基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)設(shè)計與開發(fā)

摘要：在線學習已成為當前較為重要的學習方式，但在線上環(huán)境中，學習者容易出現(xiàn)自主學習力較弱、持續(xù)參與力較低的情況。因此，文章針對基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)設(shè)計與開發(fā)進行了研究。該系統(tǒng)旨在通過利用大數(shù)據(jù)分析及機器學習技術(shù)，為學習者提供個性化的學習建議及干預措施，以此優(yōu)化學習效果。文章詳細介紹了系統(tǒng)設(shè)計的總框架，包括數(shù)據(jù)收集處理模塊、用戶行為分析模塊、策略生成模塊和反饋與評估模塊。通過系統(tǒng)測試實驗，驗證了系統(tǒng)的穩(wěn)定性，并展示了系統(tǒng)在響應時間、吞吐量及可用性方面的優(yōu)越表現(xiàn)。研究結(jié)果表明，該系統(tǒng)具有重要的應用潛力，在線學習行為干預原型系統(tǒng)的設(shè)計為線上學習提供了更為便利的技術(shù)手段，對提高學習者的學習效果有一定幫助。

關(guān)鍵詞：大數(shù)據(jù)環(huán)境；在線學習；行為干預；原型系統(tǒng)

中圖分類號：TP399文獻標志碼：A

0 引言

隨著大數(shù)據(jù)技術(shù)的迅速發(fā)展，教育領(lǐng)域逐漸開始利用該技術(shù)對教學模式及學習過程進行優(yōu)化，在線學習已經(jīng)成為現(xiàn)代教育的重要組成部分［1］。行為干預原型是指在教學系統(tǒng)的設(shè)計和開發(fā)階段，創(chuàng)建的一個初步的基本模型，用于驗證和演示系統(tǒng)的核心功能和潛在效果［2-3］。行為干預原型在基于大數(shù)據(jù)環(huán)境的在線學習中起著關(guān)鍵作用，通過構(gòu)建一個行為干預原型，研究人員和開發(fā)團隊可以快速驗證系統(tǒng)的核心功能，了解系統(tǒng)的潛在效果、識別潛在問題，并根據(jù)用戶反饋進行改進和優(yōu)化。因此，本文研究了基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)設(shè)計與開發(fā)，通過分析學習者的行為數(shù)據(jù)，為其提供個性化的學習建議和干預措施，幫助學習者更好地實現(xiàn)學習目標。

1 基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)總框架

在線學習行為干預原型系統(tǒng)的總體架構(gòu)設(shè)計主要包括4個模塊：數(shù)據(jù)收集與處理模塊、用戶行為分析模塊、干預策略生成模塊和反饋與評估模塊，具體的系統(tǒng)框架，如圖1所示。

在該系統(tǒng)中，數(shù)據(jù)收集與處理模塊用來獲取基礎(chǔ)數(shù)據(jù)，用戶行為分析模塊負責建立決策過程，干預策略生成模塊主要用來執(zhí)行決策，反饋和評估模塊可以幫助用戶實現(xiàn)自我評估。

2 系統(tǒng)各模塊設(shè)計

2.1 數(shù)據(jù)收集與處理模塊

數(shù)據(jù)收集與處理模塊主要用來獲取用戶在學習平臺上的行為數(shù)據(jù)。數(shù)據(jù)采集從在線學習平臺或其他數(shù)據(jù)源收集原始學習數(shù)據(jù)，包括用戶行為記錄、學習材料、評估數(shù)據(jù)等。在存儲采集到的數(shù)據(jù)時，采用適當?shù)木W(wǎng)絡(luò)爬蟲技術(shù)，獲取數(shù)據(jù)并存儲為原始數(shù)據(jù)文件，具體如圖2所示。

經(jīng)過以上的網(wǎng)絡(luò)爬蟲獲取后，對采集到的數(shù)據(jù)進行去除噪聲和異常值的處理，以此來確保數(shù)據(jù)的準確性和完整性；該模塊將清洗后的數(shù)據(jù)存儲在合適的數(shù)據(jù)庫中，以便后續(xù)分析和處理使用。具體的數(shù)據(jù)清洗有以下步驟。

