摘? 要：針對(duì)依靠大學(xué)網(wǎng)絡(luò)教學(xué)平臺(tái)的相關(guān)學(xué)習(xí)大數(shù)據(jù)，為教育管理者提供決策依據(jù)，為師生提供教學(xué)效果評(píng)估的需求，研究利用網(wǎng)絡(luò)教學(xué)平臺(tái)中的課程數(shù)據(jù)、學(xué)習(xí)過程數(shù)據(jù)、科目成績(jī)等數(shù)據(jù)，采用不同的數(shù)據(jù)處理和數(shù)據(jù)分析方法，對(duì)大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)進(jìn)行學(xué)習(xí)效果相關(guān)性分析、用戶聚類分析和學(xué)習(xí)效果預(yù)測(cè)。通過研究得到了大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)效果的主要影響因素，不同類型學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為特點(diǎn)，以及對(duì)大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)效果進(jìn)行預(yù)測(cè)的模型。

關(guān)鍵詞：網(wǎng)絡(luò)教學(xué)平臺(tái)；網(wǎng)絡(luò)學(xué)習(xí)分析；學(xué)習(xí)效果評(píng)估；高校決策

中圖分類號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：2096-4706（2023）07-0186-04

Abstract： Aiming at related learning big data which relies on university network teaching platform， the need of providing decision basis for education managers and evaluation of teaching effects for teachers and students， this paper studies to use the course data， learning process data， subject grades and other data in the online teaching platform， uses different data processing and data analysis methods， so as to analyze the correlation of learning effect， user clustering and predict the learning effect for college students' online learning. Through this research， the main influencing factors of college students' online learning effect， the characteristics of different types of students' online learning behavior， and the model for predicting college students' online learning effect are obtained.

Keywords： online teaching platform; online learning analysis; evaluation of learning effect; university and college decision-making

0? 引? 言

近年，高校教育信息化建設(shè)進(jìn)入了發(fā)展的快車道，各種網(wǎng)絡(luò)教學(xué)平臺(tái)紛紛在大學(xué)落地，學(xué)校通過購買和鼓勵(lì)教師自建等方式，在平臺(tái)上建設(shè)了大量的專業(yè)學(xué)科課程，有選修、必修以及用于學(xué)生自主學(xué)習(xí)的各種學(xué)習(xí)課程和資源[1]。網(wǎng)絡(luò)教學(xué)平臺(tái)給大學(xué)生提供了一種不受時(shí)間、空間限制的學(xué)習(xí)模式。傳統(tǒng)教學(xué)形式的教學(xué)內(nèi)容、教學(xué)過程等都由教師決定，教師可以通過統(tǒng)一的考試，對(duì)教學(xué)效果進(jìn)行事后評(píng)估。網(wǎng)絡(luò)學(xué)習(xí)的學(xué)習(xí)形式，使學(xué)生成為學(xué)習(xí)的主體，教師很難及時(shí)、全面掌握學(xué)生的學(xué)習(xí)動(dòng)態(tài)；更不能通過預(yù)測(cè)學(xué)生的學(xué)習(xí)效果進(jìn)而改進(jìn)課程內(nèi)容設(shè)計(jì)、教學(xué)規(guī)劃、指導(dǎo)學(xué)生學(xué)習(xí)；學(xué)生也無法通過學(xué)習(xí)效果預(yù)測(cè)改進(jìn)自己的學(xué)習(xí)安排和學(xué)習(xí)投入，從而改善學(xué)習(xí)效果預(yù)期[2]。

基于這些問題，本文以某高校MOOC網(wǎng)絡(luò)教學(xué)平臺(tái)中的“大學(xué)計(jì)算機(jī)基礎(chǔ)”課程為例，利用平臺(tái)中該門課程的數(shù)據(jù)、學(xué)生學(xué)習(xí)該課程的詳細(xì)過程數(shù)據(jù)、平臺(tái)使用日志數(shù)據(jù)、教務(wù)系統(tǒng)中的考試成績(jī)數(shù)據(jù)、機(jī)考系統(tǒng)中的具體考試數(shù)據(jù)等，研究使用基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)分析方法及數(shù)據(jù)可視化技術(shù)，對(duì)大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)進(jìn)行分析：分析各種學(xué)習(xí)行為與學(xué)習(xí)效果的相關(guān)性；對(duì)同一門課程的學(xué)習(xí)用戶，基于學(xué)習(xí)行為和學(xué)習(xí)效果進(jìn)行聚類，分析每一類學(xué)生的學(xué)習(xí)特征；通過機(jī)器學(xué)習(xí)的CART決策樹算法，建立用戶分類決策樹模型并使用該模型對(duì)學(xué)生學(xué)習(xí)效果進(jìn)行預(yù)測(cè)評(píng)估[3]。

