楊文陽

摘 ? 要：在E-learning學(xué)習(xí)領(lǐng)域，在線學(xué)習(xí)系統(tǒng)中大量的學(xué)習(xí)資源往往會讓學(xué)習(xí)者難以及時獲取適合自身的個性化學(xué)習(xí)資源。當(dāng)前在線學(xué)習(xí)行為方面的研究主要關(guān)注根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為和知識水平提供適切的學(xué)習(xí)資源，但學(xué)習(xí)者學(xué)習(xí)行為的差異性、學(xué)習(xí)資源的多樣性和學(xué)習(xí)導(dǎo)航鏈接的復(fù)雜性成為自適應(yīng)學(xué)習(xí)環(huán)境系統(tǒng)構(gòu)建的限制因素。因此，有必要利用學(xué)習(xí)分析技術(shù)來分析學(xué)習(xí)者的相關(guān)數(shù)據(jù)，進(jìn)而深入了解學(xué)習(xí)者的學(xué)習(xí)行為，并組織和維持在線學(xué)習(xí)系統(tǒng)中儲存的學(xué)習(xí)資源。文章基于自組織映射（Self-Organizing Maps，SOM）聚類法提出了一種自適應(yīng)學(xué)習(xí)環(huán)境框架，該框架有利于分析學(xué)習(xí)者相關(guān)數(shù)據(jù)并構(gòu)建學(xué)習(xí)內(nèi)容模型，為學(xué)習(xí)者提供適合自身需要的學(xué)習(xí)內(nèi)容，最終取得高質(zhì)量的學(xué)習(xí)成績。隨著E-learning中學(xué)習(xí)數(shù)據(jù)的日益增長，為了保證E-learning中學(xué)習(xí)者的學(xué)習(xí)質(zhì)量，非常有必要對這些大量的學(xué)習(xí)數(shù)據(jù)進(jìn)行分析，這也成為當(dāng)前教育研究中的熱點(diǎn)問題，文章有助于在E-learning環(huán)境中對學(xué)習(xí)者進(jìn)行及時有效的大數(shù)據(jù)分析。

關(guān)鍵詞：E-learning大數(shù)據(jù);數(shù)據(jù)分析;自適應(yīng)學(xué)習(xí);自組織映射（SOM）;學(xué)習(xí)者模式

中圖分類號：G434 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-8454（2020）05-0066-08

一、背景介紹

當(dāng)前信息技術(shù)的發(fā)展產(chǎn)生了大數(shù)據(jù)，分析數(shù)據(jù)對研究者來說變得很有必要，因?yàn)榉治鰯?shù)據(jù)使數(shù)據(jù)變得更有意義，[1]能發(fā)現(xiàn)更多的數(shù)據(jù)模式。[2]在大數(shù)據(jù)分析中需要信息技術(shù)支持?jǐn)?shù)據(jù)分析，但大數(shù)據(jù)分析需要更快、高效和更加具有可擴(kuò)展性的方法儲存并處理所有的數(shù)據(jù)，[3]從而代替?zhèn)鹘y(tǒng)數(shù)據(jù)庫技術(shù)來處理數(shù)據(jù)，因?yàn)閭鹘y(tǒng)的數(shù)據(jù)庫技術(shù)無法在大數(shù)據(jù)環(huán)境中正常運(yùn)行。許多研究項(xiàng)目已經(jīng)證明在數(shù)據(jù)分析中發(fā)現(xiàn)了更有效的方法。

E-learning是指使用應(yīng)用程序或平臺進(jìn)行學(xué)習(xí)。E-learning平臺包括網(wǎng)絡(luò)學(xué)習(xí)、計(jì)算機(jī)學(xué)習(xí)、虛擬教室和數(shù)字化協(xié)作學(xué)習(xí)等。[4][5]E-learning系統(tǒng)為教師創(chuàng)建、指導(dǎo)和管理在線課程提供了更多的靈活性。教師能設(shè)計(jì)并安排各種各樣的在線學(xué)習(xí)活動，如測驗(yàn)、論壇、案例和作業(yè)等。E-learning系統(tǒng)也幫助教師進(jìn)行有效的教學(xué)管理，如監(jiān)控學(xué)習(xí)者的進(jìn)度和成績、學(xué)生的注冊和分級等。[6][7]為了提高教學(xué)質(zhì)量并有效分配知識，大多數(shù)教育機(jī)構(gòu)將E-learning整合到教育過程中。教育機(jī)構(gòu)在使用E-learning系統(tǒng)中必定會產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)來自學(xué)生的個人信息、考試成績、培訓(xùn)材料、視頻課程和在學(xué)習(xí)中創(chuàng)造的大量數(shù)據(jù)，這些數(shù)據(jù)會對學(xué)習(xí)者未來的學(xué)習(xí)和教師的教學(xué)產(chǎn)生重要的影響。學(xué)習(xí)分析促使教師和研究者了解學(xué)生使用的在線學(xué)習(xí)平臺的方式，從而為實(shí)現(xiàn)個性化學(xué)習(xí)提供新的研究思路和技術(shù)支撐。[8]

