摘要：在線學(xué)習(xí)是近年來隨著互聯(lián)網(wǎng)的發(fā)展而逐漸興起的一種學(xué)習(xí)方式，它的便捷性和豐富的學(xué)習(xí)資源吸引了越來越多的學(xué)習(xí)者。隨著在線學(xué)習(xí)平臺(tái)日益普及，海量的用戶數(shù)據(jù)也隨之產(chǎn)生。如何從這些數(shù)據(jù)中提取有價(jià)值的信息，促進(jìn)教育教學(xué)質(zhì)量提升是當(dāng)前值得思考的重要課題。文章介紹了基于K均值聚類算法（K-means Clustering Algorithm，K-means）的在線學(xué)習(xí)行為聚類分析方法，為在線學(xué)習(xí)平臺(tái)提供了重要的數(shù)據(jù)分析和應(yīng)用支持，幫助教師及平臺(tái)管理者及時(shí)調(diào)整教學(xué)模式和教學(xué)策略，以提升學(xué)習(xí)者的在線學(xué)習(xí)效果。

關(guān)鍵詞：在線學(xué)習(xí)；行為聚類分析；K-means算法；忠誠(chéng)度

中圖分類號(hào)：TP181" 文獻(xiàn)標(biāo)志碼：A

0 引言

近年來，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，在線學(xué)習(xí)已經(jīng)成為一種廣受歡迎的學(xué)習(xí)方式。線上教育教學(xué)已經(jīng)成為教學(xué)育人的新形式。這一定程度上打破了傳統(tǒng)教學(xué)的空間限制［1］。它不僅具有便捷性，還擁有豐富的學(xué)習(xí)資源。因此，研究在線學(xué)習(xí)行為對(duì)于提高在線學(xué)習(xí)的效率具有重要意義。在線學(xué)習(xí)行為的研究主要集中在2個(gè)方面：一方面，研究在線學(xué)習(xí)者的學(xué)習(xí)效果，如學(xué)習(xí)成績(jī)、學(xué)習(xí)滿意度等；另一方面，研究在線學(xué)習(xí)者的學(xué)習(xí)行為特征，如學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)頻率等。本文主要關(guān)注的是在線學(xué)習(xí)行為特征。目前，在線學(xué)習(xí)已經(jīng)產(chǎn)生了大量的學(xué)習(xí)行為數(shù)據(jù)，怎么利用這些數(shù)據(jù)來提高在線學(xué)習(xí)的效果。本文用K-means聚類方法，對(duì)學(xué)生的學(xué)習(xí)行為進(jìn)行分類，以便對(duì)每個(gè)類別的學(xué)生提供個(gè)性化學(xué)習(xí)指導(dǎo)。

1 K-means算法

K-means算法是一種基于距離的聚類算法，也是一種常用的無監(jiān)督學(xué)習(xí)算法。該算法的基本思想是通過不斷的迭代，使得給定的數(shù)據(jù)點(diǎn)聚到具有相似特征的聚類中［2］。K-means算法的具體流程如下：（1）對(duì)給定的數(shù)據(jù)，隨機(jī)選擇K個(gè)數(shù)據(jù)點(diǎn)作為聚類的K個(gè)中心點(diǎn)。（2）計(jì)算數(shù)據(jù)中每一個(gè)點(diǎn)與K個(gè)中心點(diǎn)的距離，并將其分配到距離最近的聚類中。（3）根據(jù)分配的數(shù)據(jù)點(diǎn)，更新每一個(gè)聚類的中心點(diǎn)。重復(fù)步驟2—3，直到聚類中心點(diǎn)不再發(fā)生變化或達(dá)到最大迭代次數(shù)。

