基于在線學(xué)習(xí)行為數(shù)據(jù)的學(xué)習(xí)者群體特征挖掘研究

王蒙蒙 徐久成

摘 要：教育信息化促使越來越多的學(xué)習(xí)者選擇在線學(xué)習(xí)，基于學(xué)習(xí)行為數(shù)據(jù)的研究也逐漸增多，然而對學(xué)習(xí)行為的研究普遍基于學(xué)習(xí)者個人，涉及學(xué)習(xí)者相似群體特征挖掘的研究較少。選取阿里云天池中的公開數(shù)據(jù)集，通過對不同個性特征和認(rèn)知能力的行為數(shù)據(jù)進(jìn)行相關(guān)性分析，以學(xué)習(xí)成績?yōu)橐罁?jù)聚類不同的學(xué)習(xí)者群體，挖掘群體的典型行為特征。研究表明，群體行為特征存在顯著差異，借助群體特征挖掘可以幫助學(xué)生與他人對比，發(fā)現(xiàn)自身不足并及時調(diào)整。這樣既能在個性化學(xué)習(xí)基礎(chǔ)上充分利用群體智慧，也能避免因?qū)W生過多使教學(xué)工作者負(fù)擔(dān)過重。

關(guān)鍵詞：在線學(xué)習(xí)行為;相關(guān)性分析;群體特征;聚類分析

DOI：10. 11907/rjdk. 192312 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2020）007-0153-05

Learner Group Feature Mining Based on Online Learning Behavior Data

WANG Meng-meng， XU Jiu-cheng

（College of Computer and Information Engineering，Henan Normal University，Xinxiang 453007，China）

Abstract： With the approach of educational informationization， more and more learners choose online learning， and the research based on learning behavior data is increasing. However， the current research on learning behavior is generally based on individual learners， and there are few researches on feature mining involving similar groups of students. This paper chooses the open student data set in Ali Yun Tianchi， through the correlation analysis of the behavioral data of learners with different personality characteristics and cognitive abilities， clustering different groups of learners based on learning performance， and mining the typical behavior characteristics of groups. The research shows that there are significant differences in group behavior characteristics. Group feature mining can help students find their own shortcomings and adjust them timely by comparing with others. This can not only make full use of group wisdom on the basis of personalized learning， but also avoid overloading the teaching staff due to too many students.

Key Words： online learning behavior; relevance analysis; group characteristics; cluster analysis

0 引言

互聯(lián)網(wǎng)+教育中，學(xué)習(xí)者通過在線學(xué)習(xí)時時刻刻產(chǎn)生大量數(shù)據(jù)。教育在大數(shù)據(jù)技術(shù)與理念沖擊下正在發(fā)生一場“靜悄悄的革命”，教學(xué)范式轉(zhuǎn)型成為這場革命的先導(dǎo)和核心，一場由經(jīng)驗(yàn)?zāi)７陆虒W(xué)、計(jì)算機(jī)輔助教學(xué)轉(zhuǎn)向數(shù)據(jù)驅(qū)動教學(xué)的范式變革正在發(fā)生[1]。國務(wù)院2015年8月31日印發(fā)的《促進(jìn)大數(shù)據(jù)發(fā)展行動綱要》[2]，提出要“推動教育基礎(chǔ)數(shù)據(jù)的伴隨式收集和全國互通共享，探索發(fā)揮大數(shù)據(jù)對變革教育方式、促進(jìn)教育公平、提升教育質(zhì)量的支撐作用”。大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，不斷推動著教育信息化變革進(jìn)程[3]。

