王改花 傅鋼善

摘要：隨著計(jì)算機(jī)與網(wǎng)絡(luò)的快速發(fā)展和普及，網(wǎng)絡(luò)學(xué)習(xí)已成為互聯(lián)網(wǎng)+時(shí)代教育發(fā)展的重要組成。近年來(lái)隨著大數(shù)據(jù)被廣泛關(guān)注，基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為研究成為重要的研究方向和研究熱點(diǎn)。當(dāng)前關(guān)于網(wǎng)絡(luò)學(xué)習(xí)行為的分類，大多數(shù)基于學(xué)習(xí)者本身屬性，缺乏比較詳細(xì)而深入的行為類型分析?；跀?shù)據(jù)挖掘的聚類分析，可以借助大數(shù)據(jù)的優(yōu)勢(shì)，發(fā)現(xiàn)數(shù)據(jù)背后的規(guī)律。利用陜西師范大學(xué)“現(xiàn)代教育技術(shù)”在線開(kāi)放課程學(xué)習(xí)者的網(wǎng)絡(luò)學(xué)習(xí)過(guò)程記錄，采用數(shù)據(jù)挖掘工具對(duì)網(wǎng)絡(luò)學(xué)習(xí)者行為進(jìn)行聚類分析，研究發(fā)現(xiàn)：根據(jù)學(xué)習(xí)特征，網(wǎng)絡(luò)學(xué)習(xí)者可以分為高沉浸性型、較高沉浸性型、中沉浸性型、低沉浸性型四種群體；學(xué)習(xí)行為與學(xué)習(xí)效果密切相關(guān)，沉浸性高的學(xué)習(xí)者學(xué)習(xí)效果往往較好。教師可借助技術(shù)工具，對(duì)學(xué)習(xí)者進(jìn)行不斷更新、實(shí)時(shí)、循環(huán)的聚類分析，及時(shí)發(fā)現(xiàn)學(xué)習(xí)者的個(gè)體及群體學(xué)習(xí)特征，因材施教，推送適應(yīng)性的個(gè)性化服務(wù)，并給予及時(shí)的學(xué)習(xí)預(yù)警與恰當(dāng)?shù)慕虒W(xué)干預(yù)。

關(guān)鍵詞：網(wǎng)絡(luò)學(xué)習(xí)；行為特征；數(shù)據(jù)挖掘；聚類分析；個(gè)性化教育

中圖分類號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-5195（2018）04-0106-07 doi10.3969/j.issn.1009-5195.2018.04.012

基金項(xiàng)目：陜西師范大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目“基于大規(guī)模在線開(kāi)放課程的學(xué)習(xí)者認(rèn)知特征研究”（2017TS074）；國(guó)家社會(huì)科學(xué)基金教育學(xué)一般項(xiàng)目“網(wǎng)絡(luò)環(huán)境下群體差異認(rèn)知特征及有效學(xué)習(xí)研究”（BCA110024）。

作者簡(jiǎn)介：王改花，博士研究生，陜西師范大學(xué)教育學(xué)院；實(shí)驗(yàn)師，西安職業(yè)技術(shù)學(xué)院（陜西西安 710077）。傅鋼善，教授，博士生導(dǎo)師，陜西師范大學(xué)教育學(xué)院（陜西西安 710062）。

一、引言

隨著計(jì)算機(jī)與網(wǎng)絡(luò)的快速發(fā)展和普及，網(wǎng)絡(luò)學(xué)習(xí)已成為“互聯(lián)網(wǎng)+”時(shí)代教育發(fā)展的重要組成。習(xí)近平總書記在中國(guó)共產(chǎn)黨第十九次全國(guó)代表大會(huì)上的報(bào)告中明確指出要辦好網(wǎng)絡(luò)教育。網(wǎng)絡(luò)教育首次被寫入黨代會(huì)報(bào)告，受到廣泛重視。生態(tài)觀認(rèn)為認(rèn)知不會(huì)獨(dú)立于其廣闊的文化情境而單獨(dú)發(fā)生，所有的認(rèn)知活動(dòng)都會(huì)受到文化以及它們所發(fā)生情境的規(guī)定和影響（邵志芳，2006）。因此，網(wǎng)絡(luò)學(xué)習(xí)引起了傳統(tǒng)教與學(xué)方式、認(rèn)知方式、個(gè)性發(fā)展需求的巨大變革。

近年來(lái)隨著大數(shù)據(jù)被廣泛關(guān)注，教育大數(shù)據(jù)已成為熱點(diǎn)，基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為研究成為重要研究方向和研究熱點(diǎn)。當(dāng)前，國(guó)內(nèi)已有一些學(xué)校和科研機(jī)構(gòu)開(kāi)展了教育大數(shù)據(jù)的應(yīng)用研究與實(shí)踐探索，在提高教育決策水平、助力教育資源均衡配置、優(yōu)化教學(xué)效果等方面取得了初步的成效和社會(huì)影響。然而從整體來(lái)看，我國(guó)教育領(lǐng)域大數(shù)據(jù)的研究仍處于起步階段，缺乏成熟的研究成果與應(yīng)用推廣模式。如何進(jìn)一步擴(kuò)大教育大數(shù)據(jù)的研究和價(jià)值，是研究者需要重點(diǎn)關(guān)注的問(wèn)題。

