馬 曉 曲建華 徐慧敏

(山東師范大學(xué)商學(xué)院，250358 濟(jì)南 )

1 引 言

網(wǎng)絡(luò)學(xué)習(xí)已成為互聯(lián)網(wǎng)+時代教育發(fā)展的重要形式，數(shù)據(jù)驅(qū)動的分析和挖掘也為教育研究提出了一種新的范式[1].針對學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)的過程中產(chǎn)生的大量行為數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)行為的學(xué)習(xí)分析與研究，對開展個性化學(xué)習(xí)，提高學(xué)習(xí)效果，支持教學(xué)決策具有重要意義.

雖然對網(wǎng)絡(luò)學(xué)習(xí)行為的研究已成為學(xué)習(xí)分析領(lǐng)域的熱點(diǎn)，但仍存在網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)利用不全面、實(shí)際應(yīng)用研究不充分等問題.由于互聯(lián)網(wǎng)技術(shù)和信息技術(shù)的快速發(fā)展，可以對特定情境下的網(wǎng)絡(luò)學(xué)習(xí)行為模型進(jìn)行深入研究，給出個性化的網(wǎng)絡(luò)學(xué)習(xí)指導(dǎo)建議.本文以山東師范大學(xué)高等數(shù)學(xué)網(wǎng)絡(luò)課程中99名學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)為研究對象，展開以下研究：構(gòu)建交互視角下多維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型，引入基于交互時間的行為特征，挖掘有意義的網(wǎng)絡(luò)行為特征；根據(jù)網(wǎng)絡(luò)學(xué)習(xí)行為特征對學(xué)習(xí)群體進(jìn)行聚類分析，將學(xué)生分為卓越型、積極型、一般型、拖延型和消極型五種，給出個性化學(xué)習(xí)建議.

2 文獻(xiàn)綜述

國內(nèi)學(xué)者針對網(wǎng)絡(luò)學(xué)習(xí)行為的研究主要表現(xiàn)在建立學(xué)習(xí)者行為模型[10]、挖掘影響學(xué)習(xí)效果的學(xué)習(xí)行為、預(yù)測學(xué)習(xí)效果[11]和分析學(xué)習(xí)者群體的學(xué)習(xí)特點(diǎn)等方面.朱珂[12]構(gòu)建了網(wǎng)絡(luò)學(xué)習(xí)空間中的學(xué)習(xí)者交互模型，度量了模型的參數(shù)，并對學(xué)習(xí)者的交互做了可視化分析.李有增等人[13]以學(xué)生人口數(shù)據(jù)、學(xué)習(xí)行為數(shù)據(jù)和校園行為數(shù)據(jù)為研究對象構(gòu)建學(xué)生行為分析模型，運(yùn)用大數(shù)據(jù)技術(shù)為學(xué)校提供多方面的建議.吳林靜等人[14]對各類網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行有效分類和度量，并挖掘?qū)W習(xí)者的相關(guān)網(wǎng)絡(luò)學(xué)習(xí)行為模式.曹天生等人[15]采用統(tǒng)計分析法、社會網(wǎng)絡(luò)分析法等探討了分組策略對交互深度的影響程度.趙慧瓊等人[16]采用多元回歸分析法探究并分析了影響學(xué)生學(xué)習(xí)績效的預(yù)警因素.武法提等人[17]基于個性化學(xué)習(xí)模式建立了個性化行為分析模型，并設(shè)計了學(xué)習(xí)結(jié)果預(yù)測框架.王改花等人[18，19]采用數(shù)據(jù)挖掘方法與統(tǒng)計學(xué)方法對網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行定量分析，探討網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)成績的關(guān)系，進(jìn)而預(yù)測學(xué)習(xí)成績，并提出適當(dāng)干預(yù).許興等人[20]從學(xué)生的實(shí)際網(wǎng)絡(luò)數(shù)據(jù)中提取一組特征，利用決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)機(jī)器學(xué)習(xí)算法對學(xué)習(xí)成績進(jìn)行預(yù)測，結(jié)果發(fā)現(xiàn)，隨著特征數(shù)目的增加，預(yù)測精度普遍提高.胡航等人[21]構(gòu)建了一種基于決策樹和深度神經(jīng)網(wǎng)絡(luò)的模型，依據(jù)日志數(shù)據(jù)診斷學(xué)生在線學(xué)習(xí)行為、借閱行為等，預(yù)測學(xué)習(xí)績效.

