基于K-means的海南物流職業(yè)本科學生學習行為分析

摘" 要：在現(xiàn)代物流行業(yè)中，培養(yǎng)具備全面專業(yè)知識和實踐能力的物流職業(yè)本科學生至關重要。為了更好地了解學生在學習過程中的行為和學習習慣，文章將采用K-means聚類模型方法，對現(xiàn)代物流管理（職業(yè)本科）學生的學習行為進行深入探索與分類。通過這項研究，旨在為優(yōu)化物流教育、提高學生學習效果提供有益的參考建議。文章將介紹研究設計、數(shù)據(jù)收集與處理方法，并對結果進行解析與討論。

" 關鍵詞：物流；職業(yè)本科；學情分析；K-means聚類

" 中圖分類號：G642" " 文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2025.03.042

Abstract： In the modern logistics industry， it is crucial to cultivate logistics undergraduate students with comprehensive professional knowledge and practical abilities. In order to better understand the behavior and learning habits of students in the learning process， this study will use the K-means clustering model method to explore and classify the learning behavior of modern logistics management（vocational undergraduate）students. Through this study， the aim is to provide useful reference suggestions for optimizing logistics education and improving student learning outcomes. This article will introduce research design， data collection and processing methods， and analyze and discuss the results.

Key words： logistics; vocational undergraduate degree; analysis of learning situation; K-means clustering

1" 研究背景和意義

1.1" 研究背景

" 隨著我國現(xiàn)代物流業(yè)的不斷發(fā)展，物流職業(yè)領域對于高素質、全面發(fā)展的人才需求日益增長。物流職業(yè)本科學生是未來物流行業(yè)的中堅力量，他們的學習行為和學習習慣對于其學業(yè)成績和未來的職業(yè)發(fā)展具有重要影響。因此，了解和分析物流職業(yè)本科學生的學習行為，對于優(yōu)化物流教育和培養(yǎng)高質量的物流專業(yè)人才具有重要意義。

1.2" 研究意義

" 本文旨在基于K-means聚類分析方法，深入探索物流職業(yè)本科學生的學習行為，并將學生按照學習行為特征進行分類。通過這項研究，可以實現(xiàn)以下幾個方面：（1）了解學生學習行為。全面了解物流職業(yè)本科學生在學習過程中的行為特點、學習動機和學習方式，為優(yōu)化教學提供有針對性的建議；（2）優(yōu)化教育教學。通過分析學生學習行為，可以發(fā)現(xiàn)教育過程中的問題和不足，有助于優(yōu)化教學內容、教學方法和教學資源，提高教學質量；（3）提高學生學習效果。通過對學生進行聚類分析，可以識別出不同的學生群體，有助于針對性地提供學習輔導和支持，提高學生的學習效果。

1.3" 研究目標

" 本文旨在基于K-means分析方法，對海南省物流職業(yè)學生的學習行為進行重點分析，以實現(xiàn)以下研究目標：（1）揭示學生學習行為的關鍵特征。通過K-means分析，深入研究學生在學習過程中的關鍵行為特征，包括學習動機、學習習慣、學習時間分配等；（2）確定學習行為的主要影響因素。分析學生學習行為背后的主要影響因素，如個人因素、家庭背景、學習環(huán)境等，幫助了解學生學習行為的原因和動因；（3）比較不同學習群體之間的差異。將學生根據(jù)學習行為特征分為幾個群體，整理這些群體進行比較分析，了解不同學習群體之間在學業(yè)成績、學習傾向等方面的差異；（4）提供個性化教學建議。根據(jù)關鍵分析結果，為教師和學校提供個性化教學建議和策略，幫助學生優(yōu)化學習行為，提高學習效果。

" 通過實現(xiàn)以上研究目標，深入了解海南省物流職業(yè)本科學生的學習行為特征，探索學習行為與學業(yè)表現(xiàn)之間的關系，為優(yōu)化物流專業(yè)教育和學生學習提供良好的參考和指導，同時也為物流行業(yè)培養(yǎng)更多高素質人才提供支持。

