在線學(xué)習(xí)行為效果及其課程預(yù)警研究

摘要：隨著在線教育的快速發(fā)展，分析學(xué)生學(xué)習(xí)行為以提升學(xué)習(xí)效果已成為教育研究的重要課題。基于“秾大云上”教育平臺(tái)在線學(xué)習(xí)數(shù)據(jù)系統(tǒng)，本研究綜合運(yùn)用皮爾遜相關(guān)分析法、聚類模型和機(jī)器學(xué)習(xí)算法，研究學(xué)習(xí)者數(shù)字軌跡與學(xué)業(yè)表現(xiàn)之間的關(guān)系。通過聚類分析，學(xué)生被劃分為四類（卓越型、中等積極型、低效型和均衡型） ，每類學(xué)生在學(xué)習(xí)行為和效果上表現(xiàn)出不同的特征。此外，基于遺傳算法的LightGBM模型（GA_LightGBM） 在學(xué)業(yè)預(yù)警和學(xué)習(xí)效果預(yù)測中表現(xiàn)出較高的準(zhǔn)確率（0.879） 。研究結(jié)果為優(yōu)化教學(xué)資源、改進(jìn)教學(xué)策略、強(qiáng)化平臺(tái)功能提供了科學(xué)依據(jù)，為在線教育的個(gè)性化教學(xué)和精準(zhǔn)干預(yù)提供了理論支持。

關(guān)鍵詞：高等教育；在線學(xué)習(xí)行為效果；LightGBM模型；機(jī)器學(xué)習(xí)；遺傳算法；課程預(yù)警

中圖分類號(hào)：TP301" " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）24-0004-03

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

在當(dāng)今數(shù)字化時(shí)代，互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展深刻變革了教育領(lǐng)域的格局，在線教育應(yīng)運(yùn)而生，迅速崛起，成為教育發(fā)展的重要趨勢[1]。近年來，大數(shù)據(jù)、云計(jì)算、人工智能等新興技術(shù)得到廣泛應(yīng)用，在線教育平臺(tái)不斷優(yōu)化升級，為學(xué)生打造了更為豐富多樣、便捷高效的學(xué)習(xí)資源與環(huán)境。越來越多的學(xué)生選擇通過在線平臺(tái)進(jìn)行學(xué)習(xí)，學(xué)習(xí)方式逐漸從傳統(tǒng)課堂向線上轉(zhuǎn)移[2]。在信息化教學(xué)環(huán)境下，在線學(xué)習(xí)已成為學(xué)生的主流學(xué)習(xí)方式[3]。在此情況下，怎樣通過剖析學(xué)生的在線學(xué)習(xí)行為來提高學(xué)習(xí)效果，成為教育研究者和實(shí)踐者共同聚焦的關(guān)鍵問題。

在線學(xué)習(xí)行為效果分析是學(xué)習(xí)分析的一個(gè)重要內(nèi)容，通過對學(xué)生學(xué)習(xí)數(shù)據(jù)的分析和挖掘，可以深入理解學(xué)生的學(xué)習(xí)過程，優(yōu)化教學(xué)策略，進(jìn)而提高教與學(xué)的質(zhì)量和效果[4]。通過對學(xué)生在線學(xué)習(xí)行為效果的有效分析，教師能夠發(fā)現(xiàn)學(xué)生的學(xué)習(xí)模式，識(shí)別出影響學(xué)習(xí)效果的關(guān)鍵因素，從而為教學(xué)決策提供科學(xué)依據(jù)。

本研究旨在通過分析“秾大云上”教育平臺(tái)的在線學(xué)習(xí)數(shù)據(jù)，使用皮爾遜相關(guān)分析法、聚類模型和機(jī)器學(xué)習(xí)算法，系統(tǒng)研究學(xué)習(xí)者數(shù)字軌跡與學(xué)業(yè)表現(xiàn)之間的關(guān)系。將揭示影響學(xué)習(xí)效果的關(guān)鍵行為特征，并為教師提供科學(xué)的教學(xué)干預(yù)建議[5]。研究結(jié)果不僅有助于優(yōu)化在線教育平臺(tái)的功能設(shè)計(jì)，還將為在線教育的個(gè)性化教學(xué)和精準(zhǔn)干預(yù)提供理論支持，推動(dòng)在線教育質(zhì)量的進(jìn)一步提升。

