论文部分内容阅读
摘要：随着互联网的普及，信息传播打破了时间和空间的限制，其中以互联网为依托的在线学习发展迅猛。经发现传统线下教学模式在向混合式教学模式转换过程中，学生在线学习的主动性和积极性不高，有待进一步激发，所以满足学生个性化、差异化的需求，提高学生在线学习的积极性和增强用户黏性就显得尤为重要。本文以学习通平台为例，使用K-means算法对在线学习的学生产生的学习行为数据进行聚类分析。实验结果表明，在线学习教育平台可以面向不同类型学习者，提供科学、个性化、合理有效的教学方案。
关键词：用户行为;在线学习;聚类分析
引言
在线学习平台结合线下课堂教学已经成为各大高校的一种新兴教学模式，在线学习平台可以记录学生在学习过程中产生的学习行为数据，全面记录学习过程，形成比较集中的在线学习数据，采用聚类方法对在线学习数据进行分析，让不同类型的学习者都能获得有效的在线学习体验。
本文以学习通平台上我校软件工程专业的两门专业课程为例，导出2021-3 -1到2021-6-30完整的后台数据，使用K-means算法对学习者在学习过程中的4项学习行为数据进行聚类分析，这4项学习数据分别是任务点完成百分比、作业得分、章节学习次数、考试成绩，把参加在线学习的学生分为五种类型的学习者，这五种类型分别对应着考核效果，主要是考察学生在线学习行为对混合教学模式的效果影响，可以为学生提供个性化指导以及教学干预。
1 线上学习平台的应用概况
1.1 线上学习发展及研究
在我国，早在上世纪90年代互联网刚兴起的时候，在线教育就已经开始发展了。它打破了线下传统教育模式受时间和空间的限制，逐渐成为互联网创业的热门领域。现如今，网络教育平台也成为各大高校学生课内课外学习的方式，在线教育，顾名思义，就是利用信息技术进行教与学的一项活动，互联网的发展带动了在线教育的发展，计算机和互联网发展的程度，决定了在线教育的成熟度。与传统教育机构的教育方式相比，在线教育具有效率高、方便、低门槛、教学资源丰富的特点。4G网络的高速发展和智能手机的普及，使APP也成为了学习神器强力工具，更是成为各大在线教育公司的必争之地。基于上述特点，再加上互联网的推动，在线教育平台兴起，规模逐渐扩张，并获得了资本市场的青睐。
1.2 高校应用概况
自从去年疫情之时，各高等院校积极响应教育部“停课不停学”，利用各平台积极开展线上教学[1]。在线教育平台作为一种新兴的教学模式，凭借其优质的课程资源、开放的教学方式、广泛的课程受众面和课程参与的高度自主性等特点，自2011年诞生以来在全球范围内迅速发展，为各大高校教育提供支持，为现代教育提供了广阔的发展前景[2]。
1.3 平台介绍
学习通是基于移动互联网的新一代教学系统和知识传播与管理分享的平台。它利用超星20余年来积累的海量的图书、期刊、报纸、视频、原创等资源，集知识管理、课程学习、专题创作，办公应用为一体，为用户提供一站式学习与工作环境，在各大高校群体中普遍使用。在名校名师方面，超星遥遥领先。在2008年，超星已经拍摄近320位知名专家教授、学术权威，完成了4000集名校课程、讲座。超星的视频课程，学术性强、体系完整，基本能够代表我国高校的课堂水平。
在线学习过程中会产生大量的学习行为数据，比如观看视频时长、任务点完成百分比、作业得分、章节学习次数等等。通过对这些学习行为数据的统计、分析，可以了解学生的学习特点、学习习惯等特性，跟踪学习进程、适时引导干预，让在线教育更加个性化、智能化、科学化。
2 K-means聚类算法介绍
K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大，具有相似特征的样本聚为一类[3]。
传统K-Means算法流程：
step1：选定要聚类的类别数目k，选择k个中心点。