1? 分析問題與分析目標(biāo)

1.1? 基于網(wǎng)絡(luò)教學(xué)平臺(tái)的網(wǎng)絡(luò)學(xué)習(xí)

20世紀(jì)末，隨著Internet技術(shù)的發(fā)展和應(yīng)用，網(wǎng)絡(luò)學(xué)習(xí)E-learning也迅速發(fā)展起來，此時(shí)的網(wǎng)絡(luò)學(xué)習(xí)指利用互聯(lián)網(wǎng)絡(luò)、學(xué)習(xí)內(nèi)容網(wǎng)站、信息搜索引擎、遠(yuǎn)程學(xué)習(xí)交流等技術(shù)的一種學(xué)習(xí)方式[4]。隨后，大規(guī)模開放在線課程慕課（Massive Open Online Course， MOOC）興起并迅速發(fā)展起來，國(guó)內(nèi)大學(xué)也紛紛加入MOOC項(xiàng)目的建設(shè)。各網(wǎng)絡(luò)教學(xué)系統(tǒng)供應(yīng)商也推出了各種MOOC網(wǎng)絡(luò)教學(xué)平臺(tái)如：中國(guó)大學(xué)MOOC，網(wǎng)易公開課——名校網(wǎng)課在線學(xué)習(xí)，超星學(xué)習(xí)通等網(wǎng)絡(luò)教學(xué)平臺(tái)。這些大學(xué)網(wǎng)絡(luò)教學(xué)平臺(tái)相較于傳統(tǒng)的授課和學(xué)習(xí)模式有如下幾個(gè)新特點(diǎn)[5]：

1）無時(shí)空限制：任何學(xué)生都可以在學(xué)校的網(wǎng)絡(luò)教學(xué)平臺(tái)上，選擇自己感興趣的課程學(xué)習(xí)；只要能上網(wǎng)，學(xué)習(xí)的時(shí)間和空間也不受任何限制。

2）自主學(xué)習(xí)：學(xué)生根據(jù)自己的興趣和實(shí)際情況，可以自由選擇學(xué)習(xí)內(nèi)容、學(xué)習(xí)重點(diǎn)、學(xué)習(xí)資源，自由參與討論和問答，自主決定學(xué)習(xí)開始、結(jié)束時(shí)間，學(xué)習(xí)進(jìn)度和復(fù)習(xí)鞏固的安排等。

3）靈活交互：學(xué)生和老師之間可以實(shí)時(shí)同步交互，也可以離線后以問答留言形式進(jìn)行交互。

4）教學(xué)形式多樣：教師可以利用教學(xué)平臺(tái)，采用近似與傳統(tǒng)授課的模式直接進(jìn)行網(wǎng)絡(luò)直播教學(xué)，也可以將授課錄制好，再結(jié)合其他課程資源做成網(wǎng)絡(luò)課程供學(xué)生使用。

1.2? 存在的問題

和傳統(tǒng)課堂授課相比，網(wǎng)絡(luò)學(xué)習(xí)的學(xué)習(xí)過程都是基于網(wǎng)絡(luò)在網(wǎng)絡(luò)教學(xué)平臺(tái)上完成的，是以學(xué)生為中心進(jìn)行的，對(duì)學(xué)生的自主性和自覺性依賴更多，給網(wǎng)絡(luò)學(xué)習(xí)的管理和網(wǎng)絡(luò)學(xué)習(xí)效果的保證帶來了如下挑戰(zhàn)[6]：