1 實(shí)驗(yàn)結(jié)果

1.1 數(shù)據(jù)來源

本研究基于“秾大云上”教學(xué)平臺(tái)采集計(jì)算機(jī)與信息工程學(xué)院2020—2024年的20 000余條在線學(xué)習(xí)數(shù)據(jù)（涉及1 600余名學(xué)生） ，數(shù)據(jù)清洗后，去除重復(fù)值、缺失值和異常值，最終保留1 503條有效樣本。收集到的數(shù)據(jù)涉及視頻累計(jì)觀看時(shí)長，視頻觀看數(shù)量、任務(wù)完成情況、平時(shí)簽到情況和階段性考核等多個(gè)學(xué)習(xí)行為指標(biāo)。以該課程的線上學(xué)習(xí)得分以及最終成績作為學(xué)習(xí)效果進(jìn)行分析。

1.2 行為特征與學(xué)習(xí)效果的相關(guān)性

皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient） 是衡量兩個(gè)變量x和y之間的線性相關(guān)程度的統(tǒng)計(jì)量，其值介于-1與1之間[7]。使用皮爾遜相關(guān)系數(shù)和p值分析線上學(xué)習(xí)活動(dòng)與學(xué)習(xí)分?jǐn)?shù)及最終成績之間的關(guān)系。p值用于評估相關(guān)性的統(tǒng)計(jì)顯著性；一般情況下，如果p值小于0.05，則認(rèn)為該相關(guān)性是統(tǒng)計(jì)顯著的[8]。為挖掘出與學(xué)習(xí)效果顯著相關(guān)的行為特征，并刪除與學(xué)習(xí)效果不相關(guān)的行為特征。本研究使用皮爾遜相關(guān)系數(shù)衡量行為特征與學(xué)習(xí)效果的相關(guān)性，結(jié)果如表1所示。

由表1可以看出，觀看視頻時(shí)長、觀看視頻得分、觀看任務(wù)點(diǎn)數(shù)、學(xué)習(xí)進(jìn)度和考試得分與最終成績之間存在顯著的正相關(guān)性。測驗(yàn)得分也與最終成績呈現(xiàn)出顯著的正相關(guān)。完成作業(yè)數(shù)和簽到次數(shù)等變量與最終成績呈負(fù)相關(guān)。作業(yè)得分與最終成績的相關(guān)性接近于零。線下得分、課程活動(dòng)分?jǐn)?shù)和專題閱讀時(shí)長等變量與最終成績的相關(guān)性較弱或者幾乎沒有相關(guān)性。補(bǔ)考次數(shù)與最終成績呈顯著負(fù)相關(guān)。觀看視頻數(shù)和完成測驗(yàn)數(shù)這兩個(gè)變量與線上學(xué)習(xí)分?jǐn)?shù)和最終成績之間的相關(guān)性都非常弱，而且p值表明它們的相關(guān)性在統(tǒng)計(jì)上并不顯著。此外，補(bǔ)考次數(shù)與線上學(xué)習(xí)分?jǐn)?shù)的相關(guān)性幾乎不存在，而它對最終成績有顯著的負(fù)相關(guān)。因此刪除觀看視頻數(shù)和完成測驗(yàn)數(shù)這兩個(gè)變量。只保留剩下的在線學(xué)習(xí)行為特征進(jìn)行分析。

1.3 各行為特征間相關(guān)性分析

為深入發(fā)掘行為特征及在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的內(nèi)在聯(lián)系，進(jìn)而為提升學(xué)習(xí)成績提供貼合個(gè)體需求的個(gè)性化建議，本研究針對篩選后的行為特征展開了相關(guān)性分析，旨在探究各行為特征彼此之間的關(guān)聯(lián)。各特征之間的相關(guān)性熱力圖如圖1所示。

