王改花 傅鋼善

【摘要】網(wǎng)絡(luò)學(xué)習(xí)已成為互聯(lián)網(wǎng)+時代教育發(fā)展的重要組成，如何對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行預(yù)測，依據(jù)預(yù)測結(jié)果實施學(xué)業(yè)預(yù)警，并為教學(xué)決策提供依據(jù)，是網(wǎng)絡(luò)教育需要解決的問題之一，也是教育大數(shù)據(jù)研究的重要問題。本研究采用數(shù)據(jù)挖掘技術(shù)中的決策樹方法對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行了預(yù)測，構(gòu)建了適應(yīng)性學(xué)習(xí)系統(tǒng)學(xué)習(xí)干預(yù)模型，研究發(fā)現(xiàn)總成績不及格的最高概率是男生、學(xué)習(xí)時間跨度表現(xiàn)較差的最高概率是碩士生、學(xué)習(xí)總時長表現(xiàn)較差的最高概率是男生、平均每次在線學(xué)習(xí)停留時長表現(xiàn)較差的最高概率是男理科生、討論交流表現(xiàn)較差的最高概率是藝術(shù)生、學(xué)習(xí)筆記表現(xiàn)較差的最高概率是女藝術(shù)生、接受反饋數(shù)量較高的最高概率是男生。

【關(guān)鍵詞】? 決策樹;數(shù)據(jù)挖掘;網(wǎng)絡(luò)學(xué)習(xí);學(xué)習(xí)行為;學(xué)習(xí)成績;學(xué)習(xí)干預(yù);適應(yīng)性學(xué)習(xí);學(xué)業(yè)預(yù)警;教學(xué)決策

【中圖分類號】? G434? ? ? 【文獻(xiàn)標(biāo)識碼】? A? ? ? 【文章編號】 1009-458x（2019）2-0039-10

一、引言

截至2017年12月，中國在線教育用戶規(guī)模達(dá)1.55億，較2016年底增加1，754萬人，年增長率為18.8%;在線教育使用率為20.1%，年增長率為12.7%（中國互聯(lián)網(wǎng)絡(luò)信息中心， 2018）。網(wǎng)絡(luò)學(xué)習(xí)已成為互聯(lián)網(wǎng)+時代教育發(fā)展的重要組成?！督逃畔⒒笆濉币?guī)劃》明確指出，依托網(wǎng)絡(luò)學(xué)習(xí)空間逐步實現(xiàn)對學(xué)生日常學(xué)習(xí)情況的大數(shù)據(jù)采集和分析，優(yōu)化教學(xué)模式（中華人民共和國教育部， 2016）。目前關(guān)于教育大數(shù)據(jù)的研究與實踐正處于起步探索階段，推進(jìn)教育大數(shù)據(jù)普及應(yīng)用是當(dāng)前的研究熱點。教育大數(shù)據(jù)研究與實踐一方面對掌握教育發(fā)展現(xiàn)狀、制定科學(xué)教育政策、配置合理的教育資源等具有重要意義;另一方面對實現(xiàn)個性化學(xué)習(xí)、優(yōu)化教學(xué)、多元學(xué)業(yè)評價、實時學(xué)習(xí)預(yù)警等具有重要意義。如何對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行預(yù)測，依據(jù)預(yù)測結(jié)果實施學(xué)業(yè)預(yù)警，并為教學(xué)決策提供依據(jù)，是網(wǎng)絡(luò)教育需要解決的問題之一（徐鵬， 等， 2013; Macfadyen & Dawson， 2010），也是教育大數(shù)據(jù)研究的重要問題（Kostopoulos， et al.， 2017）。數(shù)據(jù)挖掘是大數(shù)據(jù)采集和分析的重要技術(shù)手段。

二、研究綜述

對采用數(shù)據(jù)挖掘方法預(yù)測網(wǎng)絡(luò)學(xué)習(xí)者學(xué)習(xí)表現(xiàn)的研究進(jìn)行分析，可發(fā)現(xiàn)如下特點：第一，已有研究主要采用決策樹、回歸分析、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、支持向量機(jī)、時序分析、聚類等算法，其中決策樹與回歸分析用得最多。第二，研究內(nèi)容主要集中在成績預(yù)測理論模型的構(gòu)建、成績預(yù)測模型的實證研究、算法準(zhǔn)確性的對比、算法的開發(fā)、預(yù)警因素研究、綜述研究等。關(guān)于成績預(yù)測理論模型的構(gòu)建，這類研究主要采用數(shù)據(jù)挖掘技術(shù)從理論上構(gòu)建成績預(yù)測模型（Ohia， 2011;武法提， 2016; 王林麗， 等， 2016; 牟智佳， 等， 2017a）;關(guān)于成績預(yù)測模型的實證研究，這類研究主要開發(fā)成績預(yù)測系統(tǒng)或?qū)崿F(xiàn)成績預(yù)測模型，并將其應(yīng)用于教學(xué)實踐中（Macfadyen & Dawson， 2010; Xing， et al.， 2015; 馬杰， 等， 2014; 王亮， 2015; 孫力， 等， 2015， 2016; 陳子健， 等， 2017）;關(guān)于算法準(zhǔn)確性的對比研究，這類研究主要是通過對比幾種不同的預(yù)測算法，來發(fā)現(xiàn)預(yù)測準(zhǔn)確性最高的算法（Kostopoulos， et al.， 2017; Romero， et al.， 2013; Costa， et al.， 2017; 牟智佳， 等， 2017b）;關(guān)于算法開發(fā)，這類研究主要是結(jié)合幾種數(shù)據(jù)挖掘的算法構(gòu)建一種集成分類器，從而提升分類的準(zhǔn)確性（Kotsiantis， et al.， 2010; Huang & Fang， 2013）;關(guān)于預(yù)警因素研究，這類研究主要是探索哪些屬性和因素能夠較好地預(yù)測學(xué)習(xí)者學(xué)習(xí)績效（Romero， et al.， 2013; Pursel， et al.， 2016; Barba， et al.， 2016; 傅鋼善， 等， 2014; 趙慧瓊， 等， 2017; 牟智佳， 等， 2017b）;關(guān)于綜述研究，這類研究主要是對基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究進(jìn)行文獻(xiàn)綜述（肖巍， 等， 2018）。第三，研究工具主要是Weka，其次還有SPSS、SQL Sever 2008 Data Mining、SSAS等。第四，使用的預(yù)測分析變量主要有人口學(xué)變量、個人背景信息、學(xué)習(xí)行為參與變量，用這些變量來預(yù)測學(xué)習(xí)者的總成績（通過或未通過），對學(xué)習(xí)者行為表現(xiàn)的預(yù)測相對較少。第五，研究對象主要是大學(xué)生，數(shù)量大多數(shù)是介于100～500人之間，數(shù)量相對較小。第六，研究正處于起步階段，是未來重要的研究領(lǐng)域，但國內(nèi)研究與國外研究相比，國內(nèi)研究相對起步要晚，研究的廣度與深度有待加強(qiáng)。因此本研究采用數(shù)據(jù)挖掘技術(shù)中的決策樹方法對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行預(yù)測，設(shè)計適應(yīng)性學(xué)習(xí)系統(tǒng)學(xué)習(xí)干預(yù)模型，以期為教師了解學(xué)習(xí)者的群體特征與改善教學(xué)決策提供數(shù)據(jù)依據(jù)，同時為適應(yīng)性推送服務(wù)和有效學(xué)習(xí)提供理論基礎(chǔ)。