1）學(xué)習(xí)效果無法保障：傳統(tǒng)教學(xué)過程中，教師通過在固定時(shí)間、地點(diǎn)進(jìn)行集體教學(xué)，可以對(duì)學(xué)生的學(xué)習(xí)過程進(jìn)行直接的觀察和監(jiān)督；在網(wǎng)絡(luò)學(xué)習(xí)過程中，完全依賴學(xué)生的自覺性，老師無法掌握和監(jiān)督學(xué)生在學(xué)習(xí)過程中的學(xué)習(xí)行為，學(xué)生的學(xué)習(xí)效果無法得到保障。

2）學(xué)習(xí)評(píng)價(jià)困難：傳統(tǒng)的教學(xué)中，教師通過學(xué)生平時(shí)的考勤、學(xué)習(xí)表現(xiàn)、作業(yè)完成、期末考試等綜合考核，可以得到比較客觀的評(píng)價(jià)結(jié)果；網(wǎng)絡(luò)學(xué)習(xí)雖然也有這些評(píng)價(jià)項(xiàng)和評(píng)價(jià)手段，但卻無法對(duì)學(xué)生的學(xué)習(xí)過程進(jìn)行客觀、準(zhǔn)確的評(píng)價(jià)、分析。

3）無法指導(dǎo)教學(xué)改革：由于無法對(duì)學(xué)生的學(xué)習(xí)效果和學(xué)習(xí)過程進(jìn)行客觀評(píng)價(jià)，因此不能指導(dǎo)教學(xué)管理和教學(xué)改革，無法反饋給師生指導(dǎo)他們教與學(xué)的改進(jìn)。

1.3? 網(wǎng)絡(luò)學(xué)習(xí)分析目標(biāo)

基于以上存在的網(wǎng)絡(luò)學(xué)習(xí)當(dāng)中的問題和網(wǎng)絡(luò)學(xué)習(xí)分析需求，結(jié)合網(wǎng)絡(luò)學(xué)習(xí)分析可得的數(shù)據(jù)源，本文基于大學(xué)網(wǎng)絡(luò)教學(xué)平臺(tái)進(jìn)行的網(wǎng)絡(luò)學(xué)習(xí)分析的目標(biāo)是：分析不同的網(wǎng)絡(luò)學(xué)習(xí)行為對(duì)課程學(xué)習(xí)效果的影響；基于網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)用戶聚類分析，分析不同用戶類型的學(xué)習(xí)特征；構(gòu)建用戶學(xué)習(xí)效果分類決策樹模型并用于對(duì)用戶的網(wǎng)絡(luò)學(xué)習(xí)效果進(jìn)行預(yù)測(cè)。

2? 網(wǎng)絡(luò)學(xué)習(xí)分析數(shù)據(jù)與分析模型

2.1? 分析數(shù)據(jù)

分析數(shù)據(jù)主要包括：課程數(shù)據(jù)、學(xué)生學(xué)習(xí)課程的過程數(shù)據(jù)、平臺(tái)使用日志數(shù)據(jù)、機(jī)考系統(tǒng)中的具體考試數(shù)據(jù)等。

1）平臺(tái)使用：登錄平臺(tái)學(xué)習(xí)次數(shù)、瀏覽課程次數(shù)、學(xué)習(xí)課程外其他資源情況等。

2）課程學(xué)習(xí)：課程學(xué)習(xí)次數(shù)、視頻觀看次數(shù)、觀看時(shí)長(zhǎng)、課程章節(jié)任務(wù)點(diǎn)及完成數(shù)等。

3）學(xué)習(xí)交互：課程評(píng)價(jià)次數(shù)、討論參與次數(shù)、提問次數(shù)、問題及結(jié)果查看情況等。

4）作業(yè)：課程作業(yè)數(shù)、作業(yè)完成及相應(yīng)得分情況。

5）考核：課程單元測(cè)試、半期及期末考試。

2.2? 系統(tǒng)分析模型

針對(duì)網(wǎng)絡(luò)學(xué)習(xí)分析的分析對(duì)象、分析目的，從網(wǎng)絡(luò)教學(xué)平臺(tái)及相關(guān)系統(tǒng)數(shù)據(jù)源按照以上分析數(shù)據(jù)需求，進(jìn)行數(shù)據(jù)采集、預(yù)處理并進(jìn)行集成，選取需要的分析數(shù)據(jù)進(jìn)行相關(guān)性分析，網(wǎng)絡(luò)學(xué)習(xí)用戶聚類分析，建立用戶學(xué)習(xí)行為分類決策樹并對(duì)用戶學(xué)習(xí)效果進(jìn)行預(yù)測(cè)，指導(dǎo)師生的教與學(xué)。建立網(wǎng)絡(luò)學(xué)習(xí)分析模型如圖1所示。

