智能化环境中基于学习分析的学习行为优化研究

优化学生学习行为、激发其学习主动性，是在线教育领域值得关注的课题。为此，基于对学习行为文献的分析，从

数据采集与存储、行为分析、反馈与提醒、智能化行为优化、智能引擎等五个方面,构建了学习行为优化模型，并 将模型运用于湖南S大学《信息技术与课程整合》课程的智慧教学实践中，依托智慧教学平台获取并分析学生学 习行为数据，再针对具体情景采取合理的学习行为优化措施。研究结果表明，经过这一优化，不仅有效提升了学

生认知维度的学习成绩、强化了互动维度的学习互动；而且提高了时效维度的学习任务完成率、强化了参与维度

［关键词］一、弓言的学习积极性和参与性。学习行为优化；学习分析；智慧学习'智能化学习环境；优化模型［中图分类号］G434 ［文献标识码］A ［文章编号# 1672-0008（2020）02-0069-118

*np77/V/N ①

1整合》课程的智慧教学为研究对象，聚焦如何采集学 生学习行为数据，如何优化学生学习行为， 学习行为优化

个性化教育是新时代数字土著的强烈需求，《中 国慕课行动宣言》指出，“课程设计和学习支持服务

①丄

a<

p//\"个主要问题， 为 教要注重课程育人,注重学生全面发展，促进个性化学 育环境下的教与学实践提供一 &习，提升学生的获得感和满意度”。只有在对学生全 面、深刻、准确理解的基础上，才能有针对性地进行

二、研究综述在线学习行为是网络教育领域中的核心研究主 题之一，学

度、

个性化教育&但是，诞生于工业时代的传统课堂教学 只注重规模、忽视学生个性叫当前，伴随着大数据和

视角对展开 ：人工智能 的融合、MOOC的 “双万计划”究。在线学习行为指发生于E-leaming环境中与学 习相关的各种行为#， 意义建构、问题解

的 ，融智能学习终端、个性化学习资源与服［3是在网络学习环下进行社会化交互活动的总和#&网务、线上线下学习为一体的能化学习环 在形

［4成,学生在环境中的学习行为均可被数字化&络学习行为具有系统性，一般由行为主体、行为客

2016年《地平线报告》（高等教育）预 式学习设计是 教育的 叫如析学生在能化学习环境中的学习行为数据，教 、 全面地 解学生； 能体、行为环 要素组& 前，在线学习行为的环学习环境演化为智I：

境已经从E-leaming环、

能化学习环&能化学习环是以学生为中，由

智能化硬件资源、学习工具、学习资源和师生等组成

术为学生动 学习资源 服务，发学生的智能化学习空间，该学习空间 支持学生在任的 能动性， 促进 化 学习 ，何时间、任何地点与学习资源或学习系统交互，还可 为学生提个性化的学习指导建议叫文献

学生 有获得感， 是 前 教育中 解

的 &为此， S大学\" 与课的 布看，前，对在线学习行为 要*基金项：本文系湖南省科基金面上项\"资源众筹：基于

学习空间的数字教育资源给与管理创新 ”（项编号：2018JJ2142）；湖省社科基金一般项“ 学习空间促进学生学习方升迁的机制与策略 ”（项编号：18YBA173）；湖省通 学校教学改革项目“追求卓越：'互联网+，背景下师范生 化能力发展的策略与机制研究”（项目编号：相教通［2016］400号413）的 &<69H远程耒嗜念去NL 学习新论

智能化环境中基于学习分析的学习行为优化研究◄◄焦在行为构成及数据支持的在线学习行为两个方面O

（-\"在线学习行为类型及构成研究对在线学习行为类型及其构成的研究，主要包

括以下几点:第一，从层次不同来划分，在线学习行 为由操作性行为、认知行为、协作行为和问题解决行

为组成⑹,或者由操作行为、信息交换行为（与学生、

老师和专家的交互行为）、学习目标行为（包括问题

解决和意义建构行为严等组成；第二,根据参与学习

交互人数的多寡，将在线学习行为分为个体学习行

为（学生与平台、资源的交互行为）和社会性学习行 为（学生与他人进行知识协同的行为）［8］；第三，从在 线学习行为的交互本质出发，将在线学习行为分为

与学习平台、课程资料等的人机交互行为和在课程 学习空间中的交互行为凹；第四，根据学习方式的应

用情境不同，将学习行为分为37种具体学习行为， 如，自主学习中的学习行为有添加资源、收藏资源、

浏览资源、浏览网页、作品发布、信息检索等凹。”

进行分类此外，，绝大部分文献都是根据行为对象的不同如，对视频学习行为主要从观看视频次 数 、 、 进 次 数 等 数 据 进 行|

测；对登录学习系统的行为，主要从登录系统次数、、

等数据 进行 ；；

对学生在论坛或空间中的讨论交流行为，主要从发帖数量、读帖数量、读帖时间和点赞次数等数据项进

行观测；对学习资源操作行为，主要从资源访问数、

资源数和下资源数等数据项进行

；对作业与习行为，主要从 作数、交作 和交作数等数据进行 。（二）数据支持的在线学习行为研究学习行为是预测学生学习效果的重要变量z,

早期对学习行为的分主要采用

研究，彳数据 的 , 研究者学习

的

数据来分在线学习行为。如，等 学生的

数据、 资源 数据和数据 , 来分 、

、 作 等在线学习行为的特点及

［12］ ； Sean P. Goggins采用社会网络分 及 学习

的分

，i分用学习 的

数据，以解小团体学习 的变化趋势及学习交互 结构问。在线 及学习分 的 ，学者们 利用学习分 工具研究在线学习行为,以

期为教学干 或优化 供依据O例如，美国普渡 学

的 信号 （Course Signals）用 定的学 成70功算法（SSA）,分析学生的学业成绩、努力程度（交互

次）、表现行为（ 学习所得分数）等数据,对学生的学状态分别给予“红（高风险）、黄（警）、绿

（良好）”三种信号的 醒,教师再根据“警示信号”