利用學(xué)習(xí)者在在線開(kāi)放課程學(xué)習(xí)過(guò)程中產(chǎn)生的大數(shù)據(jù)開(kāi)展教育大數(shù)據(jù)的應(yīng)用研究與實(shí)踐探索，對(duì)更好地支持在線開(kāi)放課程的設(shè)計(jì)、實(shí)施、評(píng)價(jià)，從而有效組織教學(xué)活動(dòng)，使教學(xué)內(nèi)容與教學(xué)過(guò)程更加有效，實(shí)現(xiàn)學(xué)習(xí)者的有效學(xué)習(xí)具有重要意義。

二、文獻(xiàn)綜述

對(duì)基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為研究進(jìn)行文獻(xiàn)綜述，我們發(fā)現(xiàn)如下特點(diǎn)：第一，采用的數(shù)據(jù)挖掘方法主要有分類、聚類、關(guān)聯(lián)規(guī)則、序列模式挖掘、文本挖掘、Web挖掘等。第二，研究?jī)?nèi)容主要集中在行為特征與行為模式研究、與學(xué)習(xí)效果的關(guān)系研究、學(xué)習(xí)者模型與適應(yīng)性學(xué)習(xí)系統(tǒng)研究、數(shù)據(jù)挖掘模型研究等。在行為特征與行為模式研究方面，主要探討網(wǎng)絡(luò)學(xué)習(xí)行為的現(xiàn)狀、規(guī)律或模式，如Araya等基于在線數(shù)學(xué)游戲，采用聚類方法，發(fā)現(xiàn)了學(xué)生團(tuán)隊(duì)協(xié)作中的行為規(guī)律（Araya et al.，2014）；李爽等通過(guò)相關(guān)分析、滯后序列分析和聚類分析對(duì)在線學(xué)習(xí)行為序列和參與模式進(jìn)行了實(shí)證探索，發(fā)現(xiàn)了36個(gè)行為序列與成績(jī)顯著相關(guān)，五類在線參與模式（低投入式、淺層次投入式、績(jī)效投入式、循序漸進(jìn)式、隨機(jī)參與式）（李爽等，2017）。在與學(xué)習(xí)效果的關(guān)系研究方面，主要探討網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果的關(guān)系、影響學(xué)習(xí)效果的行為特征或行為特征對(duì)學(xué)習(xí)效果的預(yù)測(cè)，如Natek等使用Weka數(shù)據(jù)挖掘工具中的決策樹(shù)算法探討了學(xué)習(xí)者基本信息、學(xué)習(xí)類型（全日制與在職）、學(xué)習(xí)活動(dòng)、平時(shí)成績(jī)對(duì)學(xué)習(xí)成績(jī)的預(yù)測(cè)（Natek et al.，2014）；Vaessen等采用聚類和回歸算法探討了智能學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者求助策略與學(xué)習(xí)成績(jī)的關(guān)系（Vaessen et al.，2014）；傅鋼善等采用數(shù)據(jù)挖掘方法與統(tǒng)計(jì)學(xué)方法對(duì)網(wǎng)絡(luò)學(xué)習(xí)者的行為特征進(jìn)行定量分析，并探討了網(wǎng)絡(luò)學(xué)習(xí)行為特征與學(xué)習(xí)效果的關(guān)系（傅鋼善等，2014）；趙慧瓊等采用多元回歸分析法探究了影響學(xué)生學(xué)習(xí)績(jī)效的預(yù)警因素并構(gòu)建了干預(yù)模型（趙慧瓊等，2017）。在學(xué)習(xí)者模型與適應(yīng)性學(xué)習(xí)系統(tǒng)研究方面，主要基于在線學(xué)習(xí)行為數(shù)據(jù)構(gòu)建學(xué)習(xí)者模型，為開(kāi)發(fā)適應(yīng)性學(xué)習(xí)系統(tǒng)提供依據(jù)。如Amershi等采用監(jiān)督和非監(jiān)督分類方法并使用登錄學(xué)習(xí)行為數(shù)據(jù)和眼動(dòng)數(shù)據(jù)，構(gòu)建了兩類不同學(xué)習(xí)環(huán)境下的學(xué)習(xí)者模型（Amershi et al.，2009）；Feldman等采用樸素貝葉斯分類器利用學(xué)習(xí)者在線行為數(shù)據(jù)判斷學(xué)習(xí)者的學(xué)習(xí)風(fēng)格（Feldman et al.，2014）；吳青等采用關(guān)聯(lián)規(guī)則方法對(duì)學(xué)習(xí)者學(xué)習(xí)風(fēng)格（利用Kolb學(xué)習(xí)風(fēng)格量表測(cè)量）與其在線行為特征進(jìn)行關(guān)聯(lián)（吳青等，2015）。而數(shù)據(jù)挖掘模型的研究主要構(gòu)建數(shù)據(jù)挖掘模型，如李珊等探討了基于Web日志與用戶瀏覽行為的用戶瀏覽興趣模式數(shù)據(jù)挖掘模型（李珊等，2017）；彭紹東基于交互層次視角，創(chuàng)建了網(wǎng)上學(xué)習(xí)行為研究的挖掘方法模型（彭紹東，2017）。第三，研究正處于起步階段，具有廣闊的研究前景，是未來(lái)重要的研究趨勢(shì)。第四，國(guó)外研究比國(guó)內(nèi)研究相對(duì)成熟，國(guó)內(nèi)研究仍然比較缺乏。另外關(guān)于網(wǎng)絡(luò)學(xué)習(xí)行為類型的分類，目前大多數(shù)是從學(xué)習(xí)者本身屬性進(jìn)行劃分，但網(wǎng)絡(luò)學(xué)習(xí)行為是復(fù)雜而多元的，從文獻(xiàn)綜述中仍無(wú)法看出比較詳細(xì)而深入的行為類型分析。