2" 文獻綜述

2.1" 學生學習行為的相關研究

" 隨著教育技術的不斷發(fā)展和教育改革的推進，學生學習行為研究逐漸受到國內外學者的關注。在相關研究中，學生的學習行為被定義為學生在課堂內外、線上線下所表現(xiàn)出來的與學習相關的各種行為活動。這些行為活動包括學生的學習態(tài)度、學習策略、學習時間管理、學習資源利用等方面。通過對學生學習行為的深入研究，教育工作者可以更好地了解學生的學習需求和學習特點，從而提供更加個性化和高效的教學服務。目前，關于學生學習行為的研究主要集中在以下幾個方面：（1）學習行為的影響因素研究。探究家庭背景、社會環(huán)境、學校教育等因素對學生學習行為的影響。例如，家庭經(jīng)濟條件、父母教育水平、學校教學質量等因素都可能對學生的學習態(tài)度和學習策略產生影響；（2）學習行為的差異性研究。關注不同學生群體在學習行為上的差異。例如，男生和女生、不同年級的學生、不同學科的學生等在學習行為上可能存在差異；（3）學習行為與學習成績的關系研究。探討學生學習行為與學習成績之間的關系。一些研究表明，良好的學習行為有助于提高學生的學習成績，而不良的學習行為則可能導致學習成績下降。

2.2" 聚類分析在學習行為研究中的應用

" 聚類分析是一種無監(jiān)督的機器學習方法，它能夠將具有相似特征的數(shù)據(jù)樣本聚集在一起，形成不同的群組或簇。在學習行為研究中，聚類分析被廣泛應用于識別學生的學習模式和學習特點。具體來說，聚類分析在學習行為研究中的應用主要包括以下幾個方面：（1）學生群體分類。通過聚類分析，可以將具有相似學習行為特征的學生聚集在一起，形成不同的學生群體。這有助于教育工作者更好地了解不同學生群體的學習需求和特點，為個性化教學提供指導；（2）學習模式識別。聚類分析可以揭示學生的學習模式和學習習慣。例如，通過對學生在線學習平臺上的學習數(shù)據(jù)進行聚類分析，可以發(fā)現(xiàn)學生在不同時間段的學習活躍度、學習資源的使用情況等，從而識別學生的學習模式；（3）學習效果評估。通過比較不同學生群體的學習成績和學習行為特征，可以評估不同教學模式和教學方法的效果。例如，可以比較采用傳統(tǒng)教學模式和采用個性化教學模式的學生群體在學習成績和學習行為上的差異，從而評估兩種教學模式的效果；（4）教學干預和優(yōu)化。基于聚類分析的結果，教育工作者可以針對不同學生群體的學習需求和問題制定相應的教學干預措施和優(yōu)化方案。例如，對于學習活躍度較低的學生群體，可以采取增加學習互動、提供學習激勵等措施來提高他們的學習積極性。

2.3" K-means算法的原理和特點

" K-means算法是一種經(jīng)典的聚類算法，用于將數(shù)據(jù)樣本分成K個簇，使得每個樣本屬于與其最近的簇中心。該算法的原理相對簡單直觀，首先隨機選擇K個簇心作為初始點，然后迭代地將每個樣本分配到離其最近的簇中心，再更新每個簇的中心位置。迭代過程將不斷重復直至簇心不再變化或達到預定的迭代次數(shù)。

" K-means算法的特點包括易于實現(xiàn)和高效快速。由于其簡單的迭代過程，算法的實現(xiàn)相對簡單，容易應用于大規(guī)模數(shù)據(jù)集。同時，K-means算法具有線性時間復雜度，因此在大數(shù)據(jù)集上的運行速度較快。然而，K-means算法對于初始簇心的選擇較為敏感，可能會得到不同的聚類結果，因此在實際應用中需要多次運行并選取較優(yōu)結果。

" 另外，K-means算法適用于數(shù)據(jù)樣本具有明顯的簇結構和近似球形簇的情況。對于非球形或者具有不同尺度的簇結構，K-means算法效果可能較差。為了克服這些限制，研究人員還發(fā)展了許多改進的K-means算法，如K-means++算法和K-medoids算法，以提高算法的聚類效果和魯棒性。

" 總的來說，K-means算法是一種簡單但有效的聚類算法，在許多實際應用中被廣泛使用，特別是在數(shù)據(jù)挖掘、模式識別和機器學習領域。然而，使用時需要注意對初始簇心的選擇和對數(shù)據(jù)分布特點的適應性，以獲得更加準確和穩(wěn)健的聚類結果。