短信、在线消息等方对学生给予及干，以促

进学生 取自我优化措施［叫可汗学院运用ALAS­

KA 学习分 工具分 群体或个体学生的学习行为, 并可视化呈现分结果，从而能够更好地优化学生

学习 叫美国Desire2Learn机构研发的学生成功系统，

、分析学生的出勤和

参与度等数据,运用多元化的

模型，来准确别存在学危险的学生，为其供包括学习状况、学习预警、学习干

等方面的报告及其相 的干 措施［16］o美国马里

兰大学（UMBC）在Blackboard课程管理 的“检查我的活动）（Check My Activity）中，可以检测、可视化

学生的学习时间数据、资源使用数据及与学习伙

之间的对比数据，帮助学生了解自身及同 的学习 情况,以便能够促进自我反思与 自身的学习［17#。美国利

学开发的在线互动工具eAdvi-sorTM,使用学生数据、 学生在学 的学习进度 供 要的 和 干 措施， 以 更好地学生

或支持学生的学习成功阴。,

一些研究者基于学习分析技术监测学生行为数据,构建学习行为干 模型或 ，将 其应用于学习实践，为学生提供学习干 或 警o

如，运用基于人脸别和面 别 的

教学评 ， 分学生在 学习的参与情况,为学生提供个性化 与行为

凹;基于学生学习行为数据构建的学习行为干预模型，能够

别 于学习 危 状态 的学生 ， 助于及警信号 供个性化干［绚；自 在线学习分析模型能够准确反学生的学习 ，为学生

的学习

与学习资源，供个性化干［21#；学习行为智能

模型，能够学生的学习行为［22#。在教与学行为的 优化方面， 研究

对教师网络学习平台 和交互 数据的挖掘，分

学生的资源 好和

好， 师生的交互

•点，为优化学习支持 等供参田。 研究者在分 教 师 学习行为

与类 别 的 基 ，构建 教师

学习行为 模型 将其运 用 于实例 ， 来 学生的学习

好、 学习方

好和JOURNAL OF DISTANCE EDUCATIO^

学习工具偏好，这对学习效率提高和学习方法改进、

提高网络学习效果具有重要意义的。综上，关于在线学习行为的研究已经从理论研 究走向实证探索，研究方法从调查到数据挖掘再发

展到了学习分析，研究焦点聚焦“基于学习分析的学 习干预与预警”。总的来说，已有研究为智能化学习

环境下的学习行为分析奠定了基础，但存在以下问题:第一,对在线学习行为的分析存在表面化，只关 注学习结果或学习状态本身的在表现行为数据，

缺乏对隐藏于学习行为 的学习动机、学习感等非智力因素的分析;第二，学习行为数据预测指标

存在一定

， 只注重网络 的行为数据分析， 对智能化学习 的学习行为数据分析；第三，从研究视角来看， 已有 对在线学习行为、网络学习行为

、预警和干预等方面的研究与实 ， 但这 研究 分 基于

论学，以在线学习 为 ，从工具理性的学 为

、预 干预的对，研究对 为学习 存在学习 的学 ， 学生，忽视了学

关怀（学习分析

为优化学习而生㈤，其真正意义在于 学习行为数据分析， 进学调整自身学习行为（学

学习分析的点又是终点，学习分析 具有个性化 的学习行为数据,进而为学生提

化学习预测与反馈服务。化学习 指学 基于 实 学习 学习 ， 据学习行为分析 果调

学习进度与学习方（

，当前的学习行为分析并未考虑到这一点，未充分发挥学 学习的

（因此，从学习生态学

分析学生在智能化学习环境中的行为全数据，为学提 化

程务，激发学 的 观能 ，优化 学习行为，具有较强的实践指导意义。三（、学习行为优化模型-）模型构建的理论基础“授 以鱼不如授人以渔”，叶圣陶的“教是为了

不教”“让学生处于

”“师的作用在于启发导引”等教育理念，都强调启发\"引导受教育者的

在学习 （ 者的职责创设谐、民、自由的学习环， 规划或组织教与学活动，把学培养成 、觉、积极的社会实 ㈣。在线借助智能或智慧学习平台培育、发展学生主Views on Learningvv的教育实践活动，如何构建虚实融合、宽松自由 的学习环，设计合理的学习活动，并科学分析学习

