基于大数据下智能在线学习模型评价研究

李迪

摘 要：改革开放以来，伴随着我国社会经济的发展，网络化与数字化逐步完善，使得在线学习模式加快发展，同时也为在线学习模型构建提供了数据支持。这一学习模型的构建为在线学习提供了相对完整的平台，高质量内容丰富的在线学习模型的构建，有效地推动了我国在线学习的发展。本文通过对大数据下智能在线学习模型评价研究，得出其在未来社会起到的作用，和得以设计实现的理论依据。

关键词：大数据背景;智能在线学习模式;实现设计的理论依据

Abstract：With the development of China's society and economy after the reform and opening up， the relative improvement of networking and digitalization has accelerated the comprehensive development of online learning models， and it has also provided data support for the construction of online learning models. The construction of these learning models provides a relatively complete platform for online learning. The construction of high-quality and rich online learning models has effectively promoted the development of online learning in China. This article evaluates intelligent online learning models under big data. Studies have drawn its role in praying for future society， and the theoretical basis for its realization.

Key words：big data background;intelligent online learning model;theoretical basis for design realization

0 引言

随着新世纪的到来，我们的日常生活也越来越多应用信息技术，在大数据时代背景下，多数行业的发展速度都得到了稳步提升，同时也加速了对在线学习模式的研究和探索，通过在线学习模型的构建不仅可以提高学习效率还可提升学习质量。大数据时代的到来为我国的教育教学决策提供了新的发展方向，为教育学习注入了更多的可能性。

1 大数据背景下挖掘教育数据的价值及基本模式

1.1 挖掘教育数据的实际意义

大数据背景下的信息收集更具效率，原始数据向有用信息的转化也为日常教育提供了相应的数据支持，教育软件通过构建在线学习模型将此类信息加以充分利用，为相应的学习群体提供了平台支持。同时系统的教育数据挖掘也为教育系统注入了新鲜活力，与其他传统模块的良性互动，为教育改革起到了推动作用。教育工作者通过对教育数据的深度挖掘，客观且全面的掌握了学习用户的反馈信息，通过实际学习过程中产生的问题，对学习策略、教育模式、课程开发和目标制定都做出相应的调整，不仅有益于学习群体的高效学习，也为在线学习模型设计和研究提供了实际教学经验。

1.2 构建完整的教育数据挖掘模式

通过学习者在线学习所留下的记录数据可以对其学习行为进行具体准确的分析，针对学习主体登录时间、浏览具体内容以及在线互动交流心得等多个方面进行具体分析，从而得出大数据下在线学习模型构建的数据支持，并结合系统的数据分析对可影响在线学习行为的诸多因素进行深层次发掘。教育数据模式发掘的前提在于对多种数据挖掘工具和算法的精准控制及应用，具体由工具与算法、基本理论数据和数据发掘工作三方面构成，具体如图1所示。

这三要素中又以数据挖掘工作更为重要，通过对基础数据收集，相应数据分类处理以及模式解释评价等多个层面进行综合运用，得出数据挖掘工作对在线学习行为以及模型构建的影响。

具体实施流程如图2所示。

2 在线学习行为概述及具体分类

2.1 在线学习行为具体概述

伴随着我国社会经济的不断发展和大数据背景时代的到来，基础教育的发展也受其潜移默化的影响，逐步朝着以信息为基础的新型教学模式发展。其中在日常教学中的应用最为广泛的当属在线学习行为。但是因其作为新兴教育模式目前还没有对其做出确切的定义。综合其日常应用情况可以大致概括为：学习者通过合理运用和借助现有的网络技术和环境打造的交互性学习平台获取自身所需的信息和资源，从而达到完成自主学习的目的。在线学习行为也因其自身具有广泛性和针对性的特点而被广泛应用。所谓的针对性是指学习者可借助辅助学习工具对所需知识资源进行针对性学习，而广泛性则指的是网络学习平台通过数据挖掘所积攒的信息与资源的总和。这两种特性不仅有助于学习者提升学习质量也有助于学习具体化的实现。

2.2 在线学习行为的系统分类

以人工智能理論为基础的在线学习方式具有相对的智能性和灵活性，根据所处空间维度体系的不同具有较为完善的属性，可满足学习者不同阶段和内容的学习需求，使在线学习行为更容易被操作和实现。根据不同种类的智能行为发展而来的人工智能，更具层次性和针对性，可对在线学习过程进行分类指导，可确保在线学习行为有效有序的进行。在线学习行为在广义上大致分为三个维度，即功能、结构和方式。以认知到操作再到解决问题的学习行为过程是结构维度的出发点，也是对行为进行分类分析的前提保证。而功能维度更多具有的是针对性，其对学习过程中的信息处理和信息实施都有辅助作用，通过加工、查询和发布等多种功能提高在线学习效率。方式维度可以满足学习主体在线学习的交互性需求，人机交互与人人交互的双重保障可有效发现在线学习网络系统中的漏洞，便于在线学习模型的构建。

