数据挖掘视角下网络学习者行为特征聚类分析

发布时间：2022-08-08 17:16

　　随着计算机与网络的快速发展和普及,网络学习已成为互联网+时代教育发展的重要组成。近年来随着大数据被广泛关注,基于数据挖掘的网络学习行为研究成为重要的研究方向和研究热点。当前关于网络学习行为的分类,大多数基于学习者本身属性,缺乏比较详细而深入的行为类型分析。基于数据挖掘的聚类分析,可以借助大数据的优势,发现数据背后的规律。利用陕西师范大学"现代教育技术"在线开放课程学习者的网络学习过程记录,采用数据挖掘工具对网络学习者行为进行聚类分析,研究发现:根据学习特征,网络学习者可以分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体;学习行为与学习效果密切相关,沉浸性高的学习者学习效果往往较好。教师可借助技术工具,对学习者进行不断更新、实时、循环的聚类分析,及时发现学习者的个体及群体学习特征,因材施教,推送适应性的个性化服务,并给予及时的学习预警与恰当的教学干预。 

【文章页数】：7 页

【文章目录】：
一、引言
二、文献综述
三、研究设计
    1. 研究框架
    2. 研究对象
    3. 数据收集与分析
四、数据挖掘
五、研究结论与建议


【参考文献】：
期刊论文
[1]基于行为序列分析对在线学习参与模式的探索[J]. 李爽,钟瑶,喻忱,程罡,魏顺平.  中国电化教育. 2017(03)
[2]Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析[J]. 李珊,刘继超,邵芬红.  现代电子技术. 2017(05)
[3]大数据时代网上学习行为研究的挖掘方法模型与应用[J]. 彭绍东.  电化教育研究. 2017(01)
[4]基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J]. 赵慧琼,姜强,赵蔚,李勇帆,赵艳.  电化教育研究. 2017(01)
[5]基于关联规则的网络学习行为实证研究[J]. 吴青,罗儒国,王权于.  现代教育技术. 2015(07)
[6]基于数据挖掘的网络学习行为与学习效果研究[J]. 傅钢善,王改花.  电化教育研究. 2014(09)



本文编号：3671912