论文部分内容阅读
摘要：基于大数据的高职院校教育在落实高质量教育资源全面共享与培育出具备国际竞争能力的创新高素养人才方面独具十分重要的意义。为充分掌握高职学生的学习行为，采用大数据进行分析显得尤为必要.本文首先对大数据技术与学习行为分析的相关内涵进行了简单的介绍，进而阐述了基于大数据的高职学生学习行为分析的价值，以及高职学生学习行为分析的框架，最后探析了在线学习行为数据聚类和分析结果的使用，以期助力于大數据之下高职教育工作的加强。
关键字：大数据;高职学生;学习行为
随着网络技术的迅猛发展，新一代信息技术的运用不仅给人们的生活提供了便利，还为教育事业的发展提供了强大的助力。网络教学资源越来越丰富、全面、生动，慕课、云课堂等网络学习平台激发了学生对更多新知识的渴望。基于大数据的高职学生学习行为模型建立，能够探究出一个时期内高职学生学习行为的共同特性和个体特性。高职学生开展自主学习主要是按照“自我兴趣”与“课程实用性”而进行的，很大程度提高了学生学习的自主能动性，在线学习具有时间灵活、内容丰富、可重复等特点，能够有效的吸引学生的学习兴趣。基于大数据的高职学生学习行为的分析具有强大的促进性和辅助性意义，同时，大数据分析结果能够为高职学生学术能力和学习成绩的提升提供重要的依据。
1.大数据技术简介
信息技术的全面普及、互联网行业的突飞猛进使人们日常生活的方方面面产生了数量庞大、类型繁多的数据，这些数据十分的纷繁与巨大，这就迫切需要有一项技术能够从这些数据中挑选出其中具有价值的部分并进行有效管理，大数据技术应运而生。对于大数据的含义多种多样，权威性较高的是麦肯锡咨询公司所提供的，其指出：所谓大数据，是指在大小超出常规的数据库工具获取、存储、管理和分析能力的数据集。大数据的特征主要包括四个方面：数据规模庞大、数据流转速度快、数据类型种类多、价值密度低。目前，一项十分珍贵的信息资产就是大数据，其发展具有快速性与全球性，各个行业都开始十分关注大数据。通过对大数据的分析和高效的管理，对其价值的提取，可以为行业带来高品质的服务，所体现出的经济价值和社会价值十分重大。信息化作用下，高校收集了许多有关于学生的数据，所形成的数据资源十分巨大。显而易见，高职院校大数据技术的运用，对教育教学管理等所有方面的信息进行整合，必然对高职院校的建设意义重大。
2.学习行为分析内涵的理论与界定
2.1学习行为的内涵
首先，学习行为是通过阅读、模仿、联想、问答、评判等一系列过程获取知识与技能的行为;其次，学习行为是通过学习习惯养成主动自我反思、感性认知与理性判断的综合、全面的学习活动;再次，学习态度、学习方法、学习过程与学习成效是评价学习行为的四要素。总之，学习行为属于一种方法、一种能力、一种行为举止。
2.2学习行为分析的含义界定
教师传道受业解惑的过程是学生保持持续学习行为的关键行为源，反之，教师的授课行为应以学生的学习行为为出发点。截至目前为止，西蒙斯所提出的学习行为分析的含义最具影响力，其指出学习行为分析是运用智能数据、学习者产生的数据及分析模型，来发现信息与社会的联系并预测和建议学习的技术。学习分析的基本单位是学习行为，通常以行为科学和行为系统作为出发点来研究学习行为。利用信息化技术对学生学习过程的行为数据进行收集，通过数据分析模型分析与处理所收集来的数据，找出教师授课中与学生学习中存在的不足之处，为进一步完善教育教学提供了相应的依据。
