摘"要：當(dāng)前，利用大數(shù)據(jù)分析技術(shù)對在線學(xué)習(xí)者進(jìn)行行為數(shù)據(jù)分析，探索蘊含在數(shù)據(jù)中的規(guī)律，探討學(xué)習(xí)行為特征對學(xué)習(xí)成效的影響，這方面的工作具有重要的理論和實際意義。利用大數(shù)據(jù)分析結(jié)果，一方面，可以反饋、干預(yù)和預(yù)測學(xué)習(xí)者的學(xué)習(xí)行為及成效，幫助學(xué)習(xí)者更好地掌握學(xué)習(xí)過程、提高學(xué)習(xí)效率；另一方面，也有助于教師和平臺運營人員針對不同的用戶群體提供個性化的環(huán)境和學(xué)習(xí)指導(dǎo)，促進(jìn)在線學(xué)習(xí)的可持續(xù)發(fā)展和教育教學(xué)領(lǐng)域的創(chuàng)新與變革。

關(guān)鍵詞：線上學(xué)習(xí)；數(shù)據(jù)挖掘；學(xué)習(xí)行為；學(xué)習(xí)成效

一、概述

當(dāng)前線上學(xué)習(xí)蓬勃發(fā)展，廣泛的學(xué)習(xí)人群、豐富的在線課程資源以及多樣化的交互手段產(chǎn)生了大量的學(xué)習(xí)行為數(shù)據(jù)。如何利用大數(shù)據(jù)分析技術(shù)對在線學(xué)習(xí)者進(jìn)行行為數(shù)據(jù)分析，探索蘊含在數(shù)據(jù)中的規(guī)律，探討學(xué)習(xí)行為特征對學(xué)習(xí)成效的影響，這方面的工作具有重要的理論和實際意義。

近年來，國內(nèi)外不少專家學(xué)者在MOOC學(xué)習(xí)者行為分析領(lǐng)域進(jìn)行了實驗和探索，例如，參考文獻(xiàn)［1］中的學(xué)者提出了一種以神經(jīng)網(wǎng)絡(luò)作為分類器的預(yù)測方法對MOOC課程的輟課率進(jìn)行預(yù)測；參考文獻(xiàn)［2］中的學(xué)者根據(jù)行為分析將MOOC學(xué)習(xí)者分為主動者、被動者和旁觀者，并且分析了不同學(xué)習(xí)者的課程完成率。賈積有等人［3］基于北京大學(xué)6門MOOC課程的平臺數(shù)據(jù)對學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行了統(tǒng)計分析；陳蘭嵐等人［4］基于Canvas"Network提供的MOOC開放數(shù)據(jù)對學(xué)習(xí)者的類型與行為進(jìn)行了分析；林麒麟等人［5］利用KMean聚類的方法對不同人群學(xué)習(xí)行為進(jìn)行聚類，探討了學(xué)習(xí)行為與學(xué)習(xí)成效的關(guān)系。

以上工作豐富了在線學(xué)習(xí)者行為分析領(lǐng)域的研究成果，為本課題的相關(guān)研究提供了堅實的理論基礎(chǔ)。本項目以某大學(xué)網(wǎng)絡(luò)教學(xué)平臺中的慕課數(shù)據(jù)作為基礎(chǔ)，收集了同一時期上課的學(xué)生的學(xué)習(xí)行為和學(xué)習(xí)成效數(shù)據(jù)，對學(xué)生的學(xué)習(xí)行為特征及其對學(xué)習(xí)成效的影響進(jìn)行了探究分析，以期為在線學(xué)習(xí)和發(fā)展提供有益參考。

二、基于KMEAN聚類的學(xué)習(xí)者類型劃分

本文收集的數(shù)據(jù)信息包括：（1）學(xué)習(xí)者的基本信息（姓名、性別、學(xué)號、專業(yè)、年級）；（2）課程信息（課程名稱、學(xué)科類別、課程章節(jié)數(shù)、課程起止時間）；（3）學(xué)習(xí)者的學(xué)習(xí)行為信息（簽到次數(shù)、章節(jié)學(xué)習(xí)次數(shù)、作業(yè)次數(shù)、作業(yè)平均分、討論發(fā)帖數(shù)、討論回帖數(shù)）；（4）學(xué)習(xí)者的學(xué)習(xí)效果信息（學(xué)習(xí)成績）。