三、研究方法

（一）研究對象

自2002年以來，“現(xiàn)代教育技術(shù)”大規(guī)模在線開放課程與時俱進(jìn)、不斷更新，先后以國家精品網(wǎng)絡(luò)課程、國家精品資源共享課、中國大學(xué)MOOC、國家精品在線開放課程等多種形式的大規(guī)模在線開放課程開展網(wǎng)絡(luò)學(xué)習(xí)。2017年被認(rèn)定為首批國家精品在線開放課程。課程豐富的特色資源，靈活多樣的教學(xué)方法和行之有效的學(xué)習(xí)活動，受到學(xué)習(xí)者的普遍好評。

本研究對象為2012～2013學(xué)年第二學(xué)期參加“現(xiàn)代教育技術(shù)”在線開放課程學(xué)習(xí)的陜西師范大學(xué)2，687名大三師范類本科生和210名教育碩士，共計2，897名。在實際學(xué)習(xí)過程中，有56名學(xué)習(xí)者由于種種原因沒有成功注冊參與在線開放課程的學(xué)習(xí)，因此有效學(xué)習(xí)人數(shù)為2，841名。通過前期數(shù)據(jù)清洗（即處理原始數(shù)據(jù)中的噪聲數(shù)據(jù)、無關(guān)數(shù)據(jù)、缺失值、臟數(shù)據(jù)、孤立點等），研究對象共剩余2，801名，其中性別分布為943名男生，1，858名女生;學(xué)科背景分布為1，399名理科生，995名文科生，407名藝術(shù)生;學(xué)歷分布為2，657名本科生，144名碩士。為了確保研究結(jié)果的可信，本研究還進(jìn)行了兩次驗證，驗證結(jié)果與本研究結(jié)果一致，本文呈現(xiàn)的是第一次的驗證結(jié)果。

（二）數(shù)據(jù)收集與分析

決策樹是一種常用的數(shù)據(jù)挖掘分類方法，常用于預(yù)測模型，它通過將大量數(shù)據(jù)有目的地分類，從中找到一些具有商業(yè)價值的、潛在的信息。決策樹的結(jié)構(gòu)，顧名思義，就像一棵樹，它利用樹結(jié)構(gòu)將數(shù)據(jù)記錄進(jìn)行分類，樹的一個葉節(jié)點就代表某個條件下的一個記錄集，根據(jù)記錄字段的不同取值建立樹的分支;在每個分支子集中重復(fù)建立下層節(jié)點和分支，便可生成一棵決策樹（唐華松， 等， 2001）。決策樹方法的優(yōu)點在于形式簡單，計算復(fù)雜度不高，易于實現(xiàn)，輸出結(jié)果易于理解;數(shù)據(jù)的準(zhǔn)備工作簡單，能夠同時處理數(shù)據(jù)型和常規(guī)型屬性，在相對短的時間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的結(jié)果;易于通過靜態(tài)測試來對模型進(jìn)行評測，可以測定模型可信度（王國平， 2014， p.142）。基于文獻(xiàn)綜述與決策樹的優(yōu)點，本研究采用決策樹方法對網(wǎng)絡(luò)學(xué)習(xí)行為與成績進(jìn)行預(yù)測。

本研究的研究工具為SQL Sever 2008 Data Mining，采用Microsoft SQL Server Analysis Services中的Microsoft決策樹算法。該算法是一種混合決策樹算法，支持分類與回歸兩種任務(wù)，可以對離散屬性或連續(xù)屬性進(jìn)行預(yù)測性建模，本研究對離散屬性進(jìn)行預(yù)測性建模。數(shù)據(jù)挖掘的過程為問題定義、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、模型評價。

1. 問題定義

本研究采用決策樹挖掘模型對不同性別（UserSex，男、女）、不同學(xué)科背景（Department，文科、理科、藝術(shù)）、不同學(xué)歷（Edulevel，本科、碩士）的學(xué)習(xí)者群體學(xué)習(xí)行為特征及總成績進(jìn)行評估與預(yù)測，以期讓教師能夠更加清晰深入地了解每類學(xué)習(xí)者群體的特征，為教育決策提供實證數(shù)據(jù)依據(jù)。

2. 數(shù)據(jù)準(zhǔn)備

為了建立學(xué)習(xí)者模型，必須收集大量的學(xué)習(xí)者信息數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理。因此，需要對模型中所有需要的歷史數(shù)據(jù)進(jìn)行分析和處理，以便充分挖掘出學(xué)習(xí)者的關(guān)鍵行為特征。本研究選取了三類特征數(shù)據(jù)：①學(xué)習(xí)者基本特征，即學(xué)習(xí)者資料數(shù)據(jù)，該特征數(shù)據(jù)集包括2，841條記錄，每條記錄包括21個特征;②學(xué)習(xí)者行為特征，即學(xué)習(xí)者的學(xué)習(xí)行為特征數(shù)據(jù)，該特征數(shù)據(jù)集包含9張表、2，548，709條記錄、137個行為特征;③學(xué)習(xí)者學(xué)習(xí)效果特征，即學(xué)習(xí)者成績，該特征集包含6張表、55，957條記錄。

3. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘前期重要的、不可忽視的環(huán)節(jié)。據(jù)統(tǒng)計，在完整的數(shù)據(jù)挖掘過程中，數(shù)據(jù)預(yù)處理要花費60%左右的時間，而后的挖掘工作僅占總工作量的10%左右（元昌安， 2009， p. 40）。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、數(shù)據(jù)規(guī)約。通過數(shù)據(jù)預(yù)處理，本研究提取了9個特征，分別為學(xué)習(xí)時間跨度（TotalTime，簡稱TT），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)的時間周期;學(xué)習(xí)總時長（OnlineMinute，簡稱OM），即學(xué)習(xí)者在該網(wǎng)絡(luò)學(xué)習(xí)平臺上累積的學(xué)習(xí)時間長短;學(xué)習(xí)次數(shù)（LoginNum，簡稱LN），即學(xué)習(xí)者登錄學(xué)習(xí)平臺的次數(shù);平均每次在線學(xué)習(xí)停留時長（AverageTimePerLogin，簡稱ATPL），即學(xué)習(xí)者平均每次學(xué)習(xí)持續(xù)的時間長度;重復(fù)學(xué)習(xí)率（KnowledgePerRepeat，簡稱KPR），即學(xué)習(xí)者平均對每個知識點重復(fù)學(xué)習(xí)的次數(shù);討論交流（簡稱BBS），即參與BBS討論交流的特征;學(xué)習(xí)筆記（簡稱Blog），即學(xué)習(xí)者參與數(shù)字學(xué)習(xí)筆記的特征;接收反饋數(shù)量（SmsInfo，簡稱SI），即學(xué)習(xí)者在學(xué)習(xí)過程中接收督促學(xué)習(xí)信息的數(shù)量;總成績（ScoreTotal，簡稱ST），即學(xué)習(xí)者學(xué)習(xí)總成績。

數(shù)據(jù)清洗，即處理原始數(shù)據(jù)中的噪聲數(shù)據(jù)、無關(guān)數(shù)據(jù)、缺失值、臟數(shù)據(jù)、孤立點等。例如：教育碩士的學(xué)歷信息有誤，通過SQL語言改正;刪除只注冊但并未進(jìn)行學(xué)習(xí)的學(xué)習(xí)者信息、交換生與休學(xué)生信息、考試權(quán)限為0的學(xué)習(xí)者信息;刪除教師、其他用戶（除陜西師范大學(xué)）、管理者信息;刪除空缺值信息等。

數(shù)據(jù)集成，即將兩個或多個數(shù)據(jù)源中的數(shù)據(jù)，存放在一個一致的數(shù)據(jù)庫中，重點考慮數(shù)據(jù)一致性和冗余。

數(shù)據(jù)變換，即將數(shù)據(jù)變換為適合于數(shù)據(jù)挖掘的形式。包括數(shù)據(jù)泛化、數(shù)據(jù)規(guī)范化、特征構(gòu)造、數(shù)據(jù)離散化。①數(shù)據(jù)泛化，即使用概念分層，用高層概念替換低層或原始數(shù)據(jù)。本研究對專業(yè)通過高層概念學(xué)科背景“理科、文科、藝術(shù)”實現(xiàn)泛化。文科包括歷史文化學(xué)院、文學(xué)院、外國語學(xué)院、政治經(jīng)濟(jì)學(xué)院、心理學(xué)院、教育學(xué)院，理科包括化學(xué)化工學(xué)院、計算機(jī)科學(xué)學(xué)院、旅游與環(huán)境學(xué)院、數(shù)學(xué)與信息科學(xué)學(xué)院、物理學(xué)與信息技術(shù)學(xué)院、生命科學(xué)學(xué)院、新聞與傳播學(xué)院（教育技術(shù)學(xué)專業(yè)），藝術(shù)包括音樂學(xué)院、美術(shù)學(xué)院、體育學(xué)院。②數(shù)據(jù)規(guī)范化，即將原來的度量值轉(zhuǎn)換為無量綱的值。本研究選取最大—最小規(guī)范化，使連續(xù)型數(shù)據(jù)取值范圍為[0-1]。③特征構(gòu)造，即利用已知屬性，構(gòu)造新的屬性，以便更好地刻畫數(shù)據(jù)的特性，幫助數(shù)據(jù)挖掘過程。其目的是幫助提高精度和對高維數(shù)據(jù)結(jié)構(gòu)的理解。但數(shù)據(jù)集的特征維數(shù)并非越高越好，維數(shù)太高容易導(dǎo)致維災(zāi)難，維數(shù)太低又不能有效獲取數(shù)據(jù)集中的重要信息。本研究構(gòu)造的特征包括學(xué)習(xí)時間跨度（如公式1）、平均每次在線學(xué)習(xí)停留時長（如公式2）、重復(fù)學(xué)習(xí)率（如公式3）、討論交流（討論交流與學(xué)習(xí)者的發(fā)主帖數(shù)量、點擊量、被回帖數(shù)量以及回帖數(shù)量、點擊量特征密切相關(guān)，且考慮到不同低維特征反映高維特征的重要性不同，為其設(shè)置不同的權(quán)重，如公式4）、學(xué)習(xí)筆記（學(xué)習(xí)筆記與學(xué)習(xí)者的學(xué)習(xí)筆記數(shù)量、更新量、點擊量密切相關(guān)，且考慮到不同低維特征反映高維特征的重要性不同，為其設(shè)置不同的權(quán)重，如公式5）、總成績（總成績由網(wǎng)上作業(yè)成績、實踐技能成績、網(wǎng)上考試成績、期末筆試成績構(gòu)成，如公式6）。④數(shù)據(jù)離散化，決策樹要求數(shù)據(jù)是分類屬性，因此需要對數(shù)值進(jìn)行離散化。無監(jiān)督離散化方法主要有等寬離散化、等頻離散化、K均值離散化，K均值性能最好，因此本研究選取K均值離散化方法，結(jié)果如表1、表2所示。

公式1：學(xué)習(xí)時間跨度=學(xué)習(xí)者最后一次退出平臺時間-學(xué)習(xí)者第一次登陸平臺時間…（1）

公式2：平均每次在線學(xué)習(xí)停留時長=學(xué)習(xí)總時長/學(xué)習(xí)次數(shù)…（2）

公式3：重復(fù)學(xué)習(xí)率[=k=0n]學(xué)習(xí)者每個知識點重復(fù)學(xué)習(xí)次數(shù)/學(xué)習(xí)者學(xué)習(xí)知識點總數(shù)…（3）

公式4：討論交流=0.6×（0.4×發(fā)主題帖數(shù)量+0.3×主題帖點擊量+0.3×主題帖被回帖數(shù)量）+0.4×（0.4×回帖數(shù)量+0.6×回帖點擊量）…（4）

公式5：學(xué)習(xí)筆記=0.5×數(shù)量+0.3×更新量+0.2×點擊量…（5）

公式6：總成績=0.1×網(wǎng)上作業(yè)成績+0.2×實踐技能成績+0.2×網(wǎng)上考試成績+0.5×期末筆試成績…（6）

數(shù)據(jù)規(guī)約，即通過使用編碼或變換，得到原始數(shù)據(jù)的歸約或壓縮表示。例如將在線總時長數(shù)據(jù)進(jìn)行無損歸約，將原始數(shù)據(jù)“005-01-01 17∶09∶03.877”變換單位為分鐘的數(shù)據(jù)。

