基于教育数据挖掘的在线学习机制研究

吴莲香

摘   要：快速发展的信息化教育使在线学习在各类学习情境中被广泛应用，数据挖掘技术则为获取潜藏于海量数据中的有价值信息提供了有力支撑。文章以“电子商务”课程教学为例，对基于教育数据挖掘的在线学习机制进行了研究，在阐述在线学习数据挖掘领域现状的基础上，构建了在线学习者模型，为在线学习数据挖掘功能的完善提供参考。

关键词：“电子商务”;在线学习;数据挖掘;学习者建模

随着教育改革的不断深入，“互联网+教育”的在线教学模式已成为传统教学的有益补充。课改政策奠定了未来教育个性化的发展趋势，对在线学习系统也提出了更高要求。为了更好地做到个性化教学，预测及掌握学习者的学习需求及行为就变得尤为重要。因此，在在线学习中应用数据挖掘技术、通过充实学习者模型数据以进一步完善学习者模型就成为研究重点。

1    现状分析

作为目前的一项研究热点，教育数据挖掘和在线学习的研究领域可分为：（1）以工程技术为主的研究。在线学习数据挖掘主要集中在数据挖掘工具的开发、搭建、优化等方面，已在实际在线教学中应用的数据挖掘平台所提供的相应数据为数据挖掘工具的完善提供了依据。（2）以评述为主的文献研究。采用内容分析法进行分析，可知教育数据挖掘已从工具开发偏移到系统优化方面。目前学习者建模方面的研究较少，主要以知识、认知、情感、学习行为4个方面的模型为主。例如，赵德芳等在研究知识图建构及认知评估模型时，针对在线学习系统构建了学习者显性及隐性知识模型，以指导系统采取更好的知识呈现方式。现有聚焦于较为独立的知识本身的学习者知识模型的研究，但大多不是同学习者结合的内化知识，不利于准确预测后期学习者的行为[1]。

2    在线学习的学习者模型

“电子商务”作为一门综合性较强的课程，其理论教学及实践教学离不开在线教学的支撑。为了更好地预测学习者的学习行为，笔者在“电子商务”在线教学中，将融合了数据统计与挖掘、机器学习的教育数据挖掘技术引入其中，对产生的教育大数据在分析和处理的基础上，通过数据建模实现相关变量关系（学习内容与结果、教学资源与行为等）的获取，进而拓展了学习者模型，使模型更好地满足个人学习特点，据此进行数据挖掘分析进一步提高学习行为预测的精准度，以便重新组织知识内容、完善教学策略，提高学习者个性化学习的自适应能力。

2.1  学习者知识水平建模

在教育数据挖掘领域中引入学习者知识水平（不局限于学习者对“电子商务”课程性知识的学习，涵盖各方面的综合知识）能够进一步丰富学习者模型的数据。具备网上自主学习能力的学习者已具备一定层次的知识水平，但对同一电商课程内容，通常表现出不同的知识水平，影响了学习者学习活动的速率。例如，在开发线上“电子商务”视频课程时，安排教学内容的呈现速率仅以教学行为速度为依据，而忽视了学习者的不同层次，导致学习者的学习结果表现出较大差异。在知识水平维度，将进行速率划分为5个层次，即初学者、初级、中级、高级、非常高级，并在抽取单一知识点数据的基础上，将数据抽取过程拓展到多个层面（知识点、知识单元、课程等）。综合运用课程前、课程中及结果性的测试数据，以此为基础，在学习者进入学习系统前完成学习者知识模型的搭建，将学习者知识和高阶思维能力充分地展现出来。获取学习者知识水平的理想方法是在各系统间共享相关数据，例如，通过记录学习者的交互性行为（签到、答题等），完成个人学习数据库的建立[2]，确保及时获取学习者的学习数据（以掌握单一知识点情况为主），确保教学知识的高效衔接。考虑到现阶段学习者学习数据难以在不同在线学习平台间有效共享，需根据答题情况对学习者进行个人知识水平测定，包括知识点掌握情况、认知风格及特点等，并根据已获取的学习者交互数据，综合运用相关度及回归分析方法获取知识水平模型。

2.2  学习情绪建模

学习者的学习情绪主要表现在对学习的感受及体验方面，较高的情绪能够对学习者的学习积极性起到促进作用。学习者的学习情绪在一定的连续时间内会大致呈现出U型的变化趋势。因此，在“电子商务”的教学中，笔者充分考虑不同学习者的学习情绪，当其处于U型趋势底部时，通过创设惊奇等策略，来提高或激发学习者学习的兴趣和情绪。学习情绪的变化存在于各节课程内，学习情绪会对学习持续力及弃课率产生直接影响。因此，需通过数据挖掘技术，对后台数据库中的大量数据进行处理，及时掌握学习者的学习情绪变化，并据此采用有针对性的课程排列方式，动态更新、完善相关学习状态指标。

