在线学习行为与学习效果 ——基于学习分析的实证研究
我国在线学习行为分析研究现状与进展
学习环境
分析在线学习环境对学习者行为的影响，为优 化学习平台提供依据。
社会交互
探讨社会交互对学习者行为的影响，为促进学习者之间的交流合作提供支持。
学习行为与学习效果的关系研究
学习行为与学习成绩
研究不同学习行为对学习成绩的影响，为改进教学策略提供参考 。
学习行为与学习满意度
分析不同学习行为对学习满意度的影响，为提升学习者体验提供 支持。
学习者在线学习行为 特征
学习者在线学习行为表现出多样性、 自主性、交互性、时空异步性和社会 性等特征。
02
在线学习行为影响因 素
影响学习者在线学习行为的因素包括 学习动机、自我效能感、学习环境、 学习策略、学习风格等。
03
在线学习行为促进策 略
通过优化在线学习平台、提供个性化 学习支持、加强教师引导和监控、完 善学习评价机制等策略，可以促进学 习者的在线学习行为。
学习行为模式挖掘
学习者登录时间
分析学习者登录时间分布，为在线学习平台设计和 学习资源推送提供依据。
学习者学习时长
研究学习者学习时长与学习效果的关系，为优化学 习路径和教学策略提供参考。
学习者学习路径
挖掘学习者学习路径，为个性化推荐和智能导学提 供支持。
学习行为影响因素研究
学习动机
研究学习动机对学习者行为的影响，为激发学 习动力提供策略。
THANKS
感谢观看
01
深度学习与人工智能的融合
随着深度学习和人工智能技术的不断发展，未来在线学习行为分析研
究将更加依赖于这些技术，以实现更加精准、个性化的学习推荐和预
测。
02
多元化与综合性的发展
未来的研究将更加注重在线学习行为的多元化和综合性分析，包括不
基于超星学习通平台高职学生在线学习行为与学习效果的实证研究
基于超星学习通平台高职学生在线学习行为与学习效果的实证
研究
程光胜
【期刊名称】《安徽开放大学学报》
【年(卷),期】2022()4
【摘要】学习行为分析旨在揭示个体与群体的学习行为特征,并进一步探测学习行为与学习效果之间的关系。
结合高职学生学习实际,基于对超星学习通平台上在线
学习行为数据的采集,使用Excel和SPSS工具,对在线学习行为进行聚类分析,聚类
结果将学习者分为学习懒惰型、积极应付型、认真拘谨型、认真活跃型,并建立在
线学习行为与学习效果之间的回归模型。
研究发现,任务点完成次数、学习次数、
作业完成次数、平时测试结果是影响学习成绩的主要因素,最后提出精准教育管理、在线资源优化、教学方法创新等提高教育教学质量和在线学习效果的相关建议和措施。
【总页数】8页(P30-36)
【作者】程光胜
【作者单位】宁夏财经职业技术学院信息与智能工程系
【正文语种】中文
【中图分类】G712;G434
【相关文献】
1.在线学习社交行为对学习效果影响的实证研究
2.BOPPPS教学模型下基于超星学习通在线学习平台的混合式教学实践研究——以《HTML5 & CSS3》网页设计课程为例
3.在线学习行为与学习效果——基于学习分析的实证研究
4.基于在线学习平台的大学生学习效果分析——以钉钉平台为例
5.高校学生在线学习行为的实证研究——基于本科高校学生在线学习数据的分析
因版权原因，仅展示原文概要，查看原文内容请购买。
基于学习分析的在线学习干预实证研究
* 项目来源：2018 年度全国教育信息技术研究课题“基于学习分析的在线学习干预实证研究”（基金编号：186130036）。 作者：张颖，宁波卫生职业技术学院专业副主任，副教授，研究方向为数据挖掘、教育信息技术；蒋雯音，宁波卫生职业技术学院， 讲师，研究方向为数据库管理；艾雨兵，宁波卫生职业技术学院，讲师，研究方向为教育信息技术（315104）。
1）数据采集。借助云课堂教学平台采集实验班前五周 学生学习行为数据，根据课程教学任务与教学活动的安排 情况以及云教学平台的特点，通过对服务器中的日志数据 进行数据的过滤与筛选后，最终确定学习行为变量初始数 据集共包括 16 项，分别为总在线时长、浏览教学资源次数、 在线测试次数、在线测试成绩、自我评价、同伴评价、教 师评价、查看任务要求、提交任务次数、提交任务时间、 参与课堂活动次数、签到次数、使用搜索工具、查看相关 网页链接、查看课程动态、查看成绩单。通过散点图绘制 方法得出这些变量与学生的阶段性学习成绩呈正相关性。
2）学习行为分析与预测。利用学习分析技术对学生前 五周的学习行为数据进行分析。为了进一步筛选出影响学 习绩效的关键变量，将各初始变量与学生的学习成绩进行 二元相关性分析，初步筛选结果发现其中 11 个变量与学生 成绩是呈显著相关性的，这些变量为总在线时间、浏览教 学资源次数、自我评价、同伴评价、教师评价、在线测试 次数、在线测试成绩、提交任务次数、提交任务时间、参 与课堂活动次数、查看成绩单。再对这 11 个变量进行多元 回归分析，最终确定影响学生学习绩效的六项关键因素， 包括浏览教学资源次数、在线测试成绩、同伴评价、教师 评价、提交任务次数、参与课堂活动次数。
2019年5月上 第09期（总第459期）
－ １４ －
理论研究·
预策略的选择、干预策略的实施到干预效果分析每个环节。 它是一个循环迭代的干预模型。
大学论文中的实证研究案例分析
大学论文中的实证研究案例分析在大学论文撰写中，实证研究是一种重要的研究方法，通过采集、分析和解释实际数据来验证研究假设和回答问题。
本文将通过一个实证研究案例分析，以探讨实证研究的基本过程和方法。
一、引言实证研究作为一种重要的研究方法，在社会科学领域广泛应用。
它通过收集和分析实际数据，以验证已有理论或提出新的理论，为学术界和实践者提供研究结果和决策支持。
下面将通过一个具体案例来分析实证研究的过程和方法。
二、案例描述该实证研究案例旨在探讨大学生在线学习行为对他们的学术表现的影响。
研究者采用了问卷调查的方式，针对一所大学的学生进行了数据收集。
调查内容包括学生在线学习的频率、时间分配、学习目标以及学术成绩等方面。