2 在線學(xué)習(xí)行為聚類分析

在線學(xué)習(xí)行為聚類分析是通過聚類分析在線學(xué)習(xí)者的學(xué)習(xí)行為的歷史數(shù)據(jù)，以識(shí)別不同的學(xué)習(xí)行為類型并進(jìn)行分析。這項(xiàng)研究旨在探討在線學(xué)習(xí)者學(xué)習(xí)的影響因素及學(xué)習(xí)進(jìn)展，區(qū)分在線學(xué)習(xí)平臺(tái)中學(xué)習(xí)者的行為類別。根據(jù)在線學(xué)習(xí)平臺(tái)用戶學(xué)習(xí)行為數(shù)據(jù)，本文借鑒了客戶價(jià)值劃分（Recency Frequency Monetary，RFM）分析方法，構(gòu)建了在線學(xué)習(xí)行為分類指標(biāo)，并使用數(shù)據(jù)挖掘中的聚類算法，對(duì)從在線學(xué)習(xí)平臺(tái)中提取的學(xué)習(xí)者行為的歷史數(shù)據(jù)進(jìn)行分析，得出在線學(xué)習(xí)者學(xué)習(xí)行為分類結(jié)果及對(duì)課程的忠誠(chéng)度情況。

2.1 在線學(xué)習(xí)行為分類指標(biāo)確定

有關(guān)客戶分類方法的研究，代表者為Hughes提出的RFM分析方法［3］。通過近度R（Recency）、頻度F（Frequency）、值度M（Monetary）3個(gè)行為指標(biāo)來區(qū)分客戶，其中R指上次購(gòu)買時(shí)間至目前的時(shí)間間隔，F(xiàn)是指某一時(shí)間段內(nèi)的購(gòu)買的次數(shù)總和，M為某一時(shí)間段內(nèi)的購(gòu)買累計(jì)金額。這種方法主要適用于傳統(tǒng)的銷售場(chǎng)景，對(duì)于在線學(xué)習(xí)平臺(tái)的學(xué)習(xí)者分類需要重新設(shè)計(jì)相關(guān)指標(biāo)。通過分析在線學(xué)習(xí)中學(xué)習(xí)者的行為數(shù)據(jù)，設(shè)計(jì)了在線學(xué)習(xí)者分類RFL［4］指標(biāo)體系。其中，R（Recency）是指學(xué)習(xí)者最后一次在在線學(xué)習(xí)平臺(tái)的學(xué)習(xí)時(shí)間點(diǎn)至當(dāng)前時(shí)間的間隔天數(shù)，被稱為學(xué)習(xí)近度；F（Frequency）是指學(xué)習(xí)者在在線學(xué)習(xí)平臺(tái)中學(xué)習(xí)的行為記錄的總和，這些行為記錄包括互動(dòng)答題、觀看課程視頻、留言交流、做電子筆記等學(xué)習(xí)行為，被稱為學(xué)習(xí)頻度；L（Length）是指學(xué)習(xí)者通過在線學(xué)習(xí)平臺(tái)中進(jìn)行學(xué)習(xí)行為累計(jì)的分鐘數(shù)，被稱為學(xué)習(xí)長(zhǎng)度。

2.2 K-means算法聚類

在構(gòu)建出分類指標(biāo)體系的基礎(chǔ)上，本文采用K-means算法對(duì)行為進(jìn)行聚類分析。具體步驟包括數(shù)據(jù)標(biāo)準(zhǔn)化處理、確定學(xué)習(xí)者行為特征權(quán)重以及K-means算法聚類。

數(shù)據(jù)標(biāo)準(zhǔn)化處理。數(shù)據(jù)標(biāo)準(zhǔn)化處理的目的是消除數(shù)據(jù)的差異性和不一致性，提高數(shù)據(jù)的質(zhì)量和可用性。本文采用離差標(biāo)準(zhǔn)化的方法對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。在本文的RFL數(shù)據(jù)中，由于指標(biāo)F和L的數(shù)據(jù)與在線學(xué)習(xí)穩(wěn)定程度正向相關(guān)，而指標(biāo)R與在線學(xué)習(xí)穩(wěn)定程度負(fù)向相關(guān)，因此在進(jìn)行標(biāo)準(zhǔn)化處理時(shí)需要注意這一點(diǎn)。

確定學(xué)習(xí)行為特征權(quán)重。本文所構(gòu)建的在線學(xué)習(xí)行為分類指標(biāo)個(gè)數(shù)不多并且指標(biāo)取值相近。為了確保指標(biāo)權(quán)重確定的準(zhǔn)確性以及消除主觀因素，本文采用客觀方法中的熵值法來確定在線學(xué)習(xí)行為分類指標(biāo)的特征權(quán)重。

