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。
- 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。