教育大数据背景下学生网络学习行为机制研究

李春艳

摘要：目前随着网络学习平台的不断兴起，针对学习者各种学习行为，平台对相关数据信息的收集、整理、分析和利用，使之能够为学生提供多元化的学习服务，已经成为教育大数据背景下网络学习崭新的发展方向。本文在对网络学习者的各种学习分析的基础上，记录不同学习者的各项不同学习数据，为网络学习者提供具有个性化的学习平台提供帮助。教育者根据各种学习数据动态调整教学的内容、时间、方法等因素进行干预式教学，增强学生的学习效率，真正实现“为了学生发展”的教学目的，优化学习过程，提供个性化的服务，做到因材施教。

关键词：教育大数据;学习行为机制;成绩预测;学习者行为特征

中图分类号：G642        文献标识码：A

文章编号：1009-3044（2021）20-0041-02

大数据时代为我国的高等教育变革提供了全新的机会，教育部对构建和发展在线教育作为目前高等教育变革的主要方向，并作为有效提升教育质量和国际知名度的重大策略。早在2015年出台的政府工作报告中指明了相关的政策方向，随后又对各项规章制度进行了详细的规划，将许多信息方面的关键技术作为攻关项目，进一步加强和完善了大数据产业服务链，促进生态体系平衡，强化大数据平台标准体系构建和质量技术组建。教育者构建多元、全过程、全要素的学习行为分析，需要改革传统的学习习惯和学业评价方式，充分利用各种先进的信息方法，探究以网络教学平台为背景，基于学生学习行为、认知建构、情感认知、思维习惯等多场景信息数据，实现教学相对的精准化学习分析和干预方式。

1 信息时代的学习行为研究现状

目前教育领域正在逐步地将大数据相关理论和策略进行大面积的推广和普及，并成为国家教育研究的科研性话题。伴随着对国内外大数据组件和应用现状进行研究的互联网时代，大数据分析和相关技术受到了全国各大院校的推广，能够根据受教育者的实际需求配备个性化的教育体系、综合评估教育工作者的综合素质以及课堂教学水平，由此能够使教学人员根据学生的综合评估结果，改变教学方法，完善教学教程，从而使课堂教学更具实效性。

各种成熟的在线学习平台的出现，极大地促进了在线学习的普及，学生学习行为分析也越来越受到国内外研究者以及教育工作者的重視。教育者通过学生的各种行为数据，来逐渐改善学习机制，成为目前新兴的教育研究项目。对于学习行为的分析表现在以下几个方面：对不同领域的数据信息来源进行整理重组;研究数据的作用和价值;对受教育者的学习行为进行分析;利用数据进行信息预测。

2 数据驱动的精准化学习行为机制

教育大数据分析通过多方位的思维方式，从多个领域和渠道挖掘最有价值的信息，对受教育者在学习过程中的微观表现进行综合分析整理，对潜在的学习行为模式加以引导运用。大数据的收集将目前的教学平台作为研究对象，通过搜索海量的数据进行分析整理，将受教育者的在线行为通过大数据进行搜索，并进行跟踪记录，通过可视化的方式，随时掌控学习者的学习习惯以及行为需求，组建个性化的学习模式，同时，能够再现学习者的学习轨迹，通过数据分析为学习者创造个性化的学习模式。具体包括：

（1）基于大数据的个性化自适应学习过程构建

通过组建具有个性化的学习模型，然后为学习者提供适合的学习方式和途径，同时在教师的引导和帮助下，根据学习者自身的行为特点和学习需求，制定个性化的指导方案，干预学习者的学习行为。因此基于大数据的个性化自适应学习还需要考虑到学习者的各种学习信息，为以后的模型构建和数据分析打下基础。具体包括以下方面：

①学习者行为特征分析

选择学习者群体，了解学习者的学习动机、学习类别、教育背景、性别和年纪等相关信息进行收集。

②典型学习行为选取

在充分了解学习者的学习动机以及学习状态的情况下，对学习者的学习效果进行分析研究，并捕捉学习者的学习行为、学习时间，对知识的摄取量以及在学习讲坛的各种表现行为等，作为分析的依据，从而对学习者的成绩进行提前预测。

（2）个性化自适应在线学习分析模型建构

大数据学习平台能够满足学习者个性化的学习需求，并以此为结构基础，从获取的海量数据中整理出符合学习者个性化学习方案的信息内容，完成模型构建。具体包括以下方面：

①数据与环境

考虑数据环境的构建。以网络教学平台为研究对象，搜集线上学习者之间以及学习者与教师之间生成的大量有价值的数据信息并进行整理分析，并将这些数据作为预测、学习干预等学习模式的主要依据。

②相关者

相关者对象的划分是根据不同的作用来进行区分的。其中包括学生、教师以及研究学者和设计师等相关人员，而对于学生样本主要体现在自组织学习方面的内容;同样对于教师来说，根据大数据获取的学习者综合信息进行教学策略的调整，同时根据不同学习者的学习特点、性格、爱好等，推荐多元化的学习资源和途径;对于学校管理者样本而言，考虑如何分析潜在危险的学生发出警告并实施干预，改善学生期末考试的成绩、平时的出勤率、辍学率、升学率等。

③方法

为了能够详细地对学习者的学习特点，学习行为进行综合的跟踪记录，从而能够为不同基础和类型的学习者创造多元化的学习模式，需要使用各种分析方法，通过进一步分析学习交互行为，提炼出有价值信息。

（3）相关算法框架研究

目前对于逻辑斯谛回归算法研究，主要是根据学习者的学习行为所产生的学习记录数据进行综合的分析处理、预测函数和分析损失函数、获得优化的求解算法：

根据此函数进行扩展，研究学习者获得证书的概率。

该流程框架涵盖了学习者的行为板块、分析模块、行为预测等模块。将学习者在日常学习平台中的学习状况、目标内容、学习时间、以及互动行为等数据进行整理和分析;学习行为模块是对学习者在学习过程中产生的行为和学习效率进行综合的分析;学习预测分析主要是通过聚类分析作为学习者的预测分析依据。