越來越多的學(xué)習(xí)者選擇在線學(xué)習(xí)，因此產(chǎn)生了大量在線學(xué)習(xí)行為數(shù)據(jù)，從海量數(shù)據(jù)中挖掘出有價值的信息成為研究熱點(diǎn)。王改花、傅鋼善等[4]基于數(shù)據(jù)挖掘視角對網(wǎng)絡(luò)學(xué)習(xí)者行為特征進(jìn)行聚類分析，主要按照學(xué)生的學(xué)習(xí)行為投入度進(jìn)行聚類;Romero[5]基于學(xué)習(xí)管理系統(tǒng)，對學(xué)生使用系統(tǒng)記錄進(jìn)行分析，從而將學(xué)習(xí)者進(jìn)行分類;也有研究者應(yīng)用社會網(wǎng)絡(luò)分析方法對學(xué)生在學(xué)習(xí)平臺上的活躍程度進(jìn)行分析[6]。目前研究大多對學(xué)習(xí)者的某一特定行為進(jìn)行聚類，分析學(xué)習(xí)行為與學(xué)習(xí)效果的相關(guān)性，對學(xué)習(xí)行為聚類分析較少，無法應(yīng)對因?qū)W習(xí)者眾多導(dǎo)致的多樣性和復(fù)雜性問題。本文通過對類似學(xué)習(xí)行為的學(xué)習(xí)者進(jìn)行聚類，發(fā)現(xiàn)潛在的學(xué)習(xí)模式[7]，挖掘典型的學(xué)習(xí)行為特征，使學(xué)生能夠相互增進(jìn)，取長補(bǔ)短，教師能夠因材施教，為指導(dǎo)教育教學(xué)工作提供依據(jù)。

1 相關(guān)理論

1.1 在線學(xué)習(xí)行為

行為科學(xué)理論認(rèn)為，學(xué)習(xí)行為是學(xué)習(xí)者基于某種內(nèi)在需求，與外部社會或物理環(huán)境進(jìn)行雙向交互而開展的一系列與學(xué)習(xí)相關(guān)的在線活動集合[8]。在線學(xué)習(xí)行為受不同任務(wù)驅(qū)動影響并因?qū)W習(xí)者個性特征和認(rèn)知能力差異，往往表現(xiàn)出不同的參與水平和行為方式，并反過來影響學(xué)習(xí)效果[9]。

美國《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告[10]指出，通過采集和分析大量學(xué)習(xí)者（2 000人以上）一段時間內(nèi)學(xué)習(xí)的相關(guān)數(shù)據(jù)，探索學(xué)習(xí)者在這一階段的學(xué)習(xí)結(jié)果變化，發(fā)現(xiàn)學(xué)習(xí)者當(dāng)前學(xué)習(xí)行為和未來學(xué)習(xí)結(jié)果的相互關(guān)系，并利用已建立的相關(guān)關(guān)系預(yù)測其未來學(xué)習(xí)趨勢和結(jié)果;傅鋼善等[4]采用數(shù)據(jù)挖掘方法與統(tǒng)計(jì)學(xué)方法，對網(wǎng)絡(luò)學(xué)習(xí)者行為特征進(jìn)行定量分析，并探討網(wǎng)絡(luò)學(xué)習(xí)行為特征與學(xué)習(xí)效果的關(guān)系;Arnold[11]借助普渡大學(xué)的學(xué)習(xí)管理系統(tǒng)，通過課程信號提醒系統(tǒng)以及個性化郵件，對學(xué)習(xí)者作出干預(yù)，從而促進(jìn)學(xué)習(xí)成功。對在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)學(xué)習(xí)規(guī)律，了解學(xué)習(xí)者的內(nèi)在特征，預(yù)測學(xué)習(xí)效果等[12]。通過將數(shù)據(jù)分析結(jié)果可視化反饋給學(xué)習(xí)者和教學(xué)者，可以向?qū)W習(xí)者推薦資源以及個性化學(xué)習(xí)路徑，學(xué)習(xí)者可據(jù)此制定學(xué)習(xí)計(jì)劃，定制學(xué)習(xí)資源，選擇學(xué)習(xí)路徑。

1.2 學(xué)習(xí)者群體特征

學(xué)習(xí)者特征指學(xué)生的一般特征、初始能力和學(xué)習(xí)風(fēng)格，對學(xué)習(xí)者特征進(jìn)行分析就是要了解學(xué)習(xí)者風(fēng)格。因?yàn)椴煌瑢W(xué)習(xí)風(fēng)格與教學(xué)內(nèi)容的處理、教學(xué)方法的運(yùn)用、教學(xué)媒體的選擇之間存在一定聯(lián)系， 這種聯(lián)系是教學(xué)設(shè)計(jì)的依據(jù)[13]，而優(yōu)秀的教學(xué)設(shè)計(jì)可以指導(dǎo)教育教學(xué)。