對于每名學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)，選取章節(jié)學(xué)習(xí)次數(shù)（Chapter"Learning"Number，CLN）、簽到次數(shù)（Sign"In"Number，SIN）、討論回帖數(shù)（Discussion"Reply"Number，DRN）、作業(yè)平均分（Average"Homework"Scores，AHS）四個特征，利用KMEAN算法進(jìn)行聚類分析，聚類結(jié)果見圖1。此外，根據(jù)聚類結(jié)果，我們計算了每類學(xué)習(xí)者的學(xué)習(xí)特征及學(xué)習(xí)成績均值，分析結(jié)果見表1。

由聚類分析結(jié)果可知，根據(jù)CLN、SIN、DRN、AHS四個特征，把學(xué)習(xí)人群大概分為Cluster1—Cluster4，共四類。其中，Cluster2和Cluster4：章節(jié)學(xué)習(xí)次數(shù)、簽到次數(shù)、討論回帖數(shù)和作業(yè)平均分處于較高水平，屬于在線學(xué)習(xí)學(xué)霸用戶。Cluster2的學(xué)習(xí)章節(jié)次數(shù)明顯高于Cluster4，而且Cluster2熱心幫助同學(xué)，討論回帖次數(shù)在四類中也是最高，對應(yīng)的學(xué)習(xí)成效也是最佳。Cluster1和Cluster3：章節(jié)學(xué)習(xí)次數(shù)、簽到次數(shù)、討論回帖數(shù)和作業(yè)平均分處于較低水平，學(xué)習(xí)成效較好。此外，雖然Cluster3的學(xué)習(xí)成效低于Cluster1，但是該類學(xué)習(xí)者屬于積極參與討論型，其討論回帖數(shù)高于后者。不同類間的學(xué)習(xí)成效情況見圖2。

三、基于多元線性回歸的學(xué)習(xí)成效預(yù)測模型

本節(jié)將章節(jié)學(xué)習(xí)次數(shù)、簽到次數(shù)、討論回帖數(shù)、作業(yè)平均分四個特征作為模型自變量，將學(xué)生學(xué)習(xí)成績（Students'"Academic"Performance，SAP）作為因變量，進(jìn)行多元線性回歸分析。表2展示了評價模型所使用的檢驗統(tǒng)計量。從該表可以觀察到R、R2、調(diào)整后的R2、標(biāo)準(zhǔn)估計誤差以及DW統(tǒng)計量（DurbinWatson）。在本研究中，回歸模型調(diào)整后的R2值為0719，表明該模型具有較高的擬合度。此外，DW統(tǒng)計量為1.640，說明模型的殘差存在正自相關(guān)性。

方差分析的結(jié)果顯示，回歸部分的F值為92.332，其相應(yīng)的P值為0，這一數(shù)值小于顯著性水平0.05，由此可以得出章節(jié)學(xué)習(xí)次數(shù)、簽到次數(shù)、討論回帖數(shù)以及作業(yè)平均分對學(xué)生成績的解釋能力非常顯著。表3展示了線性回歸模型的回歸系數(shù)及其他相關(guān)統(tǒng)計量。從該表中可以看出，線性回歸模型的截距項為-6.53，章節(jié)學(xué)習(xí)次數(shù)的回歸系數(shù)為0.005，簽到次數(shù)的回歸系數(shù)為1.668，回帖數(shù)的回歸系數(shù)為0.222，作業(yè)均分的回歸系數(shù)為0.638。值得注意的是，簽到次數(shù)、回帖數(shù)和作業(yè)均分的顯著性水平分別為0.001、0.000和0.000，這表明它們的系數(shù)在統(tǒng)計上非常顯著。由此，我們可以構(gòu)建出以下回歸方程：