（1）去除重復數(shù)據(jù)：檢查重復記錄的數(shù)據(jù)并將其刪除，以確保數(shù)據(jù)的唯一性。

（2）處理缺失值：檢查數(shù)據(jù)中的缺失值，并根據(jù)情況選擇相應的處理方法，如刪除含有缺失值的記錄、插補缺失值或使用默認值代替。

（3）處理異常值：識別和處理數(shù)據(jù)中的異常值，使用統(tǒng)計方法（如3σ原則）進行處理，如刪除、替換為合理值或插值等預處理步驟，使其適合后續(xù)分析和處理。將清洗后的數(shù)據(jù)存儲在適當?shù)腜ostgreSQL數(shù)據(jù)庫中，以便進行后續(xù)的用戶行為分析。

2.2 用戶行為分析模塊

用戶行為分析模塊通過分析學生的行為數(shù)據(jù)，提供個性化的學習建議和干預措施，以提高學生的學習效果。該模塊會從行為數(shù)據(jù)中提取有價值的特征，在考慮學習環(huán)境的后使用序列分析方法中的馬爾科夫模型（Markov Model），分析學生的學習行為序列，從而確定用戶的行為模式。在特征提取完成后進行用戶建模，根據(jù)學生的行為特征及上下文信息構(gòu)建用戶畫像，包括學習偏好、學習風格、學習能力等。使用機器學習算法，以邏輯回歸預測學生對不同學習資源的興趣程度。最后，該模塊根據(jù)學生的行為特征和用戶畫像，對學生的學習行為進行評估，評估內(nèi)容包括學習活躍度、學習效果等。

2.3 策略生成模塊

該系統(tǒng)的策略生成模塊主要根據(jù)學習者的行為數(shù)據(jù)及信息，生成個性化的學習干預策略，以幫助學習者改善學習體驗、提升學習成績。

該模塊會根據(jù)用戶行為分析模塊中提取的特征結(jié)果，對學生的學習行為進行分析評估，其中涉及學習活躍度、學習效果、學習進展等評估項。系統(tǒng)根據(jù)評估結(jié)果確定學生的個性化學習目標，推薦適合學生的學習資源。該模塊會自動基于學習資源的內(nèi)容、難度、學習方式等因素進行匹配，推薦包括：在線課程、教材、練習題等參考資料。根據(jù)學生的個性化學習目標和評估結(jié)果，幫助學生調(diào)整學習計劃，制定學習時間表、設(shè)定學習階段性目標、安排復習時間。

2.4 反饋與評估模塊

反饋與評估模塊會定期向?qū)W生提供學習監(jiān)督反饋，跟蹤學生的學習進展，并督促學生保持學習動力。反饋內(nèi)容包括學生的學習成果、參與度、學習行為等方面，旨在鼓勵學生積極學習，糾正學習中存在的問題。模塊會持續(xù)跟蹤學生的學習行為和評估結(jié)果，根據(jù)實時反饋及學習進展進行更新和調(diào)整，通過實時監(jiān)測學生的行為數(shù)據(jù)，定期評估學生的學習成果，根據(jù)學生的學習情況系統(tǒng)會提出個性化的學習建議，并給予一定的干預措施。將反饋分析結(jié)果與系統(tǒng)性能評估結(jié)果進行關(guān)聯(lián)分析，以獲取綜合的反饋信息，以此來了解干預策略的效果、用戶感受及系統(tǒng)運行狀況。將反饋與評估結(jié)果應用于系統(tǒng)改進和優(yōu)化，系統(tǒng)會根據(jù)學習者的反饋調(diào)整改進干預策略，優(yōu)化系統(tǒng)的功能設(shè)計，為學生提供更好的學習體驗。

3 系統(tǒng)測試

3.1 實驗準備

為測試基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)的性能，實驗選擇A-Platform平臺，服務器型號為B-Server，配置為Intel Xeon E5處理器、64 GB內(nèi)存和1TB硬盤。實驗過程中準備適量的學習者行為數(shù)據(jù)，包括學習日志、交互記錄等，并確保數(shù)據(jù)集具有多樣性和代表性，實驗選擇響應時間、吞吐量和系統(tǒng)可用性作為評估系統(tǒng)性能的關(guān)鍵指標。將準備好的學習者行為數(shù)據(jù)導入到系統(tǒng)中，以構(gòu)建實驗數(shù)據(jù)集，在B-Server上部署A-Platform，并按照平臺的要求進行配置設(shè)置。設(shè)計一系列實驗場景，涵蓋系統(tǒng)的不同功能和使用方式，以測試系統(tǒng)在不同負載和情境下的性能，最后執(zhí)行實驗場景設(shè)計，并記錄關(guān)鍵數(shù)據(jù)指標，每個實驗場景應重復多次，以獲取可靠的平均結(jié)果。

