大数据环境下在线学习行为分析模型研究

摘要

互联网技术及教育信息化的快速发展加快了人们的学习、改变了思维及认知方式，在线学习模式迅速兴起并受到了广泛的认可。这种全新的学习方式及教育模式，必将会驱动教育信息化的变革与创新。在线学习在迅速发展的同时也面临着一些挑战，在线学习平台中较低的课程完成率和用户流失现象频繁发生，为找出形成此状况的原因，在大数据背景下分析在线学习平台中记录的大量用户学习行为数据，通过追踪用户在学习过程中产生的各种学习行为得出分析结果，可以为教师和平台管理者进行监督和干预学习者学习提供一定的指导建议。
　　因此，本文在总结在线学习行为发展现状和相关理论研究的基础上，首先对在线学习行为的内涵进行了界定，将人工智能理论引入进来，从结构维度、功能维度及方式维度对在线学习行为进行了类别划分，在分析在线学习行为关联因素及驱动力的基础上，给出了大数据环境下在线学习行为分析模型的总体架构。其次依据分析模型的总体架构，自左向右、自上向下对大数据环境下在线学习行为分析模型进行了构建，先从多维度、多层次角度构建了在线学习行为数据模型，确定数据采集的来源、方法及过程，之后对在线学习行为分析模型的横向流程和纵向流程进行了设计。在此基础上，利用大数据处理技术对在线学习行为分析模型中的各个环节所涉及的具体算法进行了实现。最后选取哈尔滨理工大学在线学习平台进行实证分析，从基于K-means算法的学习行为聚类分析、基于PageRank算法的个性化课程推荐分析、与学习效果的关联性分析三个方面进行了深入研究，并依据分析结果给出应用效果与启示。本文丰富了行为科学与人工智能理论方法及应用，深入研究了在线学习行为分析模型，不仅可以为行为数据的采集与分析提供理论基础和数据标准，还方便教师及平台管理者进行细致化及专业化的教学管理，对推动我国教育信息化快速发展具有重要的指导意义。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究目的及意义

1．2 国内外研究现状及评述

1．2．1 大数据研究现状

1．2．2 在线学习平台研究现状

1．2．3 在线学习行为研究现状

1．2．4 研究现状评述

1．3 主要研究内容和方法

1．3．1 主要研究内容

1．3．2 主要研究方法

1．3．3 技术路线

第2章 大数据环境下在线学习行为分析模型总体架构

2．1 在线学习行为相关分析

2．1．1 在线学习行为的概念及内涵

2．1．2 基于人工智能理论的在线学习行为分类

2．1．3 在线学习行为的属性分析

2．2 在线学习行为的关联因素分析

2．2．1 内部因素

2．2．2 外部因素

2．3 分析在线学习行为的驱动力

2．3．1 需求与利益驱动

2．3．2 技术驱动

2．3．3 数据驱动

2．4 在线学习行为分析模型构建的基础及总体架构

2．4．1 在线学习行为分析模型构建的理论依据

2．4．2 在线学习行为分析模型构建原则及思路

2．4．3 在线学习行为分析模型的总体架构

2．5 本章小结

第3章 大数据环境下在线学习行为分析模型构建

3．1 在线学习行为的数据模型构建

3．1．1 数据模型构建理论依据及原则

3．1．2 多维度的在线学习行为数据模型

3．1．3 多层次的在线学习行为数据模型

3．2 在线学习行为数据的采集

3．2．1 在线学习行为数据源

3．2．2 在线学习行为数据采集方法及过程

3．3 在线学习行为分析模型的横向流程设计

3．3．1 在线学习行为的聚类分析

3．3．2 基于在线学习行为的个性化课程推荐分析

3．3．3 在线学习行为与学习效果的关联规则分析

3．4 在线学习行为分析模型的纵向流程设计

3．4．1 行为分析的数据选取及预处理

3．4．2 行为分析方法选择

3．4．3 分析结果可视化及应用

3．5 本章小结

第4章 大数据环境下在线学习行为分析模型具体实现

4．1 基于K-means算法的在线学习行为聚类分析

4．1．1 在线学习行为RFL分类指标确定

4．1．2 K-means算法聚类

4．1．3 学习者忠诚度等级划分

4．2 基于在线学习行为的个性化课程推荐分析

4．2．1 行为数据选取及处理

4．2．2 基于PageRank算法和MapReduce框架的课程推荐

4．3 在线学习行为与学习效果的关联规则分析

4．3．1 在线学习行为指标确定

4．3．2 基于贝叶斯模糊粗糙集的行为属性约简

4．3．3 基于改进的Apriori算法关联规则挖掘

4．4 本章小结

第5章 哈尔滨理工大学在线学习平台实证研究

5．1 在线学习行为分析任务确定

5．1．1 在线学习平台简介及相关分析

5．1．2 在线学习行为数据的采集及处理

5．2 在线学习行为分析过程

5．2．1 行为聚类

5．2．2 个性化课程推荐

5．2．3 关联规则挖掘

5．3 应用效果与启示

5．3．1 对平台用户学习评价及干预的启示

5．3．2 对教师教学决策制定与改进的启示

5．3．3 对教育研究者教学变革的启示

5．3．4 对平台管理者平台监控与管理的启示

5．4 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