表4列出了若干重要的殘差統(tǒng)計量。從該表中可以提取出預(yù)測值、殘差、標(biāo)準(zhǔn)預(yù)測值以及標(biāo)準(zhǔn)殘差的最小值和最大值等關(guān)鍵統(tǒng)計信息。具體來說，殘差的最大值為15.143，而最小值為-45.809，平均值則為0。圖3展示了標(biāo)準(zhǔn)化殘差的直方圖，這幅圖呈現(xiàn)了標(biāo)準(zhǔn)化殘差的頻率分布情況，清晰地表明標(biāo)準(zhǔn)化后的殘差基本符合正態(tài)分布特征。而圖4則呈現(xiàn)了標(biāo)準(zhǔn)化殘差的正態(tài)PP圖。該圖的橫軸代表實際觀察值的累積概率，縱軸則為理論預(yù)期的累積概率。如果樣本數(shù)據(jù)遵循正態(tài)分布類型，那么所有散點應(yīng)當(dāng)大致聚集在對角線附近。根據(jù)圖4的展示結(jié)果，可以確認(rèn)該分布確實如此，進(jìn)一步表明標(biāo)準(zhǔn)化殘差近似遵循正態(tài)分布，這與直方圖所示的結(jié)果一致。

結(jié)語

本文對MOOC學(xué)習(xí)者的學(xué)習(xí)行為和學(xué)習(xí)成效進(jìn)行了探究分析。根據(jù)學(xué)習(xí)者的章節(jié)學(xué)習(xí)次數(shù)、簽到次數(shù)、討論回帖數(shù)及作業(yè)平均分四個特征，利用KMEAN算法對其進(jìn)行聚類，并探討了不同類學(xué)習(xí)者的學(xué)習(xí)特征與學(xué)習(xí)成效之間的區(qū)別。進(jìn)一步地，本文構(gòu)建了學(xué)習(xí)者的學(xué)習(xí)成效與學(xué)習(xí)行為特征之間的多元線性回歸方程，分析結(jié)果表明，學(xué)生的學(xué)習(xí)成績主要受出勤次數(shù)、參與討論次數(shù)和歷次作業(yè)表現(xiàn)的影響。本項目運用數(shù)據(jù)挖掘技術(shù)及統(tǒng)計分析方法，對在線學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行了深入分析，旨在探索學(xué)習(xí)行為數(shù)據(jù)中變量之間潛在的關(guān)系，并研究學(xué)習(xí)行為特征如何影響學(xué)習(xí)成效。通過對大數(shù)據(jù)分析結(jié)果的應(yīng)用，可以為構(gòu)建個性化學(xué)習(xí)模式和優(yōu)化課程教學(xué)設(shè)計提供重要依據(jù)，從而增強教學(xué)改革的效果。

參考文獻(xiàn)：

［1］Chaplot"D"S，Rhim"E，Kimnbsp;J.Predicting"Student"Attrition"in"MOOCs"using"Sentiment"Analysis"and"Neural"Networks［C］.CEUR"Workshop"Proceedings"1432，2015（3）：712.

［2］TSENG"S"F，TSAO"Y"W，YU"L"C，et"al.Who"will"pass？Analyzing"learner"behaviors"in"MOOCs［J］.Research"and"Practice"in"Technology"Enhanced"Learning，2016，11（1）：111.

［3］賈積有，繆靜敏，汪瓊.MOOC學(xué)習(xí)行為及效果的大數(shù)據(jù)分析：以北大6門MOOC為例［J］.工業(yè)和信息化教育，2014（9）：2329.

［4］陳蘭嵐，宋海虹.基于MOOC數(shù)據(jù)挖掘的學(xué)習(xí)行為和學(xué)習(xí)成效分析［J］.教育教學(xué)論壇，2019（21）：5051.

［5］林麒麟，李川，俸世洲.基于MOOC數(shù)據(jù)挖掘的學(xué)習(xí)行為與成效研究［J］.科技風(fēng)，2019（25）：246247.

基金項目：中央民族大學(xué)一流本科課程建設(shè)項目“高等數(shù)學(xué)（經(jīng)管類）”（2024—2026）

作者簡介：馮杰（1982—"），女，漢族，山東濰坊人，博士研究生，講師，研究方向：數(shù)據(jù)挖掘、生物信息處理。