3" 研究方法

3.1" 數(shù)據(jù)收集

3.1.1" 研究對象和樣本選擇

" 本文旨在基于K-means算法對海南經(jīng)貿職業(yè)技術學院物流職業(yè)本科學生的學習行為進行聚類分析，涵蓋不同年級、不同性別、不同學習成績和學習習慣的學生群體。為確保樣本的代表性和可靠性，采取以下步驟進行樣本選擇：（1）生源選擇。選擇學院物流職業(yè)本科和物流管理專升本學生學習數(shù)據(jù)，以增加研究結果的普適性；（2）樣本數(shù)量。考慮到研究的復雜性和數(shù)據(jù)處理的工作量，選擇連續(xù)4年的學生數(shù)據(jù)作為樣本以保證研究的準確性和可信度；（3）學生選取。從不同年級的物流專業(yè)學生中隨機選取樣本，確保樣本具有一定的代表性和多樣性；（4）數(shù)據(jù)獲取。通過學院的學籍管理系統(tǒng)和學生信息庫，獲取學生的個人基本信息、學習成績、學習行為數(shù)據(jù)等；（5）數(shù)據(jù)處理。對獲取的數(shù)據(jù)進行預處理，包括數(shù)據(jù)清洗、缺失值處理、異常值檢測等，確保數(shù)據(jù)的準確性和完整性。通過以上樣本選擇和數(shù)據(jù)處理步驟，得到一個具有代表性的物流職業(yè)本科學生樣本集，為基于K-means算法的學習行為聚類分析提供了數(shù)據(jù)基礎。

3.1.2" 學習行為數(shù)據(jù)獲取

" 為了進行基于K-means的物流職業(yè)本科學生學習行為聚類分析，需要收集學生的學習行為數(shù)據(jù)。學習行為數(shù)據(jù)是指學生在學習過程中產生的各種行為和活動記錄，如學習時間、學習資源的使用、在線互動等。為確保數(shù)據(jù)的全面性和準確性，通過學籍管理系統(tǒng)、學習管理平臺（超星學習通）、問卷調查等方式來集合數(shù)據(jù)。學籍管理系統(tǒng)記錄了學生的基本信息、選課情況、考試成績等。學習管理平臺獲取到學生的在線學習行為數(shù)據(jù)，如學習時間、課程訪問記錄、在線互動等。此外，還設計了學習行為相關的問卷調查，通過學生的自我報告來了解學習行為和學習習慣，補充獲取學生的主觀感受和學習體驗。

3.2" 數(shù)據(jù)預處理

" 在數(shù)據(jù)分析之前，首先對收集到的原始數(shù)據(jù)進行預處理，包括數(shù)據(jù)清洗、缺失值處理和數(shù)據(jù)標準化等步驟，以確保數(shù)據(jù)的準確性和一致性。對于問卷調查中存在的缺失值，采用了均值插補或眾數(shù)插補的方法進行處理，以保證數(shù)據(jù)的完整性。為了消除不同量綱對聚類結果的影響，對數(shù)據(jù)進行了標準化處理，使得不同特征之間具有相同的尺度。

4" 聚類結果評估

4.1" 聚類質量評價指標

" 聚類質量的評價指標主要有外部評估法和內部評估法。外部評估法是在知道真實標簽的情況下評估聚類結果的好壞，常見的指標有純度（Purity）、蘭德系數(shù)（Rand Index， RI）、F值（F-score）和調整蘭德系數(shù)（Adjusted Rand Index， ARI）。這些指標的值越大，表示聚類效果越好。其中，純度是用聚類正確的樣本數(shù)除以總的樣本數(shù)，值越接近1表示聚類結果越好；蘭德系數(shù)懲罰了聚類過程中的錯誤決策，包括假陽性和假陰性決策；F值則支持對這兩種錯誤類型的不同權重進行權衡；調整蘭德系數(shù)是蘭德系數(shù)的改進版，考慮了隨機標簽分配對于聚類評估的影響。內部評估法是在沒有真實標簽的情況下評估聚類結果的好壞，常見的指標有輪廓系數(shù)（Silhouette Coefficient）等。輪廓系數(shù)的值越大，表示簇內實例之間緊湊，簇間距離大，這正是聚類的標準概念。這里通過輪廓系數(shù)（Silhouette Coefficient）來確定最佳的聚類數(shù)目。這些方法可以幫助我們找到聚類內聚性和分離性之間的平衡點，從而得到合理的聚類結果。

4.2" 結果可視化

首先是性別與綜合成績的相關關系，針對男女不同的性別群體根據(jù)“綜合成績”指標進行觀察可以發(fā)現(xiàn)，男生的綜合成績分布跨度是非常大，既有滿分的同學，也有接近40分的低分同學。男生平均分（72分）低于女生平均分（79分），成績主要的分布區(qū)間在64～82分，而女生的成績集中分布在76～81分，可見女生群體成績離散度要小，女同學間的成績差異不大。