通过分析收集到的数据，研究者试图回答以下问题：在线学习行为与学生学术表现之间是否存在相关性？如果存在，这种相关性是积极还是消极的？三、研究设计在该研究中，研究者采用了横断面研究设计，即在特定时间点对样本进行一次性的数据收集。
研究对象包括该大学的在校学生。
通过简单随机抽取一定比例的样本，得到了足够的数据进行分析。
四、数据分析在数据分析阶段，研究者采用了多元回归分析方法来研究在线学习行为与学生学术表现之间的关系。
其中，学生学术表现作为因变量，在线学习行为的频率、时间分配等作为自变量。
通过对问卷数据进行统计分析，研究者得到了一系列回归模型，并通过显著性检验来确定变量之间的关系。
五、结果与讨论通过数据分析，研究者发现了在线学习行为与学生学术表现之间的相关性。
具体而言，学生在线学习的频率与学术成绩呈现正相关关系，即学习频率越高，学业成绩越好。
此外，研究者还发现在线学习时间的分配和学术成绩之间存在一定的关系，尽管关系不如学习频率显著。
六、结论在本实证研究案例中，研究者通过采用问卷调查和多元回归分析等方法，探索了在线学习行为对大学生学术表现的影响。
研究结果表明，高频率的在线学习有助于提高学生的学业成绩。
这一结果为大学教育管理者和学生提供了重要的参考和决策依据。
网络教学实践研究课题(3篇)
第1篇一、课题背景随着信息技术的飞速发展，网络已成为人们学习、生活、工作的重要工具。
在我国，教育信息化建设已经取得了显著成果，网络教学作为一种新型的教学模式，逐渐受到教育界的关注。
初中英语作为我国基础教育阶段的重要学科，如何有效地利用网络平台进行教学，提高英语教学质量，成为当前教育改革的重要课题。
本课题旨在通过实践研究，探讨网络教学在初中英语教学中的应用，为提高英语教学质量提供理论依据和实践指导。
二、课题研究意义1. 提高英语教学质量：通过网络教学，教师可以打破传统教学的时空限制，为学生提供更多、更丰富的学习资源，激发学生的学习兴趣，提高英语教学质量。
2. 促进教师专业发展：网络教学要求教师具备较高的信息技术素养，通过参与课题研究，教师可以不断提升自身的信息技术应用能力，促进专业发展。
3. 推动教育信息化建设：本课题的研究成果可以为我国初中英语教育信息化建设提供有益借鉴，推动教育信息化进程。
4. 满足学生个性化学习需求：网络教学可以满足学生个性化学习需求，使每个学生都能在适合自己的学习环境中提高英语水平。
三、课题研究内容1. 网络教学资源开发与应用：研究如何开发适合初中英语教学的网络教学资源，并探讨如何将这些资源应用于教学实践。
2. 网络教学模式构建：研究基于网络平台的初中英语教学模式，分析其特点、优势及适用范围。
3. 网络教学策略研究：探讨如何运用网络教学策略，提高英语教学效果。
4. 网络教学评价体系构建：研究如何建立科学、合理的网络教学评价体系，对教学效果进行评估。
5. 教师信息技术素养提升：探讨如何提高教师的信息技术应用能力，使其更好地适应网络教学需求。
四、课题研究方法1. 文献研究法：查阅国内外相关文献，了解网络教学在初中英语教学中的应用现状及发展趋势。
2. 实证研究法：选取一定数量的初中英语教师和学生作为研究对象，通过问卷调查、访谈、课堂观察等方法，收集数据，分析网络教学在初中英语教学中的应用效果。
在线教育平台学习者行为与学习成效研究
在线教育平台学习者行为与学习成效研究1. 引言近年来，随着互联网技术的迅速发展，在线教育平台蓬勃兴起，为广大学习者提供了灵活、便捷的学习方式。
然而，学习者在在线教育平台上的行为如何影响其学习成效，一直是教育研究领域的热点问题。
本文旨在通过对在线教育平台学习者行为与学习成效进行研究，探讨学习者在在线教育平台上的学习行为对其学习成效的影响，为进一步优化在线教育平台提供科学依据。
2. 在线教育平台的特点与学习者行为2.1 在线教育平台的特点在线教育平台作为一种新型的教学模式，具有以下特点：灵活性、互动性、自主性、时间和空间的解耦性等。
这些特点为学习者提供了更加自由、个性化的学习环境和学习方式。
2.2 学习者行为学习者在在线教育平台上的行为主要包括：浏览课程、观看教学视频、提交作业、参与讨论、下载学习资料等。
随着技术的发展，学习者的在线学习行为也越来越多样化。
3. 学习者行为对学习成效的影响因素3.1 学习动机学习动机是学习者参与在线教育平台学习的驱动力，直接影响学习者的学习行为和学习成效。
学习者的内在动机、外在动机以及情感动机等都会对学习者的学习成效产生影响。
3.2 学习时间学习时间是学习者在在线教育平台上投入学习的时间长度。
适度的学习时间可以增加学习的深度和广度，提高学习效果；而学习时间过长或过短则可能降低学习成效。
3.3 学习策略学习策略是学习者根据自身学习目标和需求，选择并运用的学习方法和技巧。
不同的学习者会采用不同的学习策略，而学习者的学习策略选择与运用将直接影响其学习成效。
3.4 学习交互学习交互是指学习者与教师、学习者之间、学习者与学习资源之间的互动过程。
在线教育平台提供了多种学习交互方式，如课堂讨论、在线问答等。
学习者积极参与学习交互，能够提高学习的积极性和参与度，进而促进学习成效的提高。
4. 学习者行为与学习成效的关系4.1 学习者行为与学习成绩学习者的学习行为与其学习成绩之间存在着一定的关联性。
基于可视化学习分析的研究性学习学生画像构建研究
基于可视化学习分析的研究性学习学生画像构建研究一、概述随着教育信息化的深入推进，研究性学习作为培养学生创新能力和实践能力的重要途径，正逐渐成为教育教学改革的热点。
研究性学习强调学生的主动探究和问题解决，重视学生个性化和自主化的学习过程。
在这一过程中，如何准确地把握学生的学习状态、兴趣偏好和学习需求，以提供个性化的学习支持和服务，成为教育工作者和研究者的关注焦点。
学生画像作为一种有效表征学生特征的方法，通过收集和分析学生在学习过程中的行为数据，可以实现对学生的全面理解和精准支持。
