基于过程挖掘的在线自主学习行为模式识别及干预实证研究

李月 姜强 赵蔚

[摘   要] 自主学习符合人类学习的本质，被赋予了从未有过的价值与使命，实现了自我驱动的学习行为。在线学习背景下，有必要挖掘学生自主学习行为模式，识别学生认知过程，寻找在线学习规律，解决自主学习能力薄弱问题。通过顺序分析和聚类分析算法，对论坛、测验、作业与评价和资源四类学习行为进行挖掘，分析高低成就学习者之间的在线自主学习行为模式差异。并基于模仿榜样理念，以高成就学习者的学习行为模式为策略，对低成就学习者进行干预。研究结果表明高低成就学习者在线自主学习行为模式存在显著差异，且高成就学习者的学习行为模式对低成就学习者具有指导作用，可为均衡化教学提供新思路与方法，缩小规模化教学与个性化教学的矛盾。

[关键词] 自主学习; 过程挖掘; 学习行为模式; 干预; 回溯行为

[中图分类号] G434            [文献标志码] A

[作者简介] 李月（1995—），女，安徽合肥人。博士研究生，主要从事大数据学习分析研究。E-mail：liy116@nenu.edu.cn。

一、引   言

在大规模教学背景下，自主学习已然成为一种常态化的学习方式。自主学习是培养创新和实践人才的迫切需要，在扎雷塔·哈蒙德的“文化响应式教学”中强调教师应引导学生从依赖他人转向自主学习[1]。《科学》（Science）中研究成果表明主动学习能够优化传统授课的学习效果[2]，《自然》（Nature）子刊中也研究了大规模在线课程中影响自主学习效果的因素[3]。国内学者庞维国教授认为学生应当具备自我驱动的学习动机，能够主动规划与学习相关的内容、策略和时间等[4]，黄荣怀教授等认为自主学习能力是核心素养的本质与关键点，培养自主学习能力是迈向未来教育的基本动力[5]，陈丽教授等认为自主学习能力对于成功的网络学习至关重要[6]，表明自主学习研究受到国内外学者的共同重视，具有重要科学研究意义。但因本源性障碍，在非监督学习环境下，一些学习者的自我学习意识与自主学习动机薄弱，注意力与求知欲不强，导致出现“学习迷航”[7]。因此，如何提升在线自主学习成效是亟待研究的课题。鉴于此，本文拟采用过程挖掘技术识别高低成就学习者的在线自主学习行为模式，剖析高低成就学习者的学习历程及知识内化过程。同时，基于模仿榜样效应，对低成就学习者实施教学干预，以期精准指导弱势学生，提高自主学习能力，实现规模化教学与个性化培养的有机结合，推动信息化时代教育变革的步伐，促进学习型社会的建成。

二、相关研究

（一）过程挖掘

过程挖掘是基于过程模型驱动方法和数据挖掘的新兴学科，它不仅充分利用存储在信息系统中的事件日志信息，还可以用于检查过程的一致性、检测瓶颈和预测执行问题[8]。常见的过程挖掘工具有基于Java语言编写的ProM（Process Mining）、专用于定量分析行为和时间事件的GEQS及微软公司为企业提供商业智能服务的有力工具SSAS（Microsoft SQL Server Analysis Services）等。过程挖掘能够分析事件序列并提供与之相关的指标，其主要目的是发现、监控和改进从这些过程生成的事件日志中提取知识的实际过程。过程模型是从实际执行或开发过程中获得的，因此能够提供关于实际发生事情的更多见解[9]。过程挖掘越来越多地应用于教育领域，尤其是在信息技术支持的学习和教学研究中。例如，Bannert等利用过程挖掘技术识别自主学习事件的过程模式，并通过分析个体自主学习活动的时间顺序，对比最成功和最不成功学习者的学习过程[10]。Juhaňák等使用过程挖掘技术识别和区分学习管理系统中与测验活动相关的不同类型的非标准学生行为，为学生在学习管理系统中的问答策略提供新的线索[11]。Maldonado-Mahauad等使用过程挖掘技术识别学习者在MOOC中最频繁的六种交互序列模式，并将这六种交互序列模式分别与一个或多个自我调节学习策略相匹配，确定了综合型、目标型和随机型三类学习群体[12]。

