基于大數據的在線學習行為研究

摘要：該研究以在線學習平臺數據為基礎，運用數據分析方法深入探討職業院校學生的在線學習行為。介紹了在線學習行為研究的背景和意義，運用SPSS方法對學習平臺數據進行分析，研究揭示了學習者行為特征、學習模式及其影響因素。同時探討了在線學習行為與學習效果的關系，并提出相應的在線學習優化策略。最后，總結了主要發現，指出了研究的局限性，并對未來研究方向進行了展望，旨在為在線教育平臺的優化和個性化在線學習支持提供實踐指導。

關鍵詞：在線學習行為；學習分析；數據分析；個性化學習

中圖分類號：TP311" " " 文獻標識碼：A

文章編號：1009-3044（2025）17-0078-03

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著信息技術的快速發展，在線學習平臺的重要性愈加凸顯。在疫情防控期間，高校轉向在線教學，在線學習用戶數量大幅增加，例如，全球領先的在線學習平臺Coursera在疫情當年用戶增長超過600%。在線學習已成為高等院校學生的一種重要學習方式，成為保障教育教學活動正常開展的關鍵支撐，越來越多的學者開始關注在線學習行為與學習效果的關系研究，以期利用數據預測模型提前識別可能遇到困難的學生，為學習提供個性化支持。在線學習環境的開放性和自主性也給教師帶來了新的挑戰，這使得如何監控和指導學生的學習行為，以及提高學習效果，成為當前教育研究的熱點問題。

不同于傳統線下課堂教學，在線學習能夠追蹤和記錄學生學習全過程，進而產生大量的學習行為數據。通過對這些學習數據進行處理和分析，能夠讓教師了解到學生的學習過程和學習效果，從而對學生的學習及時進行引導和調整，這為科學、客觀評價在線學習提供了新思路。通過收集和分析在線學習平臺產生的大量數據，可以深入了解學生的學習行為模式、學習偏好和學習效果等要素，從而為教學設計和學習支持提供科學依據。本研究以作者所授課程的在線學習平臺數據為基礎，運用分類和可視化分析的數據分析方法，旨在揭示職業院校學生在線學習行為的特征和規律，探討影響學習效果的關鍵因素，為優化在線教育平臺和提升學習效果提供參考。

本研究的意義主要體現在以下幾個方面：第一，通過數據分析，可以全面、客觀地了解學生的在線學習行為；其次，研究結果有助于識別學習困難學生，提供及時的學習干預；最后，基于數據分析的個性化學習建議，可以提高學習效率，促進教育公平。本研究采用定量與定性相結合的方法，綜合分析數據，力求全面、深入地探討在線學習行為的特征及其與學習效果的關系。

1 在線學習行為研究背景與意義

在線學習行為研究是教育技術領域的一個重要分支，關注學習者在網絡環境中的學習過程、行為特征及其影響因素。隨著在線教育的普及，研究者們逐漸認識到，僅僅提供豐富的學習資源并不足以保證學習效果，關鍵在于如何引導和優化學生的學習行為[1]。研究通過分析學習者行為，教育工作者能夠更好地理解學習過程，做更有效的教學設計，提供個性化的學習支持。

在線學習平臺后臺數據記錄與分析應用為在線學習行為研究提供重要支撐。傳統的學習行為研究主要依賴于問卷調查、訪談等主觀性較強的方法，樣本量有限，難以全面反映學生的學習情況。而使用數據平臺技術可以實現實時、自動收集和分析海量學習數據，如登錄頻率、學習時長、資源訪問路徑、互動參與度等，為教師和使用者提供前所未有的研究視角和工具[2]。通過大數據對比分析，可以發現隱藏在海量數據中的模式和規律，預測學習趨勢，識別潛在的學習問題，從而為教學策略的制定和修正提供科學依據。

作為一線教師，在日常使用教學平臺進行混合式教學過程中，平臺積累了大量的學生學習行為數據，這些數據不僅反映了學生的學習習慣和偏好，還包含了豐富的教學互動信息。通過對這些數據的深入分析，可以發現學生個體的學習特點，以及影響學習效果的關鍵因素，為教師優化人才培養模式提供參考。

2 數據來源與研究方法

2.1 研究方法

本研究采用定量和定性相結合的方法，運用 SPSS 進行分析，探討學習行為與學習效果的關系，以全面、深入地探討在線學習行為的特征及其影響因素。研究數據主要來源于研究者使用的計算機課程在線學習平臺，學生專業為安全防范類。根據學習平臺后臺數據，主要觀測要素為學生的資源訪問情況、學習時長、在線測試成績、留言板互動數據等，研究周期涵蓋一個完整學期的在線學習活動。為了提高數據分析的準確性，本研究還對異常值進行了識別和處理。