K-means算法聚類。K-means算法聚類是本文采用的方法，通過對(duì)在線學(xué)習(xí)行為進(jìn)行聚類分析，可以將學(xué)習(xí)者分為不同的類別，并進(jìn)一步分析各類別的特征和忠誠(chéng)度情況。

2.3 學(xué)習(xí)者忠誠(chéng)度等級(jí)劃分

為了分析在線學(xué)習(xí)平臺(tái)中的哪些類別的學(xué)習(xí)者對(duì)課程具有較高的忠誠(chéng)度，哪些類別的學(xué)習(xí)者存在較低的課程忠誠(chéng)度，本文根據(jù)學(xué)習(xí)者對(duì)在線課程的學(xué)習(xí)情況來劃分學(xué)習(xí)者的忠誠(chéng)度等級(jí)。通過計(jì)算每一類別中各指標(biāo)的權(quán)重，并按照給出的在線課程忠誠(chéng)度公式計(jì)算出學(xué)習(xí)者對(duì)課程的忠誠(chéng)度得分［5］。這有助于教師和在線學(xué)習(xí)平臺(tái)管理人員及時(shí)采取相應(yīng)的教學(xué)策略和教學(xué)模式，來提高用戶在線學(xué)習(xí)的穩(wěn)定程度。在線學(xué)習(xí)行為的忠誠(chéng)度計(jì)算公式如公式（1）所示。

3 在線學(xué)習(xí)行為分析過程

3.1 數(shù)據(jù)處理

對(duì)江蘇航運(yùn)職業(yè)技術(shù)學(xué)院在線學(xué)習(xí)平臺(tái)進(jìn)行實(shí)踐觀察，最終選取平臺(tái)中的“計(jì)算機(jī)應(yīng)用基礎(chǔ)”課程作為具體研究對(duì)象。課程開設(shè)時(shí)間為2022年9月1日至2022年12月30日這段時(shí)間內(nèi)的學(xué)習(xí)數(shù)據(jù)。為保證實(shí)驗(yàn)研究樣本的客觀及有效，從中隨機(jī)選取1 000名學(xué)習(xí)者。分別統(tǒng)計(jì)出每位學(xué)習(xí)者的學(xué)習(xí)近度（R）、學(xué)習(xí)頻度（F）、學(xué)習(xí)時(shí)長(zhǎng)（L）指標(biāo)對(duì)應(yīng)的數(shù)據(jù)。部分統(tǒng)計(jì)結(jié)果如表1所示。

本文采用機(jī)器學(xué)習(xí)庫(kù)sklearn中的K-means方法對(duì)數(shù)據(jù)進(jìn)聚類分析，在進(jìn)行聚類之前，首先要進(jìn)行標(biāo)準(zhǔn)化的數(shù)據(jù)預(yù)處理，采用離差標(biāo)準(zhǔn)化方法，將數(shù)據(jù)歸一化到0到1區(qū)間內(nèi)。使用sklearn.preprocessing下的MinMaxScaler進(jìn)行標(biāo)準(zhǔn)化處理后的數(shù)據(jù)如表2所示。

3.2 聚類分析

對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)，K-means方法對(duì)數(shù)據(jù)進(jìn)聚類，聚類的個(gè)數(shù)從2到10，用方差比準(zhǔn)則（Calinski-Harabasz）方法分別計(jì)算出聚類個(gè)數(shù)2到10的得分。得分可視化結(jié)果如圖1所示，橫坐標(biāo)是聚類的個(gè)數(shù)，縱坐標(biāo)是每種個(gè)數(shù)相應(yīng)得分。

從圖1中可以看出，分為6類得分最高，即將學(xué)生在線學(xué)習(xí)行為的數(shù)據(jù)分6類最為合適。用K-means方法將學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)分為6類，并計(jì)算每個(gè)類別的平均分。因?yàn)閿?shù)據(jù)被標(biāo)準(zhǔn)化到0～1區(qū)間的數(shù)值，對(duì)這區(qū)間的數(shù)值進(jìn)行均值計(jì)算后，并不能體現(xiàn)出原來的數(shù)據(jù)，所以對(duì)聚類后每一類的均值要進(jìn)行反向標(biāo)準(zhǔn)化。劃分的6個(gè)類別如表3所示。