可视化学习分析作为教育数据分析的重要手段，通过将复杂的数据以图形化的方式展示，使得教师和学生能够直观地理解学习过程和结果，发现潜在的问题和改进方向。
将可视化学习分析与学生画像构建相结合，不仅能够提升学生画像的准确性和实用性，还能够为研究性学习的教学设计和实施提供科学依据。
本文旨在探讨基于可视化学习分析的研究性学习学生画像构建方法。
我们将综述相关领域的研究进展，包括研究性学习的理论基础、学生画像的构建方法以及可视化学习分析的技术应用。
接着，我们将提出一个结合可视化学习分析的研究性学习学生画像构建框架，并详细阐述该框架的构建过程和方法。
通过实证研究，验证所提框架的有效性和可行性，并探讨其在实际教学中的应用价值和潜在挑战。
1. 研究背景：介绍可视化学习分析在教育领域的应用和发展，以及研究性学习在当前教育中的重要性。
随着信息技术的飞速发展和教育改革的不断深化，可视化学习分析在教育领域的应用和发展日益受到关注。
可视化学习分析通过利用大数据、人工智能等先进技术，将学生在学习过程中的数据转化为直观的图形和图表，从而帮助学生更好地理解知识点，提高学习效率。
这种技术的应用不仅改变了传统的教学方式，更推动了教育领域的创新与发展。
同时，研究性学习在当前教育中的重要性也日益凸显。
研究性学习强调学生的主体性和自主性，鼓励学生通过独立思考、实践操作、团队协作等方式，发现和解决问题，培养学生的创新能力和实践能力。
我国在线学习行为分析研究现状与进展
我国在线学习行为分析研究现状与进展
一、研究背景
随着社会的发展和信息技术的进步，网络教育正成为当今社会新兴的教育形式，线上学习的推行不仅改变了传统教育的传播方式，也改变了学习习惯，对学习效果也产生了重大的影响。
因此，研究在线学习行为，分析学习行为产生的原因及相应的效果，具有重要的意义。
二、研究现状
在我国，随着网络技术的发展，在线学习的应用越来越广泛，在线学习行为研究也加快了发展步伐。
研究发现，在线学习行为受到各种因素的影响，可以从“学习者”、“教师”、“技术”以及“环境”4个方面来分析。
(1)学习者：研究发现，学习者的个人特征如性别、年龄、文化背景等都会对学习行为产生影响。
(2)教师：教师在在线学习中扮演着重要角色，他们的教学技能对学习者的学习行为产生影响。
(3)技术：在线学习技术和学习环境对行为产生着重要的作用，必须考虑使用技术手段的条件和要求，及其对学习的影响。
(4)环境：学习环境也是影响学习行为的重要因素，学习者的校园环境会影响他们在线学习的意愿和行为。
三、研究进展
(1)采用大数据分析：大数据技术可以收集、存储和分析大量数据。
基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究
内容摘要
3、加强自我监控和调整能力：学习者应当学会对自己的学习行为和成绩进行 监控和分析，及时发现问题并进行调整。这可以帮助学习者更好地掌控自己的学 习进程，减少拖延现象的发生。
内容摘要
4、创造良好的学习氛围：在线教育平台和教师应当积极创造良好的学习氛围， 减少干扰和诱惑。这可以帮助学习者更好地集中注意力，提高学习效率。
内容摘要
基于以上研究结果，本研究提出以下对策建议： 1、建立在线学习危机的预警机制：通过监测学习者的学习行为和反馈，识别 可能出现的危机，并及时采取相应的预警措施；
内容摘要
2、优化在线学习环境和学习资源：加强网络基础设施建设，提高网络稳定性； 开发兼容性强的在线学习软件，提高学习者与资源的匹配度；提供多样化的学习 资源，满足学习者的不同需求；
本研究对于在线学习危机的认识和应对策略有一定的实践指导意义。然而， 由于在线学习的特点不断变化和发展，未来的研究方向也需要不断拓展和创新。 例如，可以进一步探讨如何利用人工智能、大数据等先进技术对在线学习危机进 行更加精准的预警和干预；同时，也可以研究如何从政策层面加强对在线学习危 机管理的支持，以推动在线学习的可持续发展。
内容摘要
3、加强学习者之间的互动交流：通过讨论区、实时聊天等功能，为学习者提 供一个良好的交流互动平台；同时，开展线上活动，鼓励学习者参与讨论和分享 经验；
内容摘要
4、提供心理支持和干预：对于出现学习孤独感等心理问题的学习者，可以提 供专门的心理咨询和学习支持服务，以帮助他们更好地应对危机。
内容摘要
内容摘要
研究发现，在线学习拖延的主要原因包括学习者自制力不足、缺乏计划和组 织能力，以及在线学习环境的干扰等。针对这些问题，研究者提出了一系列有效 的干预措施，包括制定明确的学习计划、提供个性化的学习指导和建议、加强自 我监控和调整能力，以及创造良好的学习氛围等。通过这些干预措施，学习者可 以更好地适应在线学习环境，提高学习效率，同时减少拖延现象的发生。
师生互动增进大学生线上学习效果的实证分析
师生互动增进大学生线上学习效果的实证分析在数字化浪潮席卷全球的今天，线上教育已成为高等教育体系中不可或缺的一环。
然而，面对屏幕与键盘，师生间的互动是否依旧能够像传统教室一样，激发学生的学习热情，提升教学效果呢？本文将通过实证分析，探讨师生互动如何增进大学生线上学习的效果。
首先，我们要认识到，线上学习并非简单的“人机对话”，而是一个充满挑战与机遇的新领域。
在这个领域中，师生互动如同一座桥梁，连接着知识的海洋与学生的心灵。
正如古人云：“授人以鱼不如授人以渔”，教师在线上教学中的角色，应从传统的知识传递者转变为引导者和启发者。
他们通过精心设计的互动环节，引导学生主动探索、积极思考，从而培养学生的自主学习能力和创新精神。
然而，线上教学中的师生互动并非易事。
由于缺乏面对面的交流，教师往往难以准确把握学生的学习状态和需求。
这时，教师需要借助现代科技手段，如在线问答、实时讨论等，来弥补这一缺陷。
同时，教师还应注重个性化教学，关注每一个学生的成长，用心灵去感受他们的喜怒哀乐，用智慧去解答他们的疑惑困惑。
只有这样，才能真正实现师生之间的深度互动，让线上学习焕发出勃勃生机。
在实证分析中，我们发现师生互动对大学生线上学习效果的提升具有显著影响。