四、研究結(jié)果

（一）總成績決策樹數(shù)據(jù)挖掘結(jié)果

1. 挖掘結(jié)構(gòu)

挖掘結(jié)構(gòu)如圖1所示。

2. 挖掘模型

將UserNum設(shè)為“鍵”列，用于唯一標(biāo)識事例表中的每條記錄;將UserSex、Department、EduLevel作為“輸入”列，作為發(fā)現(xiàn)數(shù)據(jù)模式的基礎(chǔ);將ScoreTotal作為“可預(yù)測”列，對學(xué)習(xí)者的學(xué)習(xí)成績進(jìn)行預(yù)測。將測試事例的百分比設(shè)定為30%，即記錄中的70%將被用于定型該數(shù)據(jù)挖掘，30%被用于測試模型。如圖2所示。

3. 數(shù)據(jù)挖掘結(jié)果

Microsoft 決策樹查看器提供兩種視圖“決策樹”“依賴關(guān)系網(wǎng)絡(luò)”。“決策樹”視圖結(jié)果如圖3、圖4、圖5、圖6所示，特點是生成一棵形如二叉或多叉樹的決策樹。該樹是水平布局，根節(jié)點在最左邊，每一個節(jié)點包含一個柱狀條，用不同顏色來代表不同的狀態(tài)。樹的葉子節(jié)點代表某一類別值，非葉子節(jié)點代表某個一般屬性的一個測試，測試的輸出構(gòu)成該非葉子節(jié)點的多個分支。從根節(jié)點到葉子節(jié)點的每條路徑形成一條分類規(guī)則，一棵決策樹能夠方便地轉(zhuǎn)化為一系列分類規(guī)則?？梢砸罁?jù)分類規(guī)則直觀地對未知類別進(jìn)行預(yù)測。各節(jié)點的背景色表示所選狀態(tài)的事例的密集程度，顏色越深表示該事例越多。通過決策樹的樹形可視化，可以了解每個葉子節(jié)點的分類規(guī)則所需要的最重要的變量。“依賴關(guān)系網(wǎng)絡(luò)”視圖結(jié)果，如圖7所示，特點是可以顯示挖掘模型中輸入屬性和預(yù)測屬性間的依賴關(guān)系。每條邊有一個權(quán)值，它與左邊的滑塊相關(guān)。通過調(diào)整查看器左側(cè)的滑塊可以查看依賴關(guān)系強(qiáng)度，若向下拉動滑塊，則查看器中只會顯示最強(qiáng)鏈接。通過調(diào)整左側(cè)滑塊，可以發(fā)現(xiàn)，成績與學(xué)科背景的關(guān)系最密切，其次是性別，最后是學(xué)歷。

圖3是學(xué)習(xí)者總成績?yōu)锳的決策樹，所提取的最重要的規(guī)則為1條：IF UserSex='女'AND Edulevel='碩士 ' THEN ScoreTotal='A'。得到以下結(jié)論：總成績得A的最高概率是女碩士生;性別是最重要的變量，其次是學(xué)歷變量，最后是學(xué)科背景。

圖4為總成績?yōu)锽的決策樹，所提取的最重要的規(guī)則為2條：①IF Department= '文科' AND UserSex= '女 ' THEN TotalScore= ' B ';②IF Department= '理科' AND UserSex= '非男 ' THEN TotalScore= ' B '。得到以下結(jié)論：總成績得B的最高概率是文科女生，其次是理科女生;學(xué)科背景是最重要的變量，其次是性別變量，與學(xué)歷變量沒有關(guān)系。

圖5所示為總成績?yōu)镃的決策樹，所提取的最重要的規(guī)則為1條：IF Department= '藝術(shù) ' THEN TotalScore= ' C? '。得到以下結(jié)論：總成績得C的最高概率是藝術(shù)生;學(xué)科背景是最重要的變量，其次是性別變量，與學(xué)歷變量沒有關(guān)系。

圖6為總成績?yōu)镈的決策樹，所提取的最重要的規(guī)則為2條：①IF UserSex= ' 男? '? THEN TotalScore= ' D ' ;②IF UserSex= ' 女 '? AND Department= ' 藝術(shù) ' THEN TotalScore=' D ' 。 得到以下結(jié)論：總成績?yōu)镈的最高概率是男生，其次是女藝術(shù)生;性別是最重要的變量，其次是學(xué)科背景變量，與學(xué)歷變量沒有關(guān)系。

圖7為總成績決策樹依賴關(guān)系圖。

通過上述“決策樹”和“依賴關(guān)系網(wǎng)絡(luò)”能得到以下結(jié)論：成績與學(xué)科背景的關(guān)系最密切，文科生得較高分的概率高，藝術(shù)生得低分的概率高;其次是性別，女生得較高分的概率高，男生得較低分的概率高;學(xué)歷對總成績的影響很小，僅與總成績得A的關(guān)系密切，本科生與碩士生并沒有顯著差異。

根據(jù)數(shù)據(jù)挖掘結(jié)果，小結(jié)如表3。

（二）行為特征決策樹數(shù)據(jù)挖掘結(jié)果

學(xué)習(xí)者學(xué)習(xí)時間跨度決策樹、學(xué)習(xí)總時長決策樹、學(xué)習(xí)次數(shù)決策樹、平均每次在線學(xué)習(xí)停留時長決策樹、重復(fù)學(xué)習(xí)率決策樹、學(xué)習(xí)筆記決策樹、討論交流決策樹、接收反饋數(shù)量決策樹的數(shù)據(jù)挖掘過程與方法和總成績決策樹的數(shù)據(jù)挖掘過程與方法一致。由于數(shù)據(jù)挖掘結(jié)果圖片與規(guī)則較多，故在此不再詳細(xì)呈現(xiàn)，小結(jié)如表4，具體結(jié)論如下：

學(xué)習(xí)時間跨度決策樹結(jié)論：①學(xué)習(xí)時間跨度為“高”的最高概率是本科生;學(xué)歷是最重要的變量，與學(xué)科背景、性別無關(guān)。②學(xué)習(xí)時間跨度為“中”的最高概率是本科生;學(xué)歷是最重要的變量，其次是性別變量，最后是學(xué)科背景。③學(xué)習(xí)時間跨度為“低”的最高概率是碩士生;學(xué)歷是最重要的變量，其次是學(xué)科背景變量，與性別無關(guān)。

學(xué)習(xí)總時長決策樹結(jié)論：①學(xué)習(xí)總時長為“高”的最高概率是女文科碩士與女理科碩士，其次是女藝術(shù)生;性別是最重要的變量，其次是學(xué)科背景變量，最后是學(xué)歷。②學(xué)習(xí)總時長為“中”的決策樹找不到任何拆分，即學(xué)習(xí)總時長為“中”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③學(xué)習(xí)總時長為“低”的最高概率是男生;性別是最重要的變量，其次是學(xué)科背景變量，最后是學(xué)歷。