2.2 數據分析方法

主要運用分類和可視化分析數據分析方法。分類分析方法主要用于概括學生學習行為的基本特征，如學習時長分布、資源訪問頻率等；可視化數據分析方法主要用于識別和對比不同學生個體之間的數據差異，通過分析差異要素的不同，研究資源訪問情況、時長等要素與學習成績的關系。

3 在線學習平臺數據分析

對在線學習平臺數據的分析揭示了學習者的顯著行為特征，主要差異體現在學習時間分布、資源訪問模式、學習個體學習模式3個方面。

3.1 學習時間分布方面

在學習時間分布方面，大部分學生傾向于在晚上8點到10點之間進行在線學習，明顯與學院專業學生的日常作息時間密切相關。

3.2 資源訪問模式方面

在資源訪問模式上，視頻類學習資源最受歡迎，其次是PPT課件和PDF文檔。值得注意的是，學生在訪問資源時表現出明顯的“跳躍式”特征，即傾向于快速瀏覽多個資源，而不是深入研讀某一特定資源。

3.3 學習個體學習模式方面

通過觀察學習者個體數據，進一步分析發現不同學習者表現出不同的學習行為特點，將學生分為4種主要類型：積極參與型、任務驅動型、被動應付型和消極懈怠型。積極參與型學生表現出頻繁的平臺訪問、較長的學習時間和活躍的論壇參與；任務驅動型學生主要圍繞課程任務要求進行學習，表現出明顯的任務導向特征；被動應付型學生的學習行為較為零散，主要集中于考試前的突擊學習；消極懈怠型學生的平臺訪問頻率低，學習投入時間短，表現出明顯的學習倦怠和低參與度。

4 在線學習行為與學習效果的關系研究

通過對比分析研究，發現影響在線學習行為的因素是多方面的，主要分為個人因素、課程因素和其他個別因素。

4.1 個人因素

學習動機和自我調節能力顯著影響學習行為，高動機、強自我調節能力的學生往往表現出更積極、更持久的學習行為。通過分析，研究發現某些學習行為特征與學習成績存在顯著關聯。例如，互動參與、作業提交、平臺訪問頻率、學習時長、資源訪問深度與期末考試成績呈正相關。特別是視頻資源的觀看完整度和作業的參與度，對學習成績的預測力最強。這表明，持續、深入的學習投入是取得良好學習效果的關鍵。

然而，并非所有的學習行為都能帶來積極的學習效果。研究發現，過度的“跳躍式”資源瀏覽行為與學習成績呈負相關。這種行為模式可能導致學習注意力分散，難以形成系統的知識結構。

此外，論壇參與度與學習成績的關系呈現倒U型曲線，即適度的論壇參與有助于學習，但過度參與反而可能影響學習效果。這提示人們，在線學習中的社交互動須適度，以避免影響獨立思考能力的培養，過度依賴同伴交流可能影響獨立思考能力的培養[3]。

表1" 影響在線學習效果因素

[影響因素 主要相關內容 具體表現形式 個人因素 學習動機 平臺訪問頻率、學習時長、資源訪問深度、論壇討論參與度等 課程因素 在線課程設計 課程設計質量、資源呈現方式和教師在線指導反饋頻率等 其他因素 客觀條件 網絡環境、設備性能和網絡支持等 ]

4.2 課程因素

課程設計質量、資源呈現方式和教師在線指導頻率都會影響學生的學習行為。例如，模塊化、互動性強的課程設計能夠激發學生的學習興趣，促進深度參與[4]。

其次，資源呈現方式也會影響學生的學習持續度，例如，將相對枯燥的PDF文檔和PPT設置為闖關等能夠吸引學生的設計方式，更能激發學生的學習興趣。

再如，教師的積極反饋也可以促進學生的參與度，例如，交流討論模塊的及時反饋會提升學生的積極性。

4.3 其他因素

同時，其他客觀環境條件也對學生學習行為和學習效果有一定影響，網絡條件、設備性能和網絡支持等也會對在線學習行為產生重要影響。

5 基于大數據分析結果的在線學習優化策略

參與度是決定教育效果的關鍵因素。相關調研顯示，許多學生在進行在線學習時存在沒有明確的學習導向、選擇的課程資源與教師的要求不匹配等問題，導致學習效果不佳。本研究按照在線學習學生特征，根據學習者在線學習投入的時長，將學習者分為低投入學習者、中投入學習者和高投入學習者，并實施不同的干預策略。主要應用激勵策略、目標導向、學習結果可視化、個性化指導和梯度訓練5種策略。