其次是平時表現(xiàn)和期末成績間的相關關系，回歸線r值為0.73，證明兩者具有強關聯(lián)，平時表現(xiàn)好的同學，期末的成績也相對優(yōu)秀。學生被聚類為3類，邊界相對清楚，聚類效果相對較好，輪廓系數(shù)0.511。教師應及時調整不同群體的教學策略，更好地因材施教，以達到提高教學效果的目的。

" 在將聚類數(shù)目設定為3之后，可以清晰地揭示出不同類型學生的學習特性。首先，第一類學生群體在數(shù)量上處于少數(shù)，大約只占整體的8%。顯然，這部分學生的學習態(tài)度相當消極，他們的各項學習成績都不盡如人意。對于這部分學生，學校和老師應加增強對他們的管理，比如通過布置更多的作業(yè)來提升他們的學習投入。

" 其次，第二類學生的特性也相當明顯。他們對于日常學習和考試持有一種得過且過的態(tài)度，缺乏追求卓越的學習精神。對于這部分學生，老師和學校應當進行適當?shù)囊龑В瑤椭麄兣囵B(yǎng)正確且積極的學習習慣。

再者，第三類學生在所有學生中所占比例最大，接近總數(shù)的一半。他們在各方面的學習成績都表現(xiàn)優(yōu)秀，學習的積極性和自主性都很高，對于這部分學生，老師無需進行過多的干預和指導。

" 從整體的角度分析，這個班級存在明顯的兩極分化現(xiàn)象。為了改善這種情況，老師應當適度放緩教學進度，并針對學習困難的學生進行重點幫助和支持。此外，還存在一個普遍現(xiàn)象：學生的平時成績較高，但期末成績相對較低。這可能是因為期末考試的試題難度過高，或者平時作業(yè)和討論活動的評分標準過于寬松，導致學生存在渾水摸魚的情況。針對這個問題，老師和學校應當適度調整期末考試的難度，并反思平時作業(yè)和討論活動的評分標準是否合理。

5" 結束語

" 針對這個班級存在的兩極分化問題，可以考慮采取以下措施來處理：（1）針對不同類型的學生，教師可以設計個性化的教學計劃和教學方法。對于學習困難的學生，可以采用更為直觀、生動的教學方式，提升他們的學習興趣和動力；（2）鼓勵學生之間進行小組合作，讓學習優(yōu)秀的學生能夠幫助和帶動學習困難的學生。這不僅可以提高學習困難學生的成績，還能培養(yǎng)學生的團隊合作精神和溝通能力；（3）定期對學生的學習情況進行評估，及時發(fā)現(xiàn)學生的學習問題和困難，并給予及時的反饋和指導；（4）對于學習困難的學生，可以提供額外的輔導和支持，如課后輔導、學習資源推薦等，幫助他們跟上學習進度；（5）教師可以設計互動性強的課堂活動，鼓勵所有學生參與其中，提高學生的學習積極性；（6）針對學生的學習特點和需求，教師可以適時調整自己的教學策略和方法，以更好地滿足學生的學習需求。

參考文獻：

[1] 祁占勇，穆航. 數(shù)字化賦能西部高等教育高質量發(fā)展的內在機理與路徑建構[J]. 西北工業(yè)大學學報（社會科學版），2024（4）：55-65.

[2] 侯學會，陳亞靜，馬志偉，等. 混合式教學在有機化學課程中的實踐運用[J]. 廣東化工，2023，50（24）：167-169.

[3] 潘婭媚. 面向“云課堂+MOOC”的物流教學改革策略研究[J]. 物流科技，2023，46（18）：157-160.

收稿日期：2023-12-27

基金項目：海南省教育廳科學研究項目“數(shù)據(jù)驅動的海南物流職業(yè)本科學生學情分析與成績預測研究”（Hnky2023-73）；海南經(jīng)貿職業(yè)技術學院院級重點課題項目“基于大數(shù)據(jù)的物流管理職業(yè)本科學生學情診斷與教學干預研究”（hnjmk2022103）

作者簡介：李蕓嘉（1989—），女，內蒙古赤峰人，海南經(jīng)貿職業(yè)技術學院，講師，碩士，研究方向：物流與供應鏈。

引文格式：李蕓嘉. 基于K-means的海南物流職業(yè)本科學生學習行為分析[J]. 物流科技，2025，48（3）：178-181.