随着信息技术的普及，产生了各式各样的电子设备，多项学习软件也应运而生，为学生的学习提供了很大的便利，学习不再是传统的课堂教学模式和纸质文字形式，正因如此，扩大了学习行为分析的内容范围。学生的学习途径除了课堂之外，还能利用在线网络、客户端等开展学习。学生学习行为分析的内容可分为线下数据和线上数据两方面，首先，传统课程教学过程中所收集的学生学习行为数据就是线下数据，比如课上发言、课后作业完成情况、测试成绩等，线下数据的收集是通过教师人工记录和评价而实现的;其次，学生在线学习所展现出的全部数据就是线上数据，如在线学习时间、资源下载数量等，线上数据的收集是通过计算机智能追踪取得并评价而实现的。此外，根据学生在线学习行为数据分析结果，并且运用人工智能技术，有针对性的为每一个学生推送与之相匹配的学习内容，实现了学习与教学的个性化发展。通过收集、分析和处理线上线下所得的数据，不仅可以全面反映学生学习的情况，还有助于完善教师的授课与评价，使教育水平得到进一步的提升。
3.基于大数据的高职学生学习行为分析的价值
3.1广泛的数据信息量
大数据在决策力与洞察力方面具有明显的优势，并具有优化流程的作用。大数据的特点在于其具备庞大的数据量和信息量、高速的数据流转速度、丰富的数据类型，而不足之处就在于相对较低的数据价值密度。信息数据的全部特征与高职教育的大数据特征十分相符，并且在教务管理方面与这些数据关联性较大，教育部与校管理部对于这些数据能够科学合理的运用就能将高职学生各方面的信息进行统筹管理，依据这些信息就能够更加及时且全面的掌握学生的情况。
3.2动态化的数据
与传统高职学校管理方式不同，动态化特点是高职教育大数据的一个显著特征。通常高职教师对学生学习行为的对比分析是运用静态记录的方法，例如：课后作业完成情况、测试成绩等。然而，在该管理模式下对学生的追踪缺乏全面性，学校也就无法实现真正掌握学生的学习近况。基于大数据技术之下所呈现出学生的信息是动态化的，学校能够依据自身的需求随时追踪与掌握学生的学习行为，以便于教学方案的制定更加科学合理，并实现学生学习效率的提升。每个学生的特点都存在差异性，这种管理模式的优势就在于对于不同学生的不同状况都能够做到及时的把握。其次，对于学生在当下学习上所存在的问题能够实时掌握，有助于教师与教育管理人员及时的调整教学方案，保证教学计划的设置更具合理性。 3.3多样化的数据信息
大数据与传统数据相比一个重要的特点就是信息的多样性，传统教育工作的开展在技术和理念上存在一定的束缚，虽对数据进行了收集，但收集来的数据通常目的性明确，无法全面的展现出个体学生的学习行为状况，并且，获得的结构化数据利用价值较低。虽然大数据也存在数据价值密度低的缺陷，但多样化的数据类型更加全面的展现了的学生学习情况。对于当前获取的教育大数据进行有效的利用和分析，能更有效挖掘具有价值的数据，确保了多样化和全面化地掌握学生展现的学习行为特点。
3.4价值分析
大数据的特征包含数量大、类型多、价值密度低，若对大数据的组织缺乏有效性，大数据的价值则难以被充分的发掘出来，所以，大数据价值的体现，一种是对数据本身所拥有价值的了解与掌握，另一种就是把大数据之中的价值运用科学技术进行提取，学生学习行为数据的显著特征是分散性与片段性，因此，为保障大数据之中有价值部分的真正发掘，就必须做到数据收集的实用性与价值提取的科学性。
3.5真实性分析
教育的数据包含了较强的不确定性，由于技术方面的限制，无法对学生全部学习行为开展数据的收集，这就导致一部分数据存在失真的现象，有可能出现数据太过于片面，也有可能有的学校为了自身利益存在数据修改的行为，这在一定程度上制约了学生学习质量的提高，为此，必须要对不同数据之间的联系进行掌握，以确保数据的真实性。
4.高职学生学习行为分析的框架
4.1高职学生学习行为数据源