采用聚類方法，能夠發(fā)現(xiàn)學(xué)習(xí)者內(nèi)在行為的屬性集合，從而發(fā)現(xiàn)群體學(xué)習(xí)規(guī)律。鑒于研究背景與文獻(xiàn)綜述，本研究旨在通過(guò)對(duì)網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)者行為特征進(jìn)行聚類分析，探究網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)者行為特征規(guī)律及行為特征與學(xué)習(xí)效果的關(guān)系。研究結(jié)論對(duì)完善網(wǎng)絡(luò)課程的設(shè)計(jì)與開(kāi)發(fā)，輔助教師了解學(xué)習(xí)者行為特征、改善教學(xué)策略，實(shí)現(xiàn)網(wǎng)絡(luò)環(huán)境下的有效學(xué)習(xí)和適應(yīng)性推送服務(wù)具有一定意義。

三、研究設(shè)計(jì)

1.研究框架

本研究所提到的學(xué)習(xí)行為特征指網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)數(shù)據(jù)庫(kù)中所記錄的學(xué)習(xí)者參與網(wǎng)絡(luò)學(xué)習(xí)時(shí)的行為，包括學(xué)習(xí)時(shí)間跨度、學(xué)習(xí)總時(shí)長(zhǎng)、學(xué)習(xí)次數(shù)、平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)、重復(fù)學(xué)習(xí)率、討論交流、學(xué)習(xí)筆記、接收短信數(shù)量等。

研究采用數(shù)據(jù)挖掘技術(shù)中的聚類分析對(duì)學(xué)習(xí)者行為特征進(jìn)行以下兩方面的數(shù)據(jù)挖掘：第一，學(xué)習(xí)者分為哪幾種類型？每一類型學(xué)習(xí)群體學(xué)習(xí)行為特征是什么、學(xué)習(xí)效果如何？第二，針對(duì)不同類型學(xué)習(xí)群體如何激勵(lì)其學(xué)習(xí)行為，從而實(shí)現(xiàn)適應(yīng)性學(xué)習(xí)？

研究希望通過(guò)上述發(fā)現(xiàn)，一方面幫助教師更好地了解學(xué)習(xí)者，并根據(jù)學(xué)習(xí)者行為特征制定有針對(duì)性的教學(xué)策略；另一方面根據(jù)學(xué)習(xí)群體的行為特征為學(xué)習(xí)者推送更合適的個(gè)性化資源，提高自主學(xué)習(xí)效率，從而實(shí)現(xiàn)有效學(xué)習(xí)。

2.研究對(duì)象

研究對(duì)象的選取是進(jìn)行實(shí)證研究的關(guān)鍵環(huán)節(jié)之一。陜西師范大學(xué)“現(xiàn)代教育技術(shù)”在線開(kāi)放課程自2002年開(kāi)設(shè)以來(lái)，每年承擔(dān)陜西師范大學(xué)公共必修課教學(xué)，目前已擁有31915名師范類本科生、3972名成人教育碩士、2742名全日制教育碩士完整的網(wǎng)絡(luò)學(xué)習(xí)過(guò)程記錄和大量翔實(shí)的信息統(tǒng)計(jì)數(shù)據(jù)。該課程具備穩(wěn)定的學(xué)習(xí)群體、豐富的學(xué)習(xí)對(duì)象、穩(wěn)定的學(xué)習(xí)過(guò)程、相對(duì)成熟的學(xué)習(xí)過(guò)程管理、前期良好的研究基礎(chǔ)。綜合考慮，用這些數(shù)據(jù)探索網(wǎng)絡(luò)環(huán)境下的學(xué)習(xí)者聚類特征，更容易揭示規(guī)律，得出可行可信的研究結(jié)論，產(chǎn)生有代表性和說(shuō)服力的研究結(jié)果。

本研究選取某一學(xué)期參加“現(xiàn)代教育技術(shù)”在線開(kāi)放課程學(xué)習(xí)的陜西師范大學(xué)2687名大學(xué)三年級(jí)師范類本科生和210名聯(lián)考教育碩士，共2897人。通過(guò)數(shù)據(jù)挖掘前期數(shù)據(jù)預(yù)處理，研究對(duì)象共剩余2801人，其中男生943人，女生1858人。此外研究還隨機(jī)選擇了其他學(xué)年學(xué)習(xí)者數(shù)據(jù)進(jìn)行了兩次驗(yàn)證，研究結(jié)果與本研究結(jié)果一致。