依據(jù)公式（1），要計(jì)算每個(gè)類別的忠誠(chéng)度，需要確定R、F、L的權(quán)重值α、β、γ，這里采用客觀方法中的熵值法確定指標(biāo)權(quán)重［6］，通過計(jì)算得出學(xué)習(xí)近度指標(biāo)權(quán)重為0.218、學(xué)習(xí)頻度權(quán)重為0.325、學(xué)習(xí)長(zhǎng)度權(quán)重為0.457，根據(jù)公式（1）可以計(jì)算出每個(gè)類別的忠誠(chéng)度，依據(jù)忠誠(chéng)度的得分情況，6個(gè)類別分別為專注學(xué)習(xí)者、持續(xù)學(xué)習(xí)者、堅(jiān)持學(xué)習(xí)者、暫停學(xué)習(xí)者、偶爾學(xué)習(xí)者和放棄學(xué)習(xí)者。圖2（a）與圖2（b）分別展示了每個(gè)聚類的人數(shù)分布比例以及每個(gè)類別的忠誠(chéng)度得分。

聚類分析結(jié)果以及學(xué)習(xí)者對(duì)課程忠誠(chéng)度的情況可以幫助教師及平臺(tái)管理者制定出合理教學(xué)策略，下面針對(duì)各類別的行為特征做具體分析。

3.2.1 專注學(xué)習(xí)者

這類學(xué)習(xí)者具有很高的學(xué)習(xí)時(shí)長(zhǎng)和頻率，而且最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間相當(dāng)短。他們通常非常專注于學(xué)習(xí)，并且會(huì)在學(xué)習(xí)過程中持續(xù)投入大量時(shí)間和精力。為了讓他們保持專注并獲得更好的學(xué)習(xí)效果，教師可以為他們提供更深入的學(xué)習(xí)資料、挑戰(zhàn)性的學(xué)習(xí)任務(wù)和更多的反饋，以激發(fā)他們的興趣和動(dòng)力。

3.2.2 持續(xù)學(xué)習(xí)者

這類學(xué)習(xí)者的學(xué)習(xí)時(shí)長(zhǎng)和頻率較高，但最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間較短。他們通常是有一定學(xué)習(xí)目標(biāo)的，并且會(huì)盡力保持學(xué)習(xí)的連續(xù)性。為了幫助他們實(shí)現(xiàn)學(xué)習(xí)目標(biāo)，教師可以為他們提供具有清晰目標(biāo)和可行計(jì)劃的學(xué)習(xí)任務(wù)，并鼓勵(lì)他們制定學(xué)習(xí)計(jì)劃和時(shí)刻記錄學(xué)習(xí)進(jìn)度，以保持學(xué)習(xí)連續(xù)性。

3.2.3 堅(jiān)持學(xué)習(xí)者

這類學(xué)習(xí)者的學(xué)習(xí)時(shí)長(zhǎng)和頻率較高，最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間也不算太久。他們通常會(huì)在空閑時(shí)間或者需要學(xué)習(xí)的時(shí)候進(jìn)行在線學(xué)習(xí)。為了幫助他們更好地利用學(xué)習(xí)時(shí)間，教師可以為他們提供多樣化的學(xué)習(xí)資源和靈活的學(xué)習(xí)方式，并鼓勵(lì)他們制定合理的學(xué)習(xí)計(jì)劃和規(guī)劃學(xué)習(xí)時(shí)間，以提高學(xué)習(xí)效率。

3.2.4 暫停學(xué)習(xí)者

這類學(xué)習(xí)者曾經(jīng)具有較高的學(xué)習(xí)時(shí)長(zhǎng)和頻率，但目前處于暫停狀態(tài)，最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間較久。他們通常是由于某些原因暫時(shí)中斷了學(xué)習(xí)，并有可能繼續(xù)學(xué)習(xí)。為了幫助他們重新開始學(xué)習(xí)，教師可以為他們提供一些幫助和支持，例如：重新分配學(xué)習(xí)任務(wù)、提供個(gè)性化的學(xué)習(xí)計(jì)劃、提供心理支持等，以促進(jìn)他們重新投入學(xué)習(xí)。

