基于学习平台日志的学生学习行为分析

李红艳

摘要：随着移动设备与学习技术系统的发展，多种学习方式发生在教育情景中，移动自主学堂自开发应用到教学过程，保留了大量教学数据。通过使用数据挖掘方法分析隐藏在这些数据下的有效信息，并利用这些信息进行评价反馈，从而可以帮助学生学习。使用熵权法进行分析研究表明，分析学生行为可以有效地为教师提供教学策略，合理利用学生之间的协作能力，提高学习效果。

关键词：学习行为；学习分析；熵

中图分类号：TP391.1 文献标识码：A 文章编号：1009-3044（2017）06-0160-03

Abstract： With the development of mobile devices and learning technology system， a variety of learning methods occur in the educational context， the mobile autonomous schools have been developed and applied to the teaching process. Through the use of data mining methods to analyze the hidden information in these data， and use the information to evaluate feedback， which can help students learn. The use of entropy method to analyze the research shows that the analysis of student behavior can be effective for teachers to provide teaching strategies， rational use of cooperation between students， improve the learning effect.

Key words：learning behavior； learning analysis； entropy

随着移动设备与学习技术系统的发展，多种学习方式发生在教育情景中，为深层次研究学习者的学习行为带来了新契机。学习分析技术在教育信息化环境中，使用数据挖掘的研究方法，对一定学习环境下学习者产生的学习数据进行研究分析，深度挖掘学习者学习信息，有利于实现教与学的个性化，为教学研究和动态调整学生学习策略提供了数据支持。

目前，自从数据分析技术在商业领域取得良好的效果后，把数据挖掘技术应用到教育领域已经成为一种趋势。学习分析（Learning Analysis）作为一种教育分析技术，成为发展中不可或缺的核心力量。[1]所谓学习分析是指通过使用分析技术，挖掘隐藏在数据背后的深层次有效信息，并利用这些信息进行评价反馈，从而帮助学生提高学习效率和学习成绩。

移动自主学堂改变了传统的教学模式，实现了移动自主平台支持下“四课型”教学模式与学习方式，实现了学生自主学习模式。[2]基于移动自主学堂的学习方式记录了学生在学习过程中的所有学习行为，这些行为以形式丰富多样的数据形式记录在系统中。这些数据为挖掘学生学习过程中的行为提供了载体。从多维度挖掘出学生的学习行为背后隐藏的信息量，分析学生的日常学习行为习惯与学生的学习成绩之间的关系。通过对学生学习行为的有效分析，可以为学校和教师跟踪了解学生的学习情况，合理有效安排教学过程和教学计划。

移动自主学堂经过多年的应用实践，存储了大量教学数据，本文正是对移动自主平台下的学生学习行为数据进行建模分析，从而得到学生学习行为与学习效果之间的关系，从而为移动自主平台教学提供辅助决策，使教师充分利用资源改进教学。论文根据学习行为需求分析，探讨学生在一个月周期内的学习行为与月末考试成绩之间的关系，得到学生学习行为效果模型，并使用模型预测学生在未来的学习成绩。

1 学习行为分析研究现状

数据作为信息的载体，具有较强的可视性和可用性，能够精准，全面的反应人物的思维和行为的发展规律。[3]在传统的教学模式中，保存的数据多为学生日常学习中的练习和考试试卷，数据也仅仅局限于老师的试卷分析。在信息化教学模式环境下，数据包括学生积极参与课堂教学的表现，与老师同学互动的频率，课后学习的记录等。通过使用数据挖掘技术对这些数据进行分析挖掘，分析学生的日常学习行为习惯与学生的学习成绩之间的关系。在今后的教学过程中根据反馈信息进行调整学习方法，从而完成学习目标。

国内外研究学者都对学习分析技术展开了一系列研究，美国普渡大学研发的“信号预警系统”系统对学习者的学习行为进行研究，在学生的学习成绩达到一定临界点时以邮件的形式向学生发出预警信号为学生提供实时反馈。[4]澳大利亚Wollongong大学基于学习分析技术研发了可视化评估工具，帮助教师迅速诊断学习的学习行为路径，并進行有效反馈。[5]在我国，彭文辉等提出了网络学习行为的一个多维度和多层次的模型，对于学习者的学习行为分析，构成了对学习者的行为评价和学习智能化、个性化调整的基础。[6]顾小清等建立了学习行为研究的数据，机制，结果三层次模型，系统的对学习行为模式进行了解析。[7]

2 学习行为属性分析

在教育中针对学生学习行为进行分析对开发学生的思维与从多个维度挖掘隐藏的有价值的数据信息，一方面实现了教师根据学习者的学习行为分析学生对在教学过程中对知识的掌握程度和学习关注度。另一方面，通过分析学生的学习行为，学校和教师可以了解学生近期的学习情况，方便教学管理。在移动自主学堂学习环境中，学生在移动自主平台上与老师进行课堂教学内容的交流，对所学知识进行随堂检测，知识疑难点的提问与交流等。

根据日常教学过程，把学生的学习行为分为以下几个方面：

1）自我查询学习行为：自我查询学习行为主要表现为学生针对自身情况查询想要了解的资源，这是一种主动的学习行为，它受学生自我认知的控制。

2）沟通学习行为：课堂学习是一种学习方式，而在学习过程中的沟通、交流也可以认为是一种学习方式。日常学习环境中，教师与学生之间、学生与学生之间、学生与学习资源之间都存在交互行为。

