對“在線學習行為”可能應用方向的分析建模及挖掘
在日趨精密數字技術條件下，學習模式已通過互聯網、社會化媒體實現數字化。海量的學習信息以數據的形式蘊含著學習者的隱性行為特征。文章從數據挖掘與領域應用、學習行為及行為分析、網絡行為分析模型三個角度對在線學習行為可能的應用方向進行綜述研究，探討學習者的在線學習行為的建模機制，建立了數據、機制、結果三層次模型，并從網絡挖掘的角度對學習數據進行模式分類與解析。
一、引言
縱觀21世紀教育研究的發展趨勢，探究學習者的深層次思維與行動成為教育者關注的焦點。學習是個體獲得行為經驗的過程(Dienes et al.，1995)，從教育心理學角度它可分為外顯學習(Explicit Learning)與內隱學習(Implicit Learning)。傳統學習行為理論研究由于技術與工具的局限性，只探討那些能直接測量的、可觀察的行為，而對內隱的學習行為潛能的研究，一直缺乏一手的實踐數據，且尚未形成系統的理論分析體系。因此如何革新傳統的學習行為分析模式，將內隱分析與外顯結合是教育者們一直思索的方向。
隨著網絡課程與學習技術系統的發展，在線學習越來越多地發生在各種教育情境中，這為深入研究學習者學習心理、行為帶來了新契機?；诰W絡的學習能使學生憑自己的喜好進行自主、探究性的學習，學習行為能自然地呈現，網絡也提供了記錄學習者隱性學習行為的載體。這些學習行為常常是無意識、零散的，行為之間潛在關聯結構、底層規則不顯著，但比外顯學習行為更能體現學習中微妙而復雜的邏輯關系，能折射學生最真實的思維與學習情況，是教師或其它評價機制不易捕獲到的。隱藏在學習平臺記錄中的學生學習行為，猶如豐富的礦藏，如果采用適當的采掘方式進行挖掘，這些反映學生學習行為(包括學習者的態度、動作、語言)的數據，能夠成為跟蹤學習、評價學習以及改進學習的最佳數據來源。由商業領域孕育而生的數據分析技術——“商業智能”，目前正在教育領域中悄然掀起并加劇進化，學習分析(Learning Analysis)作為一種教育數據分析技術，成為發展中不可或缺的核心力量(祝智庭等，2012；顧小清等，2012)。它通過對數據背后所隱藏的信息加以發現和理解并有效進行利用(或干預、或預測)的研究，從而追求最大的教育效益(Siemens et al.，2011)。為此，最為核心的問題是構建能滿足學習跟蹤、評價及改進需求的行為分析模型和數據挖掘算法。
本研究在廣泛文獻調研的基礎上，從學習分析需求出發，構建了在線學習行為分析模型，并設計了學習數據的挖掘模式，最后結合案例探討了學習分析研究的科學意義和應用價值。
二、現狀分析
由于對學習者在線學習行為分析涉及多個學術領域與技術，如數據挖掘、計算機網絡、行為認知學、人工智能、數理統計等，因此本研究的前期調研聚焦以下三個方面：數據挖掘與領域應用、學習行為及行為分析、網絡行為分析模型。
從大量數據中抽取有用信息的相關研究、技術及工具，在計算機領域有多種提法，包括數據挖掘、知識發現、知識提取等(Agrawal & Shafer，1996)?？傮w而言，研究人員更多地使用數據挖掘這一術語(Kurgan & Musilek，2006)。
上世紀90年代曾興起一股研究熱潮，研究人員致力于尋找一種通用算法，以解決所有與從大量數據中搜尋有用信息相關的問題。在研究算法之外，許多特定的數據挖掘工具應運而生。譬如，Clementine(Khabaza & Shearer，1995)、IBM Intelligent Miner(Tkach，1998)、Weka(Witten & Frank，2005)和DB Miner(Sole，2010)等。在工具、方法論及模型得到快速發展后，數據挖掘在諸多領域得到了廣泛且日益成熟的應用。國內外電信公司將數據挖掘引入核心業務管理系統，應用方向包括客戶分析及客戶關系管理(Cui，2009)；銀行使用數據挖掘技術實施反洗錢監控(Cao & Do，2012)、客戶信用質量評估(Huang & Wu，2011)；證券交易監管部門使用數據挖掘技術實施欺詐交易監測(Golmohammadi & Zaiane，2012)；醫院借助數據挖掘協助醫生更好地開具處方和提供治療參考(Wang et al.，2013)；圖書館使用數據挖掘技術完成讀者需求分析(Zhu & Zhang，2011)、讀者管理(Yu，2011)、館藏推薦(Huang et al.，2011)。