由圖1可以看出，觀看視頻時(shí)長、觀看視頻得分、測驗(yàn)得分、學(xué)習(xí)進(jìn)度和完成作業(yè)數(shù)之間存在較強(qiáng)的正相關(guān)關(guān)系，表明這些活動(dòng)相互促進(jìn)。訪問次數(shù)和訪問次數(shù)得分以及簽到次數(shù)和簽到成績也顯示出較強(qiáng)的正相關(guān)關(guān)系，這可能意味著頻繁的平臺(tái)訪問和簽到有助于提高某些成績指標(biāo)。線上學(xué)習(xí)分?jǐn)?shù)和最終成績之間的相關(guān)性雖然不高，但仍然存在一定的正向關(guān)系。

1.4 在線學(xué)習(xí)行為特征聚類分析

在探索在線學(xué)習(xí)行為模式時(shí)，運(yùn)用聚類方法，把具有相似學(xué)習(xí)特征的學(xué)習(xí)者歸為一類。在聚類領(lǐng)域中，層次聚類和K均值聚類是較為常用的兩種方法[9]，它們各自具備獨(dú)特的優(yōu)勢與不足，并且適用于不同的實(shí)際場景。本實(shí)驗(yàn)首先使用層次聚類方法處理數(shù)據(jù)，以確定合理的聚類數(shù)量，實(shí)驗(yàn)結(jié)果如圖2所示。在此基礎(chǔ)上，進(jìn)一步開展K均值聚類操作，從而挖掘出不同類別中學(xué)習(xí)者所共有的行為模式。通過對學(xué)習(xí)者行為進(jìn)行細(xì)致的聚類分析，依據(jù)相似行為對學(xué)生進(jìn)行了類型劃分，這樣的成果能夠?yàn)榻處煂?shí)施更具針對性的教學(xué)策略提供有力的數(shù)據(jù)支撐和參考依據(jù)。

由圖2可以看出，數(shù)據(jù)主要被分為4個(gè)主要聚類：橙色、綠色、紅色和紫色。因此，K均值聚類數(shù)目設(shè)為4。同時(shí)在圖中可以看出橙色聚類位于左側(cè)，包含較多的樣本且內(nèi)部結(jié)構(gòu)較為復(fù)雜，表明這些樣本之間存在一定的多樣性；綠色聚類位于中間偏左，包含的樣本數(shù)量適中且內(nèi)部結(jié)構(gòu)相對簡單，說明這些樣本之間的相似性較高；紅色聚類位于中間偏右，包含較多的樣本且內(nèi)部結(jié)構(gòu)較為復(fù)雜；紫色聚類位于最右側(cè)，包含較少的樣本但內(nèi)部結(jié)構(gòu)較為復(fù)雜，表明這些樣本之間存在較大的差異。

通過觀察樹狀圖的高度，可以發(fā)現(xiàn)橙色和綠色聚類在較低的距離處合并，說明它們之間的差異較小；紅色聚類在較高的距離處合并，說明它與其他聚類之間的差異較大；紫色聚類在最高的距離處合并，說明它與其他聚類之間的差異最大。

通過層次聚類樹狀圖可以得知，將K均值聚類的數(shù)目設(shè)置為4是最合理的，之后通過主成分分析將數(shù)據(jù)投影到二維空間進(jìn)行展示，將可視化K-均值聚類的結(jié)果進(jìn)行輸出，共四個(gè)簇，結(jié)果如圖3所示。

由圖3可知，存在4個(gè)不同顏色標(biāo)記的聚類：藍(lán)色的 cluster 0 主要聚集在左下角；綠色的 cluster 1 集中在左上角；橙色的 cluster 2 較為分散，主要在中部和右側(cè)；紅色的 cluster 3 主要位于右下角。各聚類在主成分空間中有相對集中的區(qū)域，顯示出數(shù)據(jù)在經(jīng)過降維處理后呈現(xiàn)出的分布特性。橙色聚類雖然主要集中在中部和右側(cè)，但有一些較為孤立的點(diǎn)，可能是該聚類中的離群點(diǎn)。各聚類間有一定的間隔，表明它們在主成分空間中有較好的可區(qū)分性。