學(xué)習(xí)次數(shù)決策樹結(jié)論：學(xué)習(xí)次數(shù)決策樹找不到任何拆分，即學(xué)習(xí)次數(shù)與性別、學(xué)科背景、學(xué)歷并無關(guān)系。

平均每次在線學(xué)習(xí)停留時長決策樹結(jié)論：①平均每次在線學(xué)習(xí)停留時長為“高”的最高概率是女生，其次是男文科生與男藝術(shù)生;性別是最重要的變量，其次是學(xué)科背景，與學(xué)歷無關(guān)。②平均每次在線學(xué)習(xí)停留時長為“中”的決策樹，找不到任何拆分，即平均每次在線學(xué)習(xí)停留時長為“中”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③平均每次在線學(xué)習(xí)停留時長為“低”的最高概率是男理科生;性別是最重要的變量，其次是學(xué)科背景變量，與學(xué)歷無關(guān)。

重復(fù)學(xué)習(xí)率決策樹結(jié)論：①重復(fù)學(xué)習(xí)率為“高”的最高概率是文科生與理科生;學(xué)科背景是最重要的變量，與性別、學(xué)歷無關(guān)。②重復(fù)學(xué)習(xí)率為“中”決策樹找不到任何拆分，即重復(fù)學(xué)習(xí)率為“中”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③重復(fù)學(xué)習(xí)率為“低”的最高概率是藝術(shù)生;學(xué)科背景是最重要的變量，與性別、學(xué)歷無關(guān)。

討論交流決策樹結(jié)論：①討論交流為“高”的最高概率是文科生與理科生;學(xué)科背景是最重要的變量，與性別、學(xué)歷無關(guān)。②討論交流為“中”的決策樹與討論交流為“低”的決策樹找不到任何拆分，即討論交流為“中”或“低”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③討論交流為“無”的最高概率是藝術(shù)生，其次是文科女碩士與理科女碩士;學(xué)科背景是最重要的變量，其次是性別變量，最后是學(xué)歷。

學(xué)習(xí)筆記決策樹結(jié)論：①學(xué)習(xí)筆記為“高”的最高概率是女文科生與女理科生;性別是最重要的變量，其次是學(xué)科背景變量，與學(xué)歷無關(guān)。②學(xué)習(xí)筆記為“中”的決策樹與學(xué)習(xí)筆記為“低”的決策樹找不到任何拆分，即學(xué)習(xí)筆記為“中”或“低”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③學(xué)習(xí)筆記為“無”的最高概率是女藝術(shù)生;性別是最重要的變量，其次是學(xué)科背景變量，與學(xué)歷無關(guān)。

接收反饋數(shù)量決策樹結(jié)論：①接收反饋數(shù)量為“高”的最高概率是男生;性別是最重要的變量，與學(xué)科背景、學(xué)歷無關(guān)。②接收反饋數(shù)量為“中”的決策樹找不到任何拆分，即接收反饋數(shù)量為“中”與學(xué)歷、學(xué)科背景、性別均無關(guān)。③接收反饋數(shù)量為“低”的最高概率是男碩士生，其次是女文科生與女理科生;性別是最重要的變量，其次是學(xué)歷、學(xué)科背景。

（三）數(shù)據(jù)挖掘模型評估

由于數(shù)據(jù)挖掘選取的測試數(shù)據(jù)可能存在一定的偶然性和必然性，并不能保證挖掘出的結(jié)果是正確和適用的，因此需要對挖掘出的模型進(jìn)行評估和檢驗。在Microsoft SQL Server Analysis Services的挖掘準(zhǔn)確性圖表中提供了用來度量所創(chuàng)建模型質(zhì)量和精確性的工具，可以通過提升圖來進(jìn)行模型驗證。本研究所有挖掘模型的預(yù)測概率介于70.25%～95.10%之間，說明建立的所有挖掘模型具有比較高的可靠性和準(zhǔn)確性。

五、研究結(jié)論與討論

（一）數(shù)據(jù)挖掘結(jié)果原因分析與討論

本研究通過建立數(shù)據(jù)挖掘模型、結(jié)果分析、模型驗證，發(fā)現(xiàn)采用決策樹方法可以較好地預(yù)測網(wǎng)絡(luò)學(xué)習(xí)行為與成績，能夠較好地解釋目前網(wǎng)絡(luò)學(xué)習(xí)中的一些現(xiàn)象，例如男生或藝術(shù)生總成績?nèi)菀壮霈F(xiàn)危機(jī)，男生接受反饋數(shù)量較多等;同時也有一些新的發(fā)現(xiàn)，例如女碩士生與文科女生學(xué)業(yè)成績表現(xiàn)較好，藝術(shù)生討論交流表現(xiàn)較差，女藝術(shù)生學(xué)習(xí)筆記表現(xiàn)較差等。依據(jù)研究結(jié)果，下面將從數(shù)據(jù)挖掘結(jié)果原因分析與在線學(xué)習(xí)群體干預(yù)策略角度展開討論。

第一，男生或藝術(shù)生總成績存在危機(jī)的概率高，總成績與學(xué)科背景的關(guān)系最密切，其次是性別。已有研究表明沉浸狀態(tài)對學(xué)習(xí)有積極影響（Salanova， 2006），本研究行為特征數(shù)據(jù)挖掘結(jié)果表明男生與藝術(shù)生的行為參與度相對較差，男生與藝術(shù)生總成績表現(xiàn)較差，容易出現(xiàn)學(xué)習(xí)危機(jī)。對藝術(shù)生和男生的干預(yù)策略是在課程內(nèi)容方面提供更多的干預(yù)和幫助，為其提供小步調(diào)的學(xué)習(xí)推送服務(wù)，包括學(xué)習(xí)通知、課程內(nèi)容、學(xué)習(xí)資源、學(xué)習(xí)基本情況、學(xué)業(yè)風(fēng)險評估等，提高其學(xué)習(xí)行為參與度，從而提高學(xué)業(yè)成績。

第二，碩士生的學(xué)習(xí)時間跨度表現(xiàn)較差。本研究中的碩士是成人聯(lián)考碩士，需要兼顧工作、學(xué)業(yè)與家庭，因此參與網(wǎng)絡(luò)學(xué)習(xí)的時間和精力非常有限。對碩士生的干預(yù)策略是在碩士生注冊學(xué)習(xí)之后，持續(xù)通過短信、微信、郵件等形式提醒碩士生及時參與課程學(xué)習(xí)。