具体来说，以下几个方面尤为关键：1.增强学生的参与度和投入感：通过设计有趣的互动环节，如小组讨论、案例分析等，可以激发学生的学习兴趣，使他们更加投入到线上学习中。
同时，教师还可以通过及时反馈和鼓励，增强学生的自信心和成就感，从而进一步提升他们的学习动力。
2.促进知识的理解和掌握：在线上教学中，师生互动可以帮助学生更好地理解和消化知识。
教师可以通过提问、解释和示范等方式，引导学生深入思考问题，帮助他们解决困惑和难题。
此外，教师还可以根据学生的反馈和表现，及时调整教学策略和方法，确保教学效果的最优化。
3.培养学生的批判性思维和创新能力：在师生互动的过程中，教师可以鼓励学生提出自己的观点和看法，与他们进行深入的讨论和辩论。
基于学习分析的高校师生在线教学群体行为的实证研究
基于学习分析的高校师生在线教学群体行为的实证研究作者：马婧韩锡斌周潜程建钢来源：《电化教育研究》2014年第02期[摘要] 网络教学中交互行为水平的高低，是影响学习者知识建构水平和学习质量的关键因素，其中学生自主学习行为的发生不是自发的，需要教师教学行为的促进，但是这两者之间具体的作用关系还需要更进一步的探索。
本研究选取一所高校，利用网络教学平台中师生行为的表征数据，采用基于学习分析的定量方法研究了网络教学环境中教师群体教学行为与学生群体学习行为的内涵及其之间的关系。
结果表明：师生教学交互行为可划分五种类型，即教师的备课行为、教学指导与协助行为、学生阅读行为、学习反馈行为以及生师交互行为；教师网络备课行为直接决定学生的在线阅读行为，教师网络指导与协助行为同样正向影响学生的在线学习反馈行为；教师的备课行为对学生阅读行为的影响程度要高于教师教学指导行为对学生学习反馈行为的影响。
学生的学习反馈对师生交互有正向显著影响，而学生的阅读行为与师生交互之间没有发现统计意义上的直接关联关系。
[关键词] 网络教学交互；教师教学行为；学生学习行为；学习分析；结构方程模型[中图分类号] G434 [文献标志码] A一、研究背景信息技术在教育中的应用正逐步改变教师和学生教与学的行为、方法和策略。
在网络教学环境中，教师行为与学生行为的内涵及其相互关系如何，是如何相互影响的？对这些问题的探讨都有助于从中发现网络教学环境中教师与学生行为特点及其变化规律，从而为优化教学策略提供理论基础。
目前对师生网络行为的研究多集中于分析课程中学生个体与教师的关系，或者特定院系师生的网络教与学行为，[1]校级层面的研究多是基于问卷调查。
[2][3]很少有通过大数据的采集，在师生校级群体层面探讨和分析教学行为的研究。
在当前互联网、云计算、移动技术、在线教育的迅速发展下，基于网络的用户大数据研究正引起越来越多的关注，教学环境中的学习分析领域随之产生。
基于学习分析视角的在线学习行为可视化分析与案例研究
基于学习分析视角的在线学习行为可视化分析与案例研究作者：王苗刘志超来源：《中国教育信息化·高教职教》2015年第05期摘要：工具支持下的学习分析技术以其多维度的数据采集、自动化的数据分析、可视化的分析结果等优势为在线学习行为分析提供了新的思路。
文章首先对在线学习行为及可视化技术进行概述性描述并系统的梳理了在线学习行为分析的现状，在此基础上对国外学习分析技术典型应用项目进行分析，最后对工具支持下的学习分析与可视化技术对于在线学习行为分析的重要意义做出总结与展望。
关键词：在线学习行为：可视化；学习分析；案例研究中图分类号：G434 文献标志码：A 文章编号：1673-8454（2015）09-0010-04一、引言学习分析技术是以海量的数据为基础，利用数据挖掘的成果，对在线学习环境及学生的在线学习为对象，对学习者产生的数据和分析模型探究信息和社会的联系，并且对学习作出预测和建议。
[1] 在大数据背景下，学习分析逐渐成为教育工作者研究的热点。
国内外远程教育研究者对学习分析技术展开了一系列的研究，英国马里兰大学在Blackboard平台中的课程管理模块中开设了“自我行为检查”的工具，帮助学生自我诊断与评估[2]；比利时鲁汶大学和哥伦比亚大学则分别运用学习分析技术创建应用程序内嵌到在线学习平台中，对学生在线学习进行可视化分析来帮助学生了解学习情况[3]；美国普渡大学的“信号预警系统”对学生的学习行为进行监控，对学绩较差的学生以邮件的形式给予预警并提供帮助。
[4]我国对于学习分析技术的研究处于理论、技术及应用趋势的研究层面，如华东师范大学的顾小清教授（2012年）系统的分析了学习分析技术的发展脉络以及学习分析技术中的关键技术在此基础上指出学习分析技术的应用趋势[5]，北京邮电大学的李青（2012年）从学术界对学习分析的几种权威定义出发探讨学习分析的主要分析方法与工具，并学习分析技术的典型案例进行综述性研究[6]，南京大学的李逢庆（2012年）对学习分析的内涵、过程、工具和方法做了深层次的解读，并从推动大学教学创新的视域下阐释学习分析促进大学教学信息化深入发展的重要价值与深远影响[7]。
基于线上数据对学习行为的分析与探索
基于线上数据对学习行为的分析与探索其次，通过对学习行为数据的探索，可以发现学生的学习特点和问题。
例如，通过统计学生的答题情况，可以了解到学生在哪些知识点上存在困难，从而可以有针对性地提供更多的辅导和支持。
通过分析学生的学习路径和学习轨迹，可以发现学生在学习过程中存在的不良习惯和误区，进而可以提供针对性的学习建议和指导。
这些分析和探索的结果可以帮助教师更好地理解学生的学习需求，并采取相应的教学策略和方法，以提高学习效果。
此外，通过对学习行为数据的分析，还可以对学生的学习成绩和学术表现进行评估。
通过统计学生的测验成绩和作业完成情况，可以对学生的学术水平和学习进展进行评估，帮助教师进行成绩管理和学生成绩监控。
通过比较不同学生的学习行为和学习成绩，可以发现学习行为与学习成绩之间的关系，进而为教师和学生提供相应的学习建议和改进方案。
最后，通过对学习行为数据的分析，还可以进行个性化学习的推荐。