通過對表2進(jìn)行分析，可以將學(xué)生劃分為四類群體：卓越型、中等積極型、低效型和均衡型。簇 1的學(xué)生為中等積極型，表現(xiàn)為學(xué)習(xí)效果中等偏上和較高的參與度，觀看視頻的時(shí)間較長，但得分較低，作業(yè)完成情況較好，最終成績也較為理想。這表明盡管他們在某些方面表現(xiàn)一般，但整體學(xué)習(xí)態(tài)度積極，需要進(jìn)一步提升學(xué)習(xí)效率。簇 2的學(xué)生為低效矛盾型，表現(xiàn)為各項(xiàng)指標(biāo)普遍較低，包括觀看視頻得分、測驗(yàn)得分和作業(yè)得分，最終成績較低。簇 3的學(xué)生為卓越型，表現(xiàn)出非常高的學(xué)習(xí)效果和參與度，是學(xué)習(xí)的典范。他們觀看視頻時(shí)間長且得分高，測驗(yàn)和考試得分也非常高，學(xué)習(xí)進(jìn)度也非常高，整體表現(xiàn)非常出色，可以作為其他學(xué)生的學(xué)習(xí)榜樣。簇 4的學(xué)生為均衡型，表現(xiàn)為中等偏上的學(xué)習(xí)效果和參與度。他們觀看視頻時(shí)長較長，測驗(yàn)得分中等偏上，但考試得分較低。作業(yè)完成情況較好，訪問次數(shù)較多，最終成績中等偏上。表明他們在多個(gè)方面表現(xiàn)均衡，但仍有一定的提升空間。

1.5 學(xué)習(xí)行為對學(xué)習(xí)效果的影響

學(xué)生在在線學(xué)習(xí)中的行為表現(xiàn)反映了學(xué)習(xí)認(rèn)知、習(xí)慣、風(fēng)格和態(tài)度等多方面的信息。由于不同的學(xué)習(xí)行為模式，極有可能催生出各異的學(xué)習(xí)成效，因此在本研究中，運(yùn)用定量分析的方式來闡釋學(xué)習(xí)行為與學(xué)習(xí)成效二者之間的內(nèi)在聯(lián)系。學(xué)習(xí)行為作為預(yù)測學(xué)生學(xué)習(xí)成效的關(guān)鍵變量，這充分表明各類學(xué)習(xí)行為變量與學(xué)習(xí)成效變量之間存在著一定的關(guān)聯(lián)。就目前已有的研究文獻(xiàn)來看，若要深入探究這些變量之間的數(shù)量關(guān)系，主要可采用決策樹、神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)） 、隨機(jī)森林等方法。本研究采用基于遺傳算法的LightGBM模型（GA_LightGBM） 來構(gòu)建學(xué)習(xí)行為變量和學(xué)習(xí)效果變量之間的預(yù)測模型[10-11]。LightGBM作為基于梯度提升決策樹（GBDT） 框架的進(jìn)階型集成學(xué)習(xí)算法，展現(xiàn)出訓(xùn)練效率高、內(nèi)存占用低等顯著的優(yōu)勢[12]。首先對課程成績實(shí)施離散化處理，具體規(guī)則為：把成績高于85分的，統(tǒng)一用A來表示；成績處于75分（含） 至85分（不含） 這個(gè)區(qū)間的，以B來指代；成績介于60分（含） 至75分（不含） 之間的，標(biāo)記為C；而成績低于60分的，則用D來表示。完成離散化操作后所得到的數(shù)據(jù)詳情，如表3所示。