step2：针对每个样本点，找到距离其最近的中心点（寻找组织），距离同一中心点最近的点为一个类，这样完成了一次聚类。
step3：判断聚类前后的样本点的类别情况是否相同，如果相同，则算法终止，否则进入step4。
step4：针对每个类别中的样本点，计算这些样本点的中心点，当做该类的新的中心点，继续step2。
3 基于K-means聚类分析算法的学习行为数据聚类分析
3.1 数据选择
数据来自超星网络教学平台。由系统导出任务点完成百分比、作业得分、章节学习次数、考试成绩这些数据表。在导出学习行为数据过程中，除了保留了4项学习行为数据，还保留了学生的学号和姓名数据，便于后期对学生进行分类后了解学生信息。
我们选取两门课程，《操作系统原理》是一门专业基础课程，另一门《软件体系结构与设计》是一门专业必修课。课程教学采用线上线下混合式教学，按照过程性教学考核，记录教学过程中每个环节学生学习状态数据。
通过对数据进行整理，我们筛选出254条记录，每条记录包括课程ID、课程名称、学生学号、学生姓名、专业、班级6项基本信息，同时包括4项学习行为数据。
3.2 数据分析
针对本文选取的数据集，對本科生学习行为信息进行了一系列的指标统计分析，研究该群体的学习习惯、兴趣点和学习者类型的分布情况，分析学习者学习信息和学习效果的相关性，从多个层面和角度展示基于学习通平台的线上线下混合式教学模式下学习者的学习状况。
对两门课程进行章节学习次数的统计和比较，如图1、图2所示。图1是《操作系统原理》课程在5月份学习次数统计，图2是《软件体系结构与设计》课程在5月份的学习次数统计。从两张图可以看出学生学习时间一般是在上课前后，假期进行学习的人数较少，而且学生习惯于集中安排学习。图3、图4显示的是两门课程在同一天中学生学习的时间段，其中《操作系统课程》主要集中于上午时间，《软件体系结构与设计》课程主要集中于下午时间，这是由于课程安排的原因。从四张图可以分析出，线上课程进度与线下课程一般相一致，学生会在线下课程开设的同时进行线上课程的同步学习。 3.3 K-Means聚类分析
对学生的学习时间进行分析可以发现线上教学对线下教学的补充和完善，同時提高学生学习自主性。使用聚类算法对学生学习行为特征进行分析，可以更好的根据不同学生群体特点推荐个性化教学方案，这也是近年来混合教学模式一直关注的热点问题。本文选择了学生的任务点完成百分比、作业得分、章节学习次数、考试成绩这四项数据，针对操作系统原理和软件体系结构与设计两门课程的选课学生的学习行为分别进行了K-Means聚类分析。对于K值的选取根据学生学习效果评价的五个等级，把K取值为5。两门课程聚类结果有所不同，如表1所示。
4 结论
本文聚焦于我校软件工程专业学习通平台学习者群体的用户特征及学习行为，通过聚类分析，展现该群体学生的在线学习状况，从而向学习者提供适合个人的个性化学习方案，提高在线学习效率。表1显示了学生学习效果的聚类，通过对数据的分析，线上线下混合式教学更适合过程性考核，专业课程过程性考核对有助于学生学习效果的评价。线上教学是对线下教学更全面的补充，学生考核成绩与线上学习紧密不可分，对任务点、作业等模块完成较好的同学考试成绩相对好一些。当然也有个别学生线上学习完成较少，但是考试成绩处于良好层次，主要原因是在于这些学生的学习态度和学习习惯属于被动型。这部分学生如果遇到不很擅长的知识内容学习起来会比较吃力，所以需要增加平时的督促。
参考文献
[1]王文晶，闫俊伢.基于大数据的在线学习行为分析与干预研究[J].陕西电子技术，2020，（6）：69-71.
[2]孙琳，张巧荣，郑娅峰.基于edX开放数据的学习者在线学习行为分析[J].软件导刊，2020，19（12）：190-194.
[3]周树功.基于K-means聚类分析算法的大学生在线学习行为分析[J].信息与电脑（理论版），2020，32（16）：220-222.