在線學(xué)習(xí)的快速發(fā)展，促使研究者將重點(diǎn)聚焦于在線學(xué)習(xí)者獲取知識的方式、與其他學(xué)習(xí)者及學(xué)習(xí)環(huán)境的交流協(xié)作等方面[14-16]。由于學(xué)習(xí)者的多樣性和復(fù)雜性，當(dāng)前對學(xué)習(xí)者的個性特征、動態(tài)特征、群體特征研究分析不夠[17]。因此，學(xué)習(xí)者群體研究是今后的重點(diǎn)。

2 研究設(shè)計(jì)

2.1 研究思路

利用SPSS22.0統(tǒng)計(jì)軟件挖掘?qū)W習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)， 并對其進(jìn)行定量分析， 以發(fā)現(xiàn)學(xué)生在線學(xué)習(xí)行為規(guī)律。通過對學(xué)習(xí)行為數(shù)據(jù)和學(xué)習(xí)結(jié)果數(shù)據(jù)進(jìn)行相關(guān)性分析，提取與學(xué)習(xí)結(jié)果有關(guān)的重要學(xué)習(xí)行為，為構(gòu)建學(xué)習(xí)行為特征指標(biāo)體系提供依據(jù)。通過聚類分析，將學(xué)習(xí)者劃分為不同的學(xué)習(xí)群體，進(jìn)而對群體中學(xué)習(xí)行為發(fā)生的概率進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)不同的學(xué)習(xí)行為模式，以行為模式差異為依據(jù)，分析造成學(xué)生學(xué)習(xí)結(jié)果差異的原因，發(fā)現(xiàn)學(xué)習(xí)過程中存在的不足，為教師后期對學(xué)生進(jìn)行輔導(dǎo)提供幫助。

2.2 數(shù)據(jù)來源

本研究采用的數(shù)據(jù)來源于阿里云旗下的大數(shù)據(jù)平臺——天池，以student為關(guān)鍵詞檢索xAPI-Edu-Data.csv公開數(shù)據(jù)集，部分?jǐn)?shù)據(jù)展示如圖1所示。

數(shù)據(jù)分為3類： ①學(xué)習(xí)者基本信息。性別和年級;②行為信息。在線學(xué)習(xí)中舉手次數(shù)、訪問公告次數(shù)、回答問題次數(shù)和討論次數(shù)等;③學(xué)習(xí)效果數(shù)據(jù)。分班表示學(xué)習(xí)效果好壞，學(xué)習(xí)者分別歸屬于3個班級：低班（L）、中班（M）、高班（H）。

2.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)處理過程要保證準(zhǔn)確性、完整性和一致性。研究主要選取數(shù)據(jù)集中的8個特征，分別為gender（性別）、stageID（級別）、raisedhands（舉手次數(shù)）、VisITedResources（訪問資源）、AnnouncementsView（訪問公告）、Discussion（討論）、StudentAbsenceDays（缺席天數(shù)）、class（所在班級）。

觀測選取的8個特征與學(xué)生學(xué)習(xí)結(jié)果之間的關(guān)系，是否為造成學(xué)習(xí)結(jié)果差異的原因。性別差異是客觀存在的一種生理現(xiàn)象，性別不同會造成對學(xué)習(xí)心理資源分配和投入的不同，形成學(xué)科學(xué)習(xí)上的優(yōu)勢和劣勢;而隨著年齡的增長，學(xué)生的生理和心理也在發(fā)生變化，正確了解學(xué)生的生理和心理發(fā)展，對引導(dǎo)學(xué)生健康成長至關(guān)重要。