實(shí)驗(yàn)數(shù)據(jù)集通過上文的方法處理之后，按照測試集占比30%的比例劃分訓(xùn)練集和測試集。課程預(yù)警模型的性能評估指標(biāo)為準(zhǔn)確率（Accuracy） 、精確率（Precision） 、召回率（Recall） 、F1分?jǐn)?shù)（F1_score） [13]。在完成訓(xùn)練集與測試集的劃分后，開展掛科預(yù)測模型的訓(xùn)練工作。 GA_LightGBM、LightGBM、XGBoost、SVM 以及 Random Forest 模型被作為預(yù)測模型，依照統(tǒng)一的規(guī)則組合分別對它們進(jìn)行訓(xùn)練操作，以便清晰掌握每個(gè)算法在訓(xùn)練過程中的具體表現(xiàn)情況。最終，得出的 5 種不同算法的結(jié)果整理如表4所示。

訓(xùn)練完成后在測試集上進(jìn)行模型的性能評估，本實(shí)驗(yàn)將4個(gè)模型的測試結(jié)果通過matplotlib制作成條形圖，如圖4所示。

本研究中選擇了LightGBM算法中4個(gè)具有代表性的超參數(shù)進(jìn)行調(diào)優(yōu)，分別是：葉子節(jié)點(diǎn)數(shù)（num_leaves） ：用來限制葉子節(jié)點(diǎn)能夠繼續(xù)分裂的最小權(quán)重和，防止過擬合。gamma 值：控制葉節(jié)點(diǎn)的最小損失減少量，以此防止過擬合現(xiàn)象[14]。該值越大，表明模型的決策越趨于保守。在遺傳算法中，相關(guān)參數(shù)設(shè)定如下：葉子節(jié)點(diǎn)數(shù)為20、最小樣本數(shù)為100、樹的數(shù)量為30、樹的最大深度為10，學(xué)習(xí)率0.1。鑒于遺傳算法的交叉和變異過程存在隨機(jī)性，為獲取最優(yōu)或近乎最優(yōu)的參數(shù)組合，在運(yùn)用遺傳算法時(shí)，必須開展多次實(shí)驗(yàn)[15]。用 GA_LightGBM 的準(zhǔn)確率均高于使用默認(rèn)參數(shù)的準(zhǔn)確率。此外，當(dāng)達(dá)到設(shè)定的終本研究采用?GA_LightGBM?進(jìn)行超參數(shù)優(yōu)化，與網(wǎng)格搜索和貝葉斯搜索進(jìn)行橫向?qū)Ρ龋斠姳?。其中，超參數(shù)列表分別為葉子節(jié)點(diǎn)數(shù)（num_leaves） 、最小樣本數(shù) （min_child_samples）、樹的數(shù)量（n_estimators） 、樹的最大深度（max_depth） 和學(xué)習(xí)率（learning_rate） 。

網(wǎng)格搜索采用全參數(shù)遍歷策略，存在計(jì)算開銷大且資源消耗較高的局限性；隨機(jī)搜索通過隨機(jī)選取參數(shù)組合雖提升效率，但其結(jié)果穩(wěn)定性易受初始參數(shù)和隨機(jī)采樣波動(dòng)的影響；遺傳算法憑借良好的并行處理能力和算法可擴(kuò)展性，配合優(yōu)化的交叉變異策略可有效規(guī)避局部最優(yōu)解。值得注意的是，當(dāng)變異率設(shè)置過高時(shí)，其搜索模式會(huì)趨近于隨機(jī)搜索。

根據(jù)實(shí)驗(yàn)結(jié)果顯示，使用GA_LightGBM算法進(jìn)行學(xué)業(yè)預(yù)警可以獲得更高的準(zhǔn)確率，相比于常用的隨機(jī)森林和支持向量機(jī)等算法表現(xiàn)更佳。此外，GA_LightGBM在超參數(shù)優(yōu)化方面也勝過網(wǎng)格搜索和隨機(jī)搜索。