行为数据，调用一切可以利用的 来激发学生学习的

，促进其优化自身的学习行为，一个值得深入探索的实

题。遵循唯物辩证法“实践、、再实、再

”的原理,要提升在线学习行为化的理论厚度及实践深度，必须在实基础上构建 在线优化模型，

在实 的 断应用中修缮模型,以便使模型具有更广的实用

指导性（虽，

没有优化学习行为的直接理论，但学界对此早有涉及。 学习观 义的 ，强调以学 为 的学习观， 为学 接 物理环 的 激， 在积

与学习环 进行 ， 积 学习 学 理 的意义造具有 的关键。巴班斯基（Babanski）的教学最化理论也为学习行为化提了思路，I 着让每一位学生通过学习到最高发展平的原， 学 为一

的 ， 学最 化8要 以最少的时间、最小的精力最低的经费取*np

得最的效果。 ①的 对学习行为数据的挖掘与分析，分别从

、社会、教学等维度为学生77/V/N

学习分析丄 ①提 应的学习服务何，促使 化学习路径，改 p//\"学习绩效行为优化

。学习分析

下的学习，指a壬

在 学生学习行为数据的基础上，

AI大数据分析，发 学 的学习路 、学习 、学习偏好等 化学习 ，

此为学

合 的学习与智力 。 要目的 具的化措进学

、 发 问题、规 学行为 计 ， 化的指导与 助，以 因材施教，力让所有学生获得更好地发展。因 ，基于 数据的学习行为智能分析，数 化学习

效率 效果问题， 关键 能 及断学 的

， 以 提 最

， 从提高学习 的 。智能化学习环 的学习行为化可以发生在

上，也可以 学习系统为学提（

助。二）模型的构成要素及运行机制Siemens G.

学习分析分为数据收集、数据分析、预 应 调 ，

， 应调从 、 学 社会

学 化的学习支持。Siemens G.提出的学习分析优化模式是包

数据的 与 、存 、 理、 合、分析、可H远程耒嗜念去NL 学习新论

智能化环境中基于学习分析的学习行为优化研究◄◄化呈现、行动七个方面在内的环形模型,其中行动环 节不仅包括干预、预警，还包括优化和改进等肉。基

于智能数据分析的学习行为优化模型，以主体性教

过统计图表%学习仪表盘、能力图谱%数字徽章等形

式学生的学习，于存在在学习问题的 学生,采

,以

、APP、

% 等形式进行育理论、生态学习理论、最优化教学理论为指导思 其 ， 其反思 的学习；性的优化 &想,按照学习分析的基本模式,将要解决的问题映射

为学生学习行为数据$再经过数据采集%数据分析、

方面 , 将 性的问题 教 , 进教 思

教学，为学生 学 习 行 为 优 化

心，

结果呈现以及优化调整四个步骤，最后，达到学生学 学 习 行 为 优 化 模 型 的能模的要习行为整体优化的目的&我们所构建的基于智能大数据分析的学习行为

学习行为优化模型其

, 个性化学习的要推动& 基于［评 价、分析

优化模型,如图1所示& 采集

大模 ，即数据模％和调整适应三种 要理念和技术,利，综合数据

模块、行为分析模％ 智能化分析 ％分析％ 化等模学习行为优化 和智能化行为优化模块&数据采集 模包括数据源和数据采集两

部分。学生在学习管理系统、移动端或智

块的分析结果,为学生提供大规模个性化服务,激发

其学习 能％升学习能，以达到高效学习的目的&

智能化行为优化模 依据智能学习行为优化引

学习过中，生学习行为数据，采 的工 擎及 模 的结果，进教 思教学,分别系统中采集数据，进行和，整理 学习资源％学习活动和学习环境三个方面进行调 整优化，而为学生构建更加

％宽松％宜的学习环境。依据分析结果，选择课前、中 后，分

学生基本 数据、学习行为数据％ 动数据% 数据以及学习结果数据，以进行行为分析。行为分析模块主要采

分析％ 分别以个人、小 群体优化的形式,采 系统 动析等分析，对学生的学习 进行建模,构建学人工方式优化学习行为，并为学生推荐适宜性的学 习 资 源 智 服务 , 最 进学生主动 思 的 学习，强化学习动机,优化

生模型；学生的进行建模，其

平；学生的学习行为进行建模，其学习 在在问题&

过数据 化

的学习行为&等将学生学上述个能模 作用、协同作,共同构 成一个整体，共同作用于学生的学习行为优化。从技 术维度促进教 优化学习环境，如，调整学习任务%

习行为、学习结果和互动，以化的形式:

给学生旳。模块主要包括两个方面：一方面，通调换学习资源等； 维度系统 动 荐教 :学习伙伴帮助学生自我反思，

•反馈学习表现-激发其学习的主动性和积极 性 ； 教学 维度 进教 优化

学生学习活动，如，根据学生

的学习兴趣及学习需要创设

主％探究协作学习活动，

时推荐学习资源或学

反馈与提醒模块习服务，以利学生学习&

体而言，优化的方式可

移动终端一提供参胡学习行为 优化引擎Y参考_优化 行为智慧课堂邮件提醒 AP嚨醒 微信提醒 课堂提醒 弹出提醒以完全借助智学习系统的

教务管理智能优化，如，设置学生周学

习时间的最低阈值%学生完

智能化行为优化模块学习任务最小比率等，一旦学

人工优化促进反思系统优化个别优化 小组优化 群体优化学习资源忧化学习环境优化生的学习数据低于阈值范围，

就会收到来系统的，

学生端正学习态度，图！ 学习行为优化模型示意图及时完学习任务&根据受<72JOURNAL OF DISTANCE EDUCATIO^

优化的人数多少，我们可以分为针对一位学生的个

体优化、针对学习小组的小组优化（如PBL小组$及

针对所有学生的群体优化％依据优化时间不同,可 以分为预习环节的课前优化、在课堂学习中的课堂 优化、在课后环节的课后优化等。总之，在具体的实

践中,要根据具体学习情境的需要,选择合适的优 化方式和措施等&四、实证研究设计（—）研究对象本研究选取湖南S大学学习《信息技术与课程 整合》课程中的64名大三本科生为研究对象,课前 学情调查显示，大部分学生网络学习能力较，具有