3）自我加工学习行为：在学习过程中，学生可以对学习资源进行收藏、标记和注释，对知识点进行电子笔记的整理，可以对知识进行提问和答疑等方式进行自我学习。

4）外部条件：当在围绕教学目标进行学习时，学生的学习也同样受学习基础和一些学习环境的影响。学生每门课程的基础会影响学生的学习行为，如果学生的这门课程的基础较好，在教学过程中，就会对教师的教学内容容易接受，才会对教师的教学内容或形式感兴趣，使系统记录的学习行为数据越多。而对于基础差的学生，听课时就会跟不上老师的教学进度，从而学起来比较吃力，久之就会失去学习的兴趣，直到放弃这门学科。同时，系统每天保存学生上课的学习路径，可根据登录情况判断学生是否出勤，长时间的请假会影响学生的学习情况。每节课学生会对本节课的学习体会进行自我评价，主要分为：好，中，差三类。

移动自學学堂教学环境下学生的学习行为大致包含的属性参数如表1所示：

3 基于信息熵的学生学习行为分析

通过对移动自主学堂的教学日志进行分析，可以得到学生的学习行为，在分析学生的行为记录时，根据不同类型的行为在模型中的作用赋予不同的权值。本文将采用信息熵计算，来判断不同行为不确定程度的大小，对学生的学习行为进行研究，探讨在一定周期内学生的日常学习行为与学生的学习成绩之间的关系，并为学生提出有效的建议。

假定有m个学生，每个学生有n种类型的学习行为，将学生Si的学习行为记录表示成m*n阶矩阵S=（kij）m*n，其中k是一个二维数据，表示的是第i个学生第j类型的学习行为的变量。

Step1：首先要对学生行为的各个指标的数据进行标准化处理。假设某学生第i学科的学习行为指标为X1，X2，…Xm，则可对学生行为数据进行处理，如下式

其中，bij为第i学科第j类型的学习行为的标准化值，max（bij）为第j类学生学习行为的最大值。

Step2：求学生各学习行为的信息熵值

按照信息论中信息熵的定义，一组数据的信息熵表示为

其中Pj为学习行为j发生的概率，按照信息熵定义计算行为信息熵，行为信息熵的具体含义是行为次数分布越均匀，则行为信息熵越大，行为的个性化特征越弱，在学生学习行为确定中，行为j的信息熵值越大，则对应的行为权重值Wj越小。

Step3：确定学生行为各指标的权重

计算出各个指标的信息熵 。通过信息熵计算各学习行为的权重：

且存在权重之和为1。由此可见当学生在各行为上的值相差越大，其熵值越小，熵权越大，表示改行为对学生的行为研究的价值越大。

Step4：学生学习行为研究模型

式中，I为学生行为评价指标，wi为第i个指标的权重，kij为量化后的行为数据，n为学生学习行为个数。

对于学生学习行为分析，每个学生都是一个样本，学生的学习行为对应样本的各维数据。实验采用数据库中385名学生样本数据，选取每个学生近1个月的web服务器客户端日志数据，生成学生学习行为数据表。根据学习行为属性，通过对一名学生的9种行为记录进行分析。按照上述步骤使用熵权法进行计算权值得到表2：

实验采用1个月为一个周期，学生的学习基础参照学生月初的测验分数和排名，经过多次试验得出，学生的学习行为与学习月末成绩成正比关系，学生日常教学过程中的主动参与度高、表现积极与学生学习效果相关，线上学习相对于浏览收藏和浏览错题本行为对学习成绩的影响较小。上课过程中，学生积极响应老师发出的提问指令与课后学习评价相关。

4 结论

通过对学生课堂教学中的变现进行分析，得出了学生在日常的教学过程中的学习表现，把结果反馈后有助于教师和家长了解学生的学习情况，通过配合使用有效的教学方法，提高学生的学习效果和学习成绩。从教师角度来说，教师可以采取一定措施调整教学策略，对于日常参与度较低，变现不积极的学生采取激励措施激发学生学习；另外，教师可以把积极学生和不积极学生合理安排在一起，充分发挥积极学生的带头作用，并提高同学的协作能力。从学生角度来说，学生了解在日常的表现中自己与成绩较好学生的差距，可以调整自己的学习态度。

参考文献：

[1] 祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013（05）：5-12， 19.

[2] 王瑞，李永波，王晓东，等.移动自主学堂及其应用[J].河南师范大学学报：自然科学版，2014（6）：162-166.

[3] 姜强，赵蔚，王朋娇，王丽萍，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92

[4] Iten，L.Arnold，K，&Pistilli，M.Ming Real-time Data to Improve Student Success in a Gateway Course[EB/OL]. [2013-05-14].http：//www.bio-purdue.edu/bootcamp/.

[5] Macfadyen L P， Dawson S.Mining LMS data to develop an “early warning system”for educators A proof of concept[J]Computer & Education 2010，（54）：588-599

[6] 彭文辉，杨宗凯，黄克斌.网络学习行为分析及其模型研究[J].中国电化教育，2006（10）：31-35.

[7] 胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J].开放教育研究，2014（2）：102-110.