在E-learning中，個別化學(xué)習(xí)的實(shí)現(xiàn)增加了自適應(yīng)技術(shù)在E-learning中的廣泛應(yīng)用。目前在線學(xué)習(xí)環(huán)境中普遍缺乏可視化的學(xué)生狀況和學(xué)習(xí)表現(xiàn)，這使學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中感到非常孤單和乏味。自適應(yīng)學(xué)習(xí)系統(tǒng)是一種交互式系統(tǒng)，該系統(tǒng)有效整合了學(xué)習(xí)內(nèi)容、學(xué)習(xí)模式和互動，目的在于努力滿足學(xué)習(xí)者的個性化需求，最終提高學(xué)習(xí)者的學(xué)習(xí)成績。[9]自適應(yīng)學(xué)習(xí)技術(shù)支持的E-learning能夠幫助不同知識水平的學(xué)習(xí)者，并且努力為學(xué)習(xí)者創(chuàng)設(shè)舒適的個性化在線學(xué)習(xí)環(huán)境。因?yàn)樵诰€學(xué)習(xí)環(huán)境可以充分考慮每位學(xué)習(xí)者的學(xué)習(xí)興趣和知識水平，為學(xué)習(xí)者提供個性化的學(xué)習(xí)支持和服務(wù)。本研究根據(jù)E-learning中學(xué)習(xí)者的學(xué)習(xí)行為利用SOM聚類法進(jìn)行學(xué)習(xí)分析，進(jìn)而提出了一種自適應(yīng)學(xué)習(xí)環(huán)境框架。聚類分析結(jié)果將被用于識別和提供給學(xué)習(xí)者適切的學(xué)習(xí)材料，滿足學(xué)習(xí)者的個性化學(xué)習(xí)需要，從而使學(xué)習(xí)者提升自己的學(xué)習(xí)成績。

二、研究現(xiàn)狀

1.E-learning和大數(shù)據(jù)

E-learning環(huán)境中的大數(shù)據(jù)并不是新出現(xiàn)的事物，自從互聯(lián)網(wǎng)興起以來，E-learning已經(jīng)成為現(xiàn)代教育發(fā)展中一個重要的學(xué)習(xí)媒體。在E-learning環(huán)境中，每個學(xué)習(xí)者在學(xué)習(xí)過程中的行為都與系統(tǒng)互動，比如參與在線評估、論壇討論和其它的在線學(xué)習(xí)活動都會產(chǎn)生數(shù)據(jù)，這些數(shù)據(jù)會被自動記錄在日志文件中。當(dāng)日志文件獲得更多的學(xué)習(xí)活動時，日志文件中數(shù)據(jù)的數(shù)量將會不斷增加，最終會產(chǎn)生過量的信息負(fù)載。這些數(shù)據(jù)在教學(xué)中非常有用，所以教育大數(shù)據(jù)的主要問題是如何分析數(shù)據(jù)，以便獲得能夠有效改善教學(xué)方法的有價值的信息。E-learning中大量的用戶數(shù)據(jù)會在一定程度上限制數(shù)據(jù)挖掘，這也可能會造成延遲用戶的行為，因此，我們需要尋找合適的方法來解決這個問題。[10]忽視這個問題會不利于教師的教學(xué)效果，對在線學(xué)習(xí)的學(xué)習(xí)者來說也會產(chǎn)生不良的影響。例如沒有對教育數(shù)據(jù)進(jìn)行分析，學(xué)?；蚪處熾y以準(zhǔn)確了解哪些學(xué)生的學(xué)習(xí)成績下降，課程學(xué)習(xí)中有哪些學(xué)生需要不同類型學(xué)習(xí)資源的支持，通過分析學(xué)習(xí)數(shù)據(jù)這些問題會得到解決。

