基于大数据分析的在线课程学习行为数据标准设计

秦燕

摘要：在线课程作为在线教育的一种形式，在我国高校已经得到了广泛应用，它具有开放性、交互性和个性化等特点，给学生提供了更加广阔的学习空间。在线课程的搭建需要借助大数据技术进行辅助支持，以实现对用户信息和教学过程的有效管理。这就要求教师在使用线上资源时必须具备一定的数据分析能力和处理手段，收集并分析学生学习行为数据，建立适合学生特点的个性化教学模式。本文从个体学习者视角研究在线课程的设计与评价问题，通过分析在线课程设计过程中涉及的学习资源、学习活动和学习效果等要素及其相互关系，构建完整的在线课程设计框架体系。

关键词：大数据分析；在线课程；学习行为；数据标准；策略探究

引言

在线开放课程是互联网技术与教育深度融合的产物，以其丰富的教学内容和多样化的学习方式给高校带来了全新的发展机遇。目前，各级行政院校已经开展了相关研究，但是对于如何在线上教学中提高教学质量却缺乏足够的认识，为此，必须从理论层面探讨“线上线下一体化教学模式”。

1. 在线课程学习行为数据标准设计

1.1 设计理念

在线课程学习行为作为一种新的研究视角，能够为学习者提供个性化服务，以实现对学习者自主能力和创新能力的培养。个性化教学作为当今时代的新型教育理念与方法，强调了学生在知识建构过程中的主体地位[1]。在线课程设计应注重从“教”到“学”，从“教师中心”向“学生中心”转变；要将课堂教学融入课堂外的活动中，使教与学融为一体，真正发挥在线课程学习功能。

在设计学生行为数据标准时，必须遵循以下原则：其一，采用结构化、模块化、可扩展的数据采集方式，进行多维度、多层次的数据分析，构建一个完整的数据库结构体系，基于数据挖掘技术分析在线课程学习行为特征。其二，根据实际需求进行分析并提取特征变量，形成具有一定可信度的特征向量，再运用模糊聚类分析法建立评价模型，从而有效识别出在线课程学习行为模式。通過实验验证所提出算法的可行性及有效性，结果表明该方法能准确高效地辨识出不同类型用户的在线课程学习行为特点，并有针对性地制定相应的教学策略。其四，依据模型结果进行调整及改进，利用可视化编程语言（Visual Basic6.0）开发完成一套针对不同层次、不同水平的网络学习人群的个性化教学系统平台，包括注册登录模块、个人信息管理模块、学习监控管理模块、在线答疑模块等功能模块，同时给出各部分具体流程。

例如：列举在线学习中所发生的个体学习行为，主要有以下几类（见表1）：第一，观看视频次数、浏览时间、点击次数。第二，单视频观看数、多视频观看数、总观看数、平均每秒钟浏览数等指标。第三，单元测试完成数量、成绩排名以及相关信息查询统计，学生单元测验成绩、综合测评分数等内容。第四，讨论区主题设置、讨论问题形式、话题选择等。

1.2 学习行为数据挖掘

1.2.1 关联分析

学习行为关联分析是基于学生的课堂行为表现来预测和诊断学习效果，并为改进教学提供依据。以分析视频观看人数与时间序列中某一时间段内学习者完成某一动作时所需花费时间间隔作为特征指标。运用支持向量机（SVM）对数据进行建模和分类发现，通过对实验结果分析可知，学习行为之间存在一定相关性，且有较高相关度，不同维度下各变量间也具有显著的关联性。

计算观看25个以上视频与考核成绩关联支持度和置信度，假设所有样本均达到最大似然估计精度，利用最小距离法构建了多阶段模型。结果显示：当测试人数大于3人或每节课时长不超过15分钟时，训练后的分类器能够有效识别出每个被试者的学习成绩。若测试人数小于1人或者每课时长度不超过5分钟时，则需要增加更多的训练样本才能取得更好效果。同时，根据测试人数以及每次练习的次数等因素建立相应的权重系数矩阵，将其引入决策树算法中得到最优解，从而使最终获得的决策更为准确可靠。

在制定学习行为标准时，应综合考虑教师、课程、学生三方面的影响因素。学生观看视频指标可不纳入考虑范围，可以采用一个简单量化指标即看完某一影片之后所需的时间占总学时的比例衡量。除此之外，还可结合其他相关指标如平均上课时数、听课效率、课业负担程度等加以判断。