通过分析学生的学习偏好、学习兴趣和学习历史，可以根据学生的需求和能力，为学生推荐符合其学习特点和学习目标的课程和资源。
这种个性化的推荐可以提高学生的学习积极性和兴趣，帮助学生更好地实现自我认知和自我发展。
综上所述，基于线上数据对学习行为的分析与探索可以帮助我们更好地了解学生的学习行为和学习特点，优化教学内容和教学方法，提高学习效果。
这种数据分析和探索可以为教师提供更多的教学参考和决策依据，提高教学效率和效果。
同时，这种分析和探索还可以针对学生的个性化需求提供更好的学习推荐和支持，促进学生的个人发展和自我实现。
因此，基于线上数据对学习行为的分析与探索具有重要的理论与实践价值。
基于数据挖掘的成人学习者在线学习行为与学习效果分析
习行为、学 习 效 果 之 间 的 关 联 。利用逻辑回归的机 器学习方法建立学习行为和学习效果之间的模型，检 验了逻辑回归对于在线学习效果研究的价值3 。近 些年大数据在各个教育领域得到广泛应用，对在线学 习行为进行数据挖掘分析，可以更加客观地反映学习 过程中存在的问题，预测学习者未来学习趋势并帮助 研究者找到合理的对策，进而实现教师、学习者和学 习资源的有效交互。傅 钢 善 、王改花以“现代教育技 术”网 络 学 习 系 统 学 习 的 2 8 0 1 名 学 习 者 为 研 究 对 象 ，运用数据挖掘方法和统计学方法对在线学习行为 进行定量分析，探讨网络学习行为特征与学习效果的 关 系 。还有学者对学习者及其所在情境中产生的 数据进行记录和分析，构建数字化学习环境下个性化 行为分析模型，基于学习行为分析模型对学习结果预 测框架进行分类设计等。
与 学 习 效 果 之 间 的 相 关 性 。研 究 结 果 表 明 ，作 业 成 绩 、平 时 成 绩 、在 线 考 试 成 绩 、已 学 视 频 时 长 和 学 习 进 度
因素与综合成绩呈强相关，而年龄、专业 与 综合成绩的关联度呈弱相关，性 别 与 综 合 成 绩 无 关 联 性 。基于
此 ，进了教学反思,并提出意见和建议。
我 们 注 意 到 ，由于在线学习 过 程 的 复 杂 性 和 随 机 性 ，研究者们得出的结论有所不同，对影响在线学习 效 果 的 因 素 也 存 在 不 同 看 法 。学 习 者 在 线 学 习 行 为 ， 如 观 看 视 频 资 源 有 效 时 长 、文 本 阅 读 次 数 、作 业 成 绩 、
38
陈圆圆，等 ：基于数据挖掘的成人学习者在线学习行为与学习效果分析
专业类别、年 龄 、论坛发帖数量等因素是否与最终的 学习效果正相关？为了探明这个问题，有必要通过对 真实有效的在线学习行为数据进行分析，做可视化处 理 ，探讨在线学习行为与学习效果的关联度，进而优 化网络课程结构，提升在线学习满意度，达到理想的 学习效果。
在线教育平台的学习者行为与学习成效关联研究
在线教育平台的学习者行为与学习成效关联研究引言：随着互联网技术的迅猛发展，在线教育平台逐渐兴起并迅速蓬勃发展起来。
与传统教育相比，在线教育平台具有时间灵活、地点自由、无时差等优势，吸引了越来越多的学习者参与学习。
然而，学习者在在线教育平台中的学习行为和学习成效之间的关联性仍然需要深入研究。
本文旨在探讨在线教育平台的学习者行为与学习成效的关联，并提供相应的研究结果和建议。
一、学习者行为对学习成效的影响1.时间管理与学习成效时间管理是在线学习中至关重要的一个方面。
学习者能否合理安排和利用自己的学习时间，对学习成效有着直接的影响。
研究表明，时间管理能力较强的学习者更容易取得较好的学习成绩。
因此，教育平台应该为学习者提供时间管理的指导和支持。
2.学习动机与学习成效学习动机是学习者参与在线学习的重要因素之一。
学习者的兴趣、需求和目标会直接影响他们学习的投入和坚持程度。
研究发现，学习者的学习动机与其学习成效呈正相关关系。
因此，教育平台应该激发学习者的学习兴趣，提供有吸引力和个性化的学习内容，以提高学习者的学习动机。
3.学习方式与学习成效学习方式指学习者在学习过程中采用的方法和策略。
研究表明，采用高效的学习方式，如积极参与讨论、与他人合作学习等，可以提高学习成效。
在线教育平台应该鼓励和引导学习者采用更有效的学习方式，例如提供在线讨论板块、合作学习项目等。
二、学习成效对学习者行为的影响1.学习成效对学习动机的影响学习成效在一定程度上可以增强学习者的学习动机。
当学习者取得较好的学习成绩时，他们更有动力继续学习并取得更好的成果。
因此，教育平台应该重视学习者的学习成效评价，及时反馈学习成果，以增强学习者的学习动机。
2.学习成效对信心和自尊的影响学习成效的提高会增强学习者的自信心和自尊心，从而促使他们更加积极地投入学习。
然而，低学习成效可能会让学习者丧失信心，产生挫败感，影响进一步学习的动力。
因此，教育平台应该提供个性化的学习支持和指导，帮助低学习成效的学习者重建信心，保持积极的学习态度。
在线教育中的数据分析与学习行为预测研究
在线教育中的数据分析与学习行为预测研究随着互联网时代的到来，在线教育已成为一种越来越重要的教育方式，也因此，越来越多的学习者选择在线教育作为他们学习的方式。
然而，随之而来的一系列挑战也随之而来，如何利用互联网的优势，让学习者在在线教育中获得更好的学习体验，是我们需要思考和研究的问题。
数据分析和学习行为预测是解决这个问题的关键因素。
在本文中，我们将探讨在线教育中的数据分析与学习行为预测研究。
一、在线教育中的数据分析数据分析是一种将数据转化为有用信息的过程。
在线教育中，数据分析尤其重要。
通过分析数据，我们可以了解学习者的学习行为和偏好，以及学习资源的使用情况，为学习者和教育者提供更好的学习和教学服务。
现在，许多在线教育平台都开发了相应的数据分析工具，让教育者可以更好地了解学生的学习情况和课程效果。
1.1 学习者的学习行为在线教育平台通常会记录和分析学习者在该平台上的学习行为，包括浏览资料、观看视频、参加讨论、完成作业等。