3.數(shù)據(jù)收集與分析

本研究采用SQL Serever 2008 Data Mining數(shù)據(jù)挖掘工具對(duì)學(xué)習(xí)者行為特征進(jìn)行聚類分析。數(shù)據(jù)挖掘的第一步是數(shù)據(jù)準(zhǔn)備。本研究選取了三類數(shù)據(jù)表：學(xué)習(xí)者基本特征、學(xué)習(xí)者行為特征、學(xué)習(xí)者學(xué)習(xí)效果。數(shù)據(jù)挖掘的第二步是數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘的前期準(zhǔn)備工作。在海量原始數(shù)據(jù)中，存在大量重復(fù)、空缺、臟亂的數(shù)據(jù)，嚴(yán)重影響數(shù)據(jù)挖掘的有效性和正確性。因此在數(shù)據(jù)挖掘之前必須對(duì)收集到的原始數(shù)據(jù)進(jìn)行預(yù)處理，以期提高數(shù)據(jù)挖掘的效率、精度、性能。數(shù)據(jù)預(yù)處理主要包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換等。數(shù)據(jù)變換主要包括屬性構(gòu)造、數(shù)據(jù)規(guī)范化、數(shù)據(jù)離散化、數(shù)據(jù)歸約。本研究選取最大-最小數(shù)據(jù)規(guī)范化方法、K均值數(shù)據(jù)離散化方法、無(wú)損歸約。構(gòu)造的屬性有：學(xué)習(xí)時(shí)間跨度（Total Time），即學(xué)習(xí)者從第一次登錄系統(tǒng)到最后一次退出系統(tǒng)的時(shí)間周期。學(xué)習(xí)總時(shí)長(zhǎng)（Online Minute），即學(xué)習(xí)者在該在線開(kāi)放課程上累積的學(xué)習(xí)時(shí)間長(zhǎng)短。學(xué)習(xí)次數(shù)（Login Num），即學(xué)習(xí)者登錄該在線開(kāi)放課程進(jìn)行學(xué)習(xí)的次數(shù)。平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)（Average Time PerLogin），即學(xué)習(xí)者平均每次學(xué)習(xí)持續(xù)的時(shí)間長(zhǎng)度。重復(fù)學(xué)習(xí)率（Knowledge PerRepeat），即學(xué)習(xí)者平均每個(gè)知識(shí)點(diǎn)重復(fù)學(xué)習(xí)的次數(shù)。討論交流（BBS），即參與討論區(qū)討論交流的特征。以往針對(duì)BBS的研究主要僅考慮單一維度（討論次數(shù)）或是將幾個(gè)變量（如發(fā)帖數(shù)量、被回帖數(shù)量等）作為并列變量進(jìn)行研究，且變量選取并不全面，僅選取部分變量。本研究通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)，對(duì)于BBS屬性僅僅考慮數(shù)量特征并不能完全反映參與BBS的實(shí)際情況，必須構(gòu)造能夠反映這一行為的高維特征。BBS特征與學(xué)習(xí)者的發(fā)主題帖、回帖特征密切相關(guān)。發(fā)主題帖與數(shù)量、點(diǎn)擊量、被回帖數(shù)量密切相關(guān)，回帖與數(shù)量和點(diǎn)擊量密切相關(guān)。同時(shí)考慮到不同低維特征反映高維特征的重要性不同，我們?yōu)槠湓O(shè)置不同的權(quán)重，因此構(gòu)造高維屬性BBS=0.6×（0.4×發(fā)主題帖數(shù)量+0.3×主題帖點(diǎn)擊量+0.3×主題帖被回帖數(shù)量）+0.4×（0.4×回帖數(shù)量+0.6×回帖點(diǎn)擊量）。學(xué)習(xí)筆記（Blog），即學(xué)習(xí)者參與筆記的特征。以往研究考慮該維度的研究甚少，本研究認(rèn)為Blog是學(xué)習(xí)者重要的網(wǎng)絡(luò)學(xué)習(xí)行為之一。另外與BBS特征類似，需要構(gòu)造能夠反映該行為的高維特征，包括發(fā)表學(xué)習(xí)筆記數(shù)量、更新量、點(diǎn)擊量3個(gè)原始特征，因此構(gòu)造高維屬性Blog=0.5×數(shù)量+0.3×更新量+0.2×點(diǎn)擊量。接收短信數(shù)量（SmsInfo），即學(xué)習(xí)者在學(xué)習(xí)過(guò)程中接收督促學(xué)習(xí)短信的數(shù)量。學(xué)習(xí)效果（Total Score），即學(xué)習(xí)者總成績(jī)。Total Score=0.1×網(wǎng)上作業(yè)成績(jī)+0.2×實(shí)踐技能成績(jī)+0.2×網(wǎng)上考試成績(jī)+0.5×期末筆試成績(jī)。

四、數(shù)據(jù)挖掘

本研究采用Microsoft SQL Server Analysis Services 中的Microsoft聚類分析算法，該算法是一種利用迭代技術(shù)的分段算法。Microsoft 分類查看器提供4種視圖——“分類關(guān)系”“分類剖面”“分類特征”“分類對(duì)比”。

Microsoft分類查看器的“分類關(guān)系圖”選項(xiàng)卡顯示的是挖掘模型中的所有分類的關(guān)系圖?！胺诸愰g連線”的明暗程度表示分類的相似度，若連線顏色越淺或無(wú)連線，表示分類的相似性越低；反之越高?！胺诸惪颉北硎久恳粋€(gè)分類，顏色表示數(shù)據(jù)密度，若顏色越深，表示該分類所包含的記錄越多；反之越少。如本研究聚類結(jié)果為10類。其中分類1、分類3、分類5關(guān)聯(lián)，表示這三類相似性最強(qiáng)，經(jīng)分析，此三類均為男生；其余7種分類相似性強(qiáng)，經(jīng)分析此七類均為女生。分類1的顏色最深，表示人數(shù)最多，為258人。