2.3  学习行为特征抽取

教师在在线学习过程中无法面对面地管理和调节学习行为及过程，由学习者自主安排学习活动、掌握学习进度，以致于产生不同学习行为及不同特征。学习者的学习效果需根据其具体的学习行为进行合理預测，网络环境下的学习者学习行为主要体现在个体学习行为（自主完成学习任务的行为，包括登录、阅读、视频播放、提交作业等）及社会学习行为（学习者维系线上社会性关系的行为，如在线讨论、协作学习等）上，学习行为范式通过抽象具有相同特征的学习行为获取。例如，布鲁克斯通过非监督机器学习技术的使用，实现了在线学习中学习者交互数据的获取，据此抽取了活跃型、早期型、及时型、最少活动型和延期型几种学习者行为范式，指出学习成绩的提高受活跃型影响较小。针对学习者图示化学习过程，吴忭等通过序列分析的开展发现取得好成绩的学习者通常具备的学习行为模式为“概念建构—假设提出—推理论证”。采用教育数据挖掘技术抽取在线学习行为特征需收集并记录学习资源的点击次数及顺序、学习时长等不存在于服务器日志中的数据，在此基础上抽离出学习行为的范式，并构建其同学习者的形成性及结果性评价间的关系[3]。

3    学习者模型下的数据挖掘策略

3.1  树立长期建模理念

在高度信息化的社会中，随着终身学习概念的深入，学习者的学习行为发生了显著改变，需对学习行为数据进行收集、分析和处理，以便准确地预测后续学习行为。根据学习者的学习内容及认知发展理论可知，不同阶段的学习者在学习内容等方面具有不同特点可以认知发展维度为依据完成学习者个性化模型的搭建，对学习者的学习内容进行划分，随着实际在线学习的深入可组合衍生出多种情况，学习过程中的学习内容及学习行为均会增加模型的维度。因此，在线学习的数据挖掘需基于长期建模的理念进行，不断丰富、完善学习者模型，提高预测精准度[3]。

3.2  扩大在线学习数据挖掘对象

针对“电子商务”在线学习的教育数据挖掘以服务器日志、课程及资源数据库、论坛信息等为主要对象，为更好地满足模型需求，需根据原始数据不断对学习者学习行为的新范式进行抽象处理，即需对形成这一范式的大量信息数据进行分析和深化处理，研究所需数据量的增加使数據挖掘对象（数据来源）得到丰富和拓展，针对在线学习数据挖掘过程，需不断拓展新技术，以便更好地顺应研究领域及层次的扩展和深入发展趋势。拓展数据挖掘对象需遵循与范式特点具有一定关联性的原则进行，以确保数据的分析效度及分析效率。

3.3  充分运用新的数据工具

为促进学科的发展及丰富学科内涵，作为交叉学科的在线学习数据挖掘需及时掌握技术发展趋势并对其进行充分运用。例如脑科学等技术的融入，随着眼动技术的不断发展和成熟，在微眼动参数（眼球位置、方向、幅度、频率、持续时间等）的识别和分析技术过程中，通过搜集和分析相关数据建立其同学习者注意、知觉间的联系，使用小波转换技术过滤数据中的奇异值（可供新的研究领域和研究视角）。综合了计算机所记录的知识、行为数据和生物数据的学习者模型可提供更有价值的信息，进一步拓展了在线学习数据挖掘领域，有效提高了信息数据处理能力及后期预测的精确度。

3.4  建立平台间的数据共享模式

目前在线学习平台呈多样化发展趋势，不同的在线学习平台具有不同的风格和专长，学习者从某一学习者模型较为成熟的在线学习平台更换到另一平台后，由于新平台尚未建立起对应的学习者模型，无法准确判断其知识水平、预测其学习行为，通过有偿或建立联盟等方式建立起不同平台间的数据共享（包括原生数据和学习者模型的共享）是解决这一难题的有效手段。平台间需在统一模型规范的基础上，选择共享学习者模型，实现数据共享[4]。

4    结语

在线学习模式在“电子商务”课程的理论及实践教学中发挥重要作用，作为在线学习研究的重点，构建学习者模型在提高在线教学质量及效率方面起到重要作用。本文针对在线学习系统，对学习者模型做出进一步扩充和完善，根据学习者知识水平、学习情绪及行为特征丰富教育数据挖掘策略，使在线学习系统更好地满足现代教育教学的发展需求。

[参考文献]

[1]曲智丽，张海，杨絮.当前流行教育数据挖掘与学习分析工具概览[J].中国信息技术教育，2019（6）：77-80.

[2]宋远方，冯绍雯，宋立丰.互联网平台大数据收集的瓶颈与区块链理念下的新发展路径探索[J].管理现代化，2018（3）：27-30.

[3]高学伟，付忠广，孙力，等.基于Hadoop分布式支持向量机球磨机大数据建模[J].河北大学学报（自然科学版），2017（3）：309-315.

[4]赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017（1）：62-69.

Abstract：With the rapid development of information education， online learning is widely used in all kinds of learning situations. Data mining technology provides a powerful support for obtaining valuable information hidden in massive data. Taking “Electronic Commerce” course teaching as an example， this paper studies the online learning mechanism based on educational data mining， and on the basis of expounding the present situation in the field of online learning data mining， constructs an online learner model， to provide reference for the improvement of online learning data mining function.

Key words：“Electronic Commerce”; online learning; data mining; learner modeling