目前，大多数高职学生学习成果的提升通常是由自主学习而实现的，互联网教学、云学习模式等各种各样的学习形式层出不穷，让学生可以随时随地地开展学习，因此，高职学生都开始运用网络进行学习。随着科学技术与移动网络的广泛应用，只要拥有手机或者电脑，学生就能从中获取良好的学习效果，这就是网络教学成为当下教育热点的关键所在。学生开展网络学习的数据就是获取学生学习行为数据的来源，通过对学生学习时所产生的所有数据的采集，其中包含了每一个知识点所应用的时间、掌握的速度、错题点等可以进行初步判断学生在所学知识上的掌握程度，同时，通过对学生。整个学习过程所产生的所有数据的记录，就可以对其学习行为进行深层次的分析，创建合理的模型对学生的学习情况进行了解，从而确保学习策略的制定科学有效。在线学习平台是记录在线学习大数据的关键载体，在线学习大数据的特点主要表现为：巨大的学习数据量、多类型的学习数据量，高职院校需从简单且原始的数据当中将具备学习过程属性的数据发掘出来，还要将其中含有引导作用与过程属性的数据抽取出来，从而实现对学生学习行为的分析。
4.2学生学习行为的数据模型
按照学生学习情况的差异性，可将学生分为三个等级：低级、中级、高级。首先，学生只是通过运用在线学习平台进行了一系列的简单操作，例如：观看视频、收听音频、下载文档等，这些都是低级的表现。这部分学生知识简单的运用网络学习平台，并且在他们的学习与工作中也不会将网络学习平台的功能与资源作为主导地位，其目的只是单纯获取网络学习平台的信息。其次，中级的学生是运用网络学习平台实现一些互动，如：获取本分问题的解决方案、实现与学者间的相互交流等。中级类型的学生在一定程度上较多的运用了网络信息平台，开展的多数学习活动都与网络学习平台相关，与低级类型的学生相比较，中级这部分学生对于学习平台交互功能的运用较充分与全面。最后，高级类型的学生在网络平台上的各种功能都有所运用，还能基于自身知识水平基础上给予一些问题的综合性答复，更有甚者发布了自撰的作品等。高级类型的学生把网络学习平台视为自我进行学习活动的主体部分，这也是该类型学生的主要特点所在，其通过网络平台实现与他人的协作，运用网络提升研究的深度，把自己获取的学习成就展示于网络平台之上，同时，对于学习的总结也是通过网络学习平台而实现的。
4.3学生学习数据的获取方式
在线学习过程中产生的数据十分庞大，不仅要了解用户保存于数据库内的基础数据，还应与服务端和客户端采集的所有学习过程数据相结合，如此一来，才能对不同的学生个体拥有精准的了解。一方面，以客户端数据为获取方式的，对于客户端学生数据开展的获取，可运用Javascript脚本语言，或者是application专业针对网页。除外，还能通过浏览器插件办法记录学生开展学习的过程，将学生产生的行为数据更精确的记录下来。另一方面，以服务器端为获取方式的，在服务器正常运行时同步开展数据获取工作，这就是服务器端的数据获取方式。学生一旦登陆上之后，学生做出的所有操作都会被Web服务区记录下来，其中包含了学生的登陆地点、开始登陆的时间点、整个的登录学习时间等，其还会对学生在论坛上的交流状况进行记录，乃至于十分复杂的数据（学生所学科目类数据），实现对学生的全方位掌握。
5.在线学习行为数据聚类探析
