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