学习的 , 对在课堂中较 。《信息技术与课整合》专业核心课，本课 程的教学环境基于超星集团的“一三端” 课堂

学习 ， 以 网络教学 为中心，支撑对应于课堂教学的教室端、对应于学生自主学习 的 和对于教 的

，

课前+课中和课后日常教学 & 中的“学习通” APP具有课堂 、 、

、 选人、大数据分析、在

等功能％

， 具有小组学习能+PBL等能， 能

生在智能化学习环境中的 为数据， 能对 生在课堂教与学 中的 为数据 分析，基本覆盖了线上与线

下环境的 为， 学、课堂学习、协作学习等不同的学习 ％（二） 研究假设我们认为， 的学业成绩、互动维度的学习参与

、时效维度的学习

时效、与维度的学生与和 ，

学生学习效果的个重要维度％基于

，

合研究对象的实情，在主体教育和生学习 的

，分.+

+时效维度、参与

如下研究

：在《信息技术与课程整合》课程教学中，如果借 助智能化学习环境中的数据采集和数据分析工具提

醒，采用合理的学习行为优化策略，不仅可以有效提 升学生的学习成绩，优化学生在课程学习中的互动 效果，还可以提高学生的学习任务完成率以及学生

课程学习的参与性与积极性$（三） 数据收集与分析为 地了解学生，根据构建的学习行为Views on Learningvv优化模型，我们可以

教学 及学生课堂中，获取学习为的各类数据，并对其进行

处与清洗，以便能够挖掘学生关键的学习行为 特征。

教学 要存储了学生学习的Web日志数据，包括

学习日志、

流日志、视频资源访 志、作业与练习（ ）日志、用户登录系志数据等。 ， 存储了学生在智慧课堂学习中的课堂 、 、参与调查等活 流数据，教师还对学生在课堂学习中的注意力、学习

等非数字化行为数据

％研究运 R语言进行数据清洗和预处理后，

最终获得了如下五种学生学习为数据：学习时间 数据（登录

时间、学习时间跨度）、学生视频学习数据（观看视频时间、观看视频

例、提交学习测等时间节点）、 为数据（发帖次数、回帖次数、点赞次数）、课堂互动数据（ 、

、投票、参与

情况）、探究式学习数据（发起

数、参与讨论数、共享资料数、使用资料数、向教咨询 数$ 8等。然后，对学习为数据、学习结果数据

描*np

计分 和探索性数据分析，使用recharts包进行 ①77/V/N

数据可视化，并对数据

证检验和分析％丄

①五、学习行为优化的效果分析学习为优化模型开始于学生的学习行为数

p//\"a<

据，然后识别学生学习状态的关键特征，并运用学习 为优化引擎将学生学习状态与优化策略进行智能

匹配，将匹配度高的优化策略推送给教或 者% 实施优化策略之后，优化引擎会续跟踪学生的学

习状 ， 一方 测优化策略， 一方 及时发状 实施 一 优化， 依次

环， 以到整体优化学生学习的 ％ 研究依据建的学习 为优化 模型及课 教学的实情， 个度分别实施了不同的优化策略，并取得一优化效果%（—）认知维度的优化效果分析学习 的 一 ， 学

习效果分析的重要基础％ 近几年该课的教学情况来看，由于 较、教材较为陈，学生对课的学习兴

， 学生的%我们课 计的视，对课 整体优化，

课程的 体系，

人工智能、大数据、云计算及

实等型信息技术和在教 中的应用案例，开发

课资源，且充分 星学习和学习平台设计了 PBL+小组<73H远程耒嗜念去NL 学习新论

智能化环境中基于学习分析的学习行为优化研究◄◄讨论等多元化的学习活动。最后，我们在智慧教学云

平台上创建了《信息技术与课程整合》在线课程，从

整体上优化了学习环境。通过对2016级学生与2015级学生的成绩数据

进行非成对样本的秩次和检验,我们发现,无论是采

用连续修正还是非连续修正,2015级学生成绩数据 与2016级学生参加课程学习前的成绩数据均无差 异（W）2142.5 ,P）0.73〉0.05）。在本课程学习结束后，

采用与2015级（63人）本专业同题型、同难度的课

程考试题目对2016级进行测试,平时成绩、学生作

品和期末笔试成绩的

同。最后，从学 教 级学生的成绩, 级的成绩进行 计分析，结果如表1所。表#

2015级、20#6级学生成绩分布情况表人数2015级学生2016级学生百分比人数百分比人数百分比90分以上（优秀）46.35%2132.81%80—89分（良好）3047.62%2742.19%70-79分（中等）1523.81%1320.31%60—69分（及格）1015.87%34.69%60分以下（不及格）46.35%00总计63100%64100%' 对2015级和2016级两个年级的成绩进行显著性差异检验，在95%的置信区间内,从方差相似性检

