基于大数据背景的在线学习行为分析模型
基于数据分析的消费者行为模型构建及应用研究
基于数据分析的消费者行为模型构建及应用研究近年来，随着大数据和互联网技术的发展，数据分析成为了一个越来越重要的领域。
数据分析可以为企业提供准确的消费者行为模型，帮助企业更好地了解消费者需求，以此提高产品销售量和市场竞争力。
一、数据分析在消费者行为模型构建中的应用消费者行为模型是一种建立在消费者行为基础上的模型，它可以帮助企业预测和分析消费者的行为趋势，以此调整企业的市场营销策略。
消费者行为模型构建的核心是收集、整理和分析数据。
这时候，数据分析技术就可以发挥作用了。
数据分析可以帮助企业深入挖掘数据，运用数学模型对数据进行处理和分析，提取有价值的信息，使企业更好地理解消费者的需求和行为偏好。
二、基于数据分析的消费者行为模型构建过程基于数据分析的消费者行为模型构建过程包括数据收集、数据清洗、数据分析和数据建模等几个步骤。
1. 数据收集数据收集是消费者行为模型构建的第一步。
企业可以通过多种渠道收集数据，包括调查问卷、销售数据、社交媒体数据等。
不同的数据来源可以提供不同的信息，综合利用多种数据可以更好地了解消费者的行为和偏好。
2. 数据清洗收集到的数据需要进行清洗。
数据清洗的目的是去除噪声数据和异常值，确保数据的准确性。
此外，数据清洗还可以将不同数据源的数据整合到一起，进一步提高数据的综合利用率。
3. 数据分析数据分析是消费者行为模型构建的核心步骤。
在数据分析阶段，企业需要运用统计学和计算机技术对数据进行处理和分析。
数据分析可以帮助企业了解消费者的行为习惯、购买偏好和消费意愿等方面的信息，为企业提供有价值的市场营销决策支持。
4. 数据建模数据建模是基于数据分析的消费者行为模型构建的最后一步。
在数据建模阶段，企业需要利用数学模型将数据信息传递到消费者行为模型中，以此预测和分析消费者行为趋势。
常见的数据建模方法包括回归分析、决策树分析和聚类分析等。
三、基于数据分析的消费者行为模型构建的应用场景基于数据分析的消费者行为模型构建可以应用于多种场景，以下介绍一些常见的应用场景。
在线学习行为分析和成绩预测方法
在线学习行为分析和成绩预测方法目录1. 内容概览 (3)1.1 研究背景 (3)1.2 研究目的和意义 (4)1.3 文献综述 (6)2. 在线学习行为分析 (7)2.1 学习行为数据的来源 (9)2.2 学习行为数据的采集与处理 (10)2.3 学习行为特征的提取与分析 (11)3. 学习成绩预测方法 (12)3.1 传统统计方法 (14)3.1.1 线性回归分析 (15)3.1.2 多元分析 (15)3.2 机器学习方法 (16)3.2.1 决策树算法 (17)3.2.2 随机森林算法 (19)3.2.3 支持向量机 (20)3.3 深度学习方法 (21)3.3.1 神经网络 (23)3.3.2 卷积神经网络 (24)3.3.3 循环神经网络 (25)4. 预测模型的构建与评价 (26)4.1 模型构建流程 (27)4.2 数据集准备 (29)4.3 特征选择与预处理 (30)4.4 模型训练与验证 (31)4.5 模型评价指标 (32)5. 案例研究 (33)5.1 案例背景与数据来源 (33)5.2 学习行为数据分析 (34)5.3 成绩预测模型的实现 (36)6. 在线学习行为与成绩预测的优化策略 (37)6.1 数据挖掘技术 (38)6.2 实时学习行为捕获 (39)6.3 个性化学习策略 (40)7. 结论与展望 (41)7.1 研究总结 (42)7.2 研究问题与不足 (43)7.3 未来研究方向 (44)1. 内容概览本报告旨在探讨在线学习行为分析和成绩预测方法的应用，以及如何利用这些分析结果来提高在线学习环境的教学效果和学生的学习体验。
在线学习近年来得到了迅猛发展，它不仅改变了传统的教学模式，也为教学方法的创新提供了新的可能性。
在这一背景下，我们通过行为分析和成绩预测的方法来理解学生的学习过程，从而为个性化学习和教学策略的制定提供数据支持。
