基于教育數據挖掘的在線學習機制研究

吳蓮香

摘 ? 要：快速發展的信息化教育使在線學習在各類學習情境中被廣泛應用，數據挖掘技術則為獲取潛藏于海量數據中的有價值信息提供了有力支撐。文章以“電子商務”課程教學為例，對基于教育數據挖掘的在線學習機制進行了研究，在闡述在線學習數據挖掘領域現狀的基礎上，構建了在線學習者模型，為在線學習數據挖掘功能的完善提供參考。

關鍵詞：“電子商務”;在線學習;數據挖掘;學習者建模

隨著教育改革的不斷深入，“互聯網+教育”的在線教學模式已成為傳統教學的有益補充。課改政策奠定了未來教育個性化的發展趨勢，對在線學習系統也提出了更高要求。為了更好地做到個性化教學，預測及掌握學習者的學習需求及行為就變得尤為重要。因此，在在線學習中應用數據挖掘技術、通過充實學習者模型數據以進一步完善學習者模型就成為研究重點。

1 ? ?現狀分析

作為目前的一項研究熱點，教育數據挖掘和在線學習的研究領域可分為：（1）以工程技術為主的研究。在線學習數據挖掘主要集中在數據挖掘工具的開發、搭建、優化等方面，已在實際在線教學中應用的數據挖掘平臺所提供的相應數據為數據挖掘工具的完善提供了依據。（2）以評述為主的文獻研究。采用內容分析法進行分析，可知教育數據挖掘已從工具開發偏移到系統優化方面。目前學習者建模方面的研究較少，主要以知識、認知、情感、學習行為4個方面的模型為主。例如，趙德芳等在研究知識圖建構及認知評估模型時，針對在線學習系統構建了學習者顯性及隱性知識模型，以指導系統采取更好的知識呈現方式。現有聚焦于較為獨立的知識本身的學習者知識模型的研究，但大多不是同學習者結合的內化知識，不利于準確預測后期學習者的行為[1]。

2 ? ?在線學習的學習者模型

“電子商務”作為一門綜合性較強的課程，其理論教學及實踐教學離不開在線教學的支撐。為了更好地預測學習者的學習行為，筆者在“電子商務”在線教學中，將融合了數據統計與挖掘、機器學習的教育數據挖掘技術引入其中，對產生的教育大數據在分析和處理的基礎上，通過數據建模實現相關變量關系（學習內容與結果、教學資源與行為等）的獲取，進而拓展了學習者模型，使模型更好地滿足個人學習特點，據此進行數據挖掘分析進一步提高學習行為預測的精準度，以便重新組織知識內容、完善教學策略，提高學習者個性化學習的自適應能力。

2.1 ?學習者知識水平建模

在教育數據挖掘領域中引入學習者知識水平（不局限于學習者對“電子商務”課程性知識的學習，涵蓋各方面的綜合知識）能夠進一步豐富學習者模型的數據。具備網上自主學習能力的學習者已具備一定層次的知識水平，但對同一電商課程內容，通常表現出不同的知識水平，影響了學習者學習活動的速率。例如，在開發線上“電子商務”視頻課程時，安排教學內容的呈現速率僅以教學行為速度為依據，而忽視了學習者的不同層次，導致學習者的學習結果表現出較大差異。在知識水平維度，將進行速率劃分為5個層次，即初學者、初級、中級、高級、非常高級，并在抽取單一知識點數據的基礎上，將數據抽取過程拓展到多個層面（知識點、知識單元、課程等）。綜合運用課程前、課程中及結果性的測試數據，以此為基礎，在學習者進入學習系統前完成學習者知識模型的搭建，將學習者知識和高階思維能力充分地展現出來。獲取學習者知識水平的理想方法是在各系統間共享相關數據，例如，通過記錄學習者的交互性行為（簽到、答題等），完成個人學習數據庫的建立[2]，確保及時獲取學習者的學習數據（以掌握單一知識點情況為主），確保教學知識的高效銜接。考慮到現階段學習者學習數據難以在不同在線學習平臺間有效共享，需根據答題情況對學習者進行個人知識水平測定，包括知識點掌握情況、認知風格及特點等，并根據已獲取的學習者交互數據，綜合運用相關度及回歸分析方法獲取知識水平模型。

2.2 ?學習情緒建模

學習者的學習情緒主要表現在對學習的感受及體驗方面，較高的情緒能夠對學習者的學習積極性起到促進作用。學習者的學習情緒在一定的連續時間內會大致呈現出U型的變化趨勢。因此，在“電子商務”的教學中，筆者充分考慮不同學習者的學習情緒，當其處于U型趨勢底部時，通過創設驚奇等策略，來提高或激發學習者學習的興趣和情緒。學習情緒的變化存在于各節課程內，學習情緒會對學習持續力及棄課率產生直接影響。因此，需通過數據挖掘技術，對后臺數據庫中的大量數據進行處理，及時掌握學習者的學習情緒變化，并據此采用有針對性的課程排列方式，動態更新、完善相關學習狀態指標。