學(xué)習(xí)行為分析指有目的地分析在線學(xué)習(xí)者學(xué)習(xí)過程中產(chǎn)生的相關(guān)行為數(shù)據(jù)。采集的行為數(shù)據(jù)可以是學(xué)習(xí)者操作層面的相關(guān)行為日志，也可以是學(xué)習(xí)者認(rèn)知的其它數(shù)據(jù) （如在線討論貼、交互文本等） [6]。研究以學(xué)習(xí)行為特征為依據(jù)，探究造成學(xué)習(xí)結(jié)果差異的原因，據(jù)此構(gòu)建行為特征指標(biāo)分類體系，每種學(xué)習(xí)行為反映不同的學(xué)習(xí)表現(xiàn)，如表1所示。

基于上述構(gòu)建的行為特征指標(biāo)體系，選取對學(xué)習(xí)結(jié)果影響較大的5個行為特征指標(biāo)（舉手次數(shù)、訪問資源、訪問公告、討論、缺席天數(shù)），探究這5種行為與學(xué)習(xí)結(jié)果之間的關(guān)系。對研究選取的數(shù)據(jù)集進(jìn)行約簡處理，將無關(guān)變量刪除，所采用數(shù)據(jù)按原有格式存儲，處理過后的部分?jǐn)?shù)據(jù)展示如圖2所示。

3 結(jié)果分析

3.1 相關(guān)性分析

相關(guān)性分析指對兩個或多個具備相關(guān)性的變量元素進(jìn)行分析，從而衡量兩個變量因素的關(guān)系密切程度。研究選用SPSS軟件對5大行為指標(biāo)（舉手次數(shù)、訪問資源、訪問公告、討論、缺席天數(shù)）和所在班級進(jìn)行相關(guān)性分析，處理結(jié)果如表2所示。

由表2得到結(jié)論：①與所在班級存在顯著相關(guān)的因素有舉手次數(shù)、訪問資源次數(shù)、學(xué)生缺席天數(shù)，其中前兩者與班級的相關(guān)系數(shù)超過0.4，說明存在強(qiáng)正相關(guān)關(guān)系。缺席天數(shù)與班級呈現(xiàn)強(qiáng)負(fù)相關(guān)關(guān)系，說明與其它因素相比，出勤率高的學(xué)生往往會取得較為好的成績;②舉手次數(shù)與訪問資源次數(shù)、訪問公告次數(shù)呈現(xiàn)強(qiáng)相關(guān)。說明舉手次數(shù)多的學(xué)生主動學(xué)習(xí)意識強(qiáng)，會主動去訪問公告和資源輔助學(xué)習(xí)，這種類型學(xué)習(xí)者通常情況下學(xué)習(xí)效果較好;③討論次數(shù)與訪問資源次數(shù)、缺席天數(shù)呈弱相關(guān)，說明在線討論與資源訪問、出勤次數(shù)沒有太大關(guān)系，并且討論次數(shù)與班級也是弱相關(guān)關(guān)系，說明在線討論對學(xué)習(xí)效果無顯著影響，后期研究要對這一學(xué)習(xí)行為進(jìn)行具體分析，以明晰是討論方式不恰當(dāng)還是其它原因造成的。

3.2 聚類分析

通過對數(shù)據(jù)進(jìn)行相關(guān)性分析，確定與學(xué)習(xí)結(jié)果相關(guān)的學(xué)習(xí)行為變量。為更有效地實(shí)施個性化教學(xué)，根據(jù)學(xué)習(xí)結(jié)果的不同將學(xué)習(xí)者進(jìn)行聚類。基于weka平臺對數(shù)據(jù)進(jìn)行聚類處理。weka作為一個公開的數(shù)據(jù)挖掘工作平臺，集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括數(shù)據(jù)預(yù)處理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則，以及在新的交互式界面上可視化。

研究選擇weka平臺中的EM算法對數(shù)據(jù)集進(jìn)行聚類分析。EM算法是一個期望最大化的聚類算法，主要通過計(jì)算概率進(jìn)行聚類，通常用一個給定的多元高斯概率分布模型估計(jì)出一個數(shù)據(jù)點(diǎn)屬于一個聚類的概率，即將每個聚類看作一個高斯模型。借助數(shù)據(jù)挖掘工具進(jìn)行聚類，結(jié)果如表3所示，每個類別中各行為指標(biāo)如表4、表5所示。

