基于学习者行为分析的智能学习平台的设计

万浩　李林　钟一　董昕　梁艳

近年来，随着计算机技术的飞速发展，网络学习平台不断涌现，但对学习者行为特征的关注较少。该文重点研究网络学习平台的智能化，即基于答题速度、答题正确率等因素跟踪、记录、分析学习者在学习期间的行为。平台以在线答题学习为基础功能，辅以错题收藏、人工帮助等功能，通过“PK练习”增强学习的趣味性，跟踪并记录用户学习行为数据，及时反馈学习者学习效果数据，进而预测并个性化的推荐下一阶段的学习任务。用户测试和研究结果表明，学习平台的运用对提高学习者学习效率具有良好的促进作用。

小程序  智能学习平台  学习者行为分析  个性化推荐

中图分类号：G43  文献标识码：A   文章编号：1672-3791（2022）02（b）-0000-00

Design of Intelligent Learning Platform Based on Learner Behavior Analysis

 In recent years， with the rapid development of computer technology， online learning platforms continue to emerge， but less attention to learner behavior characteristics. This paper focuses on the intellectualization of network learning platform， that is， tracking， recording and analyzing learners' behaviors during learning based on the speed and accuracy of answers. The platform takes online answer learning as the basic function， supplemented by the wrong question collection， manual help and other functions， enhances the fun of learning through "PK practice"， tracks and records the user learning behavior data， timely feedback the learning effect data， and then predicts and personalized recommendation of the next stage of learning tasks. The results of user test and research show that the application of learning platform has a good promotion effect on improving learners' learning efficiency.

Small program; Intelligent learning platform; Learner behavior analysis; Personalized recommendation

计算机技术的飞速发展让高效率、高品质的网络学习成为可能，人们的学习观念以及学习模式发生了改变，传统的网络学习模式已经不能满足学习者的需求。网络学习者在线学习期间的行为活动迫切需要被跟踪、记录和分析，并最终在反馈策略的指导下根据分析结果改变学习流程和学习方式。

学习行为的研究大多是对课堂学习行为的研究调查，以线上学习者行为数据为基础的研究实例较少。以网络学习数据访问量、学习者行为跟踪数据为基础进行分析，能够获取最真实有效的行为数据，具有很高的实践指导价值。研究表明，學习者的情感、学习行为、认知能力与学习成绩存在一定的关系，但文献未对各种影响因素的相关性做出量化的深入研究。设计个性化的学习流程，提取有效的学习行为成为研究热点。

实践上，基于学习者行为分析的智能学习平台的开发具有很好的现实意义。平台不仅满足了学习者个性化的学习需求，也以最优的学习过程和模式激发了学习者的参与度，提高了学习效率。理论上，学习者行为数据的细粒度记录和学习影响因素的分析对学习者行为分析理论的研究具有一定的参考价值。此外，学习行为跟踪、预测和推荐算法的研究，对于构建有效的自适应学习过程模式有一定促进作用。

平台综合多维数据分析用户特征，对学习者最近的学习行为做出智能反馈。一方面，综合用户的做题时间和做题时间段、做题正确率、知识点得分率、题型正确率，进行多维分析，形成多种数据分析图表，并根据数据向用户推荐更适合练习的题单。另一方面，通过跟踪学习者学习行为数据，利用一系列算法（如多维分析、预测、聚类等）为用户反馈学习成果，并对用户下一阶段的学习任务做智能推荐。借此，平台可以灵活地为用户拟定个性化学习过程，提高学习者的学习效率。

在用户功能设计上，用户还可以通过与其他用户进行在线PK的方式来检测自己对相关知识的掌握情况。通过具有趣味性的游戏来加深自身对知识点的掌握，提高学习者的学习兴趣。在数据结构构建上，平台采用有向图数据结构对具有联系的题目进行拓扑连接，有向图的数据结构具备杰出的易维护性、可扩展性，便于后期维护。

该平台采用Spring Boot和Spring Cloud两种主流的微服务、分布式架构搭建，Web界面以Vue.js框架为基础，数据层采用Mybatis框架。平台提供开始做题、PK练习、智能分析、排行榜、历史记录和人工帮助等服务。小程序主页如图1所示。

用户可以按照自身的需求选择相应的测试科目，通过作答整套題目测试自己的综合能力。做题时，通过使用答题卡检查并回看答题结果;提交试卷后，答题卡将显示总体答题情况，点击单题，会出现对应题目的答案和解析过程。

为增加用户学习趣味性，特设计“PK练习”功能。此功能帮助用户在与其他用户实时PK的过程中检验自己知识的熟练度。让用户在玩游戏的过程中利用竞争精神学习知识、巩固知识。平台基于用户对战的综合成绩、做题速度、答题正确率、答题数量等信息进行排序，形成“排行榜”，以此来激发用户学习的主动性和积极性。