每一个学生都拥有自身独具的天资，因此所擅长的科目也就不尽相同，导致学生与学生的学习动机和学习欲望存在一定的差异性，为对学生学习行为的更好把握，就要根据学生行为类型的不同进行分类。学习过程行为的每项指标可以通过RFL分析法完成构建，进而依据学生的学习行为数据的差异进行聚类，通常高职学生学习行为主要分为：持续学习型、积极学习型、独立学习型、间断学习型、惰性学习型、观望学习型这六中学习型。一，持续学习型的学生在线学习时间十分长，且学习频率非常高，基本属于完全依赖学习平台的程度，在平台上拥有的影响力也较大;二，与持续学习型学生一樣，积极学习型对平台粘性也很高，学习频率也十分高，很长的时间都是在使用学习平台中度过的，但不同的是，偶尔会有一段时登录平台的时长较短;三，独立学习型的学生利用平台学习的时长较长，但缺乏对学习平台上社交功能的使用，与平台上其他同学间的互动很少，对课程的忠诚度不高;四，间断学习型学生运用在线平台进行学习的时长较短，使用频率可能较高，对课程的忠诚度也不够高;五，惰性学习型学生在学习平台上的单次学习时长较长，但时长的跨度较大，可能一次学习很久，第一次与第二次学习的间隔时间也很长，但相对忠诚于在线学习平台的课程;六，观望学习型学生通常以观望的态度面对在线学习平台，这类学生很少使用学习平台，且每次学习的时间也不会很长，对课程的忠诚度不足。 6.分析结果的使用
6.1推广个性化的课程
分析学生的学习行为和学习过程能够对学生的学习情况进行全面的掌握，以便于按照学生的个性化发展为学生推荐课程，应按照学生的需求不同和个性发展的差异性有针对性的推广更为适合的课程，可以吸引学生在学习平台上开展学习的时间更长，这样既可以让学生的学习积极性增强，也就能越精准地获取到信息，获得的数据随之更加良好。通过以持续收集学生学习动机与需求为依据，在线学习平台才能更好的为每一位学生提供针对性强和个性化高的课程，使平台功能更加完善与实用。
6.2可视化的利用分析结果
探析学生的学习行为，为学生提供科学合理的学习策略和为教师提供优化学习计划的依据是其主要目的所在。所以，对结果的分析应采用科学的方式，以便于高职教师与学生对情况的深入了解。在此基础上，应加强可视化技术的应用，通过条形图、元饼图或折线图的形式将数据分析所得结果呈现给学生，还应让学生与教师采用英东店开展操作，加深学习状况的掌握程度，更加深入的认识到自身的学习情况。教师可以依托经过分析所获得的结果为学生策划出与之相匹配的学习途径。站在学生的立场，客户端的互动功能可适当提升，加强学生对于自我学习状况的反馈。作为高职教师，应取得实时调取数据与分析结果的权限，运用平台的互动功能，多与学生进行学术知识的交流与沟通，特别是存在问题的学生更应积极帮助其恢复学习状态。
随着大数据时代的到来，人们越来越重视于教育领域中的应用价值，高职院校亦是如此，应致力于推动大数据在高职教育领域的应用，从而实现大数据与教育教学的高度融合。基于大数据的高职学生学习行为及效果的研究，有助于全面掌握学生的学习状况，针对学生的差异性，提升学生学习的自主能动性，实现培养全面型的高职人才。
参考文献
[1]陈文轩.基于大数据的高职学生学习行为模式构建[J].教育现代化， 2018，5（5）：254-255，258.
[2]任清元.基于大数据的高职学生学习行为模式构建[J].电脑迷，2018 （35）：233.
[3]谢淑敏.基于大数据的高职学生學习行为及效果分析[J].电脑与电信，2018（9）：6-9.
[4]王兰.基于云教学和大数据的高职学生学习行为研究[J].无线互联科技，2019，16（16）：95-96.
[5]刘永超.基于大数据视野下的高职学生在线学习行为国内外研究现状以及意义[J].新课程研究（中旬-单），2017（4）：117-118.
[6]韩小燕，曹培培.基于大数据学习分析的高职学生学习干预模型研究[J].邢台职业技术学院学报，2021，38（1）：29-31，42.