分類剖片圖如圖2所示。分類剖面圖可以為模型中提供分類總體視圖。此視圖顯示了分類中每個(gè)屬性及屬性的分布。每列對(duì)應(yīng)于模型中的每一個(gè)聚類，頂部顯示分類分布統(tǒng)計(jì)信息；每行對(duì)應(yīng)一個(gè)屬性，頂部顯示分類屬性。不同彩條的剖面圖表示離散屬性分布情況，紅色代表屬性值為低、綠色代表屬性值為中，紫色代表屬性值為高，灰色代表其他值，藍(lán)色代表缺失。根據(jù)分類剖面圖能夠很容易看出這些聚類之間的不同點(diǎn)。

分類特征圖可以從“分類”列表中選擇一個(gè)分類，然后可以檢查特定分類的組成特征。該視圖由變量、值、概率組成，“變量+值”表示屬性狀態(tài)，排列順序?qū)凑諏傩缘闹匾潭龋锤怕剩╉樞蚺帕小?/p>

分類對(duì)比圖選項(xiàng)卡用來(lái)比較兩個(gè)分類的屬性。使用“分類1”和“分類2”列表可以選擇要比較的分類。查看器將確定分類間最重要的一些差異，并按重要性順序顯示與這些差異關(guān)聯(lián)的屬性狀態(tài)。屬性右側(cè)的條表示屬性狀態(tài)所傾向的分類，條的大小則表示屬性狀態(tài)傾向于相應(yīng)分類的程度。圖2是本研究分類1與非分類1之間的差異。

通過(guò)以上四種視圖顯示的結(jié)果，研究獲得四種聚類，各類學(xué)習(xí)者的特征如下：

聚類1：“高沉浸性”學(xué)習(xí)者。典型代表是分類2（200人）、分類3（206人）、分類9（172人）。該類學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)時(shí)有很高的沉浸性，對(duì)該網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)有很高的黏著度，利用網(wǎng)絡(luò)學(xué)習(xí)的積極性較高，參與度高，樂(lè)于協(xié)作學(xué)習(xí)，自我調(diào)控能力強(qiáng)，學(xué)習(xí)效果有兩類（高成績(jī)型、低成績(jī)型）?；咎攸c(diǎn)是：第一，平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)偏低、學(xué)習(xí)次數(shù)偏高，即該類學(xué)習(xí)者學(xué)習(xí)頻率高、喜歡充分利用零散時(shí)間進(jìn)行碎片式學(xué)習(xí)。第二，在線總時(shí)長(zhǎng)偏低，即該類學(xué)習(xí)者學(xué)習(xí)效率較高，能夠在有限的時(shí)間完成學(xué)習(xí)，并達(dá)到有效學(xué)習(xí)。第三，學(xué)習(xí)時(shí)間跨度高、重復(fù)學(xué)習(xí)率高、學(xué)習(xí)筆記高、討論交流高，即該類學(xué)習(xí)者網(wǎng)絡(luò)學(xué)習(xí)參與度高，學(xué)習(xí)積極性高。第四，短信接收數(shù)量低，即該類學(xué)習(xí)者自我調(diào)控能力強(qiáng)，學(xué)習(xí)動(dòng)機(jī)強(qiáng)，對(duì)外部調(diào)控需求較小。第五，總成績(jī)有2類，一類是高成績(jī)型，總成績(jī)主要為B級(jí)或A級(jí)，即該類學(xué)習(xí)者學(xué)習(xí)效果好，是學(xué)習(xí)領(lǐng)袖；另一類是低成績(jī)型，總成績(jī)主要為C，即該類學(xué)習(xí)者學(xué)習(xí)效果差。這可能是由于自身學(xué)習(xí)策略不恰當(dāng)，所以雖然很努力與活躍，但學(xué)習(xí)效果并不理想。

聚類2：“較高沉浸性”學(xué)習(xí)者。該類學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)時(shí)沉浸性較高，對(duì)該網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的黏著度較高，學(xué)習(xí)效果較好。根據(jù)學(xué)習(xí)者信息加工的差異，可以將該類學(xué)習(xí)群體分為兩類：活躍型、沉思型。

“活躍型”典型代表是分類7（196人）?；咎攸c(diǎn)是：第一，平均每次在線停留時(shí)間高、學(xué)習(xí)次數(shù)低。第二，在線總時(shí)長(zhǎng)中、學(xué)習(xí)時(shí)間跨度中。第三，重復(fù)學(xué)習(xí)率高、學(xué)習(xí)筆記高、討論交流偏高。第四，短信接收數(shù)量低。第五，總成績(jī)主要為B級(jí)或A級(jí)。通過(guò)對(duì)這類學(xué)習(xí)者學(xué)習(xí)行為分析，可以得知：該類學(xué)習(xí)者對(duì)網(wǎng)絡(luò)學(xué)習(xí)的沉浸性并非最高，但傾向于積極做事、討論、應(yīng)用或給別人解釋知識(shí)，喜歡通過(guò)網(wǎng)絡(luò)交流合作，且具有較高的自我調(diào)控能力，能夠通過(guò)自我調(diào)節(jié)合理分配學(xué)習(xí)行為。