2.3 ?學習行為特征抽取

教師在在線學習過程中無法面對面地管理和調節學習行為及過程，由學習者自主安排學習活動、掌握學習進度，以致于產生不同學習行為及不同特征。學習者的學習效果需根據其具體的學習行為進行合理預測，網絡環境下的學習者學習行為主要體現在個體學習行為（自主完成學習任務的行為，包括登錄、閱讀、視頻播放、提交作業等）及社會學習行為（學習者維系線上社會性關系的行為，如在線討論、協作學習等）上，學習行為范式通過抽象具有相同特征的學習行為獲取。例如，布魯克斯通過非監督機器學習技術的使用，實現了在線學習中學習者交互數據的獲取，據此抽取了活躍型、早期型、及時型、最少活動型和延期型幾種學習者行為范式，指出學習成績的提高受活躍型影響較小。針對學習者圖示化學習過程，吳忭等通過序列分析的開展發現取得好成績的學習者通常具備的學習行為模式為“概念建構—假設提出—推理論證”。采用教育數據挖掘技術抽取在線學習行為特征需收集并記錄學習資源的點擊次數及順序、學習時長等不存在于服務器日志中的數據，在此基礎上抽離出學習行為的范式，并構建其同學習者的形成性及結果性評價間的關系[3]。

3 ? ?學習者模型下的數據挖掘策略

3.1 ?樹立長期建模理念

在高度信息化的社會中，隨著終身學習概念的深入，學習者的學習行為發生了顯著改變，需對學習行為數據進行收集、分析和處理，以便準確地預測后續學習行為。根據學習者的學習內容及認知發展理論可知，不同階段的學習者在學習內容等方面具有不同特點可以認知發展維度為依據完成學習者個性化模型的搭建，對學習者的學習內容進行劃分，隨著實際在線學習的深入可組合衍生出多種情況，學習過程中的學習內容及學習行為均會增加模型的維度。因此，在線學習的數據挖掘需基于長期建模的理念進行，不斷豐富、完善學習者模型，提高預測精準度[3]。

3.2 ?擴大在線學習數據挖掘對象

針對“電子商務”在線學習的教育數據挖掘以服務器日志、課程及資源數據庫、論壇信息等為主要對象，為更好地滿足模型需求，需根據原始數據不斷對學習者學習行為的新范式進行抽象處理，即需對形成這一范式的大量信息數據進行分析和深化處理，研究所需數據量的增加使數據挖掘對象（數據來源）得到豐富和拓展，針對在線學習數據挖掘過程，需不斷拓展新技術，以便更好地順應研究領域及層次的擴展和深入發展趨勢。拓展數據挖掘對象需遵循與范式特點具有一定關聯性的原則進行，以確保數據的分析效度及分析效率。

3.3 ?充分運用新的數據工具

為促進學科的發展及豐富學科內涵，作為交叉學科的在線學習數據挖掘需及時掌握技術發展趨勢并對其進行充分運用。例如腦科學等技術的融入，隨著眼動技術的不斷發展和成熟，在微眼動參數（眼球位置、方向、幅度、頻率、持續時間等）的識別和分析技術過程中，通過搜集和分析相關數據建立其同學習者注意、知覺間的聯系，使用小波轉換技術過濾數據中的奇異值（可供新的研究領域和研究視角）。綜合了計算機所記錄的知識、行為數據和生物數據的學習者模型可提供更有價值的信息，進一步拓展了在線學習數據挖掘領域，有效提高了信息數據處理能力及后期預測的精確度。

3.4 ?建立平臺間的數據共享模式

目前在線學習平臺呈多樣化發展趨勢，不同的在線學習平臺具有不同的風格和專長，學習者從某一學習者模型較為成熟的在線學習平臺更換到另一平臺后，由于新平臺尚未建立起對應的學習者模型，無法準確判斷其知識水平、預測其學習行為，通過有償或建立聯盟等方式建立起不同平臺間的數據共享（包括原生數據和學習者模型的共享）是解決這一難題的有效手段。平臺間需在統一模型規范的基礎上，選擇共享學習者模型，實現數據共享[4]。

4 ? ?結語

在線學習模式在“電子商務”課程的理論及實踐教學中發揮重要作用，作為在線學習研究的重點，構建學習者模型在提高在線教學質量及效率方面起到重要作用。本文針對在線學習系統，對學習者模型做出進一步擴充和完善，根據學習者知識水平、學習情緒及行為特征豐富教育數據挖掘策略，使在線學習系統更好地滿足現代教育教學的發展需求。

[參考文獻]

[1]曲智麗，張海，楊絮.當前流行教育數據挖掘與學習分析工具概覽[J].中國信息技術教育，2019（6）：77-80.

[2]宋遠方，馮紹雯，宋立豐.互聯網平臺大數據收集的瓶頸與區塊鏈理念下的新發展路徑探索[J].管理現代化，2018（3）：27-30.

[3]高學偉，付忠廣，孫力，等.基于Hadoop分布式支持向量機球磨機大數據建模[J].河北大學學報（自然科學版），2017（3）：309-315.

[4]趙慧瓊，姜強，趙蔚，等.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017（1）：62-69.

Abstract：With the rapid development of information education， online learning is widely used in all kinds of learning situations. Data mining technology provides a powerful support for obtaining valuable information hidden in massive data. Taking “Electronic Commerce” course teaching as an example， this paper studies the online learning mechanism based on educational data mining， and on the basis of expounding the present situation in the field of online learning data mining， constructs an online learner model， to provide reference for the improvement of online learning data mining function.

Key words：“Electronic Commerce”; online learning; data mining; learner modeling