3? 分析方法與過程

3.1? 相關(guān)性分析

通過對(duì)不同數(shù)據(jù)特征間的關(guān)系進(jìn)行分析，發(fā)現(xiàn)針對(duì)分析目標(biāo)的關(guān)鍵影響因素。這些方法有的可以快速發(fā)現(xiàn)特征之間的關(guān)系，如正相關(guān)、負(fù)相關(guān)或不相關(guān)；有的可以對(duì)特征間關(guān)系的強(qiáng)弱進(jìn)行度量，如完全相關(guān)或不完全相關(guān)等；有的方法可以將數(shù)據(jù)間的關(guān)系轉(zhuǎn)化為模型，進(jìn)而通過模型進(jìn)行預(yù)測(cè)。

簡(jiǎn)單直觀的相關(guān)性分析方法是將數(shù)據(jù)進(jìn)行可視化處理，但這種方法在分析過程和解釋上過于復(fù)雜，在處理復(fù)雜一點(diǎn)的數(shù)據(jù)或者相關(guān)度較低的數(shù)據(jù)時(shí)就會(huì)出現(xiàn)問題。本文采用相關(guān)系數(shù)方法，針對(duì)大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)行為的主要特征，計(jì)算特征間的相關(guān)系數(shù)。相關(guān)系數(shù)是反應(yīng)特征之間關(guān)系密切程度的指標(biāo)，相關(guān)系數(shù)的取值區(qū)間在1到-1之間。1表示兩個(gè)特征完全正相關(guān)，-1表示兩個(gè)特征完全負(fù)相關(guān)，0表示不相關(guān)，數(shù)值越小表示相關(guān)關(guān)系越弱。相關(guān)系數(shù)的計(jì)算：

3.2? 聚類分析

不同于分類算法要使用有類型標(biāo)記的樣本組成的訓(xùn)練樣本集，聚類算法是一種非監(jiān)督學(xué)習(xí)算法。聚類分析是在沒有給定劃分類別的情況下，根據(jù)樣本的相似度或樣本間距離等方式進(jìn)行分組的一種方法。分組的原則是組內(nèi)樣本間相似性盡可能大，組間樣本間的差異盡可能大。聚類方法可分為基于劃分的聚類方法、基于密度的聚類方法、層次聚類方法、基于模型的方法等[7]。本文根據(jù)所分析的數(shù)據(jù)類型、數(shù)據(jù)量和分析任務(wù)，采用基于劃分的K-means聚類方法。

3.3? 決策樹分類預(yù)測(cè)

分類是為一個(gè)沒有添加類別標(biāo)注的樣本預(yù)測(cè)其類標(biāo)簽。分類器是一個(gè)模型或函數(shù)，對(duì)于給定的待分類樣本，能夠預(yù)測(cè)其類標(biāo)簽。我們可以使用帶有正確類標(biāo)簽的樣本即訓(xùn)練集，建立這樣的分類模型。建立模型后，我們就能使用模型對(duì)給定的樣本進(jìn)行自動(dòng)分類預(yù)測(cè)。常用的分類模型有：決策樹、樸素貝葉斯概率型分類器、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等。

其中，決策樹算法產(chǎn)生的模型容易理解；可以方便地用圖形描述；計(jì)算量相對(duì)小，速度快。決策樹有ID3算法、C4.5算法和CART算法（Classification And Regression Tree，分類回歸樹）[8]，本文即采用CART方法。