报告首先对在线学习环境中的学习行为进行分析，包括学生完成作业的效率、参与讨论的热度、观看视频的学习时间等各项指标，揭示学生的个性化特征和学习习惯。
基于大数据分析的电商用户行为分析
基于大数据分析的电商用户行为分析电商行业在过去几年中取得了飞速的发展，实现了从线下实体店到线上电商平台的转变。
随着互联网技术的不断创新和发展，电商平台不仅仅提供了商品购买的便利，更为用户提供了个性化推荐、精准营销等增值服务。
而这一切的实现离不开基于大数据分析的电商用户行为分析。
一、电商用户行为分析的价值电商用户行为分析通过收集、整理和分析用户在电商平台上的行为数据，可以深入了解用户的偏好、需求和消费习惯，为电商平台提供个性化的服务和精准的营销策略。
具体而言，电商用户行为分析的价值主要体现在以下几个方面：1. 个性化推荐：电商平台通过分析用户的购物历史、浏览行为和搜索关键词等信息，可以为用户提供个性化的商品推荐。
这不仅可以提升用户的购物体验，还可以增加用户对平台的粘性和忠诚度。
2. 精准营销：通过分析用户的购买行为和消费偏好，电商平台可以将广告宣传和营销活动精确投放给感兴趣的用户群体，从而提高广告的点击率和转化率。
3. 商品设计和采购决策：分析用户对不同商品的评价和购买行为，可以帮助电商平台了解用户对商品的需求和偏好，从而为商品的设计和采购提供参考依据。
4. 用户留存和流失预测：通过对用户行为数据的分析，可以预测用户的流失风险，并及时采取措施提升用户的留存率。
同时，还可以分析用户留存的关键因素，为用户留存策略的制定提供参考。
二、电商用户行为分析的方法和工具1. 数据收集和整理：电商平台需要收集和整理用户在平台上的各种行为数据，包括浏览商品、添加购物车、下单购买等。
数据的收集可以通过用户注册、Cookie跟踪和数据采集工具等方式实现。
2. 数据存储和处理：电商平台通常使用数据库和大数据平台来存储和处理用户行为数据。
常用的数据库包括关系型数据库和NoSQL数据库，而大数据平台则包括Hadoop、Spark和Hive等。
3. 数据分析和挖掘：电商平台可以通过数据挖掘算法和统计分析方法来发现用户行为数据中的规律和潜在模式。
教育大数据七个模型
教育大数据七个模型随着信息技术的快速发展，教育领域也开始逐渐应用大数据技术来提升教学质量和学生学习效果。
在教育大数据的应用过程中，有七个重要的模型被广泛使用，它们分别是：学习分析模型、学习路径模型、学习资源模型、学习行为模型、学习社交模型、学习评估模型和学习预测模型。
第一个模型是学习分析模型。
这个模型主要用于分析学生的学习过程和学习成果。
通过收集学生的学习数据，如学习时间、学习进度、作业完成情况等，学习分析模型可以对学生的学习情况进行全面的评估和分析。
通过分析学生的学习数据，教师可以发现学生的学习问题，及时给予帮助和指导，提高学生的学习效果。
第二个模型是学习路径模型。
学习路径模型是指根据学生的学习目标和学习特点，设计出最适合学生的学习路径。
通过分析学生的学习数据和学习行为，学习路径模型可以为学生提供个性化的学习建议和指导。
例如，对于某个学生来说，他可能更适合先学习数学再学习语文，学习路径模型可以根据学生的学习数据和学习行为，为他提供相应的学习路径。
第三个模型是学习资源模型。
学习资源模型是指根据学生的学习需求和学习特点，提供最合适的学习资源。
通过分析学生的学习数据和学习行为，学习资源模型可以为学生推荐适合他们的学习资源，如教材、教学视频等。
通过提供合适的学习资源，学习资源模型可以帮助学生更好地理解和掌握知识。
第四个模型是学习行为模型。
学习行为模型是指分析学生的学习行为和学习习惯，以帮助学生养成良好的学习习惯和方法。
通过分析学生的学习数据和学习行为，学习行为模型可以为学生提供个性化的学习建议和指导。
例如，对于某个学生来说，他可能更适合在早晨学习数学，在下午学习语文，学习行为模型可以根据学生的学习数据和学习行为，为他提供相应的学习建议。
第五个模型是学习社交模型。