由表3可知，數(shù)據(jù)集被聚合為6大類，其中以第2類和第3類概率最大;由表5可知，這兩類數(shù)據(jù)中學(xué)生群體大部分處于M班和L班，總的來說學(xué)習(xí)效果處于中等及中等以上水平較多，在線學(xué)習(xí)確實(shí)能使學(xué)生獲益。通過對各項(xiàng)學(xué)習(xí)行為不同類別下的概率進(jìn)行對比分析，發(fā)現(xiàn)造成不同學(xué)習(xí)結(jié)果的原因，為有針對性地教學(xué)提供依據(jù)，使學(xué)生真正成為學(xué)習(xí)的主體，實(shí)現(xiàn)線上線下混合式教學(xué)效益最大化，讓學(xué)生體驗(yàn)到個性化學(xué)習(xí)的樂趣。

通過對各行為數(shù)據(jù)的綜合分析，探究學(xué)習(xí)行為與學(xué)習(xí)結(jié)果之間的關(guān)系。學(xué)習(xí)結(jié)果用不同班級來展示，分別為L班（低班）、M班（中班）、H班（高班）。對上述聚類結(jié)果中class（班級）依照6大類別進(jìn)行統(tǒng)計(jì)處理，結(jié)果如圖3所示。

按照每個類別所處班級的概率高低將聚類結(jié)果抽象為4大類。對于L班，在第5類中所占概率最大，將其歸屬于L類;對于M班，在第3類中所占比例最大，且與H班差距明顯，將其歸屬于M類;而針對H班，雖在第2類中所占比例最大，但與M班差別相對較小，類似于第1類，將二者歸屬于MH類;將第4類和第6類歸屬于ML類。將聚類結(jié)果進(jìn)一步劃分為4類進(jìn)行分析，分析步驟如圖4所示。

依據(jù)高水平班級到低水平班級的順序?qū)垲惤Y(jié)果重新排列并進(jìn)行結(jié)果分析，按照MH-M-L的順序?qū)?種聚類結(jié)果所對應(yīng)的各項(xiàng)學(xué)習(xí)行為發(fā)生概率變化情況進(jìn)行對比分析，如圖5所示。

3.2.1 低水平學(xué)生群體（L班）

通過對L類各項(xiàng)行為數(shù)據(jù)分析發(fā)現(xiàn)，相對于其它類別學(xué)生，處于L類的學(xué)生群體缺席天數(shù)最多，且舉手次數(shù)、訪問資源、公告次數(shù)均低于10%。本研究試圖通過分析學(xué)生的行為表現(xiàn)，發(fā)現(xiàn)造成不同學(xué)習(xí)水平差異的原因，根據(jù)缺席天數(shù)多這一行為，可以推測L類學(xué)生學(xué)習(xí)意識薄弱，對學(xué)習(xí)沒有太大興趣，無法完成全部課程的學(xué)習(xí)，從而導(dǎo)致學(xué)習(xí)成績不理想;訪問資源和公告次數(shù)較少，導(dǎo)致在學(xué)習(xí)時無所適從，不知從哪部分內(nèi)容開始，也無法獲得所要學(xué)習(xí)內(nèi)容的先驗(yàn)知識。

通過對ML類數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，學(xué)生在其余行為發(fā)生概率相似的情況下，舉手次數(shù)高的學(xué)生會取得較好的成績。根據(jù)學(xué)習(xí)行為指標(biāo)體系可知，舉手行為多代表學(xué)生的主動學(xué)習(xí)意識較強(qiáng)，學(xué)生主動學(xué)習(xí)意識是提高學(xué)習(xí)成績的關(guān)鍵因素之一。讓學(xué)生學(xué)會學(xué)習(xí)，自己發(fā)現(xiàn)問題、尋求幫助并嘗試解決問題，能夠充分保證學(xué)生的主體地位，符合現(xiàn)代教育觀念。