验结果 ， 样本的 差是 的（P）0.01<0.05）,正

检验显示：2015级学生成绩 非正态分布（P）0.002<0.05**）,2016级学生成绩呈正态分

布（P）0.05〉0.05 ）。因此,在对两个样本进行显著性检

验时,一方面，采用Welsh的修正自由度进行双侧检

验,在P<0.001***的水平上,2015级学生成绩均值 77.19,2016级学生成绩均

85.5，说明2015级和2016级 级学生成绩的均值显 差异, 2016级的成绩均值明显优于2015级。另一方面，从

学生成绩分

，对课程进行整体优化之后,2016级学生的成绩优 2015 级学生 ,

的成绩 显 , 采用整体优化课程后,2016级学生

课程 的 程度 ：2015 （级。二\"互动维度的优化效果分析果 从 度学习行为优化效果

进行考, 学

*

（AlbertBandura）创建的

论， 在 学习过程<74中行为、认知和环境三者的交互作用%在智能化学习

环境 , 生生

的 , 学生行数据的采与分析，

发现学生在互动学习 在的 题, 从 采用合 的 优化学生的

学习行，从整体上优化课程的教学绩％本课程的

学习环， 题讨论和PBL学习活动％在“信息技术与教与学环境”专

题 PBL , 最 人数 5 人 , 学 生建学习 , 学习 题, 学习%该学习活启

半之后，我们从学习平台后台获 的学习行数据，

其进行

:网络分析％这里 编号 5（学习主题“媒体教

室空

局变化及展望”的

，其学习活 的互动网络如图2所示%可见,五位学习成员的交互网

络较稀疏， 成员 的 较弱，小讨论的积极 ，组内成员参与的积极

，上传资料学习行为也较 见，学习活的进展较缓慢,仅仅是

长与其他组员 的交互％图2 编号5小组优化前交互网络图针对此问题，教师采取小组优化的方式，通过 PBL平台分与 的同同学进行讨论，引导

小组成员尽快确立主题， 推荐关的学习资源-再采用群体优化的 式，将进展较快、表现比 较突出的 工作进展与作品依托学习通向全班定公，通过优秀学习

的行 启发,促进其他的

成员勇担责任、共同进步%经过短 的行优化 后，得了 的果,其

网络果如图3所％可见,第5学习

在经过优化后,学生的积极被充分 了起来，他们踊跃地参与到课程的各活

，学习的

、积极 及果了明显的提升，表优化果显％JOURNAL OF DISTANCE EDUCATION Views on Learningvv图3 编号5小组优化后交互网络图(三)时效维度的优化效果分析时间是衡量事物的一个重要尺度，学生在学习

