播電視大學(xué)學(xué)報(bào)，2023（2）：21-28，107-108.

［3］宋麗哲，魏順平，孫煜.基于主成分分析的在線學(xué)習(xí)者評(píng)價(jià)模型構(gòu)建研究［J］.天津電大學(xué)報(bào)，2023（1）：22-29.

Design and development of online learning behavior intervention prototype system

based on big data environment

LiuChun

（Hunan Vocational Institute of Safety Technology， Changsha 410151， China）

Abstract：Online learning has become an important way of learning， but learners are prone to the difficulties of weak self-learning ability and low continuous participation in the online environment. Therefore， this paper focuses on the design and development of online learning behavior intervention prototype system based on big data environment. The system aims to optimize learning outcomes by using big data analytics and machine learning techniques to provide learners with personalized learning recommendations and interventions. This paper introduces the general framework of system design in detail， including data collection and processing module， user behavior analysis module， strategy generation module and feedback and evaluation module. The stability and performance of the system are verified by system test experiments， and its superior performance in response time， throughput and system availability is demonstrated. The research results show that the system has important application potential， the design of online learning behavior intervention prototype system provides a more convenient technical means for online learning， which is helpful to improve the learning effect of learners.

Key words： big data environment; online learning; behavioral intervention; prototype system