當(dāng)前基于大數(shù)據(jù)的學(xué)習(xí)分析和研究對學(xué)校和教師很有幫助，因此在教育教學(xué)中對大數(shù)據(jù)進(jìn)行研究顯得非常重要。一些研究表明數(shù)據(jù)驅(qū)動決策能夠有效改善組織及其生產(chǎn)力。[11]對于教師而言，在教學(xué)過程中利用數(shù)據(jù)驅(qū)動決策可以使他們有效提升教學(xué)效果。在E-learning大數(shù)據(jù)中通過分析學(xué)習(xí)者的數(shù)據(jù)，在線學(xué)習(xí)專家或教師會獲得學(xué)習(xí)者的準(zhǔn)確信息。學(xué)習(xí)分析有助于輔助教師重溫整個在線教學(xué)過程，彌補(bǔ)了師生分離狀態(tài)下輔導(dǎo)教師難以了解全班活動的不足。[12]在教育大數(shù)據(jù)中，學(xué)習(xí)技能和課程開發(fā)是大數(shù)據(jù)實(shí)施的基礎(chǔ)。Zhu[13]和Piliouras[14]探討了在大學(xué)課堂上采用大數(shù)據(jù)技術(shù)分析學(xué)習(xí)技能對學(xué)生學(xué)習(xí)的重要性。另外一些研究者提出在大學(xué)教育中通過開設(shè)大數(shù)據(jù)課程及專業(yè)來解決當(dāng)前數(shù)據(jù)分析專業(yè)人才嚴(yán)重缺乏的問題。[15]為了有效預(yù)測學(xué)生畢業(yè)后的就業(yè)意愿，AbuKousa和 Atif通過設(shè)計(jì)和開發(fā)一個應(yīng)用程序來分析大學(xué)生大學(xué)學(xué)習(xí)與生活狀態(tài)的大數(shù)據(jù)。[16]

1.自適應(yīng)模式

自適應(yīng)模式由學(xué)習(xí)風(fēng)格自動化、知識評價代理和學(xué)習(xí)材料測序代理三個部分組成。當(dāng)學(xué)習(xí)者初次登錄學(xué)習(xí)系統(tǒng)時，他們需要回答學(xué)習(xí)風(fēng)格索引庫自動生成的問卷，目的在于了解學(xué)習(xí)者的學(xué)習(xí)風(fēng)格。根據(jù)學(xué)習(xí)者在學(xué)習(xí)風(fēng)格索引庫問卷中給出的答案，學(xué)習(xí)風(fēng)格自動化將自動識別學(xué)習(xí)者的學(xué)習(xí)風(fēng)格并將相關(guān)特征信息存儲在學(xué)習(xí)者模式庫中。一旦學(xué)習(xí)者完成了練習(xí)、小測驗(yàn)或考試評價，知識評價代理將會運(yùn)行并獲取學(xué)習(xí)者的評價結(jié)果，評價結(jié)果將會用于指導(dǎo)不同知識水平的學(xué)習(xí)者，如初學(xué)者、中等水平學(xué)習(xí)者或高水平學(xué)習(xí)者，知識評價代理將會在學(xué)習(xí)過程中反復(fù)識別并確認(rèn)學(xué)習(xí)者的知識水平。學(xué)習(xí)風(fēng)格自動化、知識評價代理與學(xué)習(xí)者之間持續(xù)互動，以適應(yīng)學(xué)習(xí)者的學(xué)習(xí)行為。學(xué)習(xí)材料測序代理主要處理生成的學(xué)習(xí)路徑和影響學(xué)習(xí)者適應(yīng)性特征的相關(guān)學(xué)習(xí)材料，學(xué)習(xí)材料測序代理也將會被用于為學(xué)習(xí)者提供評價和建議性學(xué)習(xí)材料，它們可以作為學(xué)習(xí)者的附加信息使用。目前的BlackBoard學(xué)習(xí)平臺具備記錄學(xué)習(xí)者在學(xué)習(xí)過程中的每個學(xué)習(xí)行為并評價學(xué)習(xí)者學(xué)習(xí)活動的功能，學(xué)習(xí)平臺可以將這些信息存儲在日志數(shù)據(jù)庫文件中，這些有價值的數(shù)據(jù)將會通過SOM聚類分析模式來分析學(xué)習(xí)者的在線學(xué)習(xí)行為。

