基于數(shù)據(jù)挖掘的在線學(xué)習(xí)行為分析模型研究

摘要：本文構(gòu)建了一個(gè)在線學(xué)習(xí)行為分析模型，運(yùn)用教育數(shù)據(jù)挖掘技術(shù)，通過Excel和SPSS工具，對(duì)超星學(xué)習(xí)通平臺(tái)課程的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析，并采用多元線性回歸模型預(yù)測(cè)學(xué)生的學(xué)業(yè)成績(jī)。經(jīng)研究發(fā)現(xiàn)，作業(yè)平均成績(jī)、課程積分、討論區(qū)發(fā)帖數(shù)、章節(jié)學(xué)習(xí)次數(shù)、視頻觀看時(shí)長(zhǎng)等變量是影響學(xué)習(xí)成績(jī)的主要因素，預(yù)測(cè)學(xué)業(yè)成績(jī)能為學(xué)習(xí)干預(yù)和個(gè)性化教學(xué)提供支持。文章最后提出課程資源優(yōu)化、開展學(xué)練結(jié)合、建立學(xué)習(xí)共同體等提高在線學(xué)習(xí)質(zhì)量的建議和措施，以期為優(yōu)化在線教育決策提供有益的參考。

關(guān)鍵詞：數(shù)據(jù)挖掘；學(xué)習(xí)分析；在線學(xué)習(xí)行為；學(xué)習(xí)績(jī)效

中圖分類號(hào)：G434" 文獻(xiàn)標(biāo)識(shí)碼：A" 論文編號(hào)：1674-2117（2025）08-0080-06

引言

隨著大數(shù)據(jù)技術(shù)、互聯(lián)網(wǎng)技術(shù)和教育信息化的快速發(fā)展，在線學(xué)習(xí)已經(jīng)成為一種新的常態(tài)的學(xué)習(xí)方式，線上海量的學(xué)習(xí)資源和豐富的學(xué)習(xí)體驗(yàn)，為學(xué)生提供了跨時(shí)空學(xué)習(xí)和開展自主學(xué)習(xí)的機(jī)會(huì)。學(xué)生在參與在線學(xué)習(xí)活動(dòng)時(shí)產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)可在一定程度上體現(xiàn)學(xué)生的學(xué)習(xí)風(fēng)格。而借助教育數(shù)據(jù)挖掘技術(shù)，研究和分析學(xué)習(xí)行為數(shù)據(jù)背后潛在的特征信息，可在學(xué)習(xí)資源、學(xué)習(xí)方式的選擇，開展精準(zhǔn)教學(xué)和個(gè)性化教學(xué)，提高在線教學(xué)質(zhì)量等方面為教師、學(xué)生和管理者提供決策支持。

國內(nèi)外研究概況綜述

教育數(shù)據(jù)挖掘是指利用各種數(shù)據(jù)挖掘技術(shù)對(duì)教育數(shù)據(jù)進(jìn)行處理和分析，尋找其中的有用信息和模式，幫助教師進(jìn)行合理決策和有效管理。[1]國外學(xué)者Romeroamp;Ventura[2]總結(jié)了五類數(shù)據(jù)挖掘的方法：分類挖掘、聚類挖掘、文本挖掘、統(tǒng)計(jì)分析和可視化技術(shù)。國內(nèi)學(xué)者丁衛(wèi)平[3]運(yùn)用教育數(shù)據(jù)挖掘技術(shù)，設(shè)計(jì)了一個(gè)教學(xué)評(píng)估智能輔助決策平臺(tái)，通過平臺(tái)應(yīng)用分析，結(jié)果表明智能化提取數(shù)據(jù)中有用的規(guī)律和知識(shí)，能夠?yàn)榻虒W(xué)評(píng)估提供決策支持。袁利平等[4]提出在教育數(shù)據(jù)挖掘技術(shù)中引入寬度學(xué)習(xí)方法，在數(shù)據(jù)挖掘中識(shí)別數(shù)據(jù)的規(guī)律與模式，提取有價(jià)值的信息。