4? 大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)分析

4.1? 學(xué)習(xí)效果相關(guān)性分析

本文在對(duì)“大學(xué)計(jì)算機(jī)基礎(chǔ)”這門課程的課程及學(xué)習(xí)數(shù)據(jù)進(jìn)行探索分析后發(fā)現(xiàn)，老師們既有通過平臺(tái)進(jìn)行網(wǎng)上直播或錄播形式進(jìn)行教學(xué)，也有僅僅制作課程章節(jié)資料，提供給學(xué)生自主學(xué)習(xí)的。收集到的各個(gè)年級(jí)、各不同院系、班級(jí)的課程學(xué)習(xí)數(shù)據(jù)完整度、完成度都不一致，所以為了進(jìn)行大范圍的學(xué)習(xí)效果評(píng)估、預(yù)測(cè)，我們選取了任務(wù)完成數(shù)、視頻觀看時(shí)長(zhǎng)、學(xué)習(xí)次數(shù)、期末考試成績(jī)進(jìn)行相關(guān)性分析，得到特征相關(guān)性矩陣如表1所示。

從特征系數(shù)矩陣看，任務(wù)完成數(shù)與期末成績(jī)的關(guān)系最大，其次是視頻觀看時(shí)長(zhǎng)。因此，老師可以將重要內(nèi)容用視頻等形式去呈現(xiàn)，同時(shí)加強(qiáng)對(duì)學(xué)生完成情況進(jìn)行監(jiān)督，從而改善學(xué)習(xí)效果。

4.2? 網(wǎng)絡(luò)學(xué)習(xí)用戶聚類分析

選取2020級(jí)本科新生學(xué)習(xí)數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗和預(yù)處理后，采用K-means聚類方法，基于選取的主要網(wǎng)絡(luò)學(xué)習(xí)特征，對(duì)用戶進(jìn)行聚類分析。通過將K設(shè)置為2、3、4、5、6分別進(jìn)行聚類，并對(duì)聚類結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn)當(dāng)K設(shè)置為3時(shí)，分類效果最佳。3個(gè)類別的用戶特征概率密度函數(shù)圖如圖2、圖3、圖4所示。

從概率密度圖2可知，類別1的同學(xué)基本都完成了30次的任務(wù)點(diǎn)學(xué)習(xí)，視頻觀看時(shí)長(zhǎng)主要集中在120～300分鐘之間，學(xué)習(xí)次數(shù)在20～60次，少數(shù)超過60次，學(xué)習(xí)情況整體較好，基本完成學(xué)習(xí)任務(wù)。

從圖3分析：類別2的同學(xué)任務(wù)完成情況較差，絕大多數(shù)只完成了幾次，甚至沒有較完整的參與學(xué)習(xí)；視頻觀看時(shí)長(zhǎng)很少超過150分鐘，多在100分鐘以下；學(xué)習(xí)次數(shù)主要分布在20次以下區(qū)間，很少超過50次，可知該部分同學(xué)平時(shí)學(xué)習(xí)任務(wù)完成情況較差，視頻觀看效果不佳，存在較大刷視頻的可能。

對(duì)某類用戶可以繼續(xù)結(jié)合其數(shù)據(jù)分布，如成績(jī)分布，對(duì)其學(xué)習(xí)行為進(jìn)行分析。以用戶類別3為例，通過圖4能直觀分析出：該類用戶基本都完成了所有30個(gè)課程章節(jié)的學(xué)習(xí)；視頻觀看時(shí)長(zhǎng)主要集中在200～450分鐘；學(xué)習(xí)次數(shù)也較多集中在50～100次，可以得出該部分學(xué)生的學(xué)習(xí)完成情況較好。針對(duì)該類學(xué)生的學(xué)習(xí)成績(jī)進(jìn)行可視化分布分析如圖5所示。該類學(xué)生成績(jī)主要集中在80分以上分?jǐn)?shù)段，這部分學(xué)生該門課程學(xué)習(xí)情況較好，學(xué)習(xí)效果也好。針對(duì)其他類型學(xué)生可以繼續(xù)進(jìn)行這樣直觀的分析，得到更多有用的決策信息，從而輔助教學(xué)改進(jìn)，指導(dǎo)教學(xué)改革。

4.3? 學(xué)習(xí)行為決策樹分類預(yù)測(cè)