3 构建在线学习模型所需遵循的原则

3.1 遵循通用性原则

在线学习分析模型的构建不应只适用于一种学习平台，而是应当适用于多种学习平台。在构建在线学习模型过程中遵循通用性原则，可以使学习主体在多种学习平台上获取所需的信息资源以此完成自主学习的目的。这一原则的具体应用不仅可以有效地提高在线学习效率，还可以满足不同学习平台管理者的需求，各平台之间的互通性可以更好的分享所挖掘的信息数据和运用过程中产生的实际问题，及时的沟通交互有助于添加一些学习模型应用中所需要的组织模块，有助于构建更加高效完善的在线学习模型体系，通用性原则是构建过程中需要遵循的主要原则，应受到相应的重视和关注。

3.2 遵循系统性原则

如果将在线学习行为分析模型试做一个完整的系统结构，那么遵循系统性原则则是支持其正常运营的有效保障。在确保学习分析模型正常运转和使用的前提下，可对系统中的重要因素进行系统全面的分析，这其中不仅包括分析方法和分析目的，还包括数据收集和处理等内容，较强的针对性保证分析模型得出的结果更具合理性和科学性。精准的分析结构可以确保在线学习模型的构建更加全面化和精准化。

3.3 遵循对应性原则

学习过程与分析任务的相互对应很好地体现了对应性原则，有助于构建智能化在线学习模型。例如对应性原则可以根据以往的搜索记录和具体学习行为，准确分析出哪种学习方法和系统操作有助于帮助学习主体更好的学习，从而达到提升学习效率获取更好成绩的学习效果。通过遵循对应性原则，使智能在线学习模型更具针对性。平台管理者可根据学习者的实际需要出发，设定更符合其要求的学习目标和学习计划，通过对既定目标的有效实现将学习过程和分析任务进行良好的对接，应用关键点的找出有助于学习模型的快速构建，从而推动在线学习行为的高速发展。

4 影响智能在线学习模型构建的因素

智能在线学习模型具有交互性、智能性和开放性等多个特点，其富含丰富多样的学习资源。学习者在利用模型学习过程中会产生相应的学习日志，包含登录信息、搜索所需知识和具体学习行为等多种记录。以下通过对高等院校学生学习日志进行相关分析从而得出影响智能在线学习模型构建的因素[1]。

4.1 学习日志的数据采集和预处理

学习日志的数据采集大致分为4个层面，具体包含学员原始信息数据、登录浏览信息、学习体验信息和阶段性考试信息等四份数据。将这4份数据依次导入系统数据库中，通过形成的四张数据表来进行系统的分析和数据挖掘，并通过设立学号字段做为中枢纽带将4张数据表进行相互串联，具体操作流程设计，如图3所示。通过对一直数据的反复分析，从而得出影响智能在线学习模型构建的因素。

4.2 学习主体登录行为影响因素分析

上文中的学生学号和登录时间的设定是登录行为中的重要字段。但在记录过程中需要特别注意的是将登陆次数和单位时间内登录的人数进行区分，因为如果按照登录次数进行记录和分析会不够准确，在线学习过程中会产生学员操作不当发生反复登录的现象，这种行为会造成部分学员勤于学习的假象，分析出的数据会影响在线学习模型的评价。因此在下面的实际测试中会以“周”作为分类字段进行学员登录率的统计周期，以学号作为字段统计的基础[2]。

4.2.1 学员群体学习周期的具体分析

个体学员的学习周期是具有随意性和不确定性的，从实际教学的角度出发了解学员群体的学习周期才是研究重点，通过分析学生在在线学习模型中的具体登录记录，确定出学生群体整体参与在线学习的具体时间段，从而衡量处在线学习实际开展的进度和完成情况，有助于在线学习模型管理者掌握学习者的学习进程和理解状况。作为智能在线学习模型的管理者还可以通过统计学生首次和末次的登录学习时间，利用时间推移判断出学习者整个学习周期的长度，确定在线学习终止的速度，通过对这一数据的准确掌，得出学员的学习周期有助于构建更加高效完善的智能在线学习模型[3]。

4.2.2 学生登录行为的影响因素

通过Microsoft SQL Server Analysis Services提供的局册数算法，可以对学生登录行为进行准确系统的分析。通过分析得出不同的专业、性别和层次等因素都会对登录天数产生或多或少可以對的影响，其中以层次的影响最为强烈。举例来讲不同专业的学员在登录天数上也会有明显差别，而性别是这其中影响最小的元素。依照以上细致全面的分析数据，在线学习模型的管理者可以为不同需求的学习者制定不同的学习方案并进行适当的引导和调整。不同登录行为的产生主要是由于学习者的专业指向性不尽相同。管理者可以借助已得的分析结果，对学习者进行针对性的教学管理，从而有助于提高学下效率和掌握效果，也有利于智能在线学习模型的构建和健康发展。