學(xué)習(xí)行為分析是對(duì)學(xué)生在學(xué)習(xí)過程中的各類活動(dòng)進(jìn)行分析，識(shí)別學(xué)習(xí)狀態(tài)和學(xué)習(xí)特征，研究學(xué)習(xí)行為對(duì)學(xué)習(xí)效果的影響關(guān)系。國外學(xué)者Schildkamp和Kuiper[5]通過對(duì)教學(xué)數(shù)據(jù)的學(xué)習(xí)分析來創(chuàng)新教學(xué)方法，提高學(xué)生的學(xué)習(xí)狀態(tài)，并應(yīng)用于教學(xué)實(shí)踐和評(píng)測(cè)。還有國外學(xué)者[6]提出了一種支持向量機(jī)的學(xué)習(xí)分析方法，通過分析期末考試成績(jī)數(shù)據(jù)，能早期預(yù)測(cè)學(xué)習(xí)困難者，為學(xué)習(xí)干預(yù)提供支持。

近年來，針對(duì)在線學(xué)習(xí)的數(shù)據(jù)挖掘和分析是教育數(shù)據(jù)挖掘的重要研究方向之一。國外學(xué)者PoonLKM等[7]利用數(shù)據(jù)挖掘和可視化技術(shù)，全面分析在線學(xué)習(xí)日志數(shù)據(jù)，利用算法挖掘?qū)W習(xí)導(dǎo)航模式，并通過分層和聚類方法實(shí)現(xiàn)模式的解釋。國內(nèi)學(xué)者王曉芳等[8]運(yùn)用K-means算法分析MOOC數(shù)據(jù)中的學(xué)習(xí)行為，完成了學(xué)生畫像。張曉蕾等[9]剖析了在線學(xué)習(xí)完成率、學(xué)習(xí)過程變量影響和學(xué)生在線學(xué)習(xí)預(yù)測(cè)的問題，通過實(shí)證研究，建議應(yīng)充分考慮學(xué)生在線學(xué)習(xí)的實(shí)質(zhì)需求和學(xué)習(xí)交互活動(dòng)的復(fù)雜性。黃昌勤等[10]基于教育大數(shù)據(jù)，設(shè)計(jì)了一種在線學(xué)習(xí)倦怠預(yù)警模型，通過在線學(xué)習(xí)數(shù)據(jù)分析結(jié)果實(shí)施學(xué)習(xí)預(yù)警和學(xué)習(xí)干預(yù)。

綜上所述，在基于數(shù)據(jù)挖掘的在線學(xué)習(xí)行為分析研究方面，國內(nèi)外學(xué)者都取得了許多的研究成果，但缺乏從多個(gè)維度對(duì)在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行挖掘，實(shí)施模型構(gòu)建和開展實(shí)證分析。為此，本研究利用超星學(xué)習(xí)通平臺(tái)的在線學(xué)習(xí)行為數(shù)據(jù)集，運(yùn)用教育數(shù)據(jù)挖掘技術(shù)，分析在線學(xué)習(xí)行為特征，對(duì)學(xué)生的學(xué)習(xí)行為與學(xué)習(xí)成績(jī)進(jìn)行Pearson相關(guān)性分析，通過多元線性回歸模型預(yù)測(cè)學(xué)業(yè)成績(jī)，并提出促進(jìn)學(xué)生提高學(xué)習(xí)績(jī)效的建議，以期為在線學(xué)習(xí)過程監(jiān)測(cè)和教學(xué)策略優(yōu)化提供參考。

基于數(shù)據(jù)挖掘的在線學(xué)習(xí)行為分析模型構(gòu)建

本研究以在線學(xué)習(xí)平臺(tái)的課程數(shù)據(jù)為例，基于教育數(shù)據(jù)挖掘技術(shù)和方法，構(gòu)建了在線學(xué)習(xí)行為分析模型（如圖1）。該模型通過研究和分析揭示在線學(xué)習(xí)行為數(shù)據(jù)背后潛在的特征信息，為后續(xù)的學(xué)習(xí)干預(yù)和精準(zhǔn)教學(xué)提供支持。

1.數(shù)據(jù)獲取

在線學(xué)習(xí)平臺(tái)中記錄著大量的學(xué)生學(xué)習(xí)行為數(shù)據(jù)，如何從海量的原始學(xué)習(xí)數(shù)據(jù)中選取有針對(duì)性的學(xué)習(xí)行為屬性特征進(jìn)行分析至關(guān)重要。因此，在數(shù)據(jù)采集時(shí)需合理地選取在線學(xué)習(xí)行為的屬性特征，既要反映出對(duì)在線學(xué)習(xí)資源的使用程度，又要反映出學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)聯(lián)關(guān)系，在此基礎(chǔ)上進(jìn)行分析并構(gòu)建數(shù)據(jù)模型。筆者從超星學(xué)習(xí)通平臺(tái)提取的學(xué)生數(shù)據(jù)，其原始屬性包含學(xué)習(xí)行為和學(xué)習(xí)成績(jī)兩個(gè)數(shù)據(jù)集。學(xué)習(xí)行為數(shù)據(jù)主要包括瀏覽課程資源和觀看課程視頻等，學(xué)習(xí)成績(jī)數(shù)據(jù)包括章節(jié)測(cè)試成績(jī)和綜合成績(jī)等。部分在線學(xué)習(xí)行為指標(biāo)屬性參數(shù)如上頁表1所示。