中花费的时间也可以反映其学习态度与学习兴趣o 我们从后台获取了学生登录学习系统的时间点、学

生在学习系统中学习的时间跨度、学生完成作业或 学习任务的时间段等时间数据。学生登录学习系统 的时间点，能够反映学生学习习惯和对本课程的重

视程度;其在某一学习模块的学习时长%包括浏览微 课、参与讨论)等能够反映出学生的学习投入度;学

生完成作业或学习任务的时间，既能够反映学生的

学习动机，也能发现学生的学习拖延情况o如果能够

台中的学生学习 数据 学生在时间 度的 ，及早给予学生 醒或优化措施,使学生的学习时间管理 到优化，对学生学习的 、 的 成， 重要的现

o在本课程 能化学习 中， 数学习任 务 时 间 ， 我们 学 生 作 业 时 间 段划分为：凌晨(1:00-5:00)、早上(5:00-8:00)、上午(8：

00-12:00 )、中午(12:00—15:00)、下午(15:00-18:00 )、

晚上(18:00-22:00)、深夜(22:00-24:00)。在课程学习

入到 时， 学习系统获取学生学习时间数据，对其

化理后， 统 到如 4的学生作业 时间段统 o图4优化前学生作业提交时间段图从图4可知，学生在前三周存在作业或学习任

务完成拖延的情况，如，

学生在作业 ：完成作业，

30

的学生在 :和

时段完成作业， 学习 既生物 ，

学生

o 对 情况，

学习 APP、课程微

、等 了 的 ， 发现登录系统时间要是 学生学习态度 ， 学生学习拖延的情况是 学习动机 表现出消极怠

工， 完成作业的

除了部分学生学习态度外，一些学生反映课程的学习任务太重。我们

课程设的角度，适减少了学习的任务量，比如，把部分微课学习任务 必学改 选

学。对学习拖延情况，对每一

学习拖延现象的学生， 学习通、微 等 一对一地激励其投入学习、端正学习态度；对于登录学习系统时间 的学生，我们 要 用课余时间，采用与其

谈话、利用学习系统推荐优秀学生与其组伴学习等

：uo进行优化;对在 学习的学生 别 醒， 建议合理 用白天时间，养成良好的学习习惯等。( ①以 优化 ，

的优化调整，学生的・n>作业 时间段如 5

， 作业的时间 了z一一 •①极大优化，大部 同学都将自己的作业

时间调「p//整 到

，特别是 和 时91

间段完成作业的同学占 大 数，作业 的时间

q也极大

了，学习拖延现象明显减。时间段图5 优化后学生作业提交时间段图学生对微课视频的观看时长，是另一个时效维 度的衡量尺度。我们 课程学习系统的后台采集学

生 四周观看视频的时长数据，发现学生观看微课

视频的时长 低，最长 38 钟，远远低于整个微

课视频的完全播放时间，存在学生突击快进浏览微 视频的情况。 对

，我们登录课程系统，视频的观看 设置为防回溯 ，另外，在课程内容

<75H远程耒嗜念去NL 学习新论

智能化环境中基于学习分析的学习行为优化研究◄◄中增加了微课视频的导引。在优化策略实施之后，学

生整体观看资源的时长明显提升，绝大多数学生的 观看时长都在50分钟以上，为了更好地完成作业,

极个别学生还会反复观看视频资源（如图6）。(富)

图6 优化后学生观看视频时长分布图（四）参与维度的优化效果分析在智能化的学习环境中，学生是学习的主体,教

师是主导，提高学习绩效在某种意义上来讲就是提

高学生积极参与的程度。参与是提高学习绩效、实现

]

学生学习主体地位的关键因素,也是学生主动思考、合作探究和积极解决问题的重要途径。从教育心理 学维度看,参与就是学生在认知、情感和行为上的投 入;从社会群体来看，它是指个体与其他个体之间的

互动，个体受到群体影响的程度和方式。由于学生参 与涉及学习动机和学习情感等方面，学生在学习参

与过程中，不仅可以增长知识、提高技能,更能训练 维、现个、

作与 能。参与仅体现学生的整体学习

，能反 学生个体在认知 、 行为 情感 的 入程度 。行为参与是智能化学习中学生学习参与的首要 素 ,

教 学 行知 视学生参与 ,“

视每位学生的行为参与,力争让每一位学生都参与 来”。 体 ， 程中学生在线上、 资、

与 、作、 学习 都 行为参与 。

学习中 学生学习 动数 ,

行 与分之后， 如图7、图％ 的 。其中，图7是在 学习行为优化 后学生 参与 、 资 个 的数 图 。图7 知，在三周学习期间，教师未采取

明显的优化措施，学生行为参与的积极性较低，如， 学生

的次数为20次，参与讨论的次数约120次， 资的次数约240次，

资的次数约110次，见学生整体参与积极 不高。针 此问<76图7 优化前后学生参与各类活动次数对比图题，我们采用系统优化与人工优化相结合的方式，首

先通 学习通向参与积极性不高的学生 送进度提

醒，教师再利业余时间浏览并参与学生的学习

论,积极响应学生 的讨论帖。经过两周的学习行为优化,学生行为参与的积极 较大提升。学生资的最高次数达了 750次，

的次数达 76次，参与讨论的次数达 4%0次左右,学

生 资 的次数达 300次左右。从整体来看，优

化的效 明显 。图％为 程前三周学生登录学习系统（包括移

动端和网页端）的总次数分布图，见学生参与 程

的积极 不高， 次数较低,有一半以上的学生次数在30次以下,也有极个别学生的 次数达到了 100次以上。

与上述相同的优化措施之后，学生

的次数分布如图9

,全班仅有1/4学生登录次数较低， 次数在39次至174次之间,整体上较高；有3/4学生 平台的次数都在174次以上，甚至还有两个登录次数极高的学生

达 了 600 次以上 。（优化前,q3: 54）（优化前,min: 8}图8优化前学生登录次数分布箱线图JOURNAL OF DISTANCE EDUCA ,\\0町］ Views on Learning wv课堂互动是另一个反映学生行为参与的重要维

度，我们从课程系统后台获取学生的前三周课堂抢 答行为数据,对其进行统计分析,得岀如图10所示

的课堂互动频次分布直方图。图10优化前班级学生课堂互动情况分布图从图10可知,在前三周的课堂学习中,班级学

生整体参与频次较低,抢答次数达到10次以上的不 到20人，绝大部分同学的抢答次数都低于6次,抢

答人数不足班级人数的1/4。我们认为,主要原因在

于少数性格活跃的学生积极参与课堂抢答,另外，学

生对 抢答不 。

，我们主要的方式,比如,现场给予抢答积极的同学

头 、

其分享的

， 学习 APP给抢答积极

分，在课堂 学中不 学生积极抢答。我们从课学习系统中取学生周 后到课 学习 的抢答数据, 其统计分析之后，得 如图11所示的课堂互动频次 布图。

可 , 学生课堂抢答频次大大 , 学生中抢答

的最低次数为15次,所学生 跃参与到课

堂互动中来。这说明充分调动了全班学生参与互动、

抢答的积极性， 比较明显，学生课堂活跃度 比较高。, 学生主动

的次数映学生行为参与的积极性。学生 对学习，不 其学习的积极性，

映学生对学习

的 度。我们以抢答人数为u、以抢答 数为 、 以课后学生的 人数为

。图的比重大 ,

学生在参与 前后行.np ①

为的散点图（如图12所示）。可以看岀,在 学生进

二

.nAz行 后, 是抢答人数、 抢答 数 是课后人数，学生的行为参与

大的 。:arp^dllLI

抢答次数图12 学生抢答人数、次数、咨询人数分布图六、结论为期一学期的学生学习行为优化探索与实

践，我们现， 获得 ，较 进了与课程学的

，在“现+

”缝衔接的智

学习空间里，

布局了课前、课中和课后的学习 ，为学生搭建 “博学一慎 一审—明辨一笃行”逐级上 的学习路径。课 学不学生的学习行为,端正了其学习态度，且<77H远程耒嗜念去NL 学习新论