（二）自主学习

齐默曼等认为自主学习是以学生为学习的主体，通过学生主动使用和调节元认知、动机与行为，从而实现学习目标的过程[13]。元认知与学生的自主学习密切相关，是指学习者有意识地思考他们的认知并控制认知过程的能力;动机是指学习者的自我效能感和自主性，动机也与学习者的目标紧密联系，尤其是以掌握为导向的目标;行为是指能够激发学习者主动管理和组织学习的行为，与学习者为了优化学习环境而做出的决定和行动有关。班杜拉也将自主学习看作是受个体、行为和环境三要素协同作用的结果，具备自主学习能力的学习者能够战略性地调节行为和所处的学习环境[14]。如何在教学实践中提升学生的自主学习效果，也一直是研究者们共同感兴趣的教育问题。在线学习中，学习者根据自身学习偏好与策略，依据学习目标与内容等指导，完成系列的知识内化与生成等学习活动，所产生的海量数据能够生动刻画学习过程、再现学习者思维状态[15]，从而有助于辨析不同学习者之间的学习行为模式差异，为个性化干预自主学习提供指导。研究者们从多视角提出相关的理论与实践经验，刘红霞等将智能技术赋能自主学习的发展，以充分调动学习者认知、情感、行为等多因素参与[16];李士平等基于学习分析，建立元认知与自主学习行为间的关联关系，结果表明，根据学习者的网络自主学習行为能够推测学习者的元认知情况[17]。也有研究发现，通过课程的学习者与未通过课程的学习者之间具有不同的学习行为路径特征;Beemt等的研究表明，成功的学生者表现出更稳定的学习行为，这种行为与定期、分批观看连续的课程视频密切相关[18]。

三、在线自主学习行为模式挖掘框架

本研究主要通过数据采集、数据处理、过程挖掘和知识表示四个过程，对学习者的在线自主学习行为模式进行挖掘与分析，具体挖掘框架如图1所示。（1）数据收集：网络能够捕捉学习者的隐性学习行为，折射学习者的真实思维和行为之间的逻辑关系[19]。在线学习行为数据的收集是研究的基石，本研究基于Moodle平台开展，Moodle平台会自动记录存储学习者的在线学习日志，其中包括时间戳、用户名、事件名称等数据，有助于笔者获取有关学习行为模式的必需数据。（2）数据处理：Moodle平台中记录的学习者日志数据是详尽但冗余的，研究者需要根据自身研究需求对这些数据进行清洗和筛选。剔除疑似错误异常的样本，过滤重复、无效行为。处理后的数据有助于更有针对性地挖掘在线学习行为模式，以及发现学习者的在线学习规律。（3）过程挖掘：目前过程挖掘的算法有很多，例如基于Petri网模型的挖掘算法、启发式网络挖掘算法、基于模糊理论的挖掘算法等。本研究使用的Microsoft顺序分析和聚类分析算法，它是一种结合了聚类和Markov链的混合算法，该算法的重要特征是使用顺序数据，能够通过执行聚类分析来查找相似的顺序序列（如学习者在浏览网站时的点击流分析），使用概率性方法来确定某个数据点存在于某个分类中的概率[20]。（4）知识表示：将挖掘到的自主学习行为模式采用可视化的方式直观呈现给用户，便于后续深入地分析。

四、基于过程挖掘的在线自主学习行为模式识别

（一）研究对象

以“数据库应用”课程为依托，选取东北某高校教育技术学专业的51名大一年级学生为实验对象，实施为期8周的实验。依据教学大纲设计了8个课程单元，每周完成一个课程单元的教学，并分别在课程第四周和第八周组织一次阶段测试。其中，学生在线学习活动主要包括学习教学课件、观看教学视频、提交作业等。课程评价采用阶段测试与平时任务得分相结合的方式，各占比50%，总分为100分。为了最小化对学生在线自主学习行为的干扰，学习者的在线表现不计入评价标准。

