學習過程數(shù)據(jù)反映了學習者在學習過程中的狀態(tài)。當前眾多對學習者學習過程數(shù)據(jù)進行挖掘與分析的研究,大多基于學習者在某一學習行為上投入的精力和時間來開展。這些粗粒度數(shù)據(jù)并不能細致地反映學習者的認知投入水平,且部分學習行為數(shù)據(jù)對學習效果的預測正確率不高。與學習者參與度相比,學習過程中的學習行為序列,更能反映學習者學習行為軌跡、意愿與認知過程。利用滯后序列分析法對DEEDS平臺上的學習過程數(shù)據(jù)的分析發(fā)現(xiàn):滯后序列分析法可以清晰地揭示若干重要的學習行為序列;相較于支持向量機、邏輯斯蒂回歸以及決策樹等數(shù)據(jù)挖掘方法,樸素貝葉斯方法具有良好的預測性能,平均正確率超過70%。研究結(jié)果證明,學習者的學習行為序列可以為教師呈現(xiàn)更全面的在線學習圖景,幫助教師發(fā)現(xiàn)學習者的學習習慣、偏好以及認知過程,輔助教師對教學過程進行反思。同時,通過行為序列數(shù)據(jù)可以較準確地預測出學習者的學習成就,繼而對預測模型中關(guān)鍵屬性進行分析,為教師在后續(xù)教學過程中采取有針對性的干預措施提供建議,達到提高教育教學績效的目的。 

【文章來源】：現(xiàn)代遠程教育研究. 2018,(02)北大核心CSSCI

【文章頁數(shù)】：10 頁

【部分圖文】：

行為序列轉(zhuǎn)換圖

樸素貝葉斯方法所得學習效果預測準確率明顯高于其他三種方法。從圖2（a）中可以發(fā)現(xiàn)，選用不同特征數(shù)目所建預測模型的準確率結(jié)果中有9個峰值，模型所對應的特征數(shù)目分別為5、11、15、18、20、29、34、44、56。上述9個預測模型進行獨立樣本T檢驗的結(jié)果如表5所示。綜合考慮模型復雜度、模型差異性和預測準確度，本研究選擇特征數(shù)目為29的預測模型為最終結(jié)果。模型所選擇的特征數(shù)目為表4所示的前29個，平均預測準確度達到73.10%，總體來說具有圖2不同方法所得預測模型的誤差棒圖p511151820293444565/0.6840.1710.025*0.003*0.000*0.000*0.000*0.000*110.684/0.3190.0600.008*0.000*0.000*0.000*0.000*150.1710.319/0.3890.1020.001*0.001*0.001*0.008*180.025*0.0600.389/0.4300.008*0.011*0.011*0.075200.003*0.008*0.1020.430/0.0660.0780.0790.344290.000*0.000*0.001*0.008*0.066/0.9610.9200.323340.000*0.000*0.001*0.011*0.0780.961/0.9610.356440.000*0.000*0.001*0.011*0.0790.9200.961/0.371560.000*0.000*0.008*0.0750.3440.3230.3560.371/表59個不同預測模型兩兩T檢驗結(jié)果（*p＜0.05）基于行為序列的學習過程分析與學習效果預測【技術(shù)應用】..109

失表明學習者并不是在獲知學習任務后立即著手開始實驗，往往傾向于先進行一些其他活動，繼而再跳轉(zhuǎn)到實驗環(huán)節(jié)。教學者可以采取多種形式獲知出現(xiàn)此類現(xiàn)象的原因，例如是學習平臺存在缺陷還是教師的引導方式存在問題，進而為改善后續(xù)教學提供支持。2.發(fā)現(xiàn)有效行為序列與教學規(guī)律發(fā)現(xiàn)和定義對學習效果具有促進意義的行為序列是提高教學績效的前提。通過對所建立學習效果閱讀學習資源記錄與反思實驗結(jié)果TSF組裝與運行有限狀態(tài)機電路P調(diào)參【技術(shù)應用】基于行為序列的學習過程分析與學習效果預測圖3與學習效果密切相關(guān)的行為序列轉(zhuǎn)換圖..110

【參考文獻】：
期刊論文
[1]MOOC學習結(jié)果預測指標探索與學習群體特征分析[J]. 牟智佳,武法提.  現(xiàn)代遠程教育研究. 2017(03)
[2]基于行為序列分析對在線學習參與模式的探索[J]. 李爽,鐘瑤,喻忱,程罡,魏順平.  中國電化教育. 2017(03)
[3]高校學生上網(wǎng)行為分析與數(shù)據(jù)挖掘研究[J]. 胡祖輝,施佺.  中國遠程教育. 2017(02)
[4]edX平臺教育大數(shù)據(jù)的學習行為分析與預測[J]. 賀超凱,吳蒙.  中國遠程教育. 2016(06)
[5]滯后序列分析法在學習行為分析中的應用[J]. 楊現(xiàn)民,王懷波,李冀紅.  中國電化教育. 2016(02)
[6]大數(shù)據(jù)時代網(wǎng)絡教育學習成績預測的研究與實現(xiàn)——以本科公共課程統(tǒng)考英語為例[J]. 孫力,程玉霞.  開放教育研究. 2015(03)
[7]MOOC學習行為及效果的大數(shù)據(jù)分析——以北大6門MOOC為例[J]. 賈積有,繆靜敏,汪瓊.  工業(yè)和信息化教育. 2014(09)
[8]基于數(shù)據(jù)挖掘的網(wǎng)絡學習行為與學習效果研究[J]. 傅鋼善,王改花.  電化教育研究. 2014(09)
[9]學習活動流:一個學習分析的行為模型[J]. 郁曉華,顧小清.  遠程教育雜志. 2013(04)
[10]基于數(shù)據(jù)挖掘的教師網(wǎng)絡學習行為分析與研究[J]. 吳淑蘋.  教師教育研究. 2013(03)



本文編號：3473783