2.知識庫模式

知識庫模式承擔(dān)著知識庫的功能，主要用于存儲課程相關(guān)的知識。該模式主要基于圖形、分層節(jié)點(diǎn)和弧的概念進(jìn)行開發(fā)，節(jié)點(diǎn)代表了知識的概念，弧代表節(jié)點(diǎn)之間的聯(lián)系。教師或課程管理員可以直接通過知識庫模式來插入和修改學(xué)習(xí)材料。知識庫模式主要由附屬配置、知識庫和內(nèi)容調(diào)整原則組成。對于每一個學(xué)習(xí)材料，教師需要明確學(xué)習(xí)者應(yīng)該具備的學(xué)習(xí)水平和學(xué)習(xí)材料的難度等級，自適應(yīng)模式利用這些信息為學(xué)習(xí)者提供個性化的學(xué)習(xí)材料。當(dāng)前的BlackBoard學(xué)習(xí)平臺支持額外配置信息功能，這可以改善學(xué)習(xí)環(huán)境支持學(xué)習(xí)者自適應(yīng)學(xué)習(xí)的特性。知識庫中學(xué)習(xí)內(nèi)容的組織按照層次順序排列，課程作為起始點(diǎn)，每門課程都與章節(jié)知識點(diǎn)相關(guān)聯(lián)，每個章節(jié)由各種學(xué)習(xí)主題組成，每個學(xué)習(xí)主題會鏈接到學(xué)習(xí)目標(biāo)和評價。每一個學(xué)習(xí)材料都由一系列各種相關(guān)的學(xué)習(xí)資源組成。依據(jù)學(xué)習(xí)目標(biāo)，利用一個超鏈接服務(wù)，可以把課程相關(guān)學(xué)科的學(xué)習(xí)資源呈現(xiàn)出來，如相關(guān)術(shù)語和定義等。圖2描述了在知識庫模式中知識庫的組織結(jié)構(gòu)。

內(nèi)容調(diào)整原則是基于自適應(yīng)特征、學(xué)習(xí)風(fēng)格（視覺和語言方面）和知識水平進(jìn)行設(shè)計(jì)，表1給出了自適應(yīng)學(xué)習(xí)系統(tǒng)的知識呈現(xiàn)策略。課程單元的組成分為六大類：①文本類：課程單元知識中包含的文本;②圖形類：主要包括圖片和視頻;③示例類：樣本或附加信息;④基本信息類：包含課程的基本內(nèi)容，如標(biāo)題、概念、相關(guān)文本、圖表、案例和評價等;⑤附加信息類：有助于擴(kuò)展學(xué)習(xí)者理解和學(xué)習(xí)范圍的補(bǔ)充學(xué)習(xí)資源。智能導(dǎo)航代理主要用于引導(dǎo)和幫助學(xué)生去瀏覽自適應(yīng)學(xué)習(xí)系統(tǒng)的各個鏈接和頁面，該代理還負(fù)責(zé)在系統(tǒng)展示區(qū)域內(nèi)以結(jié)構(gòu)化的方式呈現(xiàn)所有的學(xué)習(xí)材料。

3.學(xué)習(xí)者模式

學(xué)習(xí)者模式主要展示學(xué)習(xí)者的相關(guān)信息，具體來說，主要包含三個方面的信息——學(xué)習(xí)者的個人信息數(shù)據(jù)、自適應(yīng)特征數(shù)據(jù)和評價庫。個人信息數(shù)據(jù)包括學(xué)生姓名、學(xué)號、電子郵箱，目前的評價分?jǐn)?shù)信息等。自適應(yīng)特征數(shù)據(jù)包括學(xué)習(xí)風(fēng)格（視覺或語言）和知識水平（高級、中級和初級）。評價庫主要存儲學(xué)習(xí)者每次測驗(yàn)和考試的結(jié)果和分?jǐn)?shù)。學(xué)習(xí)風(fēng)格和知識水平信息很大程度依賴于學(xué)習(xí)者對學(xué)習(xí)風(fēng)格索引庫問卷的回答結(jié)果以及考試或測驗(yàn)的評價分?jǐn)?shù)，這些數(shù)據(jù)信息由系統(tǒng)自動更新。