通过这些数据，教育者可以了解学生的学习行为，并根据这些数据制定更好的教学策略。
例如，如果发现学生更喜欢观看短视频，那么教育者可以将视频时间控制在5分钟以内，以更好地吸引学生的注意力。
1.2 学习资源的使用情况在线教育平台可以通过数据分析了解学生对不同类型的学习资源的使用情况。
例如，平台可以了解到学生更喜欢哪些类型的课程、视频和资料。
同时，这些数据也可以帮助教育者优化在线教育平台上的学习资源，以满足学生的需求。
1.3 学习者的学习效果在线教育平台还可以通过数据分析了解学习者的学习效果，包括成绩、参与度和反馈。
对于学生，这些数据可以帮助他们更好地了解自己的学习状况，同时也可以提供适当的学习建议。
对于教育者来说，这些数据可以帮助他们优化课程和教学策略，以提高学生的学习效果。
二、在线教育中的学习行为预测学习行为预测是一种通过对学生的学习数据进行分析，来预测学生未来行为的方法。
通过学习行为预测，教育者可以提前了解学生的学习需求和兴趣，进而为学生提供更好的学习体验。
在线作业平台辅助小学生学习有效性的实证研究
在线作业平台辅助小学生学习有效性的实证研究1. 引言1.1 研究背景随着在线作业平台在小学教育领域的应用逐渐增多，人们对其效果和影响的关注也日益增加。
研究显示，通过在线作业平台的辅助学习，学生可以更好地掌握知识点，提高学习效率，培养学生的自主学习能力和解决问题的能力。
对在线作业平台辅助小学生学习的有效性进行实证研究，不仅有助于完善小学教育教学方式，更能为提高学生学习成绩和学习质量提供有力的参考依据。
在线作业平台辅助小学生学习的实证研究有着重要的现实意义和深远的理论意义。
通过深入研究在线作业平台的设计特点和有效性评估，将有助于发现其中的优势和不足，为进一步提升学生学习效果和学习习惯提供重要的指导和建议。
1.2 研究目的本研究的目的是探讨在线作业平台如何有效辅助小学生学习，通过实证研究验证在线作业平台在小学生学习过程中的影响和作用，进一步探讨在线作业平台的设计特点以及辅助学习的有效性。
通过对在线作业平台的实际应用和效果进行评估，为小学生的学习提供更多的帮助和支持。
通过研究在线作业平台在小学生学习中的影响因素，探讨如何更好地设计和应用在线作业平台，提高其对小学生学习的促进作用。
最终目的是为了促进小学生学习效果的提升，推动教育技术的发展，为教育教学提供更多的可能性和机会。
通过本研究，可以更加深入地了解在线作业平台在小学生学习中的作用机制，为今后的研究和实践提供有益的参考和借鉴。
1.3 研究意义小学生是教育体系中最为脆弱的群体之一，他们的学习效果直接关系到未来的发展。
而随着信息技术的快速发展，在线作业平台成为了一种新的教育方式，为小学生学习提供了更多的可能性。
对于在线作业平台辅助小学生学习的有效性进行实证研究具有十分重要的意义。
研究在线作业平台辅助小学生学习的有效性可以帮助我们更好地理解新型教育方式对学生学习成绩和学习兴趣的影响。
通过实证研究，我们可以了解在线作业平台在提高学生学习效果和激发学习兴趣方面的真实作用，从而为教育决策提供科学依据。
在线教育中的学习行为分析技术研究
在线教育中的学习行为分析技术研究随着互联网的快速发展和智能设备的普及，在线教育正在成为一种受欢迎的学习方式。
通过在线教育平台，人们可以在任何时间、任何地点获取到高质量的教学资源。
然而，与传统教育不同，在线教育缺乏即时的面对面交互和监督，学生的学习行为也无法直接观察和评估。
因此，学习行为分析技术成为在线教育领域的热门研究方向。
学习行为分析技术是指通过对学生的学习行为进行收集、分析和挖掘，来提供有针对性的学习支持和个性化的教学建议。
这一技术主要依赖于大数据技术的支持，包括数据收集、数据存储、数据挖掘和数据分析等方面。
通过对学生在在线教育平台上的学习行为进行跟踪和记录，可以得到大量的学习数据。
这些数据可以包括学生的学习时间、学习进度、作业完成情况、学习资源使用情况等。
通过对这些数据的分析，可以揭示学生的学习行为和学习策略，并预测学生的学习成绩和学习过程中可能出现的问题。
学习行为分析技术可以应用于多个方面。
首先，它可以用于教学评估。
通过对学生的学习行为进行分析，可以评估教学的效果，发现教学过程中存在的问题，并及时调整教学策略。
例如，当发现学生在某个知识点上存在困难时，可以通过分析学生的学习行为，找出问题所在，从而提供有针对性的辅导和教学建议。
其次，学习行为分析技术也可以用于学生个性化学习的支持。
通过对学生的学习行为进行分析，可以了解学生的学习风格、学习偏好和学习习惯。
根据这些信息，可以为学生推荐适合其个性化需求的学习资源和学习任务，并提供个性化的学习建议和学习计划。
这样，每个学生都可以根据自己的特点和需求来进行学习，提高学习效果和学习动力。
另外，学习行为分析技术还可以用于监测学生的学习状态和情绪。
通过对学生的学习行为和学习过程中产生的数据进行分析，可以了解学生的学习动机、学习阻碍和情绪状态等信息。
当发现学生出现学习倦怠、学习沮丧或其他负面情绪时，可以及时发现并采取措施进行干预。
例如，可以向学生提供鼓励和支持，组织学生之间的合作学习活动，调整学习任务的难易程度等，以帮助学生克服困难，保持积极的学习态度。
基于线上数据对学习行为的分析与探索
基于线上数据对学习行为的分析与探索摘要：传统的教学方法是教师为主导，采用“灌输式”的教育模式，不易根据学生的学习兴趣进行教学内容的修正。
在不断寻求新的教学改革的过程中，基于线上线下相结合的方式获得了大多数教师的青睐，且更加符合科技的发展对教育方式的推进。
玩课网是基于MOOC理念的院校交互式翻转课堂教学平台，目的是培养学生的学习能力。
学生可以在玩课网上完成一些测试、考评等，而这些数据能够记录学生的学习兴趣，帮助任课教师更好地进行针对性的教学。
本文针对玩课网上学生的视频观看任务完成情况及观看时间、章节习题的完成情况、课后作业的提交时间及相似度等数据，对学生在学习C语言时的学习行为进行分析和探索，为线上线下相结合的教学方式提供部分经验支撑，增强师生的互动教学效果，进一步提高教学质量。