5.1 低投入學習者干預策略

對于低投入學習者，主要采用激勵、目標導向和學習結果可視化三種干預策略，以激勵策略為主。第一，圍繞激勵措施開展在線教學設計，提升學生的學習主動性，例如，通過互動式的學習平臺，教師可以設置問答、投票、討論等環節，但對于偏離討論主題的內容，需要及時予以提醒，鼓勵學生積極參與。這種參與式互動可以促進彼此的交流與合作，同時也能夠促進學生的注意力集中。第二，在教學內容設計時確定清晰的學習目標，教師應定期發布學習任務和目標，使學生對自己的學習任務了然于心。同時，加強對學生學習行為的監控和指導，及時發現并糾正不良學習習慣，并在必要時提供個別指導，在提升學習效果的同時，也可以適度加強師生之間的情感交流。第三，應用平臺功能，明確學生階段性學習的學習結果，如作業批閱情況的及時反饋和測驗成績等。

5.2 中投入學習者干預策略

對于中投入學習者，由于學生已經具備了一定的學習主動性，除了激勵策略，核心干預策略集中于目標導向原則。第一，教師引導鼓勵學生制定合理的學習計劃，并保持持續、穩定的學習投入，通過定期公布班級學生的學習情況，形成一定的預警機制，及時對持續學習的學生進行鼓勵，對于未及時參與的學生進行個體指導，使這部分學生始終保持積極的學習興趣。第二，持續關注學生在學習過程中遇到的各類困難，借鑒歸因訓練的方法，實施個性化指導，適時引導學生樹立正確的學習觀念，保持努力向上的心態。

5.3 高投入學習者干預策略

對于高投入學習者，學習者在具備充分主動學習的基礎上，也具備一定的在線學習能力和方法，自我學習管理較強，使用在線學習工具的行為更為積極，同時擁有對學習進度的自主選擇權。對于這類學習者，主要采取梯度訓練的方法，即按照分層級教學理念，使他們能夠根據自身對知識的掌握情況，調整學習的進度，增強學習的靈活性和自主性[5]。第一，教師應注重引導學生進行深度學習，例如通過設置學習路徑、提供學習進度跟蹤反饋、闖關等方式，為學生提供實時的學習效果評估和改進建議，幫助學生建立系統的知識結構。第二，增加個性化推薦功能，根據學生的學習行為和偏好，提供更多拓展性學習資源，智能推薦適合的學習資源和學習路徑，幫助學生對所學知識建立深度理解。

6 結論

本研究基于研究者所授課程的在線學習平臺數據，運用數據分析方法，深入探討了在線學習行為的特征、模式及其與學習效果的關系。研究發現，在線學習行為具有明顯的個體差異和模式特征，某些行為特征與學習效果存在顯著關聯，識別了影響在線學習效果的關鍵行為因素，為學習干預提供了依據。基于這些發現，研究提出了基于數據分析的在線學習優化策略，主要包括改進教學設計、優化在線學習平臺功能和提供個性化學習支持的建議，可為同類院校的在線教育實踐提供參考。然而，本研究也存在一些局限性。首先，樣本范圍僅限于單一課程，可能影響研究結果的普適性。其次，由于數據隱私保護的限制，某些可能影響學習行為的個人因素（如家庭背景、心理健康狀況等） 未能納入分析。未來研究可以考慮擴大樣本范圍，納入更多影響因素，例如，以不同專業、年級甚至不同課程的學生作為研究對象開展調查，或者在具體研究中將在線學習行為數據與其他教育數據（如課堂表現等） 相結合，以更全面地評估學習效果。最后，探索應用基于人工智能（AI） 的個性化學習支持系統，實現學習行為的實時監測和智能干預，給予學生更豐富的在線學習體驗，提升人才培養的質量。

參考文獻：

[1] 張明華，李靜怡.大數據時代在線學習行為分析研究綜述[J].遠程教育雜志，2019，37（5）：45-56.

[2] 孫文靜，鄭小龍.大數據驅動下的個性化學習路徑推薦研究[J].現代教育技術，2022，32（1）：67-75.

[3] 王立新，陳思遠.基于學習分析的高校在線學習行為模式研究[J].電化教育研究，2020，41（3）：78-86.

[4] 劉芳，趙明輝.在線學習行為與學習效果的關系研究：以MOOCs為例[J].中國遠程教育，2021，42（2）：23-32.

[5] 周明華，黃曉燕.職業院校在線學習平臺優化策略研究[J].職業技術教育，2021，42（15）：56-63.

【通聯編輯：謝媛媛】