從國內(nèi)外的相關(guān)研究可以看出，研究者在挖掘網(wǎng)絡(luò)學(xué)習(xí)行為特征、預(yù)測學(xué)習(xí)效果等方面已取得了顯著成果，但仍有可以改進(jìn)之處.例如，在挖掘?qū)W習(xí)行為特征方面，注重學(xué)習(xí)行為的次數(shù)分析，較少對學(xué)習(xí)行為的發(fā)生時間進(jìn)行分析.為此，本文引入了基于交互時間的網(wǎng)絡(luò)學(xué)習(xí)行為特征，構(gòu)建了交互視角下多維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型，在此基礎(chǔ)上對學(xué)習(xí)群體進(jìn)行聚類分析，歸納出不同類型學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特征，并給出個性化學(xué)習(xí)建議.

3 交互視角下網(wǎng)絡(luò)學(xué)習(xí)行為模型

網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)主要來源于網(wǎng)絡(luò)學(xué)習(xí)過程中學(xué)習(xí)者按照自身學(xué)習(xí)需求所進(jìn)行的交互活動[22].在相關(guān)研究的基礎(chǔ)[11,12,14]之上，本文構(gòu)建了圖1所示的網(wǎng)絡(luò)學(xué)習(xí)行為模型.該模型包含四個維度：人際交互、任務(wù)交互、內(nèi)容交互、系統(tǒng)交互.其中，人際交互是指學(xué)生與學(xué)生、學(xué)生與教師進(jìn)行的各類交互行為；任務(wù)交互是指學(xué)生與課程任務(wù)之間的各類交互行為；內(nèi)容交互是指學(xué)生與學(xué)習(xí)資源(課件和視頻)產(chǎn)生的交互行為；系統(tǒng)交互是指學(xué)習(xí)與學(xué)習(xí)系統(tǒng)之間的各類交互行為.

圖1 網(wǎng)絡(luò)學(xué)習(xí)行為模型

本文以這四個交互維度為依據(jù)，在相關(guān)研究的基礎(chǔ)之上，確定了網(wǎng)絡(luò)學(xué)習(xí)行為模型中各交互維度的行為特征，各行為特征的度量指標(biāo)如表1所示.人際交互包括參與討論和發(fā)表討論；任務(wù)交互包括完成作業(yè)、完成測驗(yàn)、完成簽到、總簽到數(shù)和完成任務(wù)點(diǎn)；內(nèi)容交互包括完成課件、完成視頻和觀看視頻；系統(tǒng)交互包括登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù).其中，完成作業(yè)、完成測驗(yàn)、完成簽到、完成課件、完成視頻是五個關(guān)于交互時間的行為特征，是通過交互行為的發(fā)起時間、截止時間和提交時間來度量的，在以往文獻(xiàn)中較少提到.這些行為特征對于發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)規(guī)律、改善網(wǎng)絡(luò)學(xué)習(xí)效果具有重要意義.

表1 網(wǎng)絡(luò)學(xué)習(xí)行為特征

在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境中，較容易獲得有關(guān)學(xué)生交互時間的數(shù)據(jù)，但以往的研究中較少使用交互時間數(shù)據(jù).本文提出了一種新的量化行為特征的方法，以交互行為的時間數(shù)據(jù)構(gòu)建度量指標(biāo)，進(jìn)而量化行為特征.因此，完成作業(yè)、完成測驗(yàn)、完成簽到、完成課件和完成視頻行為特征能夠分別表示學(xué)生網(wǎng)絡(luò)學(xué)習(xí)的提交作業(yè)、提交測驗(yàn)、參與課堂簽到、瀏覽課件資源和瀏覽視頻資源行為.對學(xué)生網(wǎng)絡(luò)行為的量化，能更好地分析學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特點(diǎn).

4 實(shí)證分析

4.1研究對象與數(shù)據(jù)采集研究對象為某高校2020年2月至6月高等數(shù)學(xué)網(wǎng)絡(luò)課程的99名學(xué)生的40多萬條網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù).這些數(shù)據(jù)涉及討論、提交作業(yè)、登錄系統(tǒng)等交互行為.其中，該課程的作業(yè)任務(wù)為19次，測驗(yàn)任務(wù)為20次，簽到任務(wù)為30次，任務(wù)點(diǎn)總數(shù)為194次，課件資源為32個，視頻資源為154個.部分行為日志數(shù)據(jù)見表2.通過對學(xué)習(xí)行為數(shù)據(jù)的分析提取如下度量指標(biāo)：發(fā)表討論數(shù)量、參與討論數(shù)量、作業(yè)提交時間、測驗(yàn)提交時間、簽到完成時間、課件完成任務(wù)時間、視頻任務(wù)完成時間、訪問系統(tǒng)數(shù)量、平臺登錄天數(shù)等.本文以該課程的線下期末考試成績作為學(xué)習(xí)效果進(jìn)行分析.