（二）在线学习行为编码

为了更深入地理解学生学习行为之间的内在关联，本研究加入在线学习行为中的回溯行为。回溯是指个体处理问题的过程中对已有知识的决策、回顾和应用，体现学生学习的反思过程，是批判思维和元认知的表现。它不仅能够对学习行为进行更为细致的划分，还能够更准确地重现学生在学习历程中的认知变化。在本研究中，回溯行为主要是指学习者对以往章节内容的回顾。本文源自论坛（Forum）、测验（Test）、作业与评价（Assignment）和资源（Resource）四类信息，根据回溯行为将其细分为28种在线学习行为，见表1。其中，除论坛中的学习行为无回溯记录外，其他三个模块中都存在回溯行为，例如编码“A1-1”表示查看先前章的学习任务，编码“R1-1”表示观看先前章的视频。

（三）数据统计与处理

研究的前四周是教学观察周，共收集学生在线自主学习行为数据10887条。对数据进行清洗筛选，过滤由于学习者误操作产生的重复、无效行为，并对学生行为进行编码和排序。将处理好的数据导入SSAS软件中，进行顺序分析与聚类分析，测试集为30%，定型集为70%。顺序分析与聚类分析算法依据顺序中包含类似路径的案例，将学习行为模式相似的学习者划分为两类，案例是指学习者在某个连续时间内完成的学习活动。依据两类学习者的成绩属性对其进行命名，其中，分类1平均成绩为43.48，标准差为14.87，属于低成就者;分类2平均成绩为71.12，标准差为11.47，属于高成就者。

（四）高低成就者在线自主学习行为模式差异分析

本文根据Microsoft顺序分析和聚类分析算法，挖掘并绘制高低成就者的自主学习行为模式图（如图2、3所示），为了便于后续的分析，除开始路径外，研究只保留发生频率更高、在学习过程中具有研究意义的行为与行为转换。其中箭头代表自主学习行为的方向，数值代表两个行为间跳转的概率，数值越高则代表该行为路径发生概率越大，灰色方框代表学习者回顾已有知识的回溯行为。

从整体上看，高低成就学习者的自主学习行为模式之间存在显著差异。高成就者表现出更为结构化的学习行为序列，学习行为间的意义连接更为紧密，而低成就者则表现出更加无序的学习行为序列与学习行为间的弱逻辑性。高成就者在开始自主学习时的路径较为单一，大多是从“浏览当前章的课件（R2）”（发生概率为0.66）开始。而低成就者开始时的路径则出现多种可能，反映了低成就者在线自主学习开始时的迷茫感;其中，最大概率出现的学习行为是“查看先前章的学习任务（A1-1）”（发生概率为0.40），反映出低成就者的自主学习存在延时性，可能与其学习积极性不高和拖延习惯等有关。下面将主要从资源、测验、论坛、任务与评价四个模块分别对高低成就者的学习行为模式差异进行分析与阐述。

在资源模块中，高成就者存在“浏览当前章的课件（R2）→查看当前章的学习任务（A1）”（发生概率为0.40）和“浏览当前章的课件（R2）→尝试当前章的测验（T1）”（发生概率为0.18）两種路径转换，而低成就者仅存在“浏览当前章的课件（R2）→查看当前章的学习任务（A1）”（发生概率为0.38）一种路径转换，这表明低成就者获取知识的目的是为了完成课程任务，而高成就者会运用多种精细加工策略进行深层次的信息处理，从而将知识内化吸收。

在测验模块中，低成就者从“查看先前章的试答简报（T3-1）”跳转到“提交先前章的测验（T4-1）”的概率为0.78，表明低成就者在答题的过程中有22%的可能性跳转到其他模块寻求帮助，以获得更高的测验分数。而高成就者在测验模块主要表现出两方面差异：其一，在完成测验的过程中更专注、更自觉，完全依照从“尝试当前章的测验（T1）”到“查看当前章的答题情况（T5）”的顺序完成答题（其间跳转概率均为1.00），说明即使在无人监控的情况下，高成就者仍可以诚信对待测试;其二，“查看先前章的答题情况（T5-1）→浏览先前章的课件（R2-1）”和“查看先前章的答题情况（T5-1）→观看先前章的视频（R1-1）”的路径转换表明，高成就者在答题过程中遇到困难，会在完成答题后及时通过观看视频等方式解决学习过程中的困惑，表明高成就者是真正地将自测题当作对自身知识掌握的一种考验，而不仅仅将其当作一个任务来完成。可见，高成就者在进行测验的前后表现出更为明显的认知行为，学习策略也更为多样化，而低成就者仅关注测验的分数，缺失准备和反思环节。