关键词：统计分析；翻转课堂；线上学习；玩课网中图分类号：G642.41文献标志码：A文章编号：1674-9324（2018）26-0151-03一、引言随着计算机的飞速发展，通过计算机进行基础教学已经成为流行趋势。
传统的黑板式教学和PPT教学这种刻板的教学模式以教师为主导，学生较为被动地接收相应的知识，难以提高学生的学习兴趣。
这些方法近些年被日益改进，目的均在于让学生以更加轻松有趣的方式掌握必需的基础知识。
特别是与计算机科学相关的课程，特别是大多同学初次接触的程序设计语言――C语言，很多概念比较抽象，语法规则较多，通过纯讲授式教学难以让学生灵活掌握。
因此，针对这种应用式教学需要边学边练，才能做到融会贯通。
近年来，翻转课堂教学方法得到了广泛的关注，翻转课堂将学生学习的时间放在课堂外，通过看视频、与同学讨论、完成相关任务等方式完成相关知识的学习，而在课堂内专注于学生利用课堂外学习的知识来完成老师布置的任务[1]，同时也出现了一些基于翻转课堂的教学方法研究[2，3]。
玩课网是国内一百多所院校合作的翻转课堂教学平台，其上的“C语言程序设计”是由杭电等6所高校发起，动员全国22所高校参与，是相对较为成熟的翻转课堂教学课程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Hans Journal of Data Mining 数据挖掘, 2019, 9(4), 135-144Published Online October 2019 in Hans. /journal/hjdmhttps:///10.12677/hjdm.2019.94017Online Learning Behavior and LearningOutcomes—An Empirical Study Based on Learning AnalysisJia Li, Rong GuanSchool of Statistics and Mathematics, Central University of Finance and Economics, BeijingReceived: Oct. 9th, 2019; accepted: Oct. 17th, 2019; published: Oct. 24th, 2019AbstractNetwork teaching platform has attracted more and more attention due to its unique spatial and temporal convenience. By mining massive behavioral data left by learners on the technology plat-form, learners’ learning status can be mastered, thus playing an intervention and guidance role in the learning process. In view of this, this paper adopted the behavior data set of the freshmen ma-joring in computer engineering from the University of Genoa, Italy, who took part in the experi-ment course of “digital circuit”, and explored the relationship between learning behavior and learning effect by analyzing the students’ performance warning. The conclusion shows that in the early warning analysis of whether the students can pass the final test, the effect is better when the classification tree model is used to predict the grades in middle and late stage of the course learn-ing. In the warning analysis of how many points can students get, the effect is better when the re-gression tree model is used to predict the grades in preintermediate stage of the course learning.KeywordsLearning Analysis, Online Learning, Learning Effect, Achievement Early Warning Analysis,Intervention Warning在线学习行为与学习效果——基于学习分析的实证研究李佳，关蓉中央财经大学统计与数学学院，北京收稿日期：2019年10月9日；录用日期：2019年10月17日；发布日期：2019年10月24日李佳，关蓉摘要网络教学平台凭借独特的时空便利性受到越来越多人的关注，通过挖掘学习者在技术平台上留下的海量行为数据，可以掌握学习者的学习状况，从而对学习过程起到干预和指导作用。
鉴于此，文中采用了意大利热那亚大学计算机工程专业大一学生参加“数字电路”实验课程的行为数据集，通过对学生进行成绩预警分析，探索了学习行为与学习效果之间的关系。