3.2.2 中等水平學(xué)生群體（M班）

通過對M類學(xué)生各項(xiàng)行為數(shù)據(jù)分析發(fā)現(xiàn)，學(xué)生缺席天數(shù)基本少于7天，相較于L班學(xué)生來說，出勤率的提高使學(xué)習(xí)結(jié)果在一定程度上得到提升;其它各項(xiàng)行為指標(biāo)均處于中等水平，但標(biāo)準(zhǔn)差相對較大，說明群體之間的差異較大，這種情況是由學(xué)生不同的學(xué)習(xí)特征和認(rèn)知水平造成的。在教育教學(xué)實(shí)踐中，一類學(xué)生自身學(xué)習(xí)方式和認(rèn)知能力均處于較高水平，但學(xué)習(xí)投入度和參與性不強(qiáng);另一類學(xué)生學(xué)習(xí)投入度和參與性較高，但受制于自身認(rèn)知水平和知識結(jié)構(gòu)。這兩類學(xué)習(xí)者在學(xué)習(xí)過程中的各項(xiàng)行為發(fā)生概率不同，但學(xué)習(xí)結(jié)果往往是相似的。因此本研究通過對不同類別行為發(fā)生的概率進(jìn)行分析，為教師有針對性地開展線下輔導(dǎo)提供依據(jù)。

3.2.3 高等水平學(xué)生群體（H班）

通過對MH類各項(xiàng)行為數(shù)據(jù)概率分析發(fā)現(xiàn)，在該類學(xué)生群體中，缺席天數(shù)基本處于under-7水平，學(xué)習(xí)投入度和參與性較高，且該群體中學(xué)生訪問資源行為發(fā)生的概率處于同等水平，學(xué)習(xí)者擁有相同的知識結(jié)構(gòu)和學(xué)習(xí)投入度。但對比其它行為發(fā)生概率，在舉手次數(shù)、訪問公告以及討論方面，較高行為發(fā)生概率的群體類屬于高等班級，且舉手次數(shù)的標(biāo)準(zhǔn)差明顯較低。該研究發(fā)現(xiàn)表明：①舉手有利于學(xué)生集中注意力，保持高效率學(xué)習(xí)狀態(tài)，學(xué)生有主動參與的意識，增強(qiáng)了學(xué)習(xí)的積極性和主動性，提升了學(xué)習(xí)效果;②公告的訪問起到指引作用，為下一步學(xué)習(xí)提供方向。明確學(xué)習(xí)任務(wù)進(jìn)而合理規(guī)劃時間，在任務(wù)驅(qū)動下開展學(xué)習(xí)使學(xué)習(xí)效率得到提高;③學(xué)生充分利用群體智慧優(yōu)勢進(jìn)行討論，不局限于向老師尋求幫助，適當(dāng)?shù)念^腦風(fēng)暴能夠激發(fā)學(xué)習(xí)潛力，使學(xué)習(xí)更加有效。

4 結(jié)語

本文通過對學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)和學(xué)習(xí)結(jié)果進(jìn)行相關(guān)性分析，提取影響學(xué)習(xí)效果的重要因素，進(jìn)而對學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析，將學(xué)生按照所在班級劃分為不同的群體，研究不同群體的學(xué)習(xí)行為特征。研究發(fā)現(xiàn)，學(xué)習(xí)動機(jī)是學(xué)生主動學(xué)習(xí)的動力。在教育教學(xué)中，培養(yǎng)學(xué)生從學(xué)習(xí)中發(fā)現(xiàn)問題、提出問題并解決問題的能力至關(guān)重要。學(xué)習(xí)成績差異主要源于不同的學(xué)習(xí)動機(jī)和知識結(jié)構(gòu)，對學(xué)生群體特征的描述分析可以幫助教育教學(xué)者找到學(xué)生學(xué)習(xí)不足的原因，學(xué)生自身可以對比群體中的伙伴改善自己的學(xué)習(xí)行為，提高學(xué)習(xí)效果，教師也能在教學(xué)過程中及時進(jìn)行干預(yù)和指導(dǎo)，在學(xué)生個性化學(xué)習(xí)基礎(chǔ)上正確引導(dǎo)學(xué)習(xí)行為，合理規(guī)劃學(xué)習(xí)步驟，從而提高教學(xué)效果、效率和效益。

參考文獻(xiàn)：

[1] 佚名. 《中國基礎(chǔ)教育大數(shù)據(jù)發(fā)展藍(lán)皮書2016—2017》研究成果正式出版[J]. 電化教育研究，2018，39（6）：129-133.