2.數(shù)據(jù)挖掘

在數(shù)據(jù)挖掘中，先對(duì)采集到的在線學(xué)習(xí)行為數(shù)據(jù)和成績(jī)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，即去重、去噪、文本處理等，再根據(jù)數(shù)據(jù)類型，選擇分類算法、聚類算法、文本挖掘或可視化技術(shù)等方法進(jìn)行挖掘，并對(duì)挖掘的數(shù)據(jù)進(jìn)行可視化呈現(xiàn)和分析，篩選出輸入和輸出變量，提煉出有意義、有價(jià)值的教學(xué)信息，為學(xué)習(xí)分析提供數(shù)據(jù)支持。數(shù)據(jù)挖掘過程和方法如圖2所示。

3.在線學(xué)習(xí)行為分析和學(xué)情診斷

在確定在線學(xué)習(xí)行為分析目標(biāo)的基礎(chǔ)上，依據(jù)行為科學(xué)、系統(tǒng)論及學(xué)習(xí)分析理論構(gòu)建出的學(xué)習(xí)行為數(shù)據(jù)分析和學(xué)情診斷模型如圖3所示。該模型對(duì)挖掘出的在線學(xué)習(xí)行為數(shù)據(jù)，自左向右、自上向下進(jìn)行分析與建模。橫向流程劃分為聚類分析、推薦分析、關(guān)聯(lián)分析三部分，縱向分析劃分為數(shù)據(jù)處理、方法選擇及分析過程、結(jié)果輸出等，最后通過線性回歸模型，對(duì)在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行量化，找出各指標(biāo)節(jié)點(diǎn)的概率變化及其與學(xué)習(xí)狀態(tài)的關(guān)聯(lián)關(guān)系，呈現(xiàn)全面準(zhǔn)確的學(xué)習(xí)狀態(tài)信息，并根據(jù)學(xué)習(xí)分析的結(jié)果診斷學(xué)生當(dāng)前的學(xué)習(xí)狀態(tài)，為下一步干預(yù)模型的構(gòu)建提供有效支持。

在線學(xué)習(xí)行為分析模型的實(shí)施路徑和實(shí)踐

1.數(shù)據(jù)采集與挖掘

在學(xué)習(xí)分析模型的支持下，筆者選擇超星學(xué)習(xí)通平臺(tái)上的“電工電子技術(shù)”課程數(shù)據(jù)，開展應(yīng)用與實(shí)踐研究。本研究以筆者所在學(xué)院機(jī)械設(shè)計(jì)22級(jí)126名學(xué)生為研究對(duì)象，結(jié)合研究目標(biāo)，采集了學(xué)生的基本信息數(shù)據(jù)和在使用平臺(tái)時(shí)的日志數(shù)據(jù)及課程考試數(shù)據(jù)。將126名學(xué)生的學(xué)習(xí)行為數(shù)據(jù)10276條導(dǎo)入數(shù)據(jù)庫，首先對(duì)數(shù)據(jù)進(jìn)行清理、篩選和數(shù)據(jù)集成，過濾由學(xué)生誤操作產(chǎn)生的重復(fù)、無效行為。其次，進(jìn)行數(shù)據(jù)挖掘和統(tǒng)計(jì)分析。通過層次聚類將在線學(xué)習(xí)行為變量分為信息交互、問題解決和合作交流等行為維度。最后，采用SPSS統(tǒng)計(jì)分析工具對(duì)在線學(xué)習(xí)行為數(shù)據(jù)和成績(jī)數(shù)據(jù)進(jìn)行Pearson相關(guān)性分析，得到的相關(guān)系數(shù)矩陣如下頁表2所示。