4.分析模式

基于大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)過程，既需要考慮學(xué)生個性化特征，又要考慮從海量數(shù)據(jù)中挖掘有價值的個性化學(xué)習(xí)信息方法等。[32]分析模式是自適應(yīng)學(xué)習(xí)系統(tǒng)框架的最后一個環(huán)節(jié)，該模式的作用是為教師提供更多量化的證據(jù)，從而為教師提供和準(zhǔn)備個性化教學(xué)信息，而且可以幫助教師在學(xué)生的學(xué)習(xí)狀態(tài)和行為方面做出決策。在該框架中，我們采用SOM數(shù)據(jù)挖掘技術(shù)從日志數(shù)據(jù)庫中捕捉數(shù)據(jù)來識別學(xué)習(xí)者的在線學(xué)習(xí)行為。SOM將會把日志數(shù)據(jù)庫中的歷史數(shù)據(jù)和學(xué)習(xí)者模式中的個人信息作為輸入信息進(jìn)行分析。導(dǎo)航代理將利用分析模式生成的結(jié)果去改進(jìn)學(xué)習(xí)者的學(xué)習(xí)方法，如果有必要的話，還可以為一些有特定需求的學(xué)習(xí)者提供個性化的學(xué)習(xí)材料。

四、應(yīng)用案例介紹

本研究的應(yīng)用案例基于BlackBoard在線學(xué)習(xí)平臺，利用數(shù)據(jù)挖掘技術(shù)來分析學(xué)習(xí)者的在線學(xué)習(xí)行為。應(yīng)用案例研究過程如下：

1.數(shù)據(jù)采集和預(yù)處理

該研究使用的數(shù)據(jù)是通過BlackBoard在線學(xué)習(xí)平臺日志文件庫獲取的，主要從《程序設(shè)計(jì)語言》課程中搜集學(xué)習(xí)者2017-2018學(xué)年第一學(xué)期在線學(xué)習(xí)活動的情況，數(shù)據(jù)記錄是從第1周到第14周的教學(xué)和學(xué)習(xí)過程，最終的數(shù)據(jù)以Excel格式從BlackBoard在線學(xué)習(xí)平臺中下載。在數(shù)據(jù)下載時，可以自由選擇下載與研究需求相關(guān)的數(shù)據(jù)，這些數(shù)據(jù)包括日志文件庫中記錄的所有學(xué)習(xí)者的學(xué)習(xí)行為信息等。數(shù)據(jù)收集的信息主要包括課程名稱、訪問時間、IP地址、用戶ID、用戶行為和學(xué)生的個人信息等。與此同時為了保證數(shù)據(jù)的準(zhǔn)確性和有效性，還需要清除一些干擾性的數(shù)據(jù)和與研究無關(guān)的數(shù)據(jù)，如管理員行為、教育者行為和使用這個課程學(xué)習(xí)系統(tǒng)的其他用戶行為等。因此，過濾數(shù)據(jù)的目的是為了準(zhǔn)確獲取學(xué)生使用過的相關(guān)數(shù)據(jù)。學(xué)習(xí)者的在線學(xué)習(xí)行為信息主要包括教育者為學(xué)習(xí)者準(zhǔn)備的學(xué)習(xí)材料模塊信息，如學(xué)習(xí)任務(wù)模塊、論壇模塊、學(xué)習(xí)資源模塊和其它模塊。因此，基于學(xué)習(xí)者的在線學(xué)習(xí)行為分析本研究重點(diǎn)關(guān)注課程模塊、學(xué)習(xí)任務(wù)模塊和學(xué)習(xí)資源模塊的數(shù)據(jù)。數(shù)據(jù)收集過程是通過連續(xù)追蹤學(xué)習(xí)者在14周的時間內(nèi)所產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)完成的，學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)類型如表2所示。當(dāng)學(xué)習(xí)者在線瀏覽學(xué)習(xí)材料時，我們可以通過以下9種變量來分析學(xué)習(xí)者的在線學(xué)習(xí)行為。

2.結(jié)果分析

在線學(xué)習(xí)系統(tǒng)中的原始數(shù)據(jù)經(jīng)過篩選后，剩余的數(shù)據(jù)是本研究所關(guān)注的數(shù)據(jù)，也是學(xué)習(xí)者瀏覽在線學(xué)習(xí)系統(tǒng)時所產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)。數(shù)據(jù)庫記錄的學(xué)習(xí)行為數(shù)據(jù)是基于14周內(nèi)學(xué)習(xí)者每周的在線學(xué)習(xí)行為統(tǒng)計(jì)出來的。本研究利用SOM聚類法處理這些數(shù)據(jù)并把處理結(jié)果應(yīng)用于下一個學(xué)習(xí)主題。從日志數(shù)據(jù)庫中提取的在線學(xué)習(xí)數(shù)據(jù)包括用ARFF格式編寫的學(xué)習(xí)者交互行為數(shù)據(jù)，在SOM聚類分析之前需要對這些數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。圖3顯示了學(xué)習(xí)者在第1周注釋學(xué)習(xí)行為聚類的可視化分析結(jié)果。