在论坛模块中，高成就者表现得更为积极，乐意主动发表自己的观点;而低成就者的行为主要集中在“查看讨论区（F1）”和“查看帖子（F2）”。与已有研究一致，虽然低成就者可能在课程中遇到了困难，但他们依然很少使用论坛求助[21]。值得关注的是，在高成就者的自主学习行为模式中，回帖行为比发帖行为更显著，可能是因为他们在学习过程中碰到的挫折更少，并且愿意主动为同伴解答困惑。低成就者由于自身知识基础和认知的局限，往往羞于在论坛中发表自己的疑问与观点。

在任务与评价模块中，“上传先前章的作业（A3-1）”与“提交先前章的作业（A4-1）”被认为是不利于学习的拖延行为。可以看出，高成就者没有出现迟交作业的情况，而低成就者则会时常迟交作业。有研究指出，时间管理、自我效能、学习动机等因素都可能会影响学习者的拖延行为[22]。总的来说，高成就者的学习目标更为明确，学习行为模式中包含更多有意义的连接，适合作为干预策略指导低成就者开展有序学习，利于将外部动机作用转化为内部动机作用，激发和培养正确的学习动机有利于学生关注学习任务本身，推进深度学习。

五、低成就者干预效果实证分析

心理学家班杜拉模仿理论提出学习即模仿。个体通过审视他人在特定环境中的表现及其所接受的强化，并将其示范行为作为媒介进行模仿，从而完成学习。通常，学习者倾向于与他们所认为的相似的人进行比较。例如，学习者会根据同伴的表现或者自己的学习经历进行社会比较[23]。与优秀的同伴进行比较时，正向的社会比较可以诱发学生的学习动力，改善其行为表现，对学生的学业成绩产生好的影响[24]。因此，本研究基于上述研究成果和模仿榜样理念，对低成就者进行干预，旨在探究高成就学习者的学习行为模式对低成就学习者的指导效果。

（一）干预设计

本研究的干预对象是第一次阶段测验中成绩低于60分的学习者，他们存在可能无法通过课程的学业危机，需要及时进行教学干预。学习习惯的可塑性是进行干预的前提，行为心理学的研究表明，一个习惯的形成至少需要三周以上的行为重复[25]，依据课程安排，研究的干预周期设置为四周。在干预开始前，教师向学习者提供两条可供选择的自主学习行为模式，其中一条为综合型自主学习行为模式（即高成就学习者的学习行为模式），另一条为针对型自主学习行为模式，如图4所示。综合型学习行为模式具备高成就学习者的学习行为模式特点，适合想要全面、深层次掌握学习内容的学习者，针对型学习行为模式适合想要快速完成学习任务的学习者，两种学习行为模式所使用的学习资源相同。而学习者事先并不知道哪种学习行为模式为高成就学习者的学习行为模式，学习者可根据学习行为模式描述和自身需求进行选择。教师将依据学习者选择的学习行为模式对其进行干预，其中有10人选择了综合型学习行为模式，14人选择了针对型学习行为模式。