第三，男生的學(xué)習(xí)總時長表現(xiàn)較差、接受反饋數(shù)量較多，男理科生的平均每次在線學(xué)習(xí)停留時長表現(xiàn)較差。調(diào)查發(fā)現(xiàn)男生對待網(wǎng)絡(luò)學(xué)習(xí)的態(tài)度、自覺性、認(rèn)真與努力程度相對較弱，且在網(wǎng)絡(luò)學(xué)習(xí)中更容易注意力分散，易被無關(guān)信息干擾（如網(wǎng)絡(luò)游戲、新聞、社交等），自控能力較弱。因此對這類學(xué)習(xí)者就要給其推送更多有意思的資源和活動，提高其對學(xué)習(xí)課程的興趣和學(xué)習(xí)動機(jī)，同時通過各種途徑加大對其學(xué)習(xí)的監(jiān)控與調(diào)節(jié)力度。

第四，藝術(shù)生的重復(fù)學(xué)習(xí)率、討論交流表現(xiàn)較差，女藝術(shù)生的學(xué)習(xí)筆記表現(xiàn)較差。原因并非藝術(shù)生認(rèn)知能力差，而是學(xué)習(xí)習(xí)慣較差，自我調(diào)控能力較弱，因此藝術(shù)生在網(wǎng)絡(luò)學(xué)習(xí)過程中互動表現(xiàn)也較弱（傅鋼善， 等， 2014）。因此，對藝術(shù)生的干預(yù)策略是設(shè)計更多的協(xié)作學(xué)習(xí)活動，采用基于問題的學(xué)習(xí)、基于項目的學(xué)習(xí)、基于探究的學(xué)習(xí)等方法增加交互行為，讓其體驗協(xié)作的樂趣和好處，同時增加參與討論交流的提醒或獎懲措施;對女藝術(shù)生的干預(yù)策略是改進(jìn)學(xué)習(xí)策略，尤其是提供反思策略的指導(dǎo)與幫助，并設(shè)置提醒和獎懲措施提醒其參加學(xué)習(xí)筆記活動。

（二）創(chuàng)建適應(yīng)性學(xué)習(xí)干預(yù)模型

通過數(shù)據(jù)挖掘結(jié)果，可以為學(xué)習(xí)者創(chuàng)建適應(yīng)性學(xué)習(xí)系統(tǒng)，在適應(yīng)性學(xué)習(xí)系統(tǒng)中搭建學(xué)習(xí)干預(yù)模型，如圖8所示。傳統(tǒng)學(xué)習(xí)管理系統(tǒng)通常為所有學(xué)習(xí)者呈現(xiàn)完全相同的課程，而不考慮學(xué)習(xí)者的個體特征、情況和需求，這種一刀切的方法往往導(dǎo)致挫敗感、學(xué)習(xí)困難和高輟學(xué)率（Dagger， et al.， 2005）。適應(yīng)性學(xué)習(xí)系統(tǒng)為探索個性化、適應(yīng)性的學(xué)習(xí)干預(yù)提供了可能。

1. 時間維度視角

在學(xué)習(xí)的不同階段（學(xué)習(xí)前、學(xué)習(xí)中、學(xué)習(xí)后）提供不同的干預(yù)策略。適應(yīng)性學(xué)習(xí)系統(tǒng)中的學(xué)習(xí)干預(yù)模型是不斷更新、實時分析、循環(huán)進(jìn)行的，伴隨著學(xué)習(xí)的不同階段（學(xué)習(xí)前、學(xué)習(xí)中、學(xué)習(xí)后）提供不同的干預(yù)策略。學(xué)習(xí)者在學(xué)習(xí)的某一階段不存在學(xué)習(xí)危機(jī)，但有可能在下一階段存在學(xué)習(xí)危機(jī)。一旦出現(xiàn)學(xué)習(xí)危機(jī)，及時給予恰當(dāng)?shù)母深A(yù)，從而實現(xiàn)學(xué)習(xí)者的有效學(xué)習(xí)，提高學(xué)習(xí)效果。在學(xué)習(xí)前，干預(yù)的方式是群體干預(yù)。適應(yīng)性學(xué)習(xí)系統(tǒng)內(nèi)僅有學(xué)習(xí)者的人口學(xué)特征數(shù)據(jù)，根據(jù)已有研究（表3與表4）中的學(xué)習(xí)者群體差異特征給予群體干預(yù)，具體干預(yù)策略見本文數(shù)據(jù)挖掘結(jié)果原因分析與討論部分。在學(xué)習(xí)中，干預(yù)的方式有群體干預(yù)和個體干預(yù)。通過學(xué)習(xí)者的人口學(xué)特征和行為特征進(jìn)行數(shù)據(jù)挖掘，根據(jù)預(yù)測結(jié)果，對存在學(xué)習(xí)危機(jī)的學(xué)習(xí)群體和個體，教師及時做出教學(xué)決策并制定干預(yù)措施，教學(xué)決策包括群體差異指導(dǎo)、因材施教、不同獎懲機(jī)制等，干預(yù)措施包括學(xué)習(xí)進(jìn)度提示器、數(shù)字儀表盤、彈幕、提示窗口、資源推送、短信、微信、電子郵件、學(xué)習(xí)策略指導(dǎo)等。在學(xué)習(xí)后，干預(yù)的方式有群體干預(yù)和個體干預(yù)，一方面，根據(jù)數(shù)據(jù)挖掘結(jié)果與學(xué)習(xí)者的表現(xiàn)，對學(xué)習(xí)者的學(xué)業(yè)成績進(jìn)行多元評價;另一方面，對學(xué)習(xí)者模型進(jìn)行調(diào)節(jié)，完善數(shù)據(jù)挖掘模型，進(jìn)入新一輪的數(shù)據(jù)挖掘循環(huán)。