從相關(guān)系數(shù)矩陣可以看出：作業(yè)平均成績(jī)、課程積分與綜合成績(jī)的Pearson相關(guān)系數(shù)在0.7以上，說明這兩項(xiàng)學(xué)習(xí)行為與綜合成績(jī)之間有著非常顯著的相關(guān)性；討論區(qū)發(fā)帖數(shù)、視頻觀看時(shí)長(zhǎng)、章節(jié)測(cè)驗(yàn)成績(jī)與綜合成績(jī)的Pearson相關(guān)系數(shù)在0.4～0.7區(qū)間內(nèi)，說明這三項(xiàng)學(xué)習(xí)行為與綜合成績(jī)有較強(qiáng)的相關(guān)性；瀏覽課程資源數(shù)、學(xué)習(xí)任務(wù)提交次數(shù)與綜合成績(jī)的Pearson相關(guān)系數(shù)在0.4以下，說明這兩項(xiàng)學(xué)習(xí)行為與綜合成績(jī)的相關(guān)性較弱。由此可見，有2個(gè)變量對(duì)在線學(xué)習(xí)的綜合成績(jī)影響較小，后續(xù)的學(xué)習(xí)分析將會(huì)去除這2個(gè)變量的數(shù)據(jù)；有5個(gè)變量對(duì)在線學(xué)習(xí)的綜合成績(jī)影響較大，其中，作業(yè)平均成績(jī)和課程積分對(duì)在線學(xué)習(xí)成績(jī)的影響最為顯著。這說明學(xué)生高質(zhì)量地完成作業(yè)能有效地反映學(xué)生的學(xué)習(xí)規(guī)律和學(xué)習(xí)投入，而課程積分的獲得表明學(xué)生經(jīng)常進(jìn)行討論、交流和相互學(xué)習(xí)，可激發(fā)學(xué)習(xí)積極性，幫助其較好地完成在線學(xué)習(xí)任務(wù)。由此，將這5個(gè)變量生成量化數(shù)據(jù)庫，用于后續(xù)的在線學(xué)習(xí)分析。

2.在線學(xué)習(xí)行為分析

在選取變量后，本研究采用多元線性回歸模型來構(gòu)建學(xué)習(xí)行為變量和學(xué)習(xí)成績(jī)變量之間的回歸模型。回歸模型是一種預(yù)測(cè)性的建模技術(shù)，研究的是因變量（目標(biāo)）和自變量（預(yù)測(cè)器）之間的關(guān)系，可用來預(yù)測(cè)分析時(shí)間序列模型和發(fā)現(xiàn)變量之間的因果關(guān)系。本研究在SPSS中，以Y（在線學(xué)習(xí)成績(jī)）為因變量，X1（討論區(qū)發(fā)帖數(shù)）、X2（視頻觀看時(shí)長(zhǎng)）、X3（課程積分）、X4（作業(yè)平均成績(jī)）、X5（章節(jié)測(cè)驗(yàn)成績(jī)）為自變量，建立多元線性回歸模型，由于不同變量對(duì)被解釋變量的影響不同，因此，在回歸建模過程中，選擇逐步回歸的方式，回歸分析相關(guān)系數(shù)如表3所示。

根據(jù)多元線性回歸相關(guān)系數(shù)表可知，討論區(qū)發(fā)帖數(shù)、視頻觀看時(shí)長(zhǎng)、課程積分、作業(yè)平均成績(jī)、章節(jié)測(cè)驗(yàn)成績(jī)這五個(gè)學(xué)習(xí)行為變量是影響學(xué)生在線學(xué)習(xí)成績(jī)的關(guān)鍵變量，系數(shù)都大于零，對(duì)學(xué)習(xí)成績(jī)呈現(xiàn)正向影響，且這五個(gè)在線學(xué)習(xí)行為變量包含了信息交互、問題解決和合作交流這三個(gè)行為維度，說明這三個(gè)維度的學(xué)習(xí)行為對(duì)學(xué)習(xí)成績(jī)都產(chǎn)生較大的影響，最終根據(jù)回歸系數(shù)確定的在線學(xué)習(xí)成績(jī)回歸模型為：

Y=3.080+0.021X1+0.079X2+0.379X3+0.381X4+0.180X5

根據(jù)5個(gè)變量數(shù)據(jù)集，將具有相似學(xué)習(xí)行為的學(xué)生進(jìn)行聚類分析，通過成績(jī)回歸模型便可實(shí)時(shí)預(yù)測(cè)學(xué)生的在線學(xué)習(xí)成績(jī)，監(jiān)控其學(xué)習(xí)過程，同時(shí)可將學(xué)生的成績(jī)與班級(jí)整體水平相比較，可更清晰地反映出學(xué)生是否存在學(xué)習(xí)危機(jī)，以盡早發(fā)現(xiàn)學(xué)習(xí)風(fēng)險(xiǎn)，為后期的學(xué)習(xí)干預(yù)提供有效支持。