數據挖掘技術進入教育領域相對較晚，研究人員的興趣主要集中在開發研究與分析教育情境下的海量數據的技術工具，如數據挖掘幫助提升高校學生的記憶力(Zhang et al.，2010)、數據挖掘在基礎教育課程評估中的應用(Hung et al.，2012)，而基于e-learning的數據挖掘研究則是近年來的研究前沿。譬如，在e-learning系統應用數據挖掘，協助學生完成個性化學習(Sun & Xie，2009)、改善自適應學習的效用(Chellatamilan et al.，2011)、提升學生的學習績效(Banu & Ravanan，2012)、研究學生行為和認知風格(Jovanovic et al.，2012)。
(二)學習行為及行為分析
對在線學習行為分析方面，國內的研究聚焦在數據指標與技術手段兩個維度。在數據指標維度，徐紅彩(2005)對在校大學生在線學習行為進行了調查與研究；曾祥躍(2008)對遠程學習者在線學習行為進行了調查與分析；靳麗(2008)在對在線學習者交互的行為特征進行分析的基礎上構建了在線學習行為模型；楊金來(2008)提出了Who-Do-What的網絡行為信息模型。在技術手段維度上，楊清蓮(2005)等人結合Web日志挖掘和數據立方體技術對服務器端及客戶端日志信息進行分析處理并加以評價；范潔(2005)釆用數據挖掘技術設計實現了在線學習行為評估系統，利用這個系統中的日志對學習者進行形成性評價；李德江等(2010)設計與實現了分布式網上學習行為統計系統，介紹了如何從分散的客戶端采集數據，再發送給服務器端統計的方法；廖競等(2011)設計了一種基于數據流獲取的在線學習行為數據釆集與分析的方案，總結出在線學習者學習行為的規律。
在國際上，對在線學習行為分析的研究集中在三個方面：使用工具軟件追蹤和記錄在線學習行為；關注學習者需求和在線學習環境；尋找在線學習行為和學習績效的關系。其中，有代表性的研究主要包括：李等(Lee et al.，2002)研究了不同網絡環境下學習者在線學習過程中與學習者個性特征相符的學習策略；楊和蔡(Yang & Tsai，2009)釆用問卷進行信息收集，對學習者在線學習中的學習環境偏好和學習信念進行探討；羅梅羅等(Romero et al.，2009)提出了在個性化學習系統中提高Web挖掘效率的高級架構；阿爾哈特比(Alkhattabi et al.，2011)針對目前在線學習系統中學習質量不佳的事實，使用Web數據挖掘技術建立學習質量評價的模型。洛(Lo，2005)則通過學習者在線學習的路徑、瀏覽順序和習慣，確定該學習者可能具有的學習風格和學習偏好，為學習者推薦相應的學習資源。
(三)網絡行為分析模型
在國內，對網絡行為進行分析的模型主要存在幾個領域。在網絡安全領域，王攀等(2008)針對Web用戶行為分析面臨的無規范、智能性差等問題，提出了基于動態行為輪廓庫(DBP)的行為分析模型；李軍等(2008)建立了新的基于流的統計分析模型，從網絡異常行為預警的角度，實時監測和發現網絡異常，檢測和發現網絡中的可疑代碼；潘蕾等(2011)提出了通過分析用戶使用行為獲得用戶行為模式，并判定其行為傾向、發現異常行為的主動模型。在商業領域，黃雄偉(2011)利用Web分析技術對客戶行為分析(customer behavior analytics，簡稱CBA)，通過網絡技術分析客戶消費購買行為，及時調整自身營銷策略，對客戶成功實施交叉銷售和關聯銷售；肖英(2012)提出基于馬爾科夫隨機場(Markow Random Field)模型的行為意圖分析模型。在在線學習領域，彭文輝團隊(2006)對網絡學習行為進行了理論層面的劃分，提出了以多維度與多層次的角度進行模型的建構；周巖(2009)針對大學生群體進行了網絡學習行為的建模與分析，并基于理性行為理論與技術接納模型(TAM)構建出了包含九個潛在變量的因果關系模型。
在國外的網絡安全領域，孔特(Conte，2008)等基于網絡質量保證，開發出可用性檢查技術(WDP——網頁設計視角建立可用性評估)，建立了基于Web應用程序的可用性評估模型；蓋齊(Geczy，2008)等提出構建行為中心的用戶配置文件模型，該模型利用網絡環境下用戶交互進行行為分析；多德羅(Dodero，2011)等對如何擴展常規Web應用的關聯數據以及利用數據集提供特定的Web服務進行了深入研究，得到基于模型—視圖—控制器的體系結構。在商業領域，伊瓦塔和扎瓦德(Iwata & Sawada，2013)基于價格信息的購買數據得到客戶行為分析模型，研究對每件物品的均值與方差實踐估計。在在線學習領域，貝克(Baker，2008)等提出了用戶認知模型，建立了關于認知跟蹤角度的新方法，利用類似于建立上下關聯的估算概率進行機器學習；貝克與同事(2004，2006)在關于行為模型研究中得出，如果想得到較好的學習效果，需向學習者提供開放式的學習環境，讓其自由地展現學習行為，在此模型基礎上他們提出自動訓練技術，對學生的練習行為進行規則獲取，使得智能教學輔導系統中的指導行為可以在不同課程之間通用；麥克法德和道森(Macfayden & Dawson，2010)則對學習管理系統中的數據進行追蹤與分析，得到與學習者期末成績相關聯的行為變量模型；道森(2010)團隊對高等教育機構如何高效利用數據捕獲機制提高學習者的學習體驗，以及為實習者特定學習成果的完成提供信息情報進行了研究；格雷勒和德拉克斯勒(Greller & Drachsler，2012)從受益者、目標、數據、工具、外部限制、內部限定六個維度提出了設計模型；埃莉莎(Elisa，2012)則從資源使用的角度提出了過程模型，其核心是計算機、理論、機構與人員四種資源，共同推動數據收集、信息加工、結果應用的循環發展。