表2 部分行為日志數(shù)據(jù)

4.2數(shù)據(jù)處理本文使用Python 3.7和SPSS 20.0對數(shù)據(jù)進(jìn)行分析與處理，得到網(wǎng)絡(luò)學(xué)習(xí)行為模型中的12個行為特征，其處理方法總結(jié)如下：

1) 對人際交互維度和系統(tǒng)交互維度的行為特征不進(jìn)行處理，使用原始數(shù)據(jù).缺失值用0代替；

2) 完成作業(yè)、完成測驗(yàn)、完成課件和完成視頻行為特征的度量方式見算法1.缺失值用對應(yīng)截止時間代替；

3) 完成簽到行為特征采用簽到拖延指數(shù)(TS)進(jìn)行定義.簽到拖延指數(shù)的定義見公式(1).

(1)

其中，i為課堂簽到總次數(shù)；ten為第n次簽到的發(fā)布時間；tfn為第n次簽到的截止時間；tqn為第n次簽到的完成時間;

4) 總簽到數(shù)和完成任務(wù)點(diǎn)行為特征通過對應(yīng)指標(biāo)的累加值進(jìn)行度量,缺失值用0代替.

算法1：計算學(xué)生基于交互的行為特征值

經(jīng)過以上處理，所有行為特征的取值都符合增函數(shù)的規(guī)律.例如，完成作業(yè)行為特征的數(shù)值越大，說明該學(xué)生提交作業(yè)使用的時間越少，越不拖延；完成課件行為特征的數(shù)值越小，說明該學(xué)生完成課件任務(wù)使用的時間越多，非常拖延.

4.3特征挖掘特征挖掘主要用來挖掘出與學(xué)習(xí)效果顯著相關(guān)的行為特征，并刪除與學(xué)習(xí)效果不相關(guān)的行為特征.本文使用斯皮爾曼相關(guān)系數(shù)衡量行為特征與學(xué)習(xí)效果的相關(guān)性，得出12個行為特征與學(xué)習(xí)效果之間的相關(guān)系數(shù)，見表3.若行為特征與學(xué)習(xí)效果之間的相關(guān)性低，表明該行為特征質(zhì)量不佳，應(yīng)將其刪除.

由表3可以看出：與學(xué)習(xí)效果存在顯著相關(guān)的行為特征有參與討論、完成作業(yè)、完成簽到、總簽到數(shù)、完成任務(wù)點(diǎn)、完成課件、完成視頻、登錄系統(tǒng)次數(shù)、訪問系統(tǒng)天數(shù).其中，完成作業(yè)、完成簽到、完成課件、完成視頻都是和交互時間有關(guān)的行為特征，均與學(xué)習(xí)效果有較強(qiáng)的相關(guān)性，說明基于交互時間特征的選擇是合理的.完成作業(yè)、完成簽到、總簽到數(shù)和登錄系統(tǒng)次與參與討論數(shù)存在顯著相關(guān)，說明學(xué)生登錄網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)完成課程任務(wù)時，往往伴隨著與同學(xué)、老師間的人際交互.完成作業(yè)、完成簽到、總簽到、完成任務(wù)點(diǎn)與完成課件、完成視頻之間存在較強(qiáng)的相關(guān)性，說明任務(wù)交互行為特征與內(nèi)容交互行為特征之間的相關(guān)性是顯著的.特別是完成任務(wù)點(diǎn)、完成課件、完成視頻和登錄系統(tǒng)次數(shù)與完成作業(yè)的相關(guān)系數(shù)均大于0.4，說明學(xué)生登錄網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)時，主要進(jìn)行課程資源的學(xué)習(xí)和課程任務(wù)的完成等活動，符合網(wǎng)絡(luò)學(xué)習(xí)的普遍規(guī)律.發(fā)表討論、完成測驗(yàn)和觀看視頻與學(xué)習(xí)效果的相關(guān)系數(shù)絕對值小于0.01，說明發(fā)表討論、完成測驗(yàn)和觀看視頻與學(xué)習(xí)效果不存在相關(guān)性，可判定其對學(xué)習(xí)效果的解釋力不佳，將其刪除.