研究結(jié)論及建議

1.豐富教學(xué)資源，提升視頻質(zhì)量

從課程視頻資源的學(xué)習(xí)情況統(tǒng)計(jì)數(shù)據(jù)來看，學(xué)生更傾向于學(xué)習(xí)10分鐘以內(nèi)的視頻資源。也有研究表明，碎片化學(xué)習(xí)更有利于學(xué)生對(duì)知識(shí)的記憶和理解。因此，對(duì)于知識(shí)點(diǎn)較多和較復(fù)雜的教學(xué)內(nèi)容，可將其分解成多個(gè)短視頻講解，這樣有利于知識(shí)的有效遷移。

有數(shù)據(jù)表明，在線學(xué)習(xí)時(shí)間間隔越長(zhǎng)，學(xué)生的遺忘率和復(fù)看率也會(huì)隨之增加。因此，可引導(dǎo)學(xué)生設(shè)置好視頻學(xué)習(xí)的順序，有規(guī)律地依次觀看教學(xué)視頻，并限定視頻學(xué)習(xí)的時(shí)間段，這樣有助于學(xué)生用較少的時(shí)間高效完成學(xué)習(xí)任務(wù)。此外，教師還需經(jīng)常豐富和創(chuàng)新視頻的教學(xué)內(nèi)容，適度更新和提高視頻的新穎度，激發(fā)學(xué)生的學(xué)習(xí)興趣。

2.開展學(xué)練結(jié)合，提高作業(yè)質(zhì)量

從學(xué)習(xí)行為數(shù)據(jù)與成績(jī)的相關(guān)系數(shù)來看，作業(yè)是影響學(xué)習(xí)績(jī)效的關(guān)鍵變量，作業(yè)的完成情況很大程度上反映了學(xué)生的學(xué)習(xí)態(tài)度和知識(shí)掌握情況。因此，教師應(yīng)抓住影響學(xué)習(xí)效果的關(guān)鍵因素，如注意作業(yè)難度、控制題量、及時(shí)批閱和評(píng)價(jià)等，提高學(xué)生完成作業(yè)的質(zhì)量。

3.建立學(xué)習(xí)共同體，提升論壇活躍度

學(xué)習(xí)行為數(shù)據(jù)分析顯示，課程積分、討論區(qū)發(fā)帖數(shù)等變量對(duì)學(xué)習(xí)績(jī)效的影響很大。通過師生問答和交流討論使教師和學(xué)生在網(wǎng)絡(luò)上建立虛擬的在線學(xué)習(xí)共同體，可激發(fā)學(xué)生的學(xué)習(xí)積極性。因此，教師可有意識(shí)地提升在線論壇的活躍度，增加在線專題討論次數(shù)，提高發(fā)帖數(shù)、回帖數(shù)，并監(jiān)控發(fā)帖和回帖的質(zhì)量，形成師生學(xué)習(xí)共同體，讓學(xué)生養(yǎng)成參與交流和討論的習(xí)慣，促進(jìn)深層次學(xué)習(xí)。

4.制訂學(xué)習(xí)計(jì)劃，養(yǎng)成學(xué)習(xí)習(xí)慣

在分析學(xué)習(xí)行為數(shù)據(jù)時(shí)，筆者發(fā)現(xiàn)有超過30%的學(xué)生在線學(xué)習(xí)間隔天數(shù)較多，而到了臨近期末考試，在線學(xué)習(xí)次數(shù)和學(xué)習(xí)時(shí)間則明顯增多，這表明很多學(xué)生喜歡進(jìn)行考前突擊學(xué)習(xí)。有研究表明，考前突擊的學(xué)習(xí)效果并不好，長(zhǎng)時(shí)間的熬夜學(xué)習(xí)會(huì)導(dǎo)致思維紊亂和影響身體健康，反而降低了學(xué)習(xí)效率。因此，教師在監(jiān)控學(xué)習(xí)過程中，不僅要及時(shí)查看在線學(xué)習(xí)成績(jī)，更應(yīng)多關(guān)注學(xué)生的學(xué)習(xí)持續(xù)性、連續(xù)性等學(xué)習(xí)狀態(tài)，并適當(dāng)開展在線學(xué)習(xí)干預(yù)，分層次實(shí)施個(gè)性化教學(xué)，幫助學(xué)生制訂學(xué)習(xí)計(jì)劃，養(yǎng)成良好的學(xué)習(xí)習(xí)慣。