2. 課程開發(fā)者視角

開發(fā)適應(yīng)性學(xué)習(xí)系統(tǒng)，完善干預(yù)措施小工具，包括學(xué)習(xí)進(jìn)度提示器、數(shù)字儀表盤、彈幕、提示窗口、資源推送、短信、微信、電子郵件、學(xué)習(xí)策略指導(dǎo)等。學(xué)習(xí)進(jìn)度提示器能夠清晰地顯示學(xué)習(xí)進(jìn)度，并提醒學(xué)習(xí)是否達(dá)標(biāo)。數(shù)字儀表盤能夠可視化地呈現(xiàn)學(xué)習(xí)者學(xué)習(xí)活動和任務(wù)完成情況，幫助學(xué)習(xí)者自我反思和評價;同時學(xué)習(xí)者也可以看到其他學(xué)習(xí)者的數(shù)字儀表盤，以便學(xué)習(xí)者之間互相督促學(xué)習(xí)。彈幕、提示窗口能夠?qū)崟r或間斷地為學(xué)習(xí)者提供提醒反饋和適應(yīng)性資源推送，與短信、微信、電子郵件等無縫對接，通過多種途徑給學(xué)習(xí)者以提醒和監(jiān)督，尤其是對存在學(xué)習(xí)危機(jī)的學(xué)習(xí)者，提醒其學(xué)習(xí)活動的表現(xiàn)、知識內(nèi)容的表現(xiàn)、行為特征的表現(xiàn)。學(xué)習(xí)策略指導(dǎo)為學(xué)習(xí)者提供包括信息素養(yǎng)策略、反思總結(jié)策略、資源管理策略、合作交流策略、自我調(diào)節(jié)策略等學(xué)習(xí)策略的指導(dǎo)，尤其是為容易出現(xiàn)學(xué)習(xí)危機(jī)或行為參與度低的學(xué)習(xí)者提供學(xué)習(xí)策略資源推送。

3. 教師視角

首先，教師應(yīng)實施群體差異指導(dǎo)、因材施教、不同獎懲機(jī)制等教學(xué)策略。具體干預(yù)策略見本文數(shù)據(jù)挖掘結(jié)果原因分析與討論部分。其次，充分發(fā)揮教師的主導(dǎo)作用。網(wǎng)絡(luò)學(xué)習(xí)的優(yōu)勢是能夠?qū)崿F(xiàn)自主學(xué)習(xí)，但是其弊端是弱控制性，包括學(xué)習(xí)資格獲取的弱控制性、管理方式的弱控制性、教學(xué)過程的弱控制性、師生關(guān)系的弱控制性、考核方式的弱控制性等（衷克定， 2011， pp. 21-25）。網(wǎng)絡(luò)學(xué)習(xí)使學(xué)習(xí)者缺乏時間認(rèn)知、容易產(chǎn)生惰性、交互行為存在滯后、提交作業(yè)存在抄襲等，這些不僅會影響學(xué)習(xí)者的行為狀態(tài)，而且會影響網(wǎng)絡(luò)學(xué)習(xí)效果。因此要充分發(fā)揮教師的主導(dǎo)作用，教師要及時回復(fù)學(xué)習(xí)者的留言，可適當(dāng)安排即時交流時間或直播，積極對學(xué)習(xí)者的行為狀態(tài)進(jìn)行調(diào)控，采用多種途徑激發(fā)學(xué)習(xí)者的學(xué)習(xí)動機(jī)等。

4. 學(xué)習(xí)者視角

首先，建議學(xué)習(xí)者自覺提高網(wǎng)絡(luò)學(xué)習(xí)參與度，增加學(xué)習(xí)時間跨度，養(yǎng)成記錄反思筆記的良好習(xí)慣，對于復(fù)雜的知識增加重復(fù)學(xué)習(xí)次數(shù)，積極參與討論交流，提高自己對網(wǎng)絡(luò)學(xué)習(xí)的歸屬感和沉浸性以及自身學(xué)習(xí)效果。其次，建議學(xué)習(xí)者自覺改進(jìn)學(xué)習(xí)策略：根據(jù)教師教學(xué)安排循序漸進(jìn)地完成學(xué)習(xí)任務(wù)，在網(wǎng)絡(luò)學(xué)習(xí)前確立明確的學(xué)習(xí)目標(biāo)，制定明確的學(xué)習(xí)計劃（尤其是學(xué)習(xí)時間、學(xué)習(xí)內(nèi)容等的制定），并嚴(yán)格按照學(xué)習(xí)計劃完成學(xué)習(xí)任務(wù);積極對自己的情感體驗進(jìn)行調(diào)控，尤其是那些對網(wǎng)絡(luò)學(xué)習(xí)持消極態(tài)度的學(xué)習(xí)者，要經(jīng)常參與討論交流、反思筆記等交互，從中獲得學(xué)習(xí)的成功感和歸屬感;對自己的行為和心理進(jìn)行及時控制、調(diào)節(jié)和評價。

六、結(jié)語

本研究采用數(shù)據(jù)挖掘技術(shù)中的決策樹方法對網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績進(jìn)行了預(yù)測，構(gòu)建了適應(yīng)性學(xué)習(xí)系統(tǒng)學(xué)習(xí)干預(yù)模型，為適應(yīng)性學(xué)習(xí)系統(tǒng)提供了實證依據(jù)。當(dāng)然，本研究還存在一些不足，有待改進(jìn)。首先，研究結(jié)論有待進(jìn)一步驗證。本研究的研究對象僅是陜西師范大學(xué)參加“現(xiàn)代教育技術(shù)”在線開放課程學(xué)習(xí)的學(xué)習(xí)者，研究對象的范圍有局限性，應(yīng)在后續(xù)研究中擴(kuò)大研究對象范圍，對研究結(jié)論進(jìn)行驗證與完善，得到更科學(xué)可靠的研究結(jié)論。其次，適應(yīng)性學(xué)習(xí)系統(tǒng)的學(xué)習(xí)干預(yù)模型有待進(jìn)一步完善。本研究僅根據(jù)實證研究數(shù)據(jù)從理論上設(shè)計了學(xué)習(xí)干預(yù)模型，并沒有在網(wǎng)絡(luò)學(xué)習(xí)中實際使用，在后續(xù)研究中有待開發(fā)適應(yīng)性學(xué)習(xí)系統(tǒng)，對學(xué)習(xí)干預(yù)模型進(jìn)行驗證與完善，并提高預(yù)測的準(zhǔn)確性。最后，研究數(shù)據(jù)有待進(jìn)一步深度挖掘。本研究尚未對“現(xiàn)代教育技術(shù)”在線開放課程后臺數(shù)據(jù)進(jìn)行完整的數(shù)據(jù)挖掘，仍然有大量的潛在模式?jīng)]有被發(fā)現(xiàn)，未來研究的重點應(yīng)該關(guān)注多種數(shù)據(jù)挖掘技術(shù)，如利用Web數(shù)據(jù)挖掘技術(shù)對文本信息進(jìn)行知識發(fā)現(xiàn)，利用異常檢驗技術(shù)發(fā)現(xiàn)一些特殊的學(xué)習(xí)者（如網(wǎng)絡(luò)學(xué)習(xí)欺詐行為）、利用時間序列分析發(fā)現(xiàn)學(xué)習(xí)者隨時間變化而變化的規(guī)律等。

[參考文獻(xiàn)]

陳子健，朱曉亮. 2017. 基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績預(yù)測建模研究[J]. 中國電化教育（12）：75-81，89.

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.