表3 行為特征與學(xué)習(xí)效果的相關(guān)分析矩陣

注：*表示顯著性水平小于0.05；**表示顯著性水平小于0.01.

4.4聚類分析為了提高自主學(xué)習(xí)效率，改善學(xué)習(xí)效果，在上述模型的基礎(chǔ)之上，本文針對學(xué)習(xí)群體進(jìn)行聚類分析.為了確定最優(yōu)的K值，本研究使用輪廓系數(shù)法對不同K值的聚類結(jié)果進(jìn)行評價.輪廓系數(shù)值越趨近于1，意味著樣本與自己所在簇群的樣本很相似，并且與其他簇群中的樣本不相似，即聚類結(jié)果越趨于合理.設(shè)定K值的取值范圍為3～8，不同K值所對應(yīng)的輪廓系數(shù)值如圖2所示.

圖2 不同簇群數(shù)量及其對應(yīng)的輪廓系數(shù)值

本研究采用K-means聚類算法，對篩選后的9個行為特征進(jìn)行聚類分析，得到五個簇群，聚類結(jié)果見表4.

表4 聚類結(jié)果

為了檢驗(yàn)聚類后的學(xué)習(xí)群體分布是否符合正態(tài)分布，對聚類后的學(xué)習(xí)群體人數(shù)進(jìn)行柯爾莫可洛夫-斯米洛夫(簡稱K-S檢驗(yàn))，檢驗(yàn)結(jié)果見表5.從表5可以看出，K-S檢驗(yàn)的顯著性結(jié)果為0.20，說明聚類后的學(xué)習(xí)群體分布符合正態(tài)分布，與實(shí)際情況相符.由此可見，本文選取的行為特征是合理的，聚類結(jié)果是有效的.

表5 學(xué)習(xí)群體的正態(tài)性檢驗(yàn)

從表4中可以看出，全部學(xué)生的總簽到數(shù)均高于27，由于本文使用的網(wǎng)絡(luò)課程數(shù)據(jù)較為集中，說明一般情況下，全部學(xué)生能夠完成課堂簽到任務(wù)，參與每次網(wǎng)絡(luò)授課；簇1、簇2、簇3、簇4學(xué)生的完成任務(wù)點(diǎn)高于188，說明約95%的學(xué)生能夠完成全部任務(wù)點(diǎn).簇5學(xué)生的全部行為特征值均低于其他學(xué)生.

為了更清晰地觀察不同簇之間網(wǎng)絡(luò)學(xué)習(xí)行為特征的差異，本文通過折線圖來對聚類結(jié)果進(jìn)行展示.通過對5個簇的行為特征平均值進(jìn)行標(biāo)準(zhǔn)化處理，得到圖3.由圖3可以看出：這5個簇學(xué)生的多個行為特征值(參與討論、完成簽到、登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù))有顯著差異，參與討論、完成簽到、登錄系統(tǒng)次數(shù)和訪問系統(tǒng)天數(shù)的值是按照簇1、簇2、簇3、簇4和簇5依次遞減的.簇1、簇2、簇3和簇4學(xué)生的完成任務(wù)點(diǎn)和完成視頻差異并不明顯.不同簇行為特征的差異有助于進(jìn)一步分析各類學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)特點(diǎn)，為學(xué)生提供個性化學(xué)習(xí)建議.

圖3 聚類結(jié)果可視化

4.5學(xué)習(xí)群體特征分析與建議為了更好地分析不同簇學(xué)生的學(xué)習(xí)效果，本文通過圖4對學(xué)習(xí)效果進(jìn)行展示.依圖4可見，各簇學(xué)習(xí)效果的上限、中位數(shù)和平均值是按照簇1、簇2、簇3、簇4、簇5的順序依次遞減的.因此，將本文中的網(wǎng)絡(luò)學(xué)習(xí)群體分為以下5種類型：卓越型學(xué)生(簇1)，積極型學(xué)生(簇2)，一般型學(xué)生(簇3)，拖延型學(xué)生(簇4)，消極型學(xué)生(簇5).