結(jié)束語

本研究基于數(shù)據(jù)挖掘技術(shù)，建立了在線學(xué)習(xí)行為分析模型，并選擇了超星學(xué)習(xí)通平臺(tái)上電工電子技術(shù)課程的相關(guān)學(xué)習(xí)數(shù)據(jù)，開展在線學(xué)習(xí)行為和學(xué)習(xí)效果的相關(guān)性分析和實(shí)證研究，從而發(fā)現(xiàn)不同的在線學(xué)習(xí)行為對(duì)學(xué)習(xí)績(jī)效的影響不同，并通過多元線性回歸模型預(yù)測(cè)學(xué)習(xí)成績(jī)，為下一步學(xué)習(xí)干預(yù)提供了支持。但由于研究條件有限，研究樣本較少，因此，本研究下一步要解決的問題是：①進(jìn)一步完善在線學(xué)習(xí)分析模型，細(xì)化分析方法，從學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)偏好、學(xué)習(xí)認(rèn)知、學(xué)習(xí)情感、學(xué)習(xí)環(huán)境等多方面開展更詳細(xì)的研究；②進(jìn)一步擴(kuò)大實(shí)驗(yàn)范圍，將研究成果應(yīng)用到大規(guī)模在線學(xué)習(xí)系統(tǒng)中，為實(shí)施個(gè)性化、適性化的精準(zhǔn)教育提供進(jìn)一步的探索。

參考文獻(xiàn)：

[1]洪雪峰.教育數(shù)據(jù)挖掘下的學(xué)習(xí)效果探析[J].長(zhǎng)沙鐵道學(xué)院學(xué)報(bào)：社會(huì)科學(xué)版，2014（05）：196-198.

[2]Romeroamp;Ventura Educational Data Mining： A Survey from 1995 to 2005[J].Expert Systems with Applications，2007（33）：125-146．

[3]丁衛(wèi)平，王杰華，管致錦.基于數(shù)據(jù)挖掘技術(shù)的教學(xué)評(píng)估智能輔助決策平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J].電化教育研究，2009（04）：90-92+105.

[4]袁利平，陳川.寬度學(xué)的教育價(jià)值及其意義[J].中國電化教育，2019（05）：40-46.

[5]SchildkampK，Kuiper W，Data-informed curriculum reform：Which data， what purposes，and promoting andhindering factors[J].Teaching and Teacher Education， 2010，26（03）：482-496.

[6]Jones K M L. leaming， analytics and higher education： a proposed model for establishing informed consenimechanisms to promote student privacy and autonomy[J].International Journal of Educational Technology inHigher Education，2019（24）：1-22.

[7]PoonLKM，KongS C， Yau T S H， et al.， Learning Analytics for Monitoring Students Participation Online：Visualizing Navigational Patterms on Learning Management System[C].lntermational Conference on BlendedLearning. Springer，Cham，2017：166-176.

[8]王曉芳，賈宗維.基于K-means的MOOC學(xué)習(xí)行為分析及用戶畫像研究[J].中國教育信息化，2019（01）：43-46.

[9]張小蕾，劉威童，黃振中.如何理解MOOCs學(xué)習(xí)完成率——對(duì)MOOCs學(xué)習(xí)者留存問題研究的評(píng)析[J].電化教育研究，2019，40（04）：44-52+75.

[10]黃昌勤，涂雅欣，俞建慧，等.數(shù)據(jù)驅(qū)動(dòng)的在線學(xué)習(xí)倦怠預(yù)警模型研究與實(shí)現(xiàn)[J].電化教育研究，2021（02）：47-54.

第一作者簡(jiǎn)介：康迎曦（1977—），女，湖南湘潭人，漢族，碩士，副教授，研究方向?yàn)榻逃畔⒒?、大?shù)據(jù)、圖像處理。

基金項(xiàng)目：湖南省教育科學(xué)“十四五”規(guī)劃2023年度課題“基于教育大數(shù)據(jù)挖掘的在線學(xué)習(xí)分析與干預(yù)研究”（項(xiàng)目編號(hào)：XJK23BXX002）。