（二）干预过程

在干预过程中，低成就者预先选择的自主学习行为模式被用作指导干预的依据，干预过程会对低成就者的在线学习表现产生影响，教师依据目标学习行为模式与实际学习行为模式之间的差距，不断调整干预策略、修正干预过程，从而提高目标学习行为模式的发生概率，如图5所示。具体干预过程分为四个阶段，（1）引起注意：示范行为越清晰，学习者就越容易注意到。教师根据预先选择的自主学习行为模式对低成就学习者进行干预示范训练，并详细解释这些学习行为模式背后的教育内涵。（2）示范保持：如果学习者记不住示范行为，示范也就失去了意义，因此可以将示范行为以符号的形式表象化。在干预示范结束后，教师在Moodle平台中上传学习行为模式干预的文字稿，以便学习者随时查看、记忆，以指导其行为。（3）行为再生：在教师的干预示范后，学生在自主学习中尝试再现教师的示范行为，教师可以根据Moodle平台记录的日志信息实时掌控学生的学习行为动态，及时监察并给予反馈，不断地调节和修正学习者行为，使之趋近于教师演示的行为。（4）动机强化：班杜拉认为，外部强化、自我强化和替代性强化是制约再现行为的重要驱动力。在学习者正确再现示范行为后，教师可以对学习者提出积极的表扬，以激励学习者经常表现出示范行为。

（三）干预成绩分析

在课程的第八周进行了第二次测验，并对干预前后的成绩进行了配对样本t检验。第一次阶段测验中的24名低成就者在经过干预后，平均成绩从40.29（标准差为13.474）提升到了53.29（标准差为22.726），存在显著性差异（p=0.002<0.01），说明对低成就者的在线自主学习行为模式进行干预能够提高其学业成绩。为了检验高成就学习者的学习行为模式对低成就者的指导效果，对选择不同学习行为模式的两组学习者进行独立样本t检验。结果表明，在干预前，选择综合型学习行为模式的学习者成绩均值为38.70，选择针对型学习行为模式的学习者成绩均值为41.43，二者之间不存在显著性差异（Sig.=0.643>0.05）;在干预后，选择综合型学习行为模式的学习者成绩均值为64.30（提升25.60分），选择针对型学习行为模式的学习者成绩均值为45.43（提升4.00分），二者之间存在显著性差异（Sig.=0.007<0.05）。这表明高成就学习者的在线自主学习行为模式对低成就学习者具有更好的指导作用，其行为背后蕴含的内在逻辑能够促进低成就者对学业知识进行深度加工与反思，从而提升在线学习效果。总的来说，在干预后有19名学习者的成绩得到了不同程度的提升，如图6所示。其中5名学习者的学业成绩达到了80分以上，但也有5名学习者的成绩没有得到改善。数据库应用是一门注重理论与实践融会贯通的课程，部分学生需要经过一段时间的学习与调整，才能适应课程内容，找到适合自己的学习步调。在这个适应过程中，学习者的先验知识、自我效能感、学习动机和付出的努力等共同起到了决定性作用。

（四）干预效果调查分析

本文采用Likert量表设计问卷（非常同意到非常不同意，依次用5-1分表示），包括在线学习的学习效果、积极性、学习动机以及体验感四个方面（Cronbachs α=0.803），对干预后的学生进行了问卷调查和访谈，结果见表2。

从问卷结果可以看出，与实证结果相似，多数学生对干预后的学习效果持较为肯定的态度，认为对学习行为模式进行干预提高了他们在线学习的效果，占比达到70.83%（同意与非常同意之和）。分别有66.67%和75%的学习者认为对在线学习行为模式进行干预，提升了自己学习的积极性和学习动机，愿意主动按照教师提供的在线学习行为模式进行学习，并且其学习动机出现了由外部动机潜移默化转变为内部动机的趋势。同时，有77.78%的学习者认为学习行为模式干预减少了在线学习的茫然感，让原本无助的学习变得自如，愿意继续按照干预后的学习行为模式进行自主学习。

此外，在访谈中，学习者A（选择针对型学习行为模式）表示，“我觉得在在线学习中提供可参考的学习行为模式能够为我指明学习的方向，按照教师提供的路径走，心里也比较有底”。学习者B（选择综合型学习行为模式）认为，“自己之前害怕得低分，所以做自测题的过程中会中途寻找答案，但回答过就忘了，现在要连续的完成自测题，我只能在测试之前作好复习，不知不觉地提高了自己对知识点的记忆”。学习者C（选择综合型学习行为模式）提到，“自己之前一直很害怕在讨论区发言，害怕提的问题太简单或者没有人回复我会很尴尬，但在干预后，我在教師的鼓励下迈出了这一步，发现没我想的那么复杂，同学们都很乐于回答我的问题，及时地解决了我的困惑，之后我会更积极地在讨论区发言的”。总之，大多数学生表示提供学习行为模式干预能够给予他们方向与信心，减少迷茫感、无力感，省去许多摸索的时间，提高在线学习成绩。