“沉思型”典型代表是分類4（196人）?；咎攸c(diǎn)是：第一，平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)高、學(xué)習(xí)次數(shù)低。第二，在線總時(shí)長(zhǎng)偏高、學(xué)習(xí)時(shí)間跨度中。第三，重復(fù)學(xué)習(xí)率低、學(xué)習(xí)筆記偏低、討論交流無(wú)。第四，短信接收數(shù)量低。第五，總成績(jī)主要為B。通過(guò)對(duì)這類學(xué)習(xí)者學(xué)習(xí)行為分析，可以得知：該類學(xué)習(xí)者傾向于采用反省的方式來(lái)觀察和處理信息，他們通過(guò)深入思考來(lái)學(xué)習(xí)，偏愛(ài)單獨(dú)學(xué)習(xí)，因此其網(wǎng)絡(luò)學(xué)習(xí)參與度較差，幾乎不參與交流討論和學(xué)習(xí)筆記。

聚類3：“中沉浸性”學(xué)習(xí)者。典型代表是分類6（194人）學(xué)習(xí)者。該類學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)時(shí)沉浸性一般，對(duì)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)黏著度一般，自覺(jué)性一般，其學(xué)習(xí)的動(dòng)機(jī)主要是為了完成學(xué)習(xí)任務(wù)，因此各類學(xué)習(xí)行為幾乎均適中，學(xué)習(xí)效果一般?；咎攸c(diǎn)是：第一，時(shí)間跨度偏高。第二，平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)中、學(xué)習(xí)次數(shù)中、學(xué)習(xí)筆記中、重復(fù)學(xué)習(xí)率中。第三，在線總時(shí)長(zhǎng)偏低、討論交流偏低。第四，短信接收數(shù)量中。第五，學(xué)習(xí)效果一般，總成績(jī)B級(jí)。

聚類4：“低沉浸性”學(xué)習(xí)者。典型代表是分類1（258人）、分類5（202人）、分類8（178人）、分類10（159人）學(xué)習(xí)者。該類學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下學(xué)習(xí)時(shí)沉浸性較低，對(duì)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的黏著度較低，積極性較差，參與度差，自我調(diào)控能力差，需要通過(guò)外界的督促調(diào)控才能完成學(xué)習(xí)任務(wù)，參與網(wǎng)絡(luò)學(xué)習(xí)的目的僅僅是為了完成學(xué)習(xí)任務(wù)，因此學(xué)習(xí)的效果較差，學(xué)習(xí)風(fēng)格有兩類（間斷型、連續(xù)型）。基本特點(diǎn)是：第一，該類學(xué)習(xí)者可以分為2類，一類平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)偏高、學(xué)習(xí)次數(shù)偏低，主要采取突擊方式跨越式地進(jìn)行學(xué)習(xí)；另一類平均每次在線學(xué)習(xí)停留時(shí)長(zhǎng)偏低、學(xué)習(xí)次數(shù)偏高，主要采用以小步調(diào)漸近的方式學(xué)習(xí)，學(xué)習(xí)過(guò)程是線性的，學(xué)習(xí)時(shí)間是連續(xù)固定的。這兩類學(xué)習(xí)者無(wú)論學(xué)習(xí)頻率低或高，大多數(shù)是為了完成學(xué)習(xí)任務(wù)而特意安排特定學(xué)習(xí)時(shí)間參與網(wǎng)絡(luò)學(xué)習(xí)，因此學(xué)習(xí)的效果較差。第二，重復(fù)學(xué)習(xí)率、學(xué)習(xí)時(shí)間跨度、在線總時(shí)長(zhǎng)偏低。第三，幾乎不參與討論交流和學(xué)習(xí)筆記，即該類學(xué)習(xí)者網(wǎng)絡(luò)學(xué)習(xí)參與度低，學(xué)習(xí)積極性差。第四，短信接收數(shù)量偏高，即該類學(xué)習(xí)者自我調(diào)控能力差，需要教師的外部調(diào)控才能完成學(xué)習(xí)任務(wù)。第五，總成績(jī)主要為C級(jí)，即該類學(xué)習(xí)者學(xué)習(xí)效果較差。

五、研究結(jié)論與建議

根據(jù)數(shù)據(jù)挖掘結(jié)果，將學(xué)習(xí)者聚類分為四大類，分別為高沉浸性、較高沉浸性、中沉浸性、低沉浸性。每類學(xué)習(xí)行為特征和學(xué)習(xí)效果如下表。

依據(jù)上述研究結(jié)論，我們從學(xué)業(yè)預(yù)警、教學(xué)策略和適應(yīng)性推送服務(wù)的角度出發(fā)，結(jié)合網(wǎng)絡(luò)學(xué)習(xí)和教育心理學(xué)的相關(guān)理論，針對(duì)網(wǎng)絡(luò)學(xué)習(xí)提出以下建議：