智能化环境中基于学习分析的学习行为优化研究◄◄改善了其学习习惯,训练了其认识思维。此外，学生 的学习主体意识明显增强，积极性和参与度明显提

升,参与意识、探究意识、学习动机逐步加强，从而达 到生动活泼、积极高效的学习状态。比如，有同学在

平台留言中说：“老师，通过本课程学习，我开始喜欢

上了本专业”“老师,这学期上了您这门课,我们班的 学风发生重大转变，大家更热爱学习和钻研相关的 专业技术知识了”。我们认为,在智能化学习环境下，个性化学习的 目的是通过学生主动积极地参与活动，促进其全面、 和谐、整体发展,学习行为的优化是一个极其复杂的

系统工程，因此，需在以下几方面进一步研究：(-)数据的采集与分析是学习行为优化的基础数据采集与分析是学习分析的基础条件，选择 合适的数据采集与分析工具，实时采集并分析学生

在智能化学习环境中的学习行为数据，明确学生的 学习 与学习 ， 是 展学习行为优 的

q

基础o在本课程的教学过程中,我们借助超星智慧学

习系统中的数据采集模块，全流程动态追踪学生学习数据，准确判断学生的学习状态，洞察学生的学习

| 需求与兴趣,为学生学习行为优化和课堂交互等奠

； 定了坚实基础。；

(二\"学习环境的优化是学习行为优化的前提智能 学习 境是 学生为中 的个性 学习 能否实现的重要基础，o它包括技术环境、境脉环境、

境等三个维度其中，

境基在不会有

动， 的智力资源；我们可以学生的 ，优 环境的能，如，课前 习 、 中 动 、 提 能进行优化； 境 环境主

学习 环境， 是学习环境优化的 ， 分 智能化学习环境中的学习 与学习 ， 为学生 、 的学习环境 ， 学生 ， 整学习 ，的学习环境。学习活动的 是境学习环境的

，正如 名 育学家杜威主张“从做中学”,在智能化学习环境中，无论是线上学习还是

学习，让学生参与学习活动，既有 于学习目标的达成，又 有 于提高学生学习的参与度。例如,将学习 主题化或项目化，

辩论赛、主题讨论、项目学习等多样的学习活动，使学生通参与学习活动而

主动积极学习，发现新知、强化技能和训练思维。因

， 学习环境的 成为学生学习行为优化的 提，有待不断探索与完善。<#8(三) 学生主动性的激发是学习行为优化的根本学生主动性体现为每一位学生的在 ，

学的 就是通 合理引导将其激发出来。如，究在“信息 与 与学环境”“信息 与学习资

源”等章节学习中，全班学生在 引导下，通过头 脑风暴的方式，选 学习主题；通过小组探究式学 习，完成学习任务；在线下的 学习中， 通

“博学、慎思、审问、明辨、笃行” 学环节，训练学生的直觉思维、发散性思维、创新思维等。在智能化

学习环境中，基于在线学习

的自动提醒 属于学管理层面的手段，而 的引导 才是学生学习主动性发挥的 l码。只 在 启动阶

段， 的管理 能 学生学习主动性激发

于 的引导 。但从智慧学习

强化学习到引导学生主动学习再到学生自主学习，通过学 习 和 优化引导的互 ， 强化学生

注 学习行为的塑造。 ，在智能化学习环境中，不仅发挥基于学习 的精管理能，更发挥 引导的积极 。(四) 教育智力资源的有效服务是学习行为优

化的保障教育是一门“人学”，德国哲学家雅斯贝尔斯

(Jaspers K.T.)曾说：“ 的教育是 一 动一 ， 一

动 一 ， 一 个唤醒一个灵魂”旳。学习行为优化归根到底是人的

问题，在线学习 连接了 、学生、 智力资源，在学生学习行为优化的 中，应合理

行为优化引擎，学生动

、优秀学伴和 :育智

，为学生学习提 的智 务。应发挥优 学生的 样和

、 发挥的引导 ，来化、唤醒在 的学生，激发 们的学习主动性， 促使其主动 整学习行为 、 优

化学习 ，从而 学生学习效。[参考文献][1] 高教司冲国慕课行动宣言[ED/OL-J2019-04-17-. http：//www.=oe. gov.cn/s78/A08/A08_ztzl/ztzl_zxkf/201904/t20190418_378663.html.[2] 慧，刘迪，高玲慧，等.新媒体联盟《地平线报告》(2016高等教育

版)解读与启示[J].远程教育杂志，2016(2)：3-10.[3] ⑹彭文辉，杨宗凯,刘清堂.网络学习行为系统概念模型构建研究[J].