圖4 各簇學(xué)習(xí)效果分析

4.5.1 卓越型學(xué)生——簇1 卓越型學(xué)生有11人，占學(xué)生總數(shù)11.11%，其學(xué)習(xí)效果高于其他類型.由圖3可以看出，卓越型學(xué)生的多項(xiàng)行為特征值均高于其他類型的學(xué)生，可見卓越型學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為是積極的、主動的，特別是在系統(tǒng)交互維度上表現(xiàn)尤為突出.卓越型學(xué)生的完成視頻情況僅低于積極型學(xué)生，說明卓越型學(xué)生可能課前已經(jīng)掌握了部分學(xué)習(xí)內(nèi)容，因此沒有提前完成視頻任務(wù).卓越型學(xué)生有良好的自律能力，能主動積極地完成各項(xiàng)網(wǎng)絡(luò)學(xué)習(xí)任務(wù)，通過自己在學(xué)習(xí)上的付出獲得優(yōu)異的學(xué)習(xí)效果.對于卓越型學(xué)生，應(yīng)當(dāng)豐富網(wǎng)絡(luò)學(xué)習(xí)資源，拓寬學(xué)習(xí)深度，引導(dǎo)學(xué)生向更廣、更深的層次發(fā)展.

4.5.2 積極型學(xué)生——簇2 由圖4可以看出，積極型學(xué)生的學(xué)習(xí)效果僅低于卓越型學(xué)生.結(jié)合圖3，積極型學(xué)生的總簽到數(shù)、完成任務(wù)點(diǎn)和完成視頻等行為特征也都比較優(yōu)秀，特別是積極型學(xué)生完成視頻的情況顯著高于卓越型學(xué)生.可見積極型學(xué)生能充分利用網(wǎng)絡(luò)上的學(xué)習(xí)資源，積極地參與網(wǎng)絡(luò)學(xué)習(xí)，從而獲得較好的學(xué)習(xí)效果.積極型學(xué)生占學(xué)生總數(shù)的25%左右，這類學(xué)生發(fā)展成卓越型學(xué)生的可能性很大.但由圖3可見，積極型學(xué)生的系統(tǒng)交互行為特征明顯低于卓越型學(xué)生.對于積極型學(xué)生，應(yīng)當(dāng)加強(qiáng)課前預(yù)習(xí)與課后復(fù)習(xí)，積極參與師生的互動交流，積累學(xué)習(xí)經(jīng)驗(yàn)，從而改善學(xué)習(xí)效果.

4.5.3 一般型學(xué)生——簇3 從圖4可以看出，一般型學(xué)生的學(xué)習(xí)效果居于中等水平，多項(xiàng)網(wǎng)絡(luò)學(xué)習(xí)行為特征表現(xiàn)良好.從圖3可見，一般型學(xué)生的完成作業(yè)、完成課件和完成視頻的行為特征值低于拖延型學(xué)生，說明一般型學(xué)生完成網(wǎng)絡(luò)學(xué)習(xí)任務(wù)較為困難，學(xué)習(xí)能力一般，學(xué)習(xí)動機(jī)不強(qiáng)烈.一般型學(xué)生占學(xué)生總數(shù)的40%左右，比重較大.對于一般型學(xué)生，應(yīng)當(dāng)通過積極參與小組協(xié)作活動、教師監(jiān)督、作業(yè)提醒等來提高自主學(xué)習(xí)性，增強(qiáng)學(xué)習(xí)興趣，改善學(xué)習(xí)效果.

4.5.4 拖延型學(xué)生——簇4 拖延型學(xué)生的學(xué)習(xí)效果略高于消極型學(xué)生.圖3中的數(shù)據(jù)表明，拖延型學(xué)生的系統(tǒng)交互行為遠(yuǎn)低于卓越型學(xué)生，說明拖延型學(xué)生不能積極主動地參與網(wǎng)絡(luò)課程的學(xué)習(xí)，沒有完成網(wǎng)絡(luò)課程的學(xué)習(xí)任務(wù)，達(dá)不到應(yīng)有的學(xué)習(xí)效果.通過調(diào)研發(fā)現(xiàn)，原因可能是拖延型學(xué)生的知識基礎(chǔ)較薄弱，學(xué)習(xí)能力較差，缺乏學(xué)習(xí)動機(jī)，因此，在完成學(xué)習(xí)任務(wù)時存在一定的拖延.對于拖延型學(xué)生，應(yīng)當(dāng)及時提醒學(xué)生完成網(wǎng)絡(luò)學(xué)習(xí)任務(wù)，加強(qiáng)與課程有關(guān)的基礎(chǔ)知識的學(xué)習(xí).教師應(yīng)鼓勵學(xué)生積極參與網(wǎng)絡(luò)課程的學(xué)習(xí)，盡可能地避免完成學(xué)習(xí)任務(wù)時的拖延，在一定程度上改善學(xué)習(xí)效果.