学习社交模型是指通过分析学生的学习社交网络，来帮助学生进行学习。
学习社交模型可以分析学生之间的互动和合作情况，通过学生之间的互动和合作，促进学生之间的学习和交流。
基于大数据的在线教育平台的数据分析与可视化
基于大数据的在线教育平台的数据分析与可视化基于大数据的在线教育平台的数据分析与可视化可以涵盖以下几个方面：1. 用户分析：- 用户注册、登录、活跃度等数据分析，包括用户增长趋势、用户地域分布、用户属性分布等。
- 用户行为分析，包括用户在平台上的浏览、搜索、观看视频、提交作业等行为数据分析，以及用户的学习习惯、学习进度等分析。
- 用户流失分析，包括用户的流失率、流失原因等分析，以及对流失用户的召回策略分析。
2. 课程分析：- 课程的受欢迎程度分析，包括课程的浏览量、收藏量、购买量等数据分析。
- 课程评价与反馈分析，包括学员对课程的评分、评论等数据分析，以及对评价较低的课程进行改进的策略分析。
- 课程内容分析，包括对课程视频观看进度、学习时长等数据分析，以及对学员学习效果的评估分析。
3. 教师分析：- 教师评价与反馈分析，包括学员对教师的评分、评论等数据分析，以及对评价较低的教师进行改进的策略分析。
- 教师教学效果分析，包括教师的课程通过率、学员学习成绩等数据分析，以及对教师的培训与提升策略分析。
4. 数据可视化：- 利用图表、仪表盘等可视化工具展示上述数据分析结果，以便决策者能够直观地理解和分析数据，并及时采取相应的措施。
- 可以使用柱状图、折线图、饼图等来展示用户增长趋势、用户地域分布、课程受欢迎程度等数据。
- 可以使用热力图、散点图等来展示用户行为分析、流失分析等数据。
- 可以使用雷达图、词云等来展示教师评价与反馈分析、课程内容分析等数据。
通过对以上数据分析与可视化，可以帮助在线教育平台进行用户运营、课程优化、教师培训等决策，提升用户体验和学习效果。
基于大数据的在线教育平台的数据分析与可视化
基于大数据的在线教育平台的数据分析与可视化基于大数据的在线教育平台的数据分析与可视化主要涉及以下几个方面：1. 用户行为分析：通过收集用户在平台上的各种行为数据，如浏览课程、观看视频、提交作业等，进行用户行为分析。
可以通过数据分析找出用户的兴趣偏好、学习习惯以及参与度等，从而为平台提供个性化的推荐和学习路径，提高用户满意度和学习效果。
2. 课程效果分析：通过收集课程的学习数据，如学习时长、学习进度、作业成绩等，进行课程效果分析。
可以通过数据分析评估课程的教学质量，找出课程中存在的问题，并针对性地进行优化和改进。
3. 教师评估与辅助：通过收集教师的教学数据，如课程评分、学生反馈等，进行教师评估与辅助。
可以通过数据分析评估教师的教学水平和教学效果，为教师提供个性化的辅助和培训，提高教学质量。
4. 学习社交分析：通过收集学生之间的互动数据，如讨论、评论、点赞等，进行学习社交分析。
可以通过数据分析了解学生之间的学习互动情况，发现学习中的问题和困难，并提供相应的帮助和支持。
5. 平台运营分析：通过收集平台运营数据，如用户注册量、付费率、留存率等，进行平台运营分析。
可以通过数据分析了解平台的用户增长情况、用户转化率以及用户留存情况，为平台的运营决策提供数据支持。
在进行数据分析与可视化时，可以使用各种数据分析工具和可视化工具，如Python中的pandas、matplotlib和seaborn库，R语言中的ggplot2库，以及Tableau等可视化工具。
通过这些工具可以对数据进行清洗、处理和分析，并将分析结果可视化展示，以便更好地理解数据和发现潜在的规律和趋势。
基于大数据的在线教育个性化学习方案设计