1.2.2 分类分析

假设某一单元单个教学视频为10分钟，学生的观看时长与学习内容呈现时间相等，其中，单元成绩以“知识”和“技能”两个维度进行计算，如A组5分钟、B组20分钟、C组30分钟。实验结果表明，在相同条件下，采用不同长度的教学视频对同一班级中各个体学习成绩产生影响的效果存在差异。随着视频播放时长增加，学习效果会随之提升，且当播放时长超过50分钟后，A组与B组均出现了显著的正向变化（P＜0.05），而C组与D组中只有1人出现显著差异。此外，A组和D组在播放时间间隔上也表现出显著差异，但A组与D组在此方面并没有达到显著性水平（P＞0.05）。可见，教师要注意根据教学内容及学生特点合理选择恰当的教学视频长度。

利用大数据挖掘、分类分析、关联规则等方法，将学生学习行为与学习效果联系起来，从动态角度掌握学习者的学习状态，帮助其构建完整的学习策略体系。此外，在数据分析的帮助下，可以为教师设计有效的教学策略提供依据，提前干预学生的学习态度与策略调整方向，实现教与学的平衡发展。

2. 在线课程学习行为数据标准内容

2.1 数据采集

利用聚类分析法对学习群体进行分类时，首先，要对聚类对象的信息和属性有一个全面准确的把握，在此基础上确定初始类簇，即将聚类对象分成若干个具有相同特征且相互独立的类簇[2]。根据每个子群所包含的成员数及其所属类别来选择合适的参数，以达到优化划分结果的目的。

其次，针对在线课程学习行为存在随机性、模糊性及不确定性等特点，提出一种基于模糊隶属度函数的模糊多目标粒子群算法（FMPPSO），该方法通过引入模糊集理论将不同专家给出的评价转化为多个指标综合考虑，并采用改进的自适应变异算子提高了种群多样性。同时，为了避免早熟收敛现象，还应设计新的适应度函数来衡量个体与全局最优解之间的差距。

最后，将上述两种策略相结合形成了一套有效的在线课程教学支持体系框架，包括教师授课方式、学生听课模式、课下作业布置形式、课后辅导指导四个方面内容。用测试集分析各模块的有效性，实验结果表明，本文所提方案能较好地完成在线课程教学支持系统中各个功能模块的实现工作，取得良好的教学效果，可以作为今后进一步研究的方向。

2.2 行为指标设计

对采集的数据进行处理，有针对性和有效地挖掘学习行为，为学生提供个性化指导。学习行为指标包括：学习者特征（性别、年龄等）、学习策略（使用时间、频率等）、学习态度（情感体验、焦虑状态等）[3]。在此基础上提出基于数据挖掘技术的教学辅助系统框架，实现从学习者个体角度出发的个性化教学策略制定。根据不同阶段学习者特点，设计以“目标设定”“知识呈现”“自我评价”“反馈矫正”四个维度为主线的具體策略实施步骤，形成一个完整的教学辅助系统架构。

设置指标时，应充分考虑不同学习者的群体特征以及各因素之间的相互影响作用。采用层次分析法确定各项参数权重系数，并通过模糊综合评判法建立模型，最终获得相应策略效果评估结果，即针对某一特定学习者开展对应的教学活动或活动组合方案。例如，利用机器学习算法优化试题质量，提高考生成绩预测准确性，使其成为具有较高信度与效度的测评工具。构建一种基于元认知理论的自主学习模式，引导学习者树立正确的学习动机，促进其主动探索学习过程，从而有效提升学习效果。

2.3 数据清洗和分析

数据清洗是指对数据源中的错误、冗余或不一致等信息进行识别和过滤，以获得正确而可靠的结果。清理后的数据在后续处理中起着至关重要的作用，包括查询优化、数据分析、数据挖掘等方面，可大大提高系统性能。由于目前大多数数据库都采用基于规则的方法来实现数据录入与更新，因此如何有效地将大量非结构化数据转换成具有语义意义的结构化数据显得尤为重要[4]。通过分析上一步数据，在线课程学习行为模型能够得到学习者当前所处位置的相关特征信息，并以此作为学生学习效果评估指标，有助于教师根据这些特征向量调整教学策略。当教师发现群体学习规律以及个别化规律，应有针对性地改进教学方法，提高教学效率，构建一个高效且能反映出个体差异性的在线课程管理平台，为不同层次的用户提供个性化服务。