第一，根據(jù)不同類型學(xué)習(xí)者群體的行為規(guī)律進(jìn)行學(xué)業(yè)預(yù)警。已有研究表明沉浸狀態(tài)對(duì)學(xué)習(xí)有積極影響（Salanova et al.，2006），本研究也發(fā)現(xiàn)沉浸狀態(tài)對(duì)學(xué)習(xí)有積極影響，沉浸性高的學(xué)習(xí)者學(xué)習(xí)效果往往較好。實(shí)施網(wǎng)絡(luò)學(xué)習(xí)的機(jī)構(gòu)可以根據(jù)聚類分析結(jié)果，對(duì)學(xué)習(xí)者學(xué)習(xí)效果進(jìn)行預(yù)測(cè)與預(yù)警。同時(shí)注意對(duì)學(xué)習(xí)者的聚類分析是不斷更新、實(shí)時(shí)分析、循環(huán)進(jìn)行的，應(yīng)在學(xué)習(xí)的不同階段提供不同的干預(yù)策略。首先，根據(jù)沉浸性狀態(tài)給予學(xué)業(yè)預(yù)警與干預(yù)。對(duì)沉浸性表現(xiàn)差的學(xué)習(xí)者給予恰當(dāng)干預(yù)，使其向沉浸性高的群體轉(zhuǎn)變。其次，根據(jù)預(yù)測(cè)學(xué)習(xí)效果給予學(xué)業(yè)預(yù)警與干預(yù)。學(xué)習(xí)者在學(xué)習(xí)的某一階段一旦出現(xiàn)學(xué)習(xí)危機(jī)，給予及時(shí)恰當(dāng)?shù)母深A(yù)，從而實(shí)現(xiàn)學(xué)習(xí)者的有效學(xué)習(xí)，提高學(xué)習(xí)效果。

第二，根據(jù)不同類型學(xué)習(xí)者群體的行為規(guī)律確定教學(xué)策略。聚類分析結(jié)果可以使教師及時(shí)了解學(xué)習(xí)者行為特征與規(guī)律，方便其因材施教，確定教學(xué)策略與改善教學(xué)資源，為學(xué)習(xí)者的有效學(xué)習(xí)提供引導(dǎo)與干預(yù)。例如每隔一段時(shí)間對(duì)學(xué)習(xí)者進(jìn)行聚類分析，根據(jù)分析結(jié)果，教師了解學(xué)習(xí)者屬于哪種類型的學(xué)習(xí)群體。如果學(xué)習(xí)者處于低沉浸性，教師應(yīng)調(diào)查原因，對(duì)這類學(xué)習(xí)者重點(diǎn)監(jiān)督，并提供更多的學(xué)習(xí)策略指導(dǎo)與外部調(diào)控?？赏ㄟ^(guò)短信、微信、電子郵件等形式提醒學(xué)習(xí)者按時(shí)參與學(xué)習(xí)，提高其時(shí)間管理能力；或利用學(xué)習(xí)進(jìn)度提示器、數(shù)字儀表盤，讓學(xué)習(xí)者清晰地了解自己或其他學(xué)習(xí)伙伴的學(xué)習(xí)進(jìn)度，一方面實(shí)現(xiàn)對(duì)自己的元認(rèn)知，另一方面實(shí)現(xiàn)同伴激勵(lì)；或者通過(guò)提示窗口、彈幕對(duì)學(xué)習(xí)者提供警示、通知等，提高其注意力以及自我調(diào)控能力。教師還可采用多種途徑激發(fā)學(xué)習(xí)者的學(xué)習(xí)動(dòng)機(jī)，有針對(duì)性地采取合適的教學(xué)手段、提供感興趣的資源（自適應(yīng)資源推送）、開(kāi)展多樣的交互活動(dòng)（如及時(shí)回復(fù)、即時(shí)交流、直播、學(xué)習(xí)共同體等），增加這類學(xué)習(xí)者參與行為，防止其用戶流失，進(jìn)而向高沉浸性轉(zhuǎn)移。

第三，根據(jù)不同類型學(xué)習(xí)者群體的行為規(guī)律實(shí)現(xiàn)適應(yīng)性推送服務(wù)。構(gòu)建資源推送服務(wù)機(jī)制，創(chuàng)建適應(yīng)性學(xué)習(xí)系統(tǒng)。教育技術(shù)的一個(gè)核心和持久問(wèn)題是為了適應(yīng)和支持個(gè)體不同教育目標(biāo)和學(xué)習(xí)能力而規(guī)劃并提供教學(xué)環(huán)境與條件（Park，1996）。強(qiáng)調(diào)學(xué)習(xí)空間為核心的資源推送，把不同學(xué)習(xí)者所需要的適當(dāng)資源送入不同的個(gè)人學(xué)習(xí)空間。根據(jù)數(shù)據(jù)挖掘的結(jié)果，為學(xué)習(xí)者提供個(gè)性化的學(xué)習(xí)推送服務(wù)，包括提供不同的內(nèi)容展示形式（即用不同的媒體形式或順序呈現(xiàn)學(xué)習(xí)內(nèi)容）、不同的導(dǎo)航或?qū)W習(xí)路徑、不同的學(xué)習(xí)幫助、不同的評(píng)價(jià)等。例如針對(duì)高沉浸性學(xué)習(xí)者，可以為其更多地推送一些課外資源，豐富其學(xué)習(xí)內(nèi)容，擴(kuò)展其學(xué)習(xí)視野，教師也應(yīng)積極引導(dǎo)其成為學(xué)習(xí)領(lǐng)袖。針對(duì)低沉浸性學(xué)習(xí)者，提前預(yù)警，盡量為其推送一些難度較低且最感興趣的話題與資源，為其提供貫穿課程材料且結(jié)構(gòu)良好的學(xué)習(xí)路徑，并且注意不能使用過(guò)多的鏈接加重其認(rèn)知負(fù)荷，同時(shí)要加強(qiáng)對(duì)這類學(xué)習(xí)群體的監(jiān)督和調(diào)控，利用任務(wù)驅(qū)動(dòng)的形式設(shè)置獎(jiǎng)勵(lì)措施來(lái)激發(fā)其學(xué)習(xí)動(dòng)機(jī)，從而提高其學(xué)習(xí)沉浸性，最終達(dá)到學(xué)習(xí)效果的提升。而對(duì)中沉浸性學(xué)習(xí)者應(yīng)該向其推送感興趣的學(xué)習(xí)內(nèi)容。對(duì)高沉浸性-低成績(jī)型學(xué)習(xí)者則要加強(qiáng)其學(xué)習(xí)策略的指導(dǎo)和訓(xùn)練。對(duì)較高沉浸性-沉思型學(xué)習(xí)者可以通過(guò)激勵(lì)制度或小組協(xié)作活動(dòng)提高其網(wǎng)絡(luò)學(xué)習(xí)參與度，讓其體驗(yàn)協(xié)作的樂(lè)趣和好處，從而提高其協(xié)作學(xué)習(xí)能力。