“智能分析”功能即对用户作答行为进行数据综合统计与分析。用户可查看套题得分信息，不同类型题目的熟练程度、得分百分比等，及时掌握自己的学习效果和不足之处。

平台使用机器人模型库实现智能机器人问答服务，运用Elasticsearch全文检索技术、WebMagic爬虫和定时任务技术，完成基本知识信息的全文检索、实时数据获取和更新。另外，平台会对用户问题及提问习惯进行分析和记录，实现模型库自训，以提供更好的服务。

平台综合运用学习行为数据分析算法、学习预测算法和智能推荐算法，实现对学习者行为数据的跟踪、搜集、分析和加工，以更好地反馈学习效果并推荐题单。

3.1 学习行为数据分析算法

利用多维分解的思想将用户的学习行为拆分为点击各个选项次数、每道题所花费的时间、题型正确率等数据。每个用户看成一个样本点，数据类似的用户聚集成为一个样本集。根据聚类算法得出样本集的聚类中心，作为此样本集的最终参考值。样本集的个数与类似率的关系，如图2所示，横轴X代表样本集中样本点的数目，纵轴代表类似率，类似率=真实值/理论值。

在这种算法下，不仅将用户各个角度的学习操作数据记录在平台上，而且在进行数据聚类分析时，可以将个人数据的耦合性降到最低，使最终的数据更接近于理想值。

3.2 预测算法

采用线性回归预测学习成果，将分析后的学习行为数据包作为轴，学习成果数据包作为y轴，通过绘制（，）的散点图的方式，分析和之间的线性关系，寻找一条穿过这些散点的直线，让所有的点离直线的距离最短。学习者在平台上的行为和其取得的成绩之间的关系，如图3所示。

利用最小二乘法解得到其参数。其中，代表第个数据点的预测值，对应直线的纵轴值。变量代表对应数据点的真实值。最小二乘法通过求偏导数的方法让误差平方和取得最小值时所对应回归模型的参数，由此得到我们需要的线性回归模型。利用最小二乘法跟踪真实值和预测值的差距，以便系统做出相应的调整。

在这种预测算法下，系统可以提前预测用户的学习成果，便于系统更早做出反馈响应，提高用户的学习效率。

3.3 智能推荐算法

智能推荐算法是将一系列具有联系的题目构建有向图拓扑结构的过程。有向图中每个节点（即每道题）均有三个元素，分别是知识点的内容、出度、入度，利用出度和入度将题目进行衔接。最终，形成一张图，而这张图呈现在用户面前即为一套组卷。最终，将混乱的知识点糅合成持续的强相干知识点。

利用这种算法向用户个性化地推荐题目，题单内题目是具有紧密关联关系的知识点。这样更有助于用户对相关知识点的巩固。

4 结语

该智能学习平台提供智能组卷、单题推荐、PK练习、错题本和收藏本、学习行为分析及人工帮助等功能。经部分用户的体验和测试，软件基本功能使用正常。研究发现，对学习者行为的分析可以逐步分解为对多维数据的独立分析和交叉分析的综合体。而题目的相关性则可以通过特殊的数据结构相互关联形成图，最后凭借对学习者行为分析的结果与题目形成的图来智能推送题目，实现个性化学习推荐。另外，学习者行为分析的结果还是PK练习匹配适当对手、增加学习兴趣的基础。

[1] 张燕. 网络学习行为分析与个性化学习平台模型构建[D].西安：西安电子科技大学，2015.

[2] 谭召，鲁雁，武斌.在线学习平台设计与学习行为分析[J].信息与电脑：理论版，2018（8）：118-120.

[3] 秦世名.面向在线学习行为分析的学习效果预测方法研究[D].武汉：华中师范大学，2019.

[4] 元帅，邹军华，刘丹.基于网络学习平台的在线学习行为分析与评价[J].中国教育技术装备，2013（15）：27-28.

[5] 徐岸峰，杨仲基，王波.基于智慧教育平台大数据的学生学习行为分析[J].高教学刊，2020（22）：16-19.

[6] 吴文凯.网络学习行为分析与预测的研究[D].鞍山：辽宁科技大学，2020.

[7] 董慧嵘.基于学习行为分析的学习能力评估与学习意图预测方法研究[D].哈尔滨：哈尔滨工业大学，2019.

[8] 胡茜茜.基于学生个人大数据的行为特征分析[D].武汉：华中师范大学，2019.

基金项目：四川省大学生创新创业训练计划项目资助（项目编号：S202111116094，S202111116095）。

作者简介：万浩（2001—），男，本科在读，研究方向为计算机应用。

通信作者简介：梁艳（1986—），女，硕士，讲师，研究方向为计算机应用技术，E-mail：304152692@qq.com。