基于大数据的在线教育个性化学习方案设计第一章引言 (2)1.1 在线教育背景介绍 (2)1.2 个性化学习的重要性 (3)1.3 大数据的概述与应用 (3)第二章大数据技术在在线教育中的应用 (4)2.1 大数据技术概述 (4)2.2 在线教育中的大数据技术 (4)2.2.1 数据采集 (4)2.2.2 数据存储与处理 (4)2.2.3 数据分析与挖掘 (4)2.2.4 数据可视化 (5)2.3 大数据在教育领域的价值 (5)2.3.1 个性化教学 (5)2.3.2 教育资源共享与优化 (5)2.3.3 教育质量评估与改进 (5)2.3.4 教育决策支持 (5)第三章个性化学习方案设计框架 (5)3.1 个性化学习方案设计原则 (5)3.2 个性化学习方案设计流程 (6)3.3 个性化学习方案评估与优化 (6)第四章学习者特征分析 (7)4.1 学习者特征概述 (7)4.2 学习者特征分析技术 (7)4.3 学习者特征数据采集与处理 (7)第五章学习内容推荐 (8)5.1 学习内容推荐概述 (8)5.2 基于大数据的推荐算法 (8)5.2.1 协同过滤算法 (8)5.2.2 内容推荐算法 (8)5.2.3 深度学习算法 (9)5.3 学习内容推荐策略与应用 (9)5.3.1 推荐策略 (9)5.3.2 应用案例 (9)第六章学习路径规划 (9)6.1 学习路径规划概述 (9)6.2 基于大数据的学习路径规划方法 (10)6.2.1 数据采集与预处理 (10)6.2.2 学习者特征分析 (10)6.2.3 学习路径 (10)6.3 学习路径规划的实施与优化 (10)6.3.1 学习路径规划的实施方案 (10)6.3.2 学习路径规划的优化策略 (11)第七章学习进度监控与反馈 (11)7.1 学习进度监控概述 (11)7.2 大数据在学习进度监控中的应用 (11)7.3 学习进度反馈策略与实践 (12)第八章个性化学习辅导 (12)8.1 个性化学习辅导概述 (12)8.2 基于大数据的辅导策略 (13)8.2.1 数据采集与分析 (13)8.2.2 个性化学习路径规划 (13)8.2.3 智能推荐系统 (13)8.2.4 学习者画像构建 (13)8.3 个性化学习辅导的实施与评估 (13)8.3.1 个性化学习辅导的实施 (13)8.3.2 个性化学习辅导的评估 (14)第九章学习效果评估 (14)9.1 学习效果评估概述 (14)9.1.1 定义与重要性 (14)9.1.2 学习效果评估的发展历程 (14)9.2 大数据在学习效果评估中的应用 (14)9.2.1 数据来源 (14)9.2.2 数据处理与分析 (15)9.2.3 应用案例 (15)9.3 学习效果评估方法与工具 (15)9.3.1 评估方法 (15)9.3.2 评估工具 (15)第十章总结与展望 (15)10.1 个性化学习方案设计总结 (15)10.2 大数据技术在在线教育中的应用前景 (16)10.3 未来研究方向与挑战 (16)第一章引言1.1 在线教育背景介绍信息技术的飞速发展，互联网已成为推动教育变革的重要力量。
基于大数据的学生个性化学习行为与精准教学策略研究
基于大数据的学生个性化学习行为与精准教学策略研究作者：吴传荣刘雅杰黎建新何昊来源：《科教导刊》2023年第17期摘要现代教育追求导向精准化、方式智能化，以适应学生个性成长，培养社会发展所需的创新型人才。
文章为尝试挖掘学生学习行为中的隐性行为，全面准确地分析学习者的特征，基于大数据的个性化学习关键技术，以及开展基于深度强化学习的个性化学习的反馈机制，对基于大数据技术的个性化学习进行深入分析，给出促进精准教学的方法与策略，为个性化学习的研究与实践提供一定的参考。
关键词大数据；个性化学习；精准教学中图分类号：G642文献标识码：ADOI：10.16400/ki.kjdk.2023.17.046人才是国家发展的重要战略资源，科技创新是实现高质量发展的保证。
党的二十大报告指出，教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。
近年来，科技的迅速发展为教育改革提供了坚实的后盾。
利用互联网、大数据、人工智能等前沿科技，推动教育教学现代化发展，优化教学策略，完善人才培养模式，为满足学生个性化学习的需求制订精准的教学策略。
应用大数据技术采集、分析学生的学习记录数据，能形成包含知识水平、学习情境、学习行为等特征的个性化学习画像，提供有效的具体学习反馈，量身定制高质高效的学习策略。