中国电化教育,2013(9) $39-46.[4] [7] ， . 主学习行为 和 主学习行为层次塔[J].中国电化教育,2009 (3 )：41-45.⑸祝智，贺斌.智慧教育：教育信息化的新境界[J].电化教育研究,

2012(12)：5—13.JOURNAL OF DISTANCE EDUCATIO^

[8] 马志强，苏珊•学习分析视域下的学生模型研究脉络与进展[J] •现代

远距离教育,2016(4) ：44-50.Views on Learning◄◄远程教育研究,2017(4):97-103.[20] , 强, ,等.基于大数据学习分析的在线学习 预[9] 范逸洲,刘敏,欧阳嘉煜,等.MOOC中学生流失问题的预测分析----基于24篇中英文文献的综述[J].中国远程教育,2018 (4)：警因素及干预对策的实证研究[J]•电化教育研究,2017(1):64-71.[21] 姜强，赵蔚，王朋娇，等•基于大数据的

析模型及实现[J]•中国电化教育,2015(1):85-92.在线学习分5-14+79.[10] 吴淑苹•基于数据挖掘的教师网络学习行为分析与研究[J]•教师教

育研究，2013(3):47-55.[22] [23]

, ,张 .网络学习行为的实时 研究与实 [J].在线 程学习[11 ]张红艳，梁玉珍，等•远程学生在线学习行为的实证研究[J]•远程教

育杂志，2013(6):42-48.教育研究,2008(4) :89-94..Moodle 数据挖掘研究--

过程分析为例[J]•中国远程教育,2011(1):24-30.[12] 葛道凯,张少刚，魏顺平•教育数据挖掘[M]•北京:教育科学出版

社，2012.[24] 郁晓华，黄沁•学习分析视角下的数字化课堂互动优化研究[J]•中

国电化教育,2018(2): 12-20.[13] Goggins S,Galyen K,Laffey J.Network analysis of trace data for the

[25] Long P D, Siemens G. Penetrating the fog: Analytics in learning and

education [J].TD Technologies Didattiche ,2014(2): S866.[26 ]任苏民.

\"教是为

support of group work: Activity patterns in a completely online

course[C].Sanihel Island, Florida : Acm International Conference on

Supporting Group Work. ACM ,2010 ： 107-116.[14] Arnold K E, Pistilli M D. Course signals at Purdue: Using learning

教％的理论意蕴与现实意义[J]•教育研究，2017(11):124-129.analytics to increase student success[C].Vancouver, BC , Canada: In­ternational Conference on Learning Analytics & Knowledge ,2012:

[27] 顾小清，张进良，蔡慧英•学习分析：正在浮现中的数据技术[J]•远

程教育杂志,2012(1):18-25.125-132.[28] 张进 , .大数据视 下学习 模型 [J].[15]张振虹，刘文，韩智•学习仪表盘：大数据时代的新型学习支持工

具[J]•现代远程教育研究，2014(3): 100-107.南科技大学学报(社会科学版),2019(4): 178-184.[29] Siemens G. Learning analytics the emergence of a discipline [J].

American Behavioral Scientist ,2013(10): 1380-1400.[16] Essa A, Ayad H. Improving student success using predictive models

and data visualizations [J]. Research in Learning Technology, 2012

(20):58-70.[30] 荀振芳•教育：对生命本原的追问和超越——雅斯贝尔斯《什么是

教育》述评[J]•大学教育科学,2004(2):83-86.8

*np77/V/N[17] UMBC.\"Check My Activity% Reports for students now available in­

①

side blackboard[EB/OL]. [2019-10-09].http ：//www.umbc.edu/blogs/ oit—news/reports/.[18] Arizona State University. How does eAdvisorTM benefit me?[EB/0L].

[作者简介]张进，博士，湖南科技大学教育学院副教授，研究方向：教育大

①丄

a<

数据-网络学习空间；魏立鹏,硕士 ,兰州交通大学继续教育学院助 教，研究方向：信息

与教育应用、教育数据挖掘等;刘斌，博士，湖p//\"[2019-10-09].https : //eadvisor.asu.edu/.[19]

，李洋，等.

中基于面部表情的教学效果分析[J] •现代南 大学教育学院讲师，研究方向：在线学习。Research on Learning Behavior Optimization based on Learning Analysis in Intelligent Environment

Zhang Jinliang1,Wei Lipeng2 & Liu Bin1(1. School of Education, Hunan University of Science and Technology ,Xiangtan Hunan 411201;2. College of Continuing Education, Lanzhou Jiaotong University, Lanzhou Gansu 730070)[Abstract] The intelligentization of learning environment has become the mainstream trend. How to use the learning analysis technology to mine and analyze students learning behavior dataoptimize students learning behaviorand stimulate learning initia­

',',tive is a topic worthy of attention in the field of online education. To this end,;ased on the analysis of learning ;ehavior literature,a learning behavior optimization model was constructed from five aspects: data collection and storage, behavior analysis, feedback and

caution, intelligent behavior optimization, and intelligent engine. The model was applied to the intelligent teaching practice of Hunan S University' s course, \"The Integration of Information Technology and Curriculum%. Student & s learning behavior data was obtained from the intelligent teaching platform. Different measures were adopted to optimize learning behavior for specific scenarios. The research

results show that optimical measures can not only improve the academic records on cognitive dimension effectively and enhance learnparticipation on participation dimensionG­

ing effects on interactive dimension, but also increase task -performing efficiency on time dimension and strengthen motivation and

[Keywords] Learning Behavior Optimization; Learning Analysis; Intelligent Learning； Intelligent Learning Environment；

Optimization Model收稿日期：2019年12月5日

责任编辑：吕东东<79