參考文獻(xiàn)：

[1]傅鋼善，王改花（2014）. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果研究[J].電化教育研究， （9）：53-57.

[2]李珊，劉繼超，邵芬紅（2017）.Web日志與瀏覽行為結(jié)合下的用戶瀏覽興趣數(shù)據(jù)挖掘分析[J].現(xiàn)代電子技術(shù)，（5）：30-33.

[3]李爽，鐘瑤，喻忱等（2017）.基于行為序列分析對(duì)在線學(xué)習(xí)參與模式的探索[J].中國(guó)電化教育，（3）： 88-95.

[4]彭紹東（2017）.大數(shù)據(jù)時(shí)代網(wǎng)上學(xué)習(xí)行為研究的挖掘方法模型與應(yīng)用[J].電化教育研究， （1）：72-81.

[5]邵志芳（2006）.認(rèn)知心理學(xué)——理論、實(shí)驗(yàn)和應(yīng)用[M].上海：上海教育出版社：22.

[6]吳青，羅儒國(guó)，王權(quán)于（2015）.基于關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)學(xué)習(xí)行為實(shí)證研究[J].現(xiàn)代教育技術(shù)， （7）：88-94.

[7]趙慧瓊，姜強(qiáng)，趙蔚等（2017）.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績(jī)效預(yù)警因素及干預(yù)對(duì)策的實(shí)證研究[J].電化教育研究， （1）： 64-71.

[8]Amershi， S.， & Conatl， C. （2009）. Combining Unsupervised and Supervised Classification to Build User Models for Exploratory [J]. Journal of educational data mining ， 1（1）：18-71.

[9]Araya， R.， Jiménez， A.， & Bahamondez， M. et al. （2014）.Teaching Modeling Skills Using a Massively Multiplayer Online Mathematics Game [J]. World Wide Web-Internet & Web Information Systems， 17 （2）： 213-227.

[10]Feldman， J.， Monteserin， A.， & Amandi， A. （2014）. Detecting Students' Perception Style by Using Games [J]. Computers & Education， 71 （C）： 14-22.

[11]Natek， S.， & Zwilling， M. （2014）. Student Data Mining Solution-Knowledge Management System Related to Higher Education Institutions [J]. Expert Systems with Applications， 41（14）：6400-6407.

[12]Park， O.（1996）. Handbook of Research on Educational Communications and Technology[M]. New York： Macmillan：634-664.

[13]Salanova， M.， Bakker， A. B.， & Llorens， S. （2006）. Flow at Work： Evidence for an Upward Spiral of Personal and Organizational Resources[J]. Happiness Studies， 7：1-22.

[14]Vaessen， B. E.， Prins， F. J.， & Jeuring， J. （2014）.University Students' Achievement Goals and Help-Seeking Strategies in an Intelligent Tutoring System [J]. Computers & Education， 72：196-208.

收稿日期 2018-03-16 責(zé)任編輯 王雍錚

Abstract： With the rapid development and wide spread application of the computer and network， online learning has become an important component of the development of education in the Internet plus era. In recent years， with the widespread concern of big data， the study of online learning behavior based on data mining has become an important research direction and research focus. At present， most of the classification of online learning behavior is based on learners own attributes， with a lack of detailed and in-depth analysis of behavior types. Clustering analysis based on data mining can find the law behind the data by the advantage of big data. On the basis of the online learning process records of the online open course “Modern Educational Technology” in Shaanxi Normal University， this paper uses data mining tools to cluster the online learners behavior characteristics， and finds out that： according to the characteristics of learning， online learners can be divided into four groups including the highest immersion type， the higher immersion type， the moderate immersion type， and low immersion. Learning behavior is closely related to the learning effect， and learners with the high immersion tend to have better learning effect. With the help of technical tools， teachers can conduct continuously updating， real-time and circular cluster analysis of learners， timely find the individual and group learning characteristics of learners， teach students in accordance with their aptitude， promote adaptive personalized services， and give timely learning warning and appropriate teaching intervention.

Keyword： Online Learning； Behavior Characteristics； Data Mining； Cluster Analysis； Personalized Education