六、結   语

培养学习者的自主发展、自我管理能力，是促进学习者全面发展、终身发展的有效途径。成功不能复制，但为学习者提供可参考的在线自主学习行为模式，可以协助学习者在自主学习中减少迷茫与无助感，也可以帮助学生获得更高的学业成就。本文采用过程挖掘方法，分析高低成就学习者在线自主学习行为模式的差异及高成就者的学习行为模式对低成就学习者的干预影响。研究结果显示：（1）高成就学习者的在线自主学习行为模式更清晰，行为之间的意义连接更为紧密，而低成就学习者则表现更加无序与茫然。（2）高成就者的学习内在动机更为强烈，善于主动地运用认知策略去深层加工信息、内化新知，而低成就者的学习行为主要受外在动机驱动，停留在对信息的浅层处理与应用上。（3）高成就学习者在答题的过程中更加专注，他们在测验结束后会及时回顾资源，进一步巩固知识、重构知识体系，体现了知识吸收与内化的过程，符合自主学习的内生逻辑。同时，利用榜样效应，采用实证研究发现高成就学习者的在线自主学习行为模式对低成就学生具有更好的指导作用，低成就学生的学习动机在干预中逐渐明晰，其认知加工和自我评估等高阶能力得到不断发展。在线自主学习中，为学习困难者提供高成就者的学习行为模式，发挥榜样效应，能够帮助其进行更有效的自主学习，培养自主探究学习能力，为精准个性化学习提供理论依据，促进规模化教育与个性化培养的有机融合。在下一步研究中，将开展基于时间多尺度的行为模式挖掘，对比分析不同时间段学习者的学习行为模式差异，并探索其与学习者学业成绩间的内在联系，以期为多维度剖析学习过程和个性化干预提供帮助。

[参考文献]

[1] HAMMOND Z. Culturally responsive teaching and the brain： promoting authentic engagement and rigor among culturally and linguistically diverse students[M]. California： Corwin Press， 2014.

[2] MCCARTNEY M. Active learning： the twilight of Chem 101？[J]. Science， 2014， 344（6189）： 1239-1240.

[3] CARVALHO P F， SANA F， YAN V X. Self-regulated spacing in a massive open online course is related to better learning[J]. Npj science of learning， 2020， 5（1）： 1-7.

[4] 庞维国. 论学生的自主学习[J].华东师范大学学报（教育科学版），2001（2）：78-83.

[5] 黄荣怀，汪燕，王欢欢，逯行，高博俊.未来教育之教学新形态：弹性教学与主动学习[J].现代远程教育研究，2020，32（3）：3-14.

[6] 赵宏，陈丽.远程学习者自主学习能力培养方法研究[J].电化教育研究，2012，33（10）：56-63.

[7] 姜强，潘星竹，赵蔚，刘红霞. 网络学习空间中教师激励风格对学习投入的影响研究——SDT中内部动机的中介效应[J].中国电化教育，2018（9）：7-16.

[8] AALST W M P V D. Process mining： discovery， conformance and enhancement of business processes[M]. Berlin： Springer Publishing Company， 2011.

[9] RODR？魱GUEZ M C， NISTAL M L， FONTE F A M， et al. Exploring the application of process mining to support self-regulated learning： an initial analysis with video lectures[C]//Global engineering education conference. Tenerife： IEEE， 2018： 1766-1774.

[10] BANNERT M， REIMANN P， SONNENBERG C， et al. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[11] JUHANAK L， ZOUNEK J， ROHLIKOVA L， et al. Using process mining to analyze students' quiz-taking behavior patterns in a learning management system[J]. Computers in human behavior， 2017， 92（3）： 496-506.