[7]林勤，陈长辉，贾志伟.基于大数据建模的高职院校学生行为画像分析应用探索[J].现代信息科技，2021，5（5）：19-22，25.
作者简介：
邱有春，1981-，泸州职业技术学院，研究领域：企业信息化、大数据技术应用。
项目名称：大数据下高职学生学习行为分析研究项目编号：K-2040
关键字：大数据;高职学生;学习行为
随着网络技术的迅猛发展，新一代信息技术的运用不仅给人们的生活提供了便利，还为教育事业的发展提供了强大的助力。网络教学资源越来越丰富、全面、生动，慕课、云课堂等网络学习平台激发了学生对更多新知识的渴望。基于大数据的高职学生学习行为模型建立，能够探究出一个时期内高职学生学习行为的共同特性和个体特性。高职学生开展自主学习主要是按照“自我兴趣”与“课程实用性”而进行的，很大程度提高了学生学习的自主能动性，在线学习具有时间灵活、内容丰富、可重复等特点，能够有效的吸引学生的学习兴趣。基于大数据的高职学生学习行为的分析具有强大的促进性和辅助性意义，同时，大数据分析结果能够为高职学生学术能力和学习成绩的提升提供重要的依据。
1.大数据技术简介
信息技术的全面普及、互联网行业的突飞猛进使人们日常生活的方方面面产生了数量庞大、类型繁多的数据，这些数据十分的纷繁与巨大，这就迫切需要有一项技术能够从这些数据中挑选出其中具有价值的部分并进行有效管理，大数据技术应运而生。对于大数据的含义多种多样，权威性较高的是麦肯锡咨询公司所提供的，其指出：所谓大数据，是指在大小超出常规的数据库工具获取、存储、管理和分析能力的数据集。大数据的特征主要包括四个方面：数据规模庞大、数据流转速度快、数据类型种类多、价值密度低。目前，一项十分珍贵的信息资产就是大数据，其发展具有快速性与全球性，各个行业都开始十分关注大数据。通过对大数据的分析和高效的管理，对其价值的提取，可以为行业带来高品质的服务，所体现出的经济价值和社会价值十分重大。信息化作用下，高校收集了许多有关于学生的数据，所形成的数据资源十分巨大。显而易见，高职院校大数据技术的运用，对教育教学管理等所有方面的信息进行整合，必然对高职院校的建设意义重大。
2.学习行为分析内涵的理论与界定
2.1学习行为的内涵
首先，学习行为是通过阅读、模仿、联想、问答、评判等一系列过程获取知识与技能的行为;其次，学习行为是通过学习习惯养成主动自我反思、感性认知与理性判断的综合、全面的学习活动;再次，学习态度、学习方法、学习过程与学习成效是评价学习行为的四要素。总之，学习行为属于一种方法、一种能力、一种行为举止。
2.2学习行为分析的含义界定
教师传道受业解惑的过程是学生保持持续学习行为的关键行为源，反之，教师的授课行为应以学生的学习行为为出发点。截至目前为止，西蒙斯所提出的学习行为分析的含义最具影响力，其指出学习行为分析是运用智能数据、学习者产生的数据及分析模型，来发现信息与社会的联系并预测和建议学习的技术。学习分析的基本单位是学习行为，通常以行为科学和行为系统作为出发点来研究学习行为。利用信息化技术对学生学习过程的行为数据进行收集，通过数据分析模型分析与处理所收集来的数据，找出教师授课中与学生学习中存在的不足之处，为进一步完善教育教学提供了相应的依据。