2 結(jié)論

本文基于“秾大云上”教學(xué)平臺(tái)的在線學(xué)習(xí)數(shù)據(jù)，通過機(jī)器學(xué)習(xí)與聚類分析方法，深入探討了學(xué)生在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系，并構(gòu)建了基于遺傳算法優(yōu)化的LightGBM預(yù)測模型。研究結(jié)果表明，觀看視頻得分、測驗(yàn)得分、學(xué)習(xí)進(jìn)度和考試得分等特征與學(xué)習(xí)效果顯著，且GA_LightGBM模型在學(xué)業(yè)預(yù)警和成績預(yù)測中表現(xiàn)出較高的準(zhǔn)確率（87.9%） ，顯著優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法。此外，通過層次聚類與K-means聚類相結(jié)合的方法，將學(xué)生劃分為四類群體（卓越型、中等積極型、低效矛盾型和均衡型） ，為教師提供了針對性的教學(xué)干預(yù)依據(jù)。

參考文獻(xiàn)：

[1] 馬曉.在線學(xué)習(xí)行為特征挖掘及學(xué)業(yè)預(yù)警研究[D].濟(jì)南：山東師范大學(xué)，2022.

[2] 何丹陽.基于GA＿XGBoost的高校學(xué)生學(xué)業(yè)預(yù)警系統(tǒng)的研究與實(shí)現(xiàn)[D].重慶：西南大學(xué)，2023.

[3] 孫正.基于數(shù)據(jù)挖掘的高校學(xué)生學(xué)業(yè)預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].石河子：石河子大學(xué)，2023.

[4] 程光勝.基于超星學(xué)習(xí)通平臺(tái)高職學(xué)生在線學(xué)習(xí)行為與學(xué)習(xí)效果的實(shí)證研究[J].安徽開放大學(xué)學(xué)報(bào)，2022（4）：30-36，47.

[5] 王姣宇，高智良，王璇.基于超星學(xué)習(xí)平臺(tái)的在線學(xué)習(xí)行為分析研究[J].科學(xué)咨詢，2024（14）：108-111.

[6] 游曉平，鄒志武，楊晨，等.基于CatBoost和LightGBM模型的肺炎患者住院費(fèi)用分析[J].現(xiàn)代醫(yī)院，2025，25（2）：248-251.

[7] 馬凌杰.基于卷積神經(jīng)網(wǎng)絡(luò)與SVM的學(xué)生學(xué)業(yè)預(yù)警的研究與應(yīng)用[D].南昌：南昌大學(xué)，2021.

[8] 丁嘉偉，王協(xié)康.基于集成學(xué)習(xí)方法的汶川震損區(qū)崩塌滑坡易發(fā)性評價(jià)[J].工程科學(xué)與技術(shù)，2025，57（4）：52-61.

[9] 朱道恒，李曉玉，馮天心.大學(xué)生在線學(xué)習(xí)行為分析與學(xué)習(xí)效果預(yù)測方法探究[J].產(chǎn)業(yè)與科技論壇，2025，24（2）：85-87.

[10] 趙元棣，劉永欣，于槐松.智慧學(xué)習(xí)環(huán)境下的在線學(xué)習(xí)行為分析[J].科技風(fēng)，2025（3）：163-165.

[11] 楊金來，洪偉林，張翼翔.網(wǎng)絡(luò)學(xué)習(xí)行為的實(shí)時(shí)監(jiān)控研究與實(shí)踐[J].開放教育研究，2008，14（4）：87-92.

[12] 馬曉，曲建華，徐慧敏.交互視角下網(wǎng)絡(luò)學(xué)習(xí)行為特征挖掘[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，36（3）：282-290.

[13] 王軍敏，李艷.基于K均值算法的數(shù)據(jù)聚類和圖像分割研究[J].平頂山學(xué)院學(xué)報(bào)，2014，29（2）：43-45.

[14] 角坤升.監(jiān)督學(xué)習(xí)的時(shí)空樣本選擇策略在土地覆蓋分類中的應(yīng)用[D].重慶：重慶郵電大學(xué)，2020.

[15] 呂婷.高職學(xué)生在線學(xué)習(xí)行為與學(xué)習(xí)效果關(guān)系研究——以《計(jì)算機(jī)應(yīng)用基礎(chǔ)》課程為例[D].長沙：湖南農(nóng)業(yè)大學(xué)，2022.

【通聯(lián)編輯：王 力】