基于大數據背景的在線學習行為分析模型

崔貝貝

【摘要】我國科技技術的進步帶動了在線學習模式的較快發展，使其實現了網絡化與數字化，這在較大程度上在大數據背景下為在線學習行為分析模型的建立提供了保障，保證了在線學習行為分析模式構建質量，不但能夠使在線學習形式得到較大豐富，而且在較大程度上可加快我國在線學習的未來發展。

【關鍵詞】大數據背景 在線學習行為 分析模型

【中圖分類號】G64 【文獻標識碼】A 【文章編號】2095-3089（2018）44-0001-01

前言：

21世紀，人們生活已步入信息化時代，較多行業在大數據背景下有較大的發展，其中在線學習在此基礎上正積極探索新型技術來提升其質量，這在一定程度上可提高學習效率。此外，移動電話與互聯網連接較為緊密，一般情況下通過短信來提升客戶對產品的認識，不但能夠提高客戶對產品認知度，而且在一定程度上可增加對產品的反饋效果，這對在線學習模型建立具有較大促進作用。

1.在線學習行為概述

隨著我國經濟的發展，教育的發展也呈現出了以信息為基礎的教學模式，其中在線學習是現代教育中一種新型的學習形式[1]。較多學者沒有對此種學習法方法進行確切的定義，主要對其描述為：學習者借助網絡技術，在網絡環境中利用網絡提供的學習平臺與工具獲得自身需要的信息與資源，以此進行自主學習與交互。此外，在線學習有廣義與狹義之分，其中廣義主要是指學習者從網絡平臺中獲得信息與資源的總和；狹義主要是指學習者根據自身所需對學習平臺進行針對性選擇，并使用一些輔助工具與資源信息能夠提升其學習質量，實現學習具體化。

2.在線學習行為的分類

在線學習主要是根據人工智能理論為基礎，其中人工智能理論主要有不同的維度體系，在此基礎上具有較為完善的屬性，可在較大程度上對學習者的學習要求進行有效滿足，并且滿足了在線學習行為分類維度[2]。此外，人工智能主要是根據一些智能行為發展而來，能夠對一些學習行為過程中的分類進行有效指導，一般情況下在線學習行為的分類主要從功能、結構以及方式三個維度。其中結構維度的學習行為的出發點一般情況下是從認知、操作、解決問題以及協作角度進行分類分析；功能維度主要是從學習者在學習的過程中，對學習信息處理過程實施針對性有效的分析，其中信息行為一般有加工、查詢以及發布等；方式維度主要是學習者在平臺中進行有效的交流與互動的一種行為，其中從交互對象角度來看，有人機交互、人人交互。

3.大數據背景下在線學習分析模型構建原則

3.1 通用性原則

通用性原則主要是指在線學習分析模型的構建不但可以在該平臺為學習者提供信息資源與學習，而且在其他平臺中也能為學習者提供信息資源與學習，能夠在較大程度上提高學習者多方面要求，而且可滿足不同管理者需求，為此能夠對分析模型中的一些方法與組織模塊進行有效添加。

3.2 系統性原則

系統性原則主要是把在線學習行為分析模型當作一個系統，在此基礎上對該系統中的要素進行針對性分析，其中有分析方法、目標以及數據等，這在較大程度上能夠有效保證分析模型的合理性與科學性。

3.3 對應性原則

對應性原則主要是表明學習過程應當與分析任務相對應，比如學習者應當通過哪種方法來得到較高的學習的成績，哪種操作能夠產生此種較好的學習效果[3]。在線學習行為分析模型任務的確定有較強的針對性，平臺管理者能夠在模型構建過程中根據學習者需求進行任務的有效設定，把學習過程與分析任務進行有效對應，以此找出關鍵點。

4.大數據背景下在線學習分析模型構建

4.1 在線學習行為的數據模型構建

4.1.1 多維度的在線學習行為數據模型

概念數據模型的建立是模型構建過程中較為重要的內容，以此加強對對象與實體對象之間的關系，一般有面向對象法、實體聯系法以及謂詞法。其中，謂詞法主要是通過句子結構進行數據模型的構建，以此在較大程度上可對在線學習行為中主體與客體之間的關系進行維護。

4.1.2 多層次的在線學習行為數據模型

在線學習行為分類較多，其復雜程度具有差異性，根據復雜性不同將其分為低級、中級和高級。其中，低級在線行為是指學習者進行一次性操作行為；學習者進行不同方向交互以及評價操作屬于中級行為；高級在線行為主要是學習者通過在線學習對一些較為復雜的問題進行有效解決的行為。

4.2 在線學習行為數據的采集

在線學習行為數據采集需要用同步采集技術，一般情況下主要體現在以下不同方面：（1）可以通過服務器端進行數據的有效采集，其中包括兩種格式，擴展日志格式以及通用日志格式，能夠在較大程度上保證在線行為的實時性；（2）能夠通過客戶端進行數據的采集，其數據采集方法一般是通過創建Cookie實施有效采集，但需要用戶許可。

4.3 在線學習行為分析模型的橫向流程設計

4.3.1 在線學習行為的聚類分析

在線學習的分類標準較為模糊，并且具有一定的差異性，在進行分類過程中沒有全面考慮學習過程，另外由于學習者自身需求與動機具有較大的差異性，使學習者之間學習行為有較大不同，此外通過行為的聚類分析結果，對學習屬性相似度進行有效分析，并進行不同類別的劃分，通過對不同群體行為特征實施針對性分析。

4.3.2 在線學習行為的個性化課程分析

隨著時代的發展，個性化學習需求較大，平臺管理者希望進行個性化學習服務工具的設計，能夠在較大程度上提升學生的學習效率[4]。此外，平臺中的課程推薦功能可根據學習者自身興趣進行針對性信息數據的選擇，以此滿足個性化學習要求。

4.4 在線學習行為分析模型的縱向流程設計

使用在線學習行為數據分析模型，并通過一些學習任務從平臺中獲得信息數據，同時實施預處理。此外，在線學習行為信息數據由于類型不同，在收集的過程中會在一定程度上出現新型數據不完整、噪音以及冗余等，這就需要對數據分析之前實施預處理。除此之外，在線學習方法較為重要，只有選擇合理的學習方法才能保證分析結果的正確性，才能對教學結構進行有效完善與優化。

結語：

綜上所述，本文主要通過電信運營商在線營銷作為研究案例背景，通過大數據分析的方法，按照特征選取、模型、訓練集等流程，以可自由支配的收入、時間和社會學習作為主要的研究特征，并以營銷人員構建的對照組為參考選取實驗組，證明數據驅動方法在目標客戶選擇方面有較好的實驗結果。

參考文獻：

[1]樊劍劍.基于大數據的在線學習行為分析模型研究[J]. 自動化與儀器儀表， 2018（3）：62-63.

[2]楊雪， 姜強， 趙蔚，等. 大數據時代基于學習分析的在線學習拖延診斷與干預研究[J]. 電化教育研究， 2017（7）：51-57.

[3]賈艷梅， 劉禮想. 大數據環境下在線學習行為的分析[J]. 中小學電教（下半月）， 2015（8）：3-4.

[4]姜強， 趙蔚， 王朋嬌，等. 基于大數據的個性化自適應在線學習分析模型及實現[J]. 中國電化教育， 2015（1）：85-92.