结论表明：在对学生能否通过最终测验进行不及格预警分析时，用分类树模型于课程学习的中后期阶段进行预测效果较好；在对学生的最终测验成绩进行分数预警分析时，用回归树模型于课程学习的前中期阶段进行预测效果较好。
关键词学习分析，在线学习，学习效果，成绩预警，干预警示Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/1. 引言传统的学习环境随着信息技术的广泛应用正在经历转型和重塑。
学习者只要在当前的学习空间下选择适合的学习终端，即可开启数字化学习。
利用大数据和人工智能技术，可以收集学习者留在技术平台上的学习行为数据，进行学习行为分析与评价，挖掘出对教学者和学习者有用的教学信息，进而提高教育管理效率和学习效率。
因此，以学习分析为主题的研究趋势日益形成，并成为当前教育应用研究的热点问题之一。
国内外对于在线学习行为分析这一主题的探究大体有三个角度，分别是个人特征、平台架构、建模分析。
在探讨个人特征对学习行为的影响时，DeBoer [1]研究了学习者自身的年龄、性别、地区等人口统计学特征对其课程通过率的影响。
李阳[2]通过调查问卷，对西北大学的学生进行调查研究，探讨了不同群体特征的差异及与人格特征、学习效果之间的内在联系，并根据讨论结果提出了针对性建议。
宗阳[3]基于Moodle 平台案例课程，通过构建异步学习平台中远程学习者学业情绪分析模型，探究了远程学习者在线学习行为与学业情绪之间的关系，结论表明学习者的学业情绪与作业成绩呈显著正相关。
陈晋音[4]认为，学习者的性格特征与学习效率之间是存在联系的，通过分析在线学习的行为特征，可以实现个性化学习方法推荐。
赵蔚[5]收集了Moodle 平台中的学习过程数据，运用SSAS 顺序分析和聚类分析算法、SPSS 分层聚类分析，挖掘不同学习风格、学习偏好的学习者的学习路径。
除了个人特征角度，有的学者以平台架构为导向，对学习行为进行了分析。
魏顺平[6]以Moodle 平台上开展的某在线培训课程记录的日志数据为样本，思考了如何对在线教学绩效进行评估，并验证了其提出的绩效评估模式的有效性。
刘双[7]拟设计一个行为数据采集的工具，用以实时收集学生的学习行为数据，并利用xAPI 技术进行数据标准化处理，为后续的数据分析打好基础。
洪丹丹[8]为了增强在线学习平台记录下的统计数据的可读性，充分发挥用户行为数据的作用，以统计理论为基础，结合了先进的ECharts 可视化技术与JFinal 轻量级框架对某在线学习平台课程后的算法指标模型、数据库模型、前端数据可视化与后端数据应用等技术进行了研究。
谭召[9]则是基于自身实际的Java 教学经验，专门设计了一种基于SSH 框架的Java 在线教学平台，该平台包括用户管理模块、媒体学习环境模块、试题练习环境模李佳，关蓉块、程序训练环境模块、学情反馈模块等等，该在线学习平台虽然仅以Java语言作为教学内容，但其平台设计思路及框架也适用于其他类型的学习平台。
谢修娟[10]提出，将决策树C4.5算法运用到网络学习平台的决策分析当中，并据此设计了基于决策树理论的在线教学辅助系统，以帮助学生实时的获取学习反馈，进而提升学习效率，端正学习态度。
此外，还有部分学者致力于对学习行为数据进行建模分析，以期对学生的学习起到规范、预警等作用。
S. Jiang等人[11]用logistic回归作为分类器，根据学习者一周的学习行为记录，对学生最终通过测验获取证书的概率做了预测。
Kloft[12]采用机器学习中的决策支持向量机分析了学习者的课程点击序列，也是对学生的中途辍学率进行判定。
Halawa[13]通过学习者的学习特征判定其是否对学习失去兴趣，对退出率给出了较准确的预测。
李阳[14]从结构维度、功能维度等多个维度首先对在线学习行为进行了划分，给出了在线学习行为分析模型的总体架构，在此基础上，采用大数据技术深入研究了其行为分析模型的适应性，丰富了行为科学及人工智能理论。
王慧芬[15]以华东师范大学校内的远程学习网上的学习行为日志数据为案例，利用Hadoop数据分析工具，从学习行为数据中挖掘学习者的信息进行行为特征分析与相关分析，进而提供学习平台优化策略。
吴林静[16]基于数据挖掘技术，提出了一种在线学习行为分析模型，主要是将网络平台中的在线学习行为分成了独立学习行为、资源交互行为、系统交互行为以及社会交互行为四类，在各类别行为下分别运用相关分析、分类分析等统计方法展开研究。
在研究了以往文献后，本文希望能在此基础上继续创新，对学生的重点学习行为作更精细的分析，充分利用经典统计学方法和机器学习算法基于学生的学习行为表现进行成绩预警分析，并择优选用成绩预警模型，深入把握学习行为规律，以更好的促进学生的学习成果。
本文基于Vahdat等[17]提供的DEEDS 数据集，对学生的成绩预警机制分别进行探索和设计，旨在解决如下两个问题：①学习者的学习行为是否会对学习效果产生影响？如何根据学习行为对学习者的学习过程进行干预，起到预警作用？②何时对学生进行成绩预警分析效果最好？本文的结构安排如下：第1章为引言部分，介绍研究的背景和现状，第2章介绍研究采用的数据与方法，第3章为实证分析部分，第4章是本文所得出的研究结论。
2. 数据与方法2.1. 数据和变量2.1.1. 数据来源本文使用的数据来源于一个名为DEEDS (Digital Electronics Education and Design Suite，数字电路教育和设计组件)的网络学习平台，该平台是由意大利的两位学者联合开发出来的，用以进行数字电路课程的教学。
数据主要记录了意大利热那亚大学计算机工程专业的新生学习“数字电路”这门课程的学习过程，是由Vahdat等学者在2015年收集得到的。
Deeds平台集成了“有限状态机模拟器(d-FsM)”、“数字电路模拟器(d-DcS)”、“微机接口与编程模拟器(d-McE)”三大模拟器，分别承担不同的职能和作用，以供学习者完成组装、设计常规实验电路，设计、测试有限状态机以及使用汇编语言练习微机接口与编程，实现特定的数字电路功能。