3.2 實驗結(jié)果

對實驗結(jié)果進行分析整理，計算平均響應時間、吞吐量和系統(tǒng)可用性等指標。根據(jù)分析得到的數(shù)據(jù)，生成實驗結(jié)果表，以清晰地展示系統(tǒng)的各項性能，挑選其中的5個場景進行實驗結(jié)果展示，具體的實驗數(shù)據(jù)，如表1所示。

根據(jù)實驗結(jié)果可知，基于大數(shù)據(jù)環(huán)境的在線學習行為干預原型系統(tǒng)在多個方面表現(xiàn)出色，實驗結(jié)果顯示，系統(tǒng)的平均響應時間在85.25～120.31 ms，表明系統(tǒng)能夠在短時間內(nèi)快速響應用戶請求，提供高效的學習體驗。實驗場景2的平均吞吐量達到150.21請求/s，意味著系統(tǒng)能夠同時處理大量的請求，保證用戶流暢使用。實驗場景4顯示系統(tǒng)可用性達到99.6%，說明系統(tǒng)的穩(wěn)定性和可靠性較高，用戶可以隨時訪問系統(tǒng)并進行學習活動，不會受到系統(tǒng)故障或不穩(wěn)定性的影響。在線學習行為干預原型系統(tǒng)在響應時間、吞吐量和系統(tǒng)可用性方面表現(xiàn)優(yōu)秀，能夠提供高效、可靠的學習服務，可以為用戶提供優(yōu)質(zhì)的學習體驗，支持對學習者實施有效的學習行為干預，并為用戶提供個性化的學習建議及指導。

4 結(jié)語

通過利用大數(shù)據(jù)和機器學習技術(shù)，能夠更好地理解學習者的行為特征和學習需求，為其提供個性化的學習支持。不僅有助于提高學習者的學習效果，還為教育領(lǐng)域提供了創(chuàng)新的教學方法。該系統(tǒng)在處理大規(guī)模的學習者數(shù)據(jù)、提高預測和干預的準確性等方面，仍然存在一些挑戰(zhàn)及改進空間，需要在未來的工作中進一步研究優(yōu)化，以便為用戶帶來積極影響，提高用戶的學習能力。

參考文獻

［1］劉瑩，楊淑萍.大數(shù)據(jù)背景下的智能型自適應在線學習行為研究［J］.繼續(xù)教育研究，2023（6）：58-62.

［2］繆玲，張尚先，燕紫君.在線學習空間數(shù)據(jù)驅(qū)動的學生評價指標體系構(gòu)建［J］.廣州廣播電視大學學報，2023（2）：21-28，107-108.

［3］宋麗哲，魏順平，孫煜.基于主成分分析的在線學習者評價模型構(gòu)建研究［J］.天津電大學報，2023（1）：22-29.

Design and development of online learning behavior intervention prototype system

based on big data environment

LiuChun

（Hunan Vocational Institute of Safety Technology， Changsha 410151， China）

Abstract：Online learning has become an important way of learning， but learners are prone to the difficulties of weak self-learning ability and low continuous participation in the online environment. Therefore， this paper focuses on the design and development of online learning behavior intervention prototype system based on big data environment. The system aims to optimize learning outcomes by using big data analytics and machine learning techniques to provide learners with personalized learning recommendations and interventions. This paper introduces the general framework of system design in detail， including data collection and processing module， user behavior analysis module， strategy generation module and feedback and evaluation module. The stability and performance of the system are verified by system test experiments， and its superior performance in response time， throughput and system availability is demonstrated. The research results show that the system has important application potential， the design of online learning behavior intervention prototype system provides a more convenient technical means for online learning， which is helpful to improve the learning effect of learners.

Key words： big data environment; online learning; behavioral intervention; prototype system