該實(shí)驗(yàn)使用的數(shù)據(jù)來自為期14周的BlackBoard在線學(xué)習(xí)平臺日志數(shù)據(jù)庫，該數(shù)據(jù)庫包含了29名學(xué)習(xí)者在線學(xué)習(xí)的學(xué)習(xí)行為情況。在對這些學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行聚類分析的基礎(chǔ)上形成了四個聚類小組，5名學(xué)生在聚類小組0，10名學(xué)生在聚類小組1，9名學(xué)生在聚類小組2，5名學(xué)生在聚類小組3，聚類小組分析結(jié)果如圖4所示。該聚類小組分析結(jié)果主要是對學(xué)習(xí)者的自主學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析后得到的，同時圖4也顯示了每一個聚類小組的在線學(xué)習(xí)訪問量。結(jié)果表明，在整個14周的學(xué)習(xí)中聚類小組2的學(xué)習(xí)者有72%的在線學(xué)習(xí)訪問量用來積極瀏覽在線學(xué)習(xí)資源，聚類小組1、聚類小組3的在線學(xué)習(xí)訪問量分別為70%和64%，聚類小組0為57%。圖4顯示出聚類小組2在14周的在線學(xué)習(xí)中有最高頻次的在線學(xué)習(xí)行為，主要是因?yàn)樵撔〗M的學(xué)習(xí)者喜歡從在線學(xué)習(xí)資源中瀏覽并下載相關(guān)案例，在課程學(xué)習(xí)中也會采取更多的學(xué)習(xí)實(shí)踐，并在學(xué)習(xí)任務(wù)模塊中表現(xiàn)得更為活躍。

圖5展示了2017-2018學(xué)年第一學(xué)期第1周學(xué)習(xí)者在線學(xué)習(xí)行為的聚類分析結(jié)果。在學(xué)期初每個聚類小組都顯示有“為一定的學(xué)習(xí)目標(biāo)而進(jìn)行瀏覽和下載活動”，聚類小組2中的學(xué)生參與在線學(xué)習(xí)的熱情最高，大部分學(xué)生積極地觀看在線課程并下載筆記。在第一周的在線學(xué)習(xí)過程中每個聚類小組的學(xué)生基本上都會訪問在線課程并觀看課程內(nèi)容，以了解《程序設(shè)計(jì)語言》課程的基礎(chǔ)知識和學(xué)習(xí)計(jì)劃。通常情況下在學(xué)期開學(xué)前，教師不會通過在線學(xué)習(xí)平臺安排太多的學(xué)習(xí)活動，所以學(xué)習(xí)者只需要下載相關(guān)筆記為正式的在線課堂學(xué)習(xí)做好準(zhǔn)備。圖5中部分學(xué)習(xí)行為值為0，表明該聚類小組的學(xué)習(xí)者沒有發(fā)生該種在線學(xué)習(xí)行為。此外，在第1周沒有布置具體的學(xué)習(xí)任務(wù)或者練習(xí)題，學(xué)習(xí)者不需要在線提交該種類型的資料，因此學(xué)習(xí)任務(wù)或者練習(xí)題的值為0。

圖6顯示了第8周學(xué)習(xí)者在線學(xué)習(xí)行為的聚類分析結(jié)果，在第8周每個學(xué)習(xí)者需要參加期中測試來為他們的課程結(jié)課考試成績增加分?jǐn)?shù)，因?yàn)槠谥袦y試是整個課程考核的重要環(huán)節(jié)，要在課程結(jié)課考試成績中占據(jù)20% 的比例。由于學(xué)生為了準(zhǔn)備期中測試需要做更多的復(fù)習(xí)工作，他們在該周內(nèi)的在線學(xué)習(xí)行為有了一定的變化。聚類小組3中的學(xué)生將更多的時間和精力放在期中測試準(zhǔn)備上，所以在學(xué)習(xí)任務(wù)方面關(guān)注較少。

圖7顯示了第14周學(xué)習(xí)者在線學(xué)習(xí)行為的聚類分析結(jié)果，第14周是本課程學(xué)習(xí)在該學(xué)期的最后一周時間，學(xué)習(xí)者在示例方面的訪問量相對于其他學(xué)習(xí)活動是最高的，其它學(xué)習(xí)活動的訪問量在這學(xué)期14周的在線學(xué)習(xí)中處于最低，這主要是因?yàn)閷W(xué)習(xí)者在課程結(jié)課考試前希望查看相關(guān)示例來為他們的結(jié)課考試做好準(zhǔn)備。