2.4 分析机制

模型中的另一个模块为分析机制模块，对学习者数据进行聚类分析，根据聚类结果将学习者划分成不同层次，并针对不同层次设计相应的教学方案。利用模型中的各个功能模块完成基于网络学习环境的个性化教学模式的构建和应用，该系统通过用户行为记录、在线测验以及反馈等功能实现了对学生学习过程的实时监控。利用模型将学生的信息进行分类后，采用“先分后合”的策略，按照学生在每一阶段所需要掌握的知识点，分门别类地推送给每个学习者。同时还可以建立一种新的知识组织模式——以教师为中心的分层式结构，把复杂而抽象的教学内容转化成为便于理解与记忆的层次化形式。利用模型将学生的学习行为进行可视化处理，并结合数据挖掘技术，从多个维度揭示学生之间存在差异的原因，从而制定更为有效的教学策略。

例如，其一，在线反馈机制。该模块提供多种方式的反馈渠道，包括在线测试、课堂提问、作业批改、答疑解惑、考试阅卷等等。对学习资源进行整合和管理，形成一套完善的网上教学服务系统。其二，诊断。为了更好地达到在线学习教学效果，提出了一个评价指标体系来衡量学习效果，其中包含五个一级指标，即学习成绩、课程设置情况、学习态度、个人能力水平及自我认知状况。诊断结果包括三个二级指标，分别是学科成绩（A级）、总体表现（B级）、个别表现（C级）。其三，学习习惯及偏好。通过学习平台的行为路径、内容导航、活动安排等方面向用户呈现具体的学习倾向，帮助用户调整自己的学习方向。另外，用户可根据自身特点选择适合自己的学习策略，如自主探索性学习、协作探究型学习、任务驱动型学习等。

2.5 模型选择与构建

大数据分析必须在数据收集、分析和挖掘等方面实现深度融合，才能更好地发挥其价值。目前，常采用的分析法有以下几种：基于统计方法（如回归分析方法）、以经验为基础的判断法、通过数据挖掘找出规律来预测未来发展趋势的算法等等。对于算法与模型选择，通常根据所研究问题的特征进行综合比较[5]。例如，利用模糊理论对复杂系统中的参数变化情况做出估计时，可以将样本点作为一个总体变量处理。当不考虑个体因素影响或只需使用某一种类型指标时，则可将所有样本点均视为总体变量。在参数范围的选择中，需要注意一些原则：第一，应充分考虑各群体之间的差异；第二，要从整体出发，而不是从单个对象的角度去考虑事物间的关系；第三，选取具有代表性的指标组合；第四，尽量避免“一刀切”式的做法。

利用大数据构建在线课程行为数据模型时，一般都会遇到两个主要问题：一是如何准确提取出学习者学习过程中各个阶段的信息，二是如何正确识别学习者不同学习方式下的表现。为此，需要建立一套完整的知识图谱，并把这些知识按照一定的层次排列起来，形成清晰的知识结构。具体而言，在线课程行为数据模型建立中，首先要解决知识分层问题。当前关于在线课程行为建模大多是从传统教育模式入手，但这种组织形式存在着很多弊端，比如缺乏有效的反馈机制，不利于教师及时调整教学方法以及学生自主探究能力的培养。为此，在线课程行为模型库建设应从更高层面上着手。其次，在线课程行为分析模型的设计应当符合学情特点。最后，需要关注在线课程行为模型的有效性，尤其是针对特定的目标人群进行个性化定制。

结语

综上所述，教师通过大数据分析，对在线课程行为数据进行挖掘和分析，可以及时了解学生的学习需求、学习态度、课堂表现等信息，进而为提高课堂教学效果提供有力支持。未来，教师必须构建线上与线下相结合的混合教学模式，实现教学资源数字化建设，从而提升教学质量。

参考文献：

[1]徐丽丽.基于在线学情分析模型的高职课程教学研究——以大数据技术基础课程为例[J].电脑知识与技术，2022，18（32）：168-170，173.

[2]徐彤，于正永.基于中国大学MOOC平台大数据学习行为分析的实践研究——以《LTE无线网络优化》在线课程为例[J].电脑知识与技术，2021，17（34）：37-39.

[3]唐炼，杨洁，李新威.基于大数据的在线教育学习支持服务体系构建分析——以体育课程为例[J].体育视野，2021，（5）：69-70.

[4]沈洵.基于大数据分析的在线课程学习行为数据标准设计[J].新课程研究，2020，（21）：45-47，89.

[5]施万里，张余辉.基于大数据分析技术的智慧教育平台设计[J].现代电子技术，2020，43（9）：150-153.

作者简介：秦燕，本科，讲师，研究方向：大数据分析线上教学。