[4]谢维奇，何健.网络教学平台学习行为分析及应用[J].福建电脑，2021.4，37（4）：33-37
课题编号：2020年河南省高等学校重点科研项目计划“非线性优化的用户行为建模在大数据科学中的应用研究”（20B520038）郑州航空工业管理学院;2021河南省大学生创新创业训练计划项目“基于知识图谱的慢性病患者病情管理系统的应用研究”（S202110485048）郑州航空工业管理学院;
通讯作者：赵妍（1979.02-），女，汉族，辽宁鞍山人，硕士，副教授，研究方向：数据挖掘、大数据分析。
关键词：用户行为;在线学习;聚类分析
引言
在线学习平台结合线下课堂教学已经成为各大高校的一种新兴教学模式，在线学习平台可以记录学生在学习过程中产生的学习行为数据，全面记录学习过程，形成比较集中的在线学习数据，采用聚类方法对在线学习数据进行分析，让不同类型的学习者都能获得有效的在线学习体验。
本文以学习通平台上我校软件工程专业的两门专业课程为例，导出2021-3 -1到2021-6-30完整的后台数据，使用K-means算法对学习者在学习过程中的4项学习行为数据进行聚类分析，这4项学习数据分别是任务点完成百分比、作业得分、章节学习次数、考试成绩，把参加在线学习的学生分为五种类型的学习者，这五种类型分别对应着考核效果，主要是考察学生在线学习行为对混合教学模式的效果影响，可以为学生提供个性化指导以及教学干预。
1 线上学习平台的应用概况
1.1 线上学习发展及研究
在我国，早在上世纪90年代互联网刚兴起的时候，在线教育就已经开始发展了。它打破了线下传统教育模式受时间和空间的限制，逐渐成为互联网创业的热门领域。现如今，网络教育平台也成为各大高校学生课内课外学习的方式，在线教育，顾名思义，就是利用信息技术进行教与学的一项活动，互联网的发展带动了在线教育的发展，计算机和互联网发展的程度，决定了在线教育的成熟度。与传统教育机构的教育方式相比，在线教育具有效率高、方便、低门槛、教学资源丰富的特点。4G网络的高速发展和智能手机的普及，使APP也成为了学习神器强力工具，更是成为各大在线教育公司的必争之地。基于上述特点，再加上互联网的推动，在线教育平台兴起，规模逐渐扩张，并获得了资本市场的青睐。
1.2 高校应用概况
自从去年疫情之时，各高等院校积极响应教育部“停课不停学”，利用各平台积极开展线上教学[1]。在线教育平台作为一种新兴的教学模式，凭借其优质的课程资源、开放的教学方式、广泛的课程受众面和课程参与的高度自主性等特点，自2011年诞生以来在全球范围内迅速发展，为各大高校教育提供支持，为现代教育提供了广阔的发展前景[2]。
1.3 平台介绍
学习通是基于移动互联网的新一代教学系统和知识传播与管理分享的平台。它利用超星20余年来积累的海量的图书、期刊、报纸、视频、原创等资源，集知识管理、课程学习、专题创作，办公应用为一体，为用户提供一站式学习与工作环境，在各大高校群体中普遍使用。在名校名师方面，超星遥遥领先。在2008年，超星已经拍摄近320位知名专家教授、学术权威，完成了4000集名校课程、讲座。超星的视频课程，学术性强、体系完整，基本能够代表我国高校的课堂水平。
在线学习过程中会产生大量的学习行为数据，比如观看视频时长、任务点完成百分比、作业得分、章节学习次数等等。通过对这些学习行为数据的统计、分析，可以了解学生的学习特点、学习习惯等特性，跟踪学习进程、适时引导干预，让在线教育更加个性化、智能化、科学化。
2 K-means聚类算法介绍
K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大，具有相似特征的样本聚为一类[3]。
传统K-Means算法流程：
step1：选定要聚类的类别数目k，选择k个中心点。
step2：针对每个样本点，找到距离其最近的中心点（寻找组织），距离同一中心点最近的点为一个类，这样完成了一次聚类。
step3：判断聚类前后的样本点的类别情况是否相同，如果相同，则算法终止，否则进入step4。
step4：针对每个类别中的样本点，计算这些样本点的中心点，当做该类的新的中心点，继续step2。