馬杰，趙蔚，張潔，等. 2014. 基于學(xué)習(xí)分析技術(shù)的預(yù)測模型構(gòu)建與實證研究[J]. 現(xiàn)代教育技術(shù)（11）：30-38.

牟智佳，武法提. 2017a. 教育大數(shù)據(jù)背景下學(xué)習(xí)結(jié)果預(yù)測研究的內(nèi)容解析與設(shè)計取向[J]. 中國電化教育（7）：26-32.

牟智佳，武法提. 2017b. MOOC學(xué)習(xí)結(jié)果預(yù)測指標(biāo)探索與學(xué)習(xí)群體特征分析[J]. 現(xiàn)代遠(yuǎn)程教育研究（3）：58-66，93.

孫力，程玉霞. 2015. 大數(shù)據(jù)時代網(wǎng)絡(luò)教育學(xué)習(xí)成績預(yù)測的研究與實現(xiàn)——以本科公共課程統(tǒng)考英語為例[J]. 開放教育研究（3）：74-80.

孫力，張凱，丁波. 2016. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)教育學(xué)習(xí)成績細(xì)分預(yù)測的研究與實現(xiàn)——以本科成人學(xué)位英語考試為例[J]. 中國遠(yuǎn)程教育（12）：22-29.

唐華松，姚耀文. 2001. 數(shù)據(jù)挖掘中決策樹算法的探討[J]. 計算機(jī)應(yīng)用研究（8）：21-22，25.

王國平，郭偉宸，汪若君. 2014. IBM SPSS Modeler數(shù)據(jù)與文本挖掘?qū)崙?zhàn)[M]. 北京：清華大學(xué)出版社：142.

王亮. 2015. 學(xué)習(xí)分析技術(shù)建立學(xué)習(xí)預(yù)測模型[J]. 實驗室研究與探索（1）：215-218，246.

王林麗，葉洋，楊現(xiàn)民. 2016. 基于大數(shù)據(jù)的在線學(xué)習(xí)預(yù)警模型設(shè)計——“教育大數(shù)據(jù)研究與實踐專欄”之學(xué)習(xí)預(yù)警篇[J]. 現(xiàn)代教育技術(shù)（7）：5-11.

武法提，牟智佳. 2016. 基于學(xué)習(xí)者個性行為分析的學(xué)習(xí)結(jié)果預(yù)測框架設(shè)計研究[J]. 中國電化教育（1）：41-48.

肖巍，倪傳斌，李銳. 2018. 國外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望[J]. 中國遠(yuǎn)程教育（2）：70-78.

徐鵬，王以寧. 2013. 大數(shù)據(jù)視角分析學(xué)習(xí)變革——美國《通過教育數(shù)據(jù)挖掘和學(xué)習(xí)分析促進(jìn)教與學(xué)》報告解讀及啟示[J]. 遠(yuǎn)程教育雜志（6）：11-17.

元昌安. 2009. 數(shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用寶典[M]. 北京：電子工業(yè)出版社：40.

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)績效預(yù)警因素及干預(yù)對策的實證研究[J]. 電化教育研究（1）：62-69.

中國互聯(lián)網(wǎng)絡(luò)信息中心. 2018-03-05. 第41次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》[EB/OL]. [2018-05-15]. http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/t20180305_70249.htm

中華人民共和國教育部. 2016-06-07. 教育部關(guān)于印發(fā)《教育信息化“十三五”規(guī)劃》的通知（教技〔2016〕2號）[EB/OL]. [2018-03-14].http：//www.moe.edu.cn/srcsite/A16/s3342/201606/t20160622_2693 67. html

衷克定， 2011. 在線學(xué)習(xí)與發(fā)展[M]. 北京：高等教育出版社：21-25.

Barba， P. G.， Kennedy， G. E. & Ainley， M. D. （2016）. The role of students motivation and participation in predicting performance in a MOOC motivation and participation in MOOCs. Journal of Computer Assisted Learning， 32（3）， 218-231.

Costa， E. B.， Fonseca， B.， Santana， M. A.， de Araújo， F. F. & Rego， J. （2017）. Evaluating the effectiveness of educational data mining techniques for early prediction of students academic failure in introductory programming courses. Computers in Human Behavior， 73， 247-256.

Dagger， D.， Wade， V. & Conlan， O. （2005）. Personalisation for all： making adaptive course composition easy. Educational Technology & Society， 8（3）， 9-25.

Huang， S. & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： a comparison of four types of predictive mathematical models. Computer & Education， 61， 133-145.

Karampiperis， P.， & Sampson， D. G. （2005）. Adaptive learning resources sequencing in educational hypermedia systems. Educational Technology & Society， 8 （4）， 128-147.

Kostopoulos， G.， Lipitakis， A. D.， Kotsiantis， S. & Gravvanis， G. （2017）. Predicting Student Performance in Distance Higher Education Using Active Learning. In G. Boracchi， L. Iliadis， C. Jayne & A. Likas （Eds.） Communications in Computer and Information Science （pp. 75- 86）. Cham： Springer.

Kotsiantis， S.， Patriarcheas， K. & Xenos， M. （2010）. A combinational incremental ensemble of classifiers as a technique for predicting students performance in distance education. Knowledge-Based Systems， 23 （6）， 529-535.

Macfadyen， L. P. & Dawson， S. （2010）. Mining LMS data to develop an “early warning system” for educators： a proof of concept. Computer & Education， 54 （2）， 588-599.

Ohia U. O. （2011）. A model for effectively assessing student learning outcomes. Contemporary Issues in Education Research， 4 （3）， 25-32.

Pursel， B. K.， Zhang， L.， Jablokow， K. W.， Choi G.W. & Velegol， D. （2016）. Understanding MOOC students： motivations and behaviours indicative of MOOC completion. Journal of Computer Assisted Learning， 32（3）， 202-217.

Romero， C.， López， M. I.， Luna， J. M. & Ventura， S. （2013）. Predicting students final performance from participation in on-line discussion forums. Computer & Education， 68， 458-472.

Salanova， M.， Bakker， A. B. & Llorens， S. （2006）. Flow at work： evidence for an upward spiral of personal and organizational resources. Journal of Happiness Studies， 7（1）， 1-22.

Xing， W.， Guo， R.， Petakovic， E. & Goggins， S. （2015）. Participation-based student final performance prediction model through interpretable genetic programming： integrating learning analytics， educational data mining and theory. Computers in Human Behavior， 47（C）， 168-181.

收稿日期：2018-03-15

定稿日期：2018-08-09

作者簡介：王改花，博士研究生，實驗師;傅鋼善，教授，博士生導(dǎo)師。陜西師范大學(xué)教育學(xué)院（710062）。

責(zé)任編輯 張志禎