随着信息技术的普及，产生了各式各样的电子设备，多项学习软件也应运而生，为学生的学习提供了很大的便利，学习不再是传统的课堂教学模式和纸质文字形式，正因如此，扩大了学习行为分析的内容范围。学生的学习途径除了课堂之外，还能利用在线网络、客户端等开展学习。学生学习行为分析的内容可分为线下数据和线上数据两方面，首先，传统课程教学过程中所收集的学生学习行为数据就是线下数据，比如课上发言、课后作业完成情况、测试成绩等，线下数据的收集是通过教师人工记录和评价而实现的;其次，学生在线学习所展现出的全部数据就是线上数据，如在线学习时间、资源下载数量等，线上数据的收集是通过计算机智能追踪取得并评价而实现的。此外，根据学生在线学习行为数据分析结果，并且运用人工智能技术，有针对性的为每一个学生推送与之相匹配的学习内容，实现了学习与教学的个性化发展。通过收集、分析和处理线上线下所得的数据，不仅可以全面反映学生学习的情况，还有助于完善教师的授课与评价，使教育水平得到进一步的提升。
3.基于大数据的高职学生学习行为分析的价值
3.1广泛的数据信息量
大数据在决策力与洞察力方面具有明显的优势，并具有优化流程的作用。大数据的特点在于其具备庞大的数据量和信息量、高速的数据流转速度、丰富的数据类型，而不足之处就在于相对较低的数据价值密度。信息数据的全部特征与高职教育的大数据特征十分相符，并且在教务管理方面与这些数据关联性较大，教育部与校管理部对于这些数据能够科学合理的运用就能将高职学生各方面的信息进行统筹管理，依据这些信息就能够更加及时且全面的掌握学生的情况。
3.2动态化的数据
与传统高职学校管理方式不同，动态化特点是高职教育大数据的一个显著特征。通常高职教师对学生学习行为的对比分析是运用静态记录的方法，例如：课后作业完成情况、测试成绩等。然而，在该管理模式下对学生的追踪缺乏全面性，学校也就无法实现真正掌握学生的学习近况。基于大数据技术之下所呈现出学生的信息是动态化的，学校能够依据自身的需求随时追踪与掌握学生的学习行为，以便于教学方案的制定更加科学合理，并实现学生学习效率的提升。每个学生的特点都存在差异性，这种管理模式的优势就在于对于不同学生的不同状况都能够做到及时的把握。其次，对于学生在当下学习上所存在的问题能够实时掌握，有助于教师与教育管理人员及时的调整教学方案，保证教学计划的设置更具合理性。 3.3多样化的数据信息
大数据与传统数据相比一个重要的特点就是信息的多样性，传统教育工作的开展在技术和理念上存在一定的束缚，虽对数据进行了收集，但收集来的数据通常目的性明确，无法全面的展现出个体学生的学习行为状况，并且，获得的结构化数据利用价值较低。虽然大数据也存在数据价值密度低的缺陷，但多样化的数据类型更加全面的展现了的学生学习情况。对于当前获取的教育大数据进行有效的利用和分析，能更有效挖掘具有价值的数据，确保了多样化和全面化地掌握学生展现的学习行为特点。
3.4价值分析
大数据的特征包含数量大、类型多、价值密度低，若对大数据的组织缺乏有效性，大数据的价值则难以被充分的发掘出来，所以，大数据价值的体现，一种是对数据本身所拥有价值的了解与掌握，另一种就是把大数据之中的价值运用科学技术进行提取，学生学习行为数据的显著特征是分散性与片段性，因此，为保障大数据之中有价值部分的真正发掘，就必须做到数据收集的实用性与价值提取的科学性。
3.5真实性分析
教育的数据包含了较强的不确定性，由于技术方面的限制，无法对学生全部学习行为开展数据的收集，这就导致一部分数据存在失真的现象，有可能出现数据太过于片面，也有可能有的学校为了自身利益存在数据修改的行为，这在一定程度上制约了学生学习质量的提高，为此，必须要对不同数据之间的联系进行掌握，以确保数据的真实性。
4.高职学生学习行为分析的框架
4.1高职学生学习行为数据源