3 基于K-means聚类分析算法的学习行为数据聚类分析
3.1 数据选择
数据来自超星网络教学平台。由系统导出任务点完成百分比、作业得分、章节学习次数、考试成绩这些数据表。在导出学习行为数据过程中，除了保留了4项学习行为数据，还保留了学生的学号和姓名数据，便于后期对学生进行分类后了解学生信息。
我们选取两门课程，《操作系统原理》是一门专业基础课程，另一门《软件体系结构与设计》是一门专业必修课。课程教学采用线上线下混合式教学，按照过程性教学考核，记录教学过程中每个环节学生学习状态数据。
通过对数据进行整理，我们筛选出254条记录，每条记录包括课程ID、课程名称、学生学号、学生姓名、专业、班级6项基本信息，同时包括4项学习行为数据。
3.2 数据分析
针对本文选取的数据集，對本科生学习行为信息进行了一系列的指标统计分析，研究该群体的学习习惯、兴趣点和学习者类型的分布情况，分析学习者学习信息和学习效果的相关性，从多个层面和角度展示基于学习通平台的线上线下混合式教学模式下学习者的学习状况。
对两门课程进行章节学习次数的统计和比较，如图1、图2所示。图1是《操作系统原理》课程在5月份学习次数统计，图2是《软件体系结构与设计》课程在5月份的学习次数统计。从两张图可以看出学生学习时间一般是在上课前后，假期进行学习的人数较少，而且学生习惯于集中安排学习。图3、图4显示的是两门课程在同一天中学生学习的时间段，其中《操作系统课程》主要集中于上午时间，《软件体系结构与设计》课程主要集中于下午时间，这是由于课程安排的原因。从四张图可以分析出，线上课程进度与线下课程一般相一致，学生会在线下课程开设的同时进行线上课程的同步学习。 3.3 K-Means聚类分析
对学生的学习时间进行分析可以发现线上教学对线下教学的补充和完善，同時提高学生学习自主性。使用聚类算法对学生学习行为特征进行分析，可以更好的根据不同学生群体特点推荐个性化教学方案，这也是近年来混合教学模式一直关注的热点问题。本文选择了学生的任务点完成百分比、作业得分、章节学习次数、考试成绩这四项数据，针对操作系统原理和软件体系结构与设计两门课程的选课学生的学习行为分别进行了K-Means聚类分析。对于K值的选取根据学生学习效果评价的五个等级，把K取值为5。两门课程聚类结果有所不同，如表1所示。
4 结论
本文聚焦于我校软件工程专业学习通平台学习者群体的用户特征及学习行为，通过聚类分析，展现该群体学生的在线学习状况，从而向学习者提供适合个人的个性化学习方案，提高在线学习效率。表1显示了学生学习效果的聚类，通过对数据的分析，线上线下混合式教学更适合过程性考核，专业课程过程性考核对有助于学生学习效果的评价。线上教学是对线下教学更全面的补充，学生考核成绩与线上学习紧密不可分，对任务点、作业等模块完成较好的同学考试成绩相对好一些。当然也有个别学生线上学习完成较少，但是考试成绩处于良好层次，主要原因是在于这些学生的学习态度和学习习惯属于被动型。这部分学生如果遇到不很擅长的知识内容学习起来会比较吃力，所以需要增加平时的督促。
参考文献
[1]王文晶，闫俊伢.基于大数据的在线学习行为分析与干预研究[J].陕西电子技术，2020，（6）：69-71.
[2]孙琳，张巧荣，郑娅峰.基于edX开放数据的学习者在线学习行为分析[J].软件导刊，2020，19（12）：190-194.
[3]周树功.基于K-means聚类分析算法的大学生在线学习行为分析[J].信息与电脑（理论版），2020，32（16）：220-222.
[4]谢维奇，何健.网络教学平台学习行为分析及应用[J].福建电脑，2021.4，37（4）：33-37
课题编号：2020年河南省高等学校重点科研项目计划“非线性优化的用户行为建模在大数据科学中的应用研究”（20B520038）郑州航空工业管理学院;2021河南省大学生创新创业训练计划项目“基于知识图谱的慢性病患者病情管理系统的应用研究”（S202110485048）郑州航空工业管理学院;
通讯作者：赵妍（1979.02-），女，汉族，辽宁鞍山人，硕士，副教授，研究方向：数据挖掘、大数据分析。