全面实施精准教学为学生全面发展和个性化发展提供了现实路径，对促进教育公平和培养创新人才具有重要的研究意义和广泛的应用价值。
1基于大数据的个性化学习行为特征分析精准识别学习者的个性化特征是实现个性化学习的起点。
学习行为特征最重要的描述指标包括过往经验、学习动机、学习能力、学习习惯以及个体特征等，随着网络学习平台的发展和个性化学习研究的深入，原先简单的考查特征逐步拓展到学习者行为特征、知识背景、学习动机、学习方法、学习风格、情感表现，甚至价值体系等方面。
对学习者个性化特征进行系统化描述可以从三个方面入手：学习动机、学习资源与学习风格。
- 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)。
龙源期刊网 http://www.qikan.com.cn
基于大数据背景的在线学习行为分析模型
作者：崔贝贝
来源：《课程教育研究》2018年第44期
【摘要】我国科技技术的进步带动了在线学习模式的较快发展，使其实现了网络化与数字
化，这在较大程度上在大数据背景下为在线学习行为分析模型的建立提供了保障，保证了在线
学习行为分析模式构建质量，不但能够使在线学习形式得到较大丰富，而且在较大程度上可加
快我国在线学习的未来发展。
【关键词】大数据背景 在线学习行为 分析模型
【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2018）44-0001-01
前言：
21世纪，人们生活已步入信息化时代，较多行业在大数据背景下有较大的发展，其中在
线学习在此基础上正积极探索新型技术来提升其质量，这在一定程度上可提高学习效率。此
外，移动电话与互联网连接较为紧密，一般情况下通过短信来提升客户对产品的认识，不但能
够提高客户对产品认知度，而且在一定程度上可增加对产品的反馈效果，这对在线学习模型建
立具有较大促进作用。
1.在线学习行为概述
随着我国经济的发展，教育的发展也呈现出了以信息为基础的教学模式，其中在线学习是
现代教育中一种新型的学习形式[1]。较多学者没有对此种学习法方法进行确切的定义，主要
对其描述为：学习者借助网络技术，在网络环境中利用网络提供的学习平台与工具获得自身需
要的信息与资源，以此进行自主学习与交互。此外，在线学习有广义与狭义之分，其中广义主
要是指学习者从网络平台中获得信息与资源的总和；狭义主要是指学习者根据自身所需对学习
平台进行针对性选择，并使用一些辅助工具与资源信息能够提升其学习质量，实现学习具体
化。
2.在线学习行为的分类
在线学习主要是根据人工智能理论为基础，其中人工智能理论主要有不同的维度体系，在
此基础上具有较为完善的属性，可在较大程度上对学习者的学习要求进行有效满足，并且满足
了在线学习行为分类维度[2]。此外，人工智能主要是根据一些智能行为发展而来，能够对一
些学习行为过程中的分类进行有效指导，一般情况下在线学习行为的分类主要从功能、结构以
及方式三个维度。其中结构维度的学习行为的出发点一般情况下是从认知、操作、解决问题以
及协作角度进行分类分析；功能维度主要是从学习者在学习的过程中，对学习信息处理过程实
施针对性有效的分析，其中信息行为一般有加工、查询以及发布等；方式维度主要是学习者在
龙源期刊网 http://www.qikan.com.cn
平台中进行有效的交流与互动的一种行为，其中从交互对象角度来看，有人机交互、人人交
互。
3.大数据背景下在线学习分析模型构建原则
3.1 通用性原则
通用性原则主要是指在线学习分析模型的构建不但可以在该平台为学习者提供信息资源与
学习，而且在其他平台中也能为学习者提供信息资源与学习，能够在较大程度上提高学习者多
方面要求，而且可满足不同管理者需求，为此能够对分析模型中的一些方法与组织模块进行有
效添加。
3.2 系统性原则
系统性原则主要是把在线学习行为分析模型当作一个系统，在此基础上对该系统中的要素