目前，大多数高职学生学习成果的提升通常是由自主学习而实现的，互联网教学、云学习模式等各种各样的学习形式层出不穷，让学生可以随时随地地开展学习，因此，高职学生都开始运用网络进行学习。随着科学技术与移动网络的广泛应用，只要拥有手机或者电脑，学生就能从中获取良好的学习效果，这就是网络教学成为当下教育热点的关键所在。学生开展网络学习的数据就是获取学生学习行为数据的来源，通过对学生学习时所产生的所有数据的采集，其中包含了每一个知识点所应用的时间、掌握的速度、错题点等可以进行初步判断学生在所学知识上的掌握程度，同时，通过对学生。整个学习过程所产生的所有数据的记录，就可以对其学习行为进行深层次的分析，创建合理的模型对学生的学习情况进行了解，从而确保学习策略的制定科学有效。在线学习平台是记录在线学习大数据的关键载体，在线学习大数据的特点主要表现为：巨大的学习数据量、多类型的学习数据量，高职院校需从简单且原始的数据当中将具备学习过程属性的数据发掘出来，还要将其中含有引导作用与过程属性的数据抽取出来，从而实现对学生学习行为的分析。
4.2学生学习行为的数据模型
按照学生学习情况的差异性，可将学生分为三个等级：低级、中级、高级。首先，学生只是通过运用在线学习平台进行了一系列的简单操作，例如：观看视频、收听音频、下载文档等，这些都是低级的表现。这部分学生知识简单的运用网络学习平台，并且在他们的学习与工作中也不会将网络学习平台的功能与资源作为主导地位，其目的只是单纯获取网络学习平台的信息。其次，中级的学生是运用网络学习平台实现一些互动，如：获取本分问题的解决方案、实现与学者间的相互交流等。中级类型的学生在一定程度上较多的运用了网络信息平台，开展的多数学习活动都与网络学习平台相关，与低级类型的学生相比较，中级这部分学生对于学习平台交互功能的运用较充分与全面。最后，高级类型的学生在网络平台上的各种功能都有所运用，还能基于自身知识水平基础上给予一些问题的综合性答复，更有甚者发布了自撰的作品等。高级类型的学生把网络学习平台视为自我进行学习活动的主体部分，这也是该类型学生的主要特点所在，其通过网络平台实现与他人的协作，运用网络提升研究的深度，把自己获取的学习成就展示于网络平台之上，同时，对于学习的总结也是通过网络学习平台而实现的。
4.3学生学习数据的获取方式
在线学习过程中产生的数据十分庞大，不仅要了解用户保存于数据库内的基础数据，还应与服务端和客户端采集的所有学习过程数据相结合，如此一来，才能对不同的学生个体拥有精准的了解。一方面，以客户端数据为获取方式的，对于客户端学生数据开展的获取，可运用Javascript脚本语言，或者是application专业针对网页。除外，还能通过浏览器插件办法记录学生开展学习的过程，将学生产生的行为数据更精确的记录下来。另一方面，以服务器端为获取方式的，在服务器正常运行时同步开展数据获取工作，这就是服务器端的数据获取方式。学生一旦登陆上之后，学生做出的所有操作都会被Web服务区记录下来，其中包含了学生的登陆地点、开始登陆的时间点、整个的登录学习时间等，其还会对学生在论坛上的交流状况进行记录，乃至于十分复杂的数据（学生所学科目类数据），实现对学生的全方位掌握。
5.在线学习行为数据聚类探析
每一个学生都拥有自身独具的天资，因此所擅长的科目也就不尽相同，导致学生与学生的学习动机和学习欲望存在一定的差异性，为对学生学习行为的更好把握，就要根据学生行为类型的不同进行分类。学习过程行为的每项指标可以通过RFL分析法完成构建，进而依据学生的学习行为数据的差异进行聚类，通常高职学生学习行为主要分为：持续学习型、积极学习型、独立学习型、间断学习型、惰性学习型、观望学习型这六中学习型。