[12] MALDONADO-MAHAUAD J， P？魪REZ-SANAGUST？魱N M， KIZILCEC R F， et al. Mining theory-based patterns from Big data： identifying self-regulated learning strategies in Massive Open Online Courses[J]. Computers in human behavior， 2018， 80（3）： 179-196.

[13] SCHUNK D H， ZIMMERMAN B J. Self-Regulation of learning and performance： issues and educational applications[M]. New Jersey： Lawrence Erlbaum Associates， 1994.

[14] BANDURA A. Social foundations of thought and action： a social cognitive theory[M]. New Jersey： Prentice Hall， 1986.

[15] 菅保霞，姜強，赵蔚.基于全脑模型的在线学习者学习行为序列分析[J].现代教育技术，2020，30（1）：107-113.

[16] 刘红霞，李士平，姜强，赵蔚.智能技术赋能自我调节学习的内涵转型、制约瓶颈与发展路径[J].远程教育杂志，2020，38（4）：105-112.

[17] 李士平，赵蔚，刘红霞，刘东亮，刘凤娟.数据表征元认知：基于学习分析的网络自主学习行为研究[J].电化教育研究，2017，38（3）：41-47.

[18] BEEMT A V D， BUIJS J， AALST W V D. Analysing structured learning behaviour in Massive Open Online Courses （MOOCs）： an approach based on process mining and clustering[J]. The international review of research in open and distributed learning， 2018， 19（5）： 38-60.

[19] 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，2014，20（2）：102-110.

[20] DUNCAN O ， SHERER T. Microsoft sequence clustering algorithm[EB/OL].（2018-08-05）[2020-07-29]. https：//docs.microsoft.com/en-us/analysis-services/data-mining/microsoft-sequence-clustering-algorithm？view=asallproducts-allversions.

[21] CONIJN R， BEEMT A V D， CUIJPERS P. Predicting student performance in a blended MOOC[J]. Journal of computer assisted learning， 2018， 34（5）： 615-628.

[22] 杨雪，姜强，赵蔚，李勇帆，李松.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，2017，38（7）：51-57.

[23] DELAVAL M， MICHINOV N， BOHEC O L， et al. How can students' academic performance in statistics be improved？ Testing the influence of social and temporal-self comparison feedback in a web-based training environment[J]. Interactive learning environments， 2017， 25（1）：35-47.

[24] KOLL？魻FFEL B， JONG T D. Can performance feedback during instruction boost knowledge acquisition？ Contrasting criterion-based and social comparison feedback[J]. Interactive learning environments， 2016， 24（7）： 1428-1438.

[25] 殷宝媛，武法提.学习习惯在线干预的原理与模型设计[J].电化教育研究，2019，40（12）：72-79.

An Empirical Study on Online Self-regulated Learning Behavior Pattern Recognition and Intervention Based on Process Mining

LI Yue，  JIANG Qiang，  ZHAO Wei

（School of Information Science and Technology， Northeast Normal University， Changchun Jilin 130117）

[Abstract] Self-regulated learning conforms to the nature of human learning， and is endowed with unprecedented values and missions， thus realizing self-driven learning behavior. In the context of online learning， it is necessary to mine the behavior patterns of students' self-regulated learning， identify learners' cognitive processes， find online learning rules， and solve the problem of weak ability of autonomous learning. Through sequential analysis and cluster analysis algorithm， this paper excavates four types of learning behaviors （ forums， quizzes， assignments and assessments and resources） and analyzes the differences in online self-regulated learning behavior patterns between high- and low- achievement learners. Based on the idea of imitating the example， this paper takes the learning behavior patterns of high-achievement learners as the strategy to intervene the low-achievement learners. The results show that there are significant differences in the online self-regulated learning behavior patterns of high- and low-achievement learners. And the learning behavior patterns of high-achievement learners have a guiding role for low-achievement learners， which can provide new ideas and methods for balanced teaching and reduce the contradiction between large-scale learning and personalized learning.

[Keywords] Self-regulated Learning; Process Mining; Learning Behavior Patterns; Intervention; Retrospective Behavior