在线学习行为与学习效果——基于学习分析的实证研究

网络教学平台凭借独特的时空便利性受到越来越多人的关注，通过挖掘学习者在技术平台上留下的海量行为数据，可以掌握学习者的学习状况，从而对学习过程起到干预和指导作用。鉴于此，文中采用了意大利热那亚大学计算机工程专业大一学生参加“数字电路”实验课程的行为数据集，通过对学生进行成绩预警分析，探索了学习行为与学习效果之间的关系。结论表明：在对学生能否通过最终测验进行不及格预警分析时，用分类树模型于课程学习的中后期阶段进行预测效果较好；在对学生的最终测验成绩进行分数预警分析时，用回归树模型于课程学习的前中期阶段进行预测效果较好。

传统的学习环境随着信息技术的广泛应用正在经历转型和重塑。学习者只要在当前的学习空间下选择适合的学习终端，即可开启数字化学习。利用大数据和人工智能技术，可以收集学习者留在技术平台上的学习行为数据，进行学习行为分析与评价，挖掘出对教学者和学习者有用的教学信息，进而提高教育管理效率和学习效率。因此，以学习分析为主题的研究趋势日益形成，并成为当前教育应用研究的热点问题之一。

国内外对于在线学习行为分析这一主题的探究大体有三个角度，分别是个人特征、平台架构、建模分析。在探讨个人特征对学习行为的影响时，DeBoer [1]研究了学习者自身的年龄、性别、地区等人口统计学特征对其课程通过率的影响。李阳[2]通过调查问卷，对西北大学的学生进行调查研究，探讨了不同群体特征的差异及与人格特征、学习效果之间的内在联系，并根据讨论结果提出了针对性建议。宗阳[3]基于Moodle 平台案例课程， 通过构建异步学习平台中远程学习者学业情绪分析模型， 探究了远程学习者在线学习行为与学业情绪之间的关系，结论表明学习者的学业情绪与作业成绩呈显著正相关。陈晋音[4]认为，学习者的性格特征与学习效率之间是存在联系的，通过分析在线学习的行为特征，可以实现个性化学习方法推荐。赵蔚[5]收集了Moodle 平台中的学习过程数据，运用SSAS 顺序分析和聚类分析算法、SPSS 分层聚类分析，挖掘不同学习风格、学习偏好的学习者的学习路径。

除了个人特征角度，有的学者以平台架构为导向，对学习行为进行了分析。魏顺平[6]以Moodle 平台上开展的某在线培训课程记录的日志数据为样本，思考了如何对在线教学绩效进行评估，并验证了其提出的绩效评估模式的有效性。刘双[7]拟设计一个行为数据采集的工具，用以实时收集学生的学习行为数据，并利用xAPI 技术进行数据标准化处理，为后续的数据分析打好基础。洪丹丹[8]为了增强在线学习平台记录下的统计数据的可读性，充分发挥用户行为数据的作用，以统计理论为基础，结合了先进的ECharts 可视化技术与JFinal 轻量级框架对某在线学习平台课程后的算法指标模型、数据库模型、前端数据可视化与后端数据应用等技术进行了研究。谭召[9]则是基于自身实际的Java 教学经验，专门设计了一种基于SSH 框架的Java 在线教学平台，该平台包括用户管理模块、媒体学习环境模块、试题练习环境模