4.3 学习主体浏览行为影响因素分析

智能在线学习模型中储存的学习资料种类繁多，可以满足不同层次不同专业的学习者的自主学习需求。以下借助Flash动画交互操作的具体实施，使模型系统可根据学习主体的浏览记录进行深入分析，从而找到影响学员浏览因素。具体统计分析结果，如表1所示。

从图表我们不难看出动画交互的方式对学习者的吸引力是最大的，可以使学员反复学习不失兴趣，访问次数最多的是问题库，这也就表明学员在线自主学习过程中如果产生疑问，会通过访问问题库进行解答。管理者可以根据表格的具体呈现适当的调整教学目标和进程，帮助学员快速的完成已经制定的目标，提高消息效率促进在线学习模型稳固发展。

5 在线学习模型的设计实现

5.1 构建多维度在线学习模型

智能在线学习模型构建的主要内容是建立概念数据模型，通过加强实体对象与设定对象之间的相互联系，可以实现概念数据模型的构建与完善。以常用的谓词法举例，是通过句子结构完成相应的口令任务，从而达到构建目标的实现。多维度的在线学习模型的构建可以更好的维护主体与客体在线学习行为中的关系，使其在实际应用过程中更好的被运用，有助于学习者提升学习效率，完成既定学习目标和智能在线学习模型于现实应用中的设计于实现[4]。

5.2 构建多层次在线学习模型

因在线学习者的专业、学习需求的不同，致使其在线学习行为具有很大的差异性，对所需资料的难以程度和復杂程度也有不同程度上的要求。因此构建多层次的智能在线学习模型可以有效的满足学习者的学习需求。不同的层次对应不同的学习主体更具针对性，有助于学员更好地吸收和理解所学内容。低层次的在线学习模型可以满足学习者一次性的操作行为，操作简单明了知识点浅显易懂易吸收，而中层次的在线学习模型可以满足学习者的交互需求，还可以对操作进行评价，对学习过程中产生的问题进行有效解决。高层次的在线学习模型则可以满足学习者的高端学习需求，通过学习和解决一些较为复杂的问题，有助于学员素质的全面提升。因此构建多层次的智能在线学习模型有助于其在现实中的具体应用。

5.3 制定个性化课程分析

随着社会的不断进步和大数据时代的到来，学习者的个性化学习需求也在不断增大，智能在线学习模型设定个性化学习服务工具，不仅可以迎合社会发展的需要也可以提升自身竞争实力。个性化课程的应用不仅可以有效的提升学习效率还可以激发学生的学习兴趣。个性化的课程制定更加贴合学习者的学习需求，有助于既定目标的实现。同时管理者还可以通过学习者的访问记录来获取其需要学习的知识类别，并根据其自身兴趣推荐具有针对性的信息数据，以此满足学习者的个性化学习需求。智能在线学习模型制定个性化课程分析有助于双赢局面的形成，也有助于促进智能在线学习模型在现实生活中的设计与实现进程[5]。

6 总结

为了贴合社会发展的脚步和学习主体的实际需要，智能在线学习模型的构建和实现的进程也必须加快。本文通过对智能在线学习模型应用现状和其具体影响因素的分析，得出该项技术在现实生活中的可实现性和可操作性。智能在线学习模型不仅可以满足不同学习主体的个性化学习需求，还可以提升学习效率增进学习速度，并通过良好的交互性有效的解决学习过程中产生的问题。由此得出智能在线学习模型的构建不仅有利于学员提升整体素质，还可以推动传统教学模式向现代化教学模式转变。

参考文献

[1] 崔贝贝. 基于大数据背景的在线学习行为分析模型[J].课程教育研究， 2018（44）：1-2.

[2] 叶志翔，王红玲，李荣，等.基于教育大数据的网络学习行为分析模型的研究[J]. 教育现代化， 2019（85）：210-211.

[3] 赵建伟，彭成圆.教育大数据背景下大学生网络学习行为实证研究[J]. 当代教育实践与教学研究， 2019（15）：34-35.

[4] 谢淑敏.基于大数据的高职学生学习行为及效果分析[J]. 电脑与电信， 2018（9）：6-9.

[5] 戴艳涛，杨淼森，崔元彪，等. “互联网+”对学生学习行为产生的影响研究[J].教育现代化，2017（42）：335-336.

（收稿日期：2019.09.16）