以上不同時間段的在線學(xué)習(xí)行為SOM聚類分析結(jié)果表明，每一個聚類小組在E-learning環(huán)境中對學(xué)習(xí)資源有不同的學(xué)習(xí)模式。在第1周，相對于其他學(xué)習(xí)活動，學(xué)習(xí)者只對下載相關(guān)筆記感興趣，喜歡對學(xué)習(xí)課程有一個概括性的基礎(chǔ)認(rèn)識。而在學(xué)期中間第8周，學(xué)習(xí)者會表現(xiàn)出較多的學(xué)習(xí)行為，參與的學(xué)習(xí)活動較多，并會更專注于課程期中測試的準(zhǔn)備工作。在最后一周（第14周）的在線學(xué)習(xí)過程中，學(xué)習(xí)者的學(xué)習(xí)活動節(jié)奏會放緩，這主要是因?yàn)閷W(xué)習(xí)者要復(fù)習(xí)更多的示例，以便加深他們對課程結(jié)課考試相關(guān)學(xué)習(xí)材料的理解。從本次實(shí)驗(yàn)結(jié)果可以看出，從學(xué)期開始到學(xué)期末學(xué)習(xí)者參與了各種各樣的在線學(xué)習(xí)活動。SOM聚類分析結(jié)果可以有效幫助教師根據(jù)學(xué)生對已有學(xué)習(xí)材料的學(xué)習(xí)行為來預(yù)測學(xué)習(xí)者的未來表現(xiàn)，比如教師可以在學(xué)期末提供更多示例和練習(xí)題來幫助學(xué)生順利通過課程結(jié)課考試。

五、小結(jié)

本研究基于自適應(yīng)學(xué)習(xí)的特點(diǎn)提出了一個適合學(xué)習(xí)者進(jìn)行在線學(xué)習(xí)的應(yīng)用框架，該框架主要通過BlackBoard學(xué)習(xí)平臺體現(xiàn)支持學(xué)習(xí)者的各種學(xué)習(xí)風(fēng)格和學(xué)習(xí)水平。SOM聚類分析能夠基于學(xué)習(xí)者在BlackBoard學(xué)習(xí)平臺的訪問量分類顯示各種各樣的聚類學(xué)習(xí)小組，學(xué)習(xí)者在該學(xué)期的各個階段有著不同的學(xué)習(xí)表現(xiàn)。通過分析學(xué)生當(dāng)前的學(xué)習(xí)行為和知識水平，該研究希望能在學(xué)習(xí)過程中為學(xué)習(xí)者提供有價值的學(xué)習(xí)解決方案，使學(xué)習(xí)者根據(jù)自身的學(xué)習(xí)風(fēng)格和知識水平來獲得適合自己的個性化學(xué)習(xí)資源，從而達(dá)到對學(xué)習(xí)成果更高的理解水平。本研究也發(fā)現(xiàn)，使用大數(shù)據(jù)引擎工具實(shí)現(xiàn)大數(shù)據(jù)庫系統(tǒng)化分析有著廣闊的研究空間，大數(shù)據(jù)引擎工具可以直接處理現(xiàn)場數(shù)據(jù)并把傳輸結(jié)果可視化。隨著大數(shù)據(jù)和學(xué)習(xí)分析技術(shù)的深入應(yīng)用，未來將通過學(xué)習(xí)分析工具定義學(xué)生的學(xué)習(xí)行為模式，學(xué)習(xí)分析工具也將與學(xué)習(xí)行為實(shí)時數(shù)據(jù)整合在一起，比如學(xué)生的課堂行為、在線學(xué)習(xí)行為以及基于LMS的交互行為等。未來應(yīng)對交互行為數(shù)據(jù)進(jìn)行深層次挖掘，為學(xué)習(xí)分析提供新的理論見解。[33]通過實(shí)時的在線學(xué)習(xí)及課堂學(xué)習(xí)行為分析、診斷、預(yù)警與評價，教師和教育管理者可以準(zhǔn)確識別考核可能不及格的學(xué)習(xí)者，并為學(xué)習(xí)者設(shè)計(jì)可視化數(shù)據(jù)來及時告知他們在在線學(xué)習(xí)或混合學(xué)習(xí)中的當(dāng)前學(xué)習(xí)結(jié)果。因?yàn)槔迷诰€學(xué)習(xí)行為數(shù)據(jù)輔助動態(tài)生成學(xué)習(xí)效果，是對在線教育最客觀的分析。[34]

參考文獻(xiàn)：

[1]Gupta， B.， Goul， M.， & Dinter， B.Business Intelligence and Big Data in Higher Education： Status of a Multi-Year Model Curriculum Development Effort for Business School Undergraduates， MS Graduates， and MBAs[J].Communications of the Association for Information Systems，2015，36（1）：23.