利用CART決策樹算法進(jìn)行分類預(yù)測(cè)，通過實(shí)驗(yàn)比較，將決策樹深度設(shè)置為3，使用機(jī)器學(xué)習(xí)決策樹算法對(duì)2020級(jí)學(xué)生學(xué)習(xí)數(shù)據(jù)和期末成績(jī)等數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到網(wǎng)絡(luò)學(xué)習(xí)分析決策樹如圖6所示。在此基礎(chǔ)上，可以通過進(jìn)一步的剪枝，簡(jiǎn)化決策樹，使我們的決策規(guī)則更清晰，比如當(dāng)學(xué)習(xí)次數(shù)少于85次，視頻觀看少于200分鐘時(shí)，期末考試不通過的概率就非常大，可以剪掉相應(yīng)后續(xù)節(jié)點(diǎn)劃分，直接在此生成“需要加油”的葉節(jié)點(diǎn)。

對(duì)2021級(jí)學(xué)生的“大學(xué)計(jì)算機(jī)基礎(chǔ)”課程學(xué)習(xí)數(shù)據(jù)進(jìn)行預(yù)處理，將最后考試結(jié)果離散化為能通過考試的和“需要加油”的兩類同學(xué)，利用已建立的決策樹分類模型進(jìn)行期末考試結(jié)果預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確度達(dá)到91.2%。

5? 結(jié)? 論

本文利用大學(xué)網(wǎng)絡(luò)教學(xué)平臺(tái)的使用日志數(shù)據(jù)和大學(xué)生學(xué)習(xí)數(shù)據(jù)，選擇不同的分析方法和技術(shù)，進(jìn)行了相關(guān)性分析、聚類以及決策樹分類預(yù)測(cè)。分析結(jié)果準(zhǔn)確度高，能直觀反饋給不同的用戶使用：能幫助老師改進(jìn)課程內(nèi)容的建設(shè)和教學(xué)任務(wù)的安排、實(shí)施；能對(duì)學(xué)生學(xué)習(xí)結(jié)果進(jìn)行預(yù)警評(píng)估，提高期末考試合格率；能為教學(xué)管理者提供豐富的教學(xué)質(zhì)量管理和教學(xué)模式改革的決策依據(jù)。

今后可以繼續(xù)完善數(shù)據(jù)的記錄、收集，提高數(shù)據(jù)質(zhì)量；針對(duì)不同分析需求將各種分析功能模塊化；提高分析模型準(zhǔn)確度和模型泛化能力。

參考文獻(xiàn)：

[1] 劉冬鄰.高?？蒲匈Y源的個(gè)性化融合推薦 [J].重慶大學(xué)學(xué)報(bào)，2022，45（7）：122-130.

[2] 李衡.地方高校網(wǎng)絡(luò)教學(xué)平臺(tái)面臨的應(yīng)用問題及對(duì)策 [J].教育與職業(yè)，2015（33）：93-94.

[3] 韓錫斌，黃月，馬婧，等.學(xué)習(xí)分析的系統(tǒng)化綜述：回顧、辨析及前瞻 [J].清華大學(xué)教育研究，2017，38（3）：41-51+124.

[4] 趙興龍.翻轉(zhuǎn)課堂中知識(shí)內(nèi)化過程及教學(xué)模式設(shè)計(jì) [J].現(xiàn)代遠(yuǎn)程教育研究，2014（2）：55-61.

[5] 趙磊，朱泓，吳卓平.中國(guó)高校MOOC建設(shè)情況及制度環(huán)境研究 [J].中國(guó)遠(yuǎn)程教育，2019（10）：64-73+91.

[6] 安穎.MOOC在中國(guó)高校發(fā)展的現(xiàn)狀、問題與對(duì)策 [J].高教探索，2015（9）：38-41.

[7] 王改花，傅鋼善.數(shù)據(jù)挖掘視角下網(wǎng)絡(luò)學(xué)習(xí)者行為特征聚類分析 [J].現(xiàn)代遠(yuǎn)程教育研究，2018（4）：106-112.

[8] 范潔，楊岳湘，溫璞.C4.5算法在在線學(xué)習(xí)行為評(píng)估系統(tǒng)中的應(yīng)用 [J].計(jì)算機(jī)工程與設(shè)計(jì)，2006（6）：946-948.

作者簡(jiǎn)介：劉冬鄰（1979—），男，漢族，重慶人，高級(jí)實(shí)驗(yàn)師，工學(xué)碩士，主要研究方向：數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)。