一，持续学习型的学生在线学习时间十分长，且学习频率非常高，基本属于完全依赖学习平台的程度，在平台上拥有的影响力也较大;二，与持续学习型学生一樣，积极学习型对平台粘性也很高，学习频率也十分高，很长的时间都是在使用学习平台中度过的，但不同的是，偶尔会有一段时登录平台的时长较短;三，独立学习型的学生利用平台学习的时长较长，但缺乏对学习平台上社交功能的使用，与平台上其他同学间的互动很少，对课程的忠诚度不高;四，间断学习型学生运用在线平台进行学习的时长较短，使用频率可能较高，对课程的忠诚度也不够高;五，惰性学习型学生在学习平台上的单次学习时长较长，但时长的跨度较大，可能一次学习很久，第一次与第二次学习的间隔时间也很长，但相对忠诚于在线学习平台的课程;六，观望学习型学生通常以观望的态度面对在线学习平台，这类学生很少使用学习平台，且每次学习的时间也不会很长，对课程的忠诚度不足。 6.分析结果的使用
6.1推广个性化的课程
分析学生的学习行为和学习过程能够对学生的学习情况进行全面的掌握，以便于按照学生的个性化发展为学生推荐课程，应按照学生的需求不同和个性发展的差异性有针对性的推广更为适合的课程，可以吸引学生在学习平台上开展学习的时间更长，这样既可以让学生的学习积极性增强，也就能越精准地获取到信息，获得的数据随之更加良好。通过以持续收集学生学习动机与需求为依据，在线学习平台才能更好的为每一位学生提供针对性强和个性化高的课程，使平台功能更加完善与实用。
6.2可视化的利用分析结果
探析学生的学习行为，为学生提供科学合理的学习策略和为教师提供优化学习计划的依据是其主要目的所在。所以，对结果的分析应采用科学的方式，以便于高职教师与学生对情况的深入了解。在此基础上，应加强可视化技术的应用，通过条形图、元饼图或折线图的形式将数据分析所得结果呈现给学生，还应让学生与教师采用英东店开展操作，加深学习状况的掌握程度，更加深入的认识到自身的学习情况。教师可以依托经过分析所获得的结果为学生策划出与之相匹配的学习途径。站在学生的立场，客户端的互动功能可适当提升，加强学生对于自我学习状况的反馈。作为高职教师，应取得实时调取数据与分析结果的权限，运用平台的互动功能，多与学生进行学术知识的交流与沟通，特别是存在问题的学生更应积极帮助其恢复学习状态。
随着大数据时代的到来，人们越来越重视于教育领域中的应用价值，高职院校亦是如此，应致力于推动大数据在高职教育领域的应用，从而实现大数据与教育教学的高度融合。基于大数据的高职学生学习行为及效果的研究，有助于全面掌握学生的学习状况，针对学生的差异性，提升学生学习的自主能动性，实现培养全面型的高职人才。
参考文献
[1]陈文轩.基于大数据的高职学生学习行为模式构建[J].教育现代化， 2018，5（5）：254-255，258.
[2]任清元.基于大数据的高职学生学习行为模式构建[J].电脑迷，2018 （35）：233.
[3]谢淑敏.基于大数据的高职学生學习行为及效果分析[J].电脑与电信，2018（9）：6-9.
[4]王兰.基于云教学和大数据的高职学生学习行为研究[J].无线互联科技，2019，16（16）：95-96.
[5]刘永超.基于大数据视野下的高职学生在线学习行为国内外研究现状以及意义[J].新课程研究（中旬-单），2017（4）：117-118.
[6]韩小燕，曹培培.基于大数据学习分析的高职学生学习干预模型研究[J].邢台职业技术学院学报，2021，38（1）：29-31，42.
[7]林勤，陈长辉，贾志伟.基于大数据建模的高职院校学生行为画像分析应用探索[J].现代信息科技，2021，5（5）：19-22，25.
作者简介：
邱有春，1981-，泸州职业技术学院，研究领域：企业信息化、大数据技术应用。
项目名称：大数据下高职学生学习行为分析研究项目编号：K-2040