[2]Erwin， K.， Bond， M.， & Jain， A.Discovering the Language of Data： Personal Pattern Languages and the Social Construction of Meaning from Big Data[J]. Interdisciplinary Science Reviews，2015，40（1）：44-60.

[18]Govindarajan， K.， Somasundaram， T. S.， & Kumar， V. S.Continuous Clustering in Big Data Learning Analytics[A].2013 IEEE Fifth International Conference[C].Technology forEducation （T4E）， 2013（12）：61-64.

[19]Admiraal， W.， Huisman， B.， & Van de Ven， M.Self-and peer assessment in massive open online courses[J]. International Journal of Higher Education， 2014，3（3）：119.

[20]Hernández-García，？魣.， González-González， I.， Jiménez-Zarco， A. I.， & Chaparro-Peláez， J.Applying social learning analytics to message boards in online distance learning： A case study[J].Computers in Human Behavior，2015（47）： 68-80.

[21]Burnett， R. E.， Frazee， A.， Hanggi， K.， & Madden， A.A Programmatic Ecology of Assessment： Using a Common Rubric to Evaluate Multimodal Processes and Artifacts[J].Computers and Composition，2014（31）：53-66.

[22]Mandala， S.， Abdullah， A. H.， & Ismail， A. S.A survey of e-learning security[A].2013 International Conference[C].ICT for Smart Society （ICISS）， 2013（6）：1-6.

[23]Lias， T. E.， & Elias， T.（2011）.Learning Analytics： The Definitions， the Processes， and the Potential[EB/OL].[2015-12-21].http：//learninganalytics.net/LearningAnalytics DefinitionsProcessesPotential.pdf.

[24]Siemens， G.， & Long， P.Penetrating the Fog： Analytics in Learning and Education[J].EDUCAUSE review， 2011，46（5）：30.

[25]van Barneveld， A.， Arnold， K. E.， & Campbell， J. P.Analytics in higher education： Establishing a common language[J].EDUCAUSE learning initiative， 2012（1）：1-11.

[26]李爽等.在線學(xué)習(xí)行為投入分析框架與測量指標(biāo)研究——基于LMS數(shù)據(jù)的學(xué)習(xí)分析[J].開放教育研究，2016（2）：78-88.

[27]Hasan， S.Enhanced self organizing map with particle swarm optimization for classification problems[R].Doctoral dissertation， Universiti Teknologi Malaysia， Faculty of Computer Science and Information System，2010：121-132.

[28]Cabada， R. Z.， Estrada， M. L. B.， & García， C. A. R.EDUCA： A web 2.0 authoring tool for developing adaptive and intelligent tutoring systems using a Kohonen network[J].Expert Systems with Applications， 2011，38（8）：9522-9529.

[29]葛子剛，楊麗華，馬煥新.割裂還是融合？自適應(yīng)學(xué)習(xí)系統(tǒng)設(shè)計(jì)對于學(xué)習(xí)風(fēng)格和認(rèn)知風(fēng)格考量的研究現(xiàn)狀述評[J].中國遠(yuǎn)程教育，2018（3）：62-69.

[30]Ramesh， V.， Parkavi， P.， & Yasodha， P.Performance analysis of data mining techniques for placement chance prediction[J].International Journal of Scientific & Engineering Research，2011，2（8）：1.

[31]王碩爍，馬玉慧.國外典型自適應(yīng)學(xué)習(xí)平臺的基本框架及其關(guān)鍵技術(shù)分析[J].開放學(xué)習(xí)研究，2018（1）：48-54.

[32]姜強(qiáng)等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實(shí)現(xiàn)[J].中國電化教育，2015（1）：85-92.

[33]劉三■等.網(wǎng)絡(luò)環(huán)境下群體互動學(xué)習(xí)分析的應(yīng)用研究——基于社會網(wǎng)絡(luò)分析的視角[J].中國電化教育，2017（2）：5-12.

[34]胡藝齡等.在線學(xué)習(xí)行為分析建模及挖掘[J].開放教育研究，2014（2）：102-110.

（編輯：王天鵬）