4.5.5 消極型學(xué)生——簇5 消極型學(xué)生的數(shù)量較少，只有4名學(xué)生，學(xué)習(xí)效果較差.由圖3可以看出，消極型學(xué)生幾乎不參與討論，很少訪問網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)，說明消極型學(xué)生缺乏基本的自我學(xué)習(xí)能力，不關(guān)注自己的學(xué)習(xí)效果，有嚴(yán)重的學(xué)習(xí)拖延傾向.對于消極型學(xué)生，可以通過自我激勵提高學(xué)習(xí)積極性，加強(qiáng)與師生的溝通交流，督促其完成學(xué)習(xí)任務(wù)，盡量改善學(xué)習(xí)效果.

5 結(jié) 論

網(wǎng)絡(luò)學(xué)習(xí)行為特征的研究對于發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)規(guī)律、提高網(wǎng)絡(luò)學(xué)習(xí)效果具有重要意義.本文提出了包含人際交互、任務(wù)交互、內(nèi)容交互和系統(tǒng)交互維度的網(wǎng)絡(luò)學(xué)習(xí)行為模型，根據(jù)獲取的網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)，提取了發(fā)表討論數(shù)、作業(yè)提交時間、訪問系統(tǒng)數(shù)等多個度量指標(biāo)，據(jù)此進(jìn)一步構(gòu)建了參與討論、完成課件等12個網(wǎng)絡(luò)學(xué)習(xí)行為特征.特別地，本文引入了五個基于交互時間的行為特征，即完成作業(yè)、完成簽到、完成測驗(yàn)、完成課件和完成視頻，使得對網(wǎng)絡(luò)學(xué)習(xí)行為特征的研究不再局限于學(xué)習(xí)次數(shù)的分析，對網(wǎng)絡(luò)學(xué)習(xí)行為的分析具有重要參考價值，可以更好地發(fā)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)行為的拖延傾向.通過分析行為特征與學(xué)習(xí)效果的相關(guān)性，挖掘出參與討論、完成作業(yè)、登錄系統(tǒng)次數(shù)等9個有意義的網(wǎng)絡(luò)學(xué)習(xí)行為特征.

為發(fā)現(xiàn)不同網(wǎng)絡(luò)學(xué)習(xí)群體的學(xué)習(xí)規(guī)律，本文通過輪廓系數(shù)法確定了最佳聚類簇數(shù)，對研究對象進(jìn)行了聚類分析，最終得到5種不同類型的學(xué)習(xí)群體：卓越型學(xué)生、積極型學(xué)生、一般型學(xué)生、拖延型學(xué)生和消極型學(xué)生.經(jīng)檢驗(yàn)，聚類得到的學(xué)習(xí)群體符合正態(tài)分布.聚類可視化結(jié)果顯示，卓越型學(xué)生的學(xué)習(xí)效果最為優(yōu)異，能主動積極完成各項(xiàng)學(xué)習(xí)任務(wù)；積極型學(xué)生能夠充分利用網(wǎng)絡(luò)學(xué)習(xí)資源，從而獲得較好的學(xué)習(xí)效果；一般型學(xué)生在完成學(xué)習(xí)任務(wù)方面較為困難，學(xué)習(xí)效果居中；拖延型學(xué)生的學(xué)習(xí)能力較差，學(xué)習(xí)動機(jī)不強(qiáng)烈；消極型學(xué)生的學(xué)習(xí)效果較差，不具備基本的自我學(xué)習(xí)能力.針對不同學(xué)習(xí)群體的學(xué)習(xí)行為特點(diǎn)和學(xué)習(xí)規(guī)律，本文給出了個性化的建議，期望改善各學(xué)習(xí)群體的網(wǎng)絡(luò)學(xué)習(xí)效果.由于本研究目前的樣本數(shù)較少，因此下一步的重點(diǎn)是將網(wǎng)絡(luò)學(xué)習(xí)行為模型應(yīng)用到更大規(guī)模的在線課程學(xué)習(xí)體系中.