3.2.5 偶爾學(xué)習(xí)者

這類學(xué)習(xí)者的學(xué)習(xí)時(shí)長(zhǎng)和頻率較低，而且最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間也比較久。他們通常有一定的學(xué)習(xí)需求，但可能受到其他因素的影響而無法持續(xù)在線學(xué)習(xí)。為了幫助他們更好地學(xué)習(xí)，教師可以為他們提供靈活的學(xué)習(xí)資源和學(xué)習(xí)方式，并嘗試了解他們的學(xué)習(xí)需求和限制，并針對(duì)性地提供支持和幫助，以幫助他們更好地學(xué)習(xí)。

3.2.6 放棄學(xué)習(xí)者

這類學(xué)習(xí)者的學(xué)習(xí)時(shí)長(zhǎng)和頻率極低，而且最近一次在線學(xué)習(xí)時(shí)間距離當(dāng)前時(shí)間非常久。他們通常曾經(jīng)進(jìn)行過在線學(xué)習(xí)，但由于某些原因已經(jīng)放棄了學(xué)習(xí)。為了鼓勵(lì)他們重新投入學(xué)習(xí)，教師可以為他們提供一些刺激和鼓勵(lì)，例如：提供一些有趣的學(xué)習(xí)任務(wù)或挑戰(zhàn)、提供一些實(shí)用的學(xué)習(xí)資料、提供個(gè)性化的學(xué)習(xí)計(jì)劃等，以重新激發(fā)他們對(duì)學(xué)習(xí)的興趣和動(dòng)力。

4 結(jié)語

本研究通過使用K-means算法對(duì)在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析，證明了該算法是一種有效的聚類算法，能夠?qū)υ诰€學(xué)習(xí)行為數(shù)據(jù)進(jìn)行有效的分析。聚類結(jié)果表明，在線學(xué)習(xí)行為存在明顯的分類規(guī)律，不同的學(xué)習(xí)行為類型具有明顯的特征差異。因此，基于K-means算法的在線學(xué)習(xí)行為聚類分析有助于更好地理解學(xué)習(xí)者的學(xué)習(xí)行為，為特定的在線學(xué)習(xí)者提供相應(yīng)的指導(dǎo)措施，幫助教師及平臺(tái)管理者制定出合理教學(xué)策略，為今后在線學(xué)習(xí)行為的研究提供有力的支持。

參考文獻(xiàn)

［1］王雨晴，萬時(shí)樂.網(wǎng)絡(luò)教育背景下高校思想政治教育“全員育人”的實(shí)現(xiàn)路徑［J］.江蘇航運(yùn)職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2022（3）：84-87.

［2］鄭凱東，任輝.基于PSO的K-means聚類優(yōu)化［J］.信息技術(shù)與信息化，2023（2）：77-80.

［3］魏玲，李陽(yáng).基于RFL的MOOC學(xué)習(xí)者細(xì)分與忠誠(chéng)度研究——以“怪誕行為學(xué)”課程為例［J］.現(xiàn)代教育技術(shù)，2016（11）：67-73.

［4］李陽(yáng).大數(shù)據(jù)環(huán)境下在線學(xué)習(xí)行為分析模型研究［D］.哈爾濱：哈爾濱理工大學(xué)，2017.

［5］陳來，張華.基于聚類算法的學(xué)生學(xué)業(yè)表現(xiàn)分析預(yù)測(cè)模型［J］.山西警察學(xué)院學(xué)報(bào)，2020（2）：114-118.

［6］張霞，何南.綜合評(píng)價(jià)方法分類及適用性研究［J］.統(tǒng)計(jì)與決策，2022（6）：31-36.

Research on clustering of online learning behaviors based on the K-means algorithm

Abstract： Online learning is a learning method that has gradually emerged in recent years with the development of the Internet. Its convenience and rich learning resources have attracted more and more learners. With the increasing popularity of online learning platforms， massive user data is also generated. How to extract valuable information from these data and promote the improvement of education and teaching quality is an important topic worth thinking about at present. This paper introduces the clustering analysis method of online learning behaviors based on the K-means clustering algorithm algorithm， and empirically proves the effectiveness of this method， providing important data analysis and application support for online learning platforms， and helping teachers and platform managers to adopt teaching strategies and teaching modes in a timely manner to improve the effectiveness of user online learning.

Key words： online learning; behavioral clustering analysis; K-means algorithm; loyalty