教育大數據背景下學生網絡學習行為機制研究

李春艷

摘要：目前隨著網絡學習平臺的不斷興起，針對學習者各種學習行為，平臺對相關數據信息的收集、整理、分析和利用，使之能夠為學生提供多元化的學習服務，已經成為教育大數據背景下網絡學習嶄新的發展方向。本文在對網絡學習者的各種學習分析的基礎上，記錄不同學習者的各項不同學習數據，為網絡學習者提供具有個性化的學習平臺提供幫助。教育者根據各種學習數據動態調整教學的內容、時間、方法等因素進行干預式教學，增強學生的學習效率，真正實現“為了學生發展”的教學目的，優化學習過程，提供個性化的服務，做到因材施教。

關鍵詞：教育大數據;學習行為機制;成績預測;學習者行為特征

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）20-0041-02

大數據時代為我國的高等教育變革提供了全新的機會，教育部對構建和發展在線教育作為目前高等教育變革的主要方向，并作為有效提升教育質量和國際知名度的重大策略。早在2015年出臺的政府工作報告中指明了相關的政策方向，隨后又對各項規章制度進行了詳細的規劃，將許多信息方面的關鍵技術作為攻關項目，進一步加強和完善了大數據產業服務鏈，促進生態體系平衡，強化大數據平臺標準體系構建和質量技術組建。教育者構建多元、全過程、全要素的學習行為分析，需要改革傳統的學習習慣和學業評價方式，充分利用各種先進的信息方法，探究以網絡教學平臺為背景，基于學生學習行為、認知建構、情感認知、思維習慣等多場景信息數據，實現教學相對的精準化學習分析和干預方式。

1 信息時代的學習行為研究現狀

目前教育領域正在逐步地將大數據相關理論和策略進行大面積的推廣和普及，并成為國家教育研究的科研性話題。伴隨著對國內外大數據組件和應用現狀進行研究的互聯網時代，大數據分析和相關技術受到了全國各大院校的推廣，能夠根據受教育者的實際需求配備個性化的教育體系、綜合評估教育工作者的綜合素質以及課堂教學水平，由此能夠使教學人員根據學生的綜合評估結果，改變教學方法，完善教學教程，從而使課堂教學更具實效性。

各種成熟的在線學習平臺的出現，極大地促進了在線學習的普及，學生學習行為分析也越來越受到國內外研究者以及教育工作者的重視。教育者通過學生的各種行為數據，來逐漸改善學習機制，成為目前新興的教育研究項目。對于學習行為的分析表現在以下幾個方面：對不同領域的數據信息來源進行整理重組;研究數據的作用和價值;對受教育者的學習行為進行分析;利用數據進行信息預測。

2 數據驅動的精準化學習行為機制

教育大數據分析通過多方位的思維方式，從多個領域和渠道挖掘最有價值的信息，對受教育者在學習過程中的微觀表現進行綜合分析整理，對潛在的學習行為模式加以引導運用。大數據的收集將目前的教學平臺作為研究對象，通過搜索海量的數據進行分析整理，將受教育者的在線行為通過大數據進行搜索，并進行跟蹤記錄，通過可視化的方式，隨時掌控學習者的學習習慣以及行為需求，組建個性化的學習模式，同時，能夠再現學習者的學習軌跡，通過數據分析為學習者創造個性化的學習模式。具體包括：

（1）基于大數據的個性化自適應學習過程構建

通過組建具有個性化的學習模型，然后為學習者提供適合的學習方式和途徑，同時在教師的引導和幫助下，根據學習者自身的行為特點和學習需求，制定個性化的指導方案，干預學習者的學習行為。因此基于大數據的個性化自適應學習還需要考慮到學習者的各種學習信息，為以后的模型構建和數據分析打下基礎。具體包括以下方面：

①學習者行為特征分析

選擇學習者群體，了解學習者的學習動機、學習類別、教育背景、性別和年紀等相關信息進行收集。

②典型學習行為選取

在充分了解學習者的學習動機以及學習狀態的情況下，對學習者的學習效果進行分析研究，并捕捉學習者的學習行為、學習時間，對知識的攝取量以及在學習講壇的各種表現行為等，作為分析的依據，從而對學習者的成績進行提前預測。

（2）個性化自適應在線學習分析模型建構

大數據學習平臺能夠滿足學習者個性化的學習需求，并以此為結構基礎，從獲取的海量數據中整理出符合學習者個性化學習方案的信息內容，完成模型構建。具體包括以下方面：

①數據與環境

考慮數據環境的構建。以網絡教學平臺為研究對象，搜集線上學習者之間以及學習者與教師之間生成的大量有價值的數據信息并進行整理分析，并將這些數據作為預測、學習干預等學習模式的主要依據。

②相關者

相關者對象的劃分是根據不同的作用來進行區分的。其中包括學生、教師以及研究學者和設計師等相關人員，而對于學生樣本主要體現在自組織學習方面的內容;同樣對于教師來說，根據大數據獲取的學習者綜合信息進行教學策略的調整，同時根據不同學習者的學習特點、性格、愛好等，推薦多元化的學習資源和途徑;對于學校管理者樣本而言，考慮如何分析潛在危險的學生發出警告并實施干預，改善學生期末考試的成績、平時的出勤率、輟學率、升學率等。

③方法

為了能夠詳細地對學習者的學習特點，學習行為進行綜合的跟蹤記錄，從而能夠為不同基礎和類型的學習者創造多元化的學習模式，需要使用各種分析方法，通過進一步分析學習交互行為，提煉出有價值信息。

（3）相關算法框架研究

目前對于邏輯斯諦回歸算法研究，主要是根據學習者的學習行為所產生的學習記錄數據進行綜合的分析處理、預測函數和分析損失函數、獲得優化的求解算法：

根據此函數進行擴展，研究學習者獲得證書的概率。

該流程框架涵蓋了學習者的行為板塊、分析模塊、行為預測等模塊。將學習者在日常學習平臺中的學習狀況、目標內容、學習時間、以及互動行為等數據進行整理和分析;學習行為模塊是對學習者在學習過程中產生的行為和學習效率進行綜合的分析;學習預測分析主要是通過聚類分析作為學習者的預測分析依據。