一种基于机器学习的在线学习行为投入评测模型

疫情期间在线学习平台迅速爆增，学习者也越来越多，但是在线学习的监督性、学习者的投入度、学习的评估等因素，从而影响了学习者的学习效果。随着学习分析技术和教育数据挖掘的融合应用，文章通过分析学习者的在线学习行为投入数据，采用在线学习平台下对学习者行为投入及时评估的方法，构建一种基于机器学习的在线学习行为投入评测模型。该模型以在线学习者的投入度为评估目的，通过机器学习算法对学习者的投入度进行分析，帮助学习者及时自我调整，也帮助施教者更好地开展教学。

随着信息技术的进步和学习理念的革新， “互联网+”教育的在线学习变得更加灵活多变，在线学习平台也迅速爆增，特别是疫情期间，在线学习平台如雨后春笋，其学习资源也多姿多彩，同时学习者在各类学习平台中的也存储着大量的行为数据，如学习者的投入度[1]。如果在线学习平台能及时判断出投入较低的学习者，通过自我调整或教育者干预行为，让该平台上的学习者提高学习投入[2]。虽然在线学习的发展使得学习者可以灵活支配自己的时间，但是在线学习也有弊端，如高灵活性使得部分学习者投入度较低，而导致较差的学习效果；同时由于缺乏监督性以及评估的滞后性，部分学习者可能在临近结课的时候，才开始“努力”学习，导致学习效果无法得到保证。本文从学习投入中的行为投入维度入手， 探究在线学习环境下对学习者行为投入及时评测的方法，以机器学习算法为基础，利用学习分析技术， 结合学习投入理论，收集在线学习平台上的各种数据，构建出一种学习投入评测模型，评测结果及时反馈给学习者与施教者，让学习者实现自我管理，也让施教者实现及时监管。

2. 相关工作 2.1. 国内外研究现状 国内学者对“学习投入”常常引用为“学习参与度”或“深入学习”等关键词，笔者在2022 年9 月1 日上午11 点在中国知网(https://www.cnki.net/)上对相关的关键词进行检索，总共收到2453 条文献，其中“学习投入”有1297 条，“学习参与度”有170 条，“学习投入度”有149 条。这说明国内学者在学习投入问题上已经探索出一定的研究成果，通过相关文献分析，笔者得到这些研究结果主要表现在：学习投入理论研究、影响学习投入因素研究、学习投入成效评估研究[3] [4] [5]。而在国外，最早对学习投