[2] 國務(wù)院.促進(jìn)大數(shù)據(jù)發(fā)展行動綱[EB/OL].http：//www.gov.cn/zhengce/content/2015-09/05/content_10137.htm，2016-07-31.

[3] 郭炯，鄭曉俊. 基于大數(shù)據(jù)的學(xué)習(xí)分析研究綜述[J]. 中國電化教育，2017（1）：121-130.

[4] 王改花，傅鋼善. 數(shù)據(jù)挖掘視角下網(wǎng)絡(luò)學(xué)習(xí)者行為特征聚類分析[J]. 現(xiàn)代遠(yuǎn)程教育研究，2018（4）：106-112.

[5] ROMERO C， VENTURA S. Data mining algorithms to classify students[C]. Proceeding of Educational Data Mining，2008：20-21.

[6] 田娜，陳明選. 網(wǎng)絡(luò)教學(xué)平臺學(xué)生學(xué)習(xí)行為聚類分析[J]. 中國遠(yuǎn)程教育，2014（11）：38-41.

[7] 吳林靜，勞傳媛，劉清堂，等. 網(wǎng)絡(luò)學(xué)習(xí)空間中的在線學(xué)習(xí)行為分析模型及應(yīng)用研究[J]. 現(xiàn)代教育技術(shù)，2018，28（6）：46-53.

[8] 王祎. 在線學(xué)習(xí)行為分析及應(yīng)用研究[D]. 武漢：華中師范大學(xué)，2018.

[9] 趙呈領(lǐng)，李敏，疏鳳芳，等. 在線學(xué)習(xí)者學(xué)習(xí)行為模式及其對學(xué)習(xí)成效的影響——基于網(wǎng)絡(luò)學(xué)習(xí)資源視角的實(shí)證研究[J]. 現(xiàn)代遠(yuǎn)距離教育，2019（4）：20-27

[10] 徐鵬，王以寧，劉艷華，等. 大數(shù)據(jù)視角分析學(xué)習(xí)變革——美國《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報(bào)告解讀及啟示[J]. 遠(yuǎn)程教育雜志，2013，31（6）：11-17.

[11] ARNOLD K E， PISTILLI M D. Course signals at purdue：using learning analytics to increase student success[J]. Cite Seer X，2012（6）：267-270.

[12] 李艷燕，馬韶茜，黃榮懷. 學(xué)習(xí)分析技術(shù)：服務(wù)學(xué)習(xí)過程設(shè)計(jì)和優(yōu)化[J]. 開放教育研究，2012，18（5）：18-24.

[13] 李艷，屈正庚. 基于層次分析法的學(xué)習(xí)者特征分析[J]. 系統(tǒng)仿真技術(shù)，2018，14（1）：25-29，48.

[14] 曹良亮. 在線學(xué)習(xí)中學(xué)習(xí)路徑分析及學(xué)習(xí)行為特點(diǎn)研究[J]. 中國遠(yuǎn)程教育，2014（4）：25-30.

[15] 馬秀峰，李彤彤，劉冬. 學(xué)習(xí)風(fēng)格對在線學(xué)習(xí)交互程度影響的實(shí)驗(yàn)研究[J]. 開放教育研究，2011，17（4）：96-101.

[16] 王楠，喬愛玲. 在線學(xué)習(xí)活動本質(zhì)及理論基礎(chǔ)探究[J]. 中國遠(yuǎn)程教育，2009（1）：36-40.

[17] 張廷亮，郝一川. 開放大學(xué)學(xué)習(xí)者特征研究文獻(xiàn)述評[J]. 中國成人教育，2017（12）：7-11.

（責(zé)任編輯：杜能鋼）