进行针对性分析，其中有分析方法、目标以及数据等，这在较大程度上能够有效保证分析模型
的合理性与科学性。
3.3 对应性原则
对应性原则主要是表明学习过程应当与分析任务相对应，比如学习者应当通过哪种方法来
得到较高的学习的成绩，哪种操作能够产生此种较好的学习效果[3]。在线学习行为分析模型
任务的确定有较强的针对性，平台管理者能够在模型构建过程中根据学习者需求进行任务的有
效设定，把学习过程与分析任务进行有效对应，以此找出关键点。
4.大数据背景下在线学习分析模型构建
4.1 在线学习行为的数据模型构建
4.1.1 多维度的在线学习行为数据模型
概念数据模型的建立是模型构建过程中较为重要的内容，以此加强对对象与实体对象之间
的关系，一般有面向对象法、实体联系法以及谓词法。其中，谓词法主要是通过句子结构进行
数据模型的构建，以此在较大程度上可对在线学习行为中主体与客体之间的关系进行维护。
4.1.2 多层次的在线学习行为数据模型
在线学习行为分类较多，其复杂程度具有差异性，根据复杂性不同将其分为低级、中级和
高级。其中，低级在线行为是指学习者进行一次性操作行为；学习者进行不同方向交互以及评
价操作属于中级行为；高级在线行为主要是学习者通过在线学习对一些较为复杂的问题进行有
效解决的行为。
龙源期刊网 http://www.qikan.com.cn
4.2 在线学习行为数据的采集
在线学习行为数据采集需要用同步采集技术，一般情况下主要体现在以下不同方面：
（1）可以通过服务器端进行数据的有效采集，其中包括两种格式，扩展日志格式以及通用日
志格式，能够在较大程度上保证在线行为的实时性；（2）能够通过客户端进行数据的采集，
其数据采集方法一般是通过创建Cookie实施有效采集，但需要用户许可。
4.3 在线学习行为分析模型的横向流程设计
4.3.1 在线学习行为的聚类分析
在线学习的分类标准较为模糊，并且具有一定的差异性，在进行分类过程中没有全面考虑
学习过程，另外由于学习者自身需求与动机具有较大的差异性，使学习者之间学习行为有较大
不同，此外通过行为的聚类分析结果，对学习属性相似度进行有效分析，并进行不同类别的划
分，通过对不同群体行为特征实施针对性分析。
4.3.2 在线学习行为的个性化课程分析
随着时代的发展，个性化学习需求较大，平台管理者希望进行个性化学习服务工具的设
计，能够在较大程度上提升学生的学习效率[4]。此外，平台中的课程推荐功能可根据学习者
自身兴趣进行针对性信息数据的选择，以此满足个性化学习要求。
4.4 在线学习行为分析模型的纵向流程设计
使用在线学习行为数据分析模型，并通过一些学习任务从平台中获得信息数据，同时实施
预处理。此外，在线学习行为信息数据由于类型不同，在收集的过程中会在一定程度上出现新
型数据不完整、噪音以及冗余等，这就需要对数据分析之前实施预处理。除此之外，在线学习
方法较为重要，只有选择合理的学习方法才能保证分析结果的正确性，才能对教学结构进行有
效完善与优化。
结语：
综上所述，本文主要通过电信运营商在线营销作为研究案例背景，通过大数据分析的方
法，按照特征选取、模型、训练集等流程，以可自由支配的收入、时间和社会学习作为主要的
研究特征，并以营销人员构建的对照组为参考选取实验组，证明数据驱动方法在目标客户选择
方面有较好的实验结果。
参考文献：
[1]樊剑剑.基于大数据的在线学习行为分析模型研究[J]. 自动化与仪器仪表， 2018（3）：
62-63.
龙源期刊网 http://www.qikan.com.cn
[2]杨雪， 姜强， 赵蔚，等. 大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].
电化教育研究， 2017（7）：51-57.
[3]贾艳梅， 刘礼想. 大数据环境下在线学习行为的分析[J]. 中小学电教（下半月）， 2015
（8）：3-4.
[4]姜强， 赵蔚， 王朋娇，等. 基于大数据的个性化自适应在线学习分析模型及实现[J]. 中
国电化教育， 2015（1）：85-92.