(四)研究現狀總結
數據挖掘最近十年來在商用領域已經得到較為充分的研究及成功的應用，其工具、方法論及模型已相對成熟。它通過對客戶行為的分析提高客戶關系管理質量、導引客戶做出導向性的行為，最終實現經濟效益的提升；在教育領域，數據挖掘的研究和應用相對較少，特別是在線學習行為分析方面的研究尚處于起步階段。這從表一中可得到一定程度的印證。
而已有的在線學習行為模型研究，也僅針對學生在線學習平臺的顯性行為進行分析，學生在線學習的習慣、情感、品質等隱性學習因子并未得到深入系統的研究；且尚未有成熟的用于分析在線學習者行為的模型和工具，還沒有形成較為成型的研究與應用趨勢。
三、建模思路
由綜述可知，已有學者對在線學習模式建模，但均未體現對在線學習分析的過程描述。埃莉莎(Elisa，2012)的四種技術資源模型雖然談及資源循環過程，但對數據處理分析的思路與結果對象未有詮釋。因此，本研究建模的總體目標為：以學習分析需求為導向，以理解和優化學習為目標，自底向上對在線學習行為過程進行建模與分析；遵循問題解決流程模式，自底向上將模型分為數據、機制、結果三部分(見圖1)：數據層呈現學習者可能產生的數據源與數據庫；機制層構建能夠輔助理解與優化學習效果的技術與方法；結果層體現利益相關者與數據之間的關聯狀態，以及如何最終影響學習效果的關系流程。模型雖然呈現自底向上的線性效果，但實為循環過程，數據受益者(學習者)又為數據產生者(即數據主體)，從而使得該模型的運行機制周而復始，數據不斷迭代更新。
(一)數據
模型的最底層由大量的學習者數據組成，來源分為學習者產生或發布的數據，如學習管理系統(LMS)、學生信息系統(SIS)、個人學習環境(PLE)、社會網絡服務(SNS))的數據，和與學習者關聯的智能數據，如課程數據、語義數據及其它可能關聯的數據。在實現自底向上的行為數據特征提取、分類、存儲與索引基礎上，建立具有學習效益的行為特征數據庫(如對學生的登錄行為、資源瀏覽行為、信息交互行為等特征建立相關數據庫)。如何對數據進行收集、清理是工作重點，清理時數據分類分兩個維度，從存儲類型上分為結構化、非結構化與半結構化數據，這是數據庫存儲的通用模式。結構化數據使用數據庫二維邏輯表呈現，結構和數據長度是預先定義好的(如學習者的個人信息)；非結構化數據則無固定結構與長度，允許重復字段，涵蓋所有格式的文本、圖像、音頻、視頻、超媒體、報表等(如學習管理系統里的文本和多媒體學習資源，社交網絡中的資源信息)，數據庫中的模型結構呈樹狀和圖狀；半結構化數據介于上述兩者之間，屬結構變化大且與內容共同存儲的形式，呈現一種自描述現象，HTML文檔即為其中的代表(學習者在個人學習環境、學習管理系統中的描述性數據均為此類，如電子郵件、評論)。
從可變性來看，可分為靜態數據與動態數據。學生信息系統里的大部分學習者個人信息基本保持穩定，不會因時間變化而改變其屬性，屬靜態數據(如姓名、性別等)。在線學習行為由結構性與層次性的活動組成，具有時間特性，產生的數據常直接反映事務過程，所以基本上為動態數據(如在線時間、訪問量等)。在后期進行分析時，與行為特征關聯的因素既包含了靜態變量，又要采用大量的動態特征變量組。在構建研究模型中，對定義的在線學習行為因素進行篩選及分類，建立有效的特征子集，適當增加學習特征因素提取的層數，提高分析精度，并重點分析和測量行為認知因素的有用性、資源環境認同度等，在線學習行為類型具有多樣性，在進行這些行為時學習者展現處理問題能力又具有復雜性分層，因此需要動態調整模型中的各參數，實現性能的不斷優化。
(二)機制
模型的第二層是分析機制模塊，關注行為特征數據庫中各因素間的關聯與內涵的探究。此時待分析的數據已經過清理、標準化轉換、整合、離散化、規約化的預處理，可按照應用目的設計相應分析機制，同時兼顧時間線將分析結果提供即時反饋和預測。
1)即時反饋。用以描述和解釋以當前時間點為終點的過程情況，包含對學習資源使用的反饋、對學習者學習狀態評價的反饋。在學習資源的反饋機制中可加入自適應引擎進行資源的智能化調整，以期更好地配合學習者的學習需求。學習者狀態評價反饋涉及聚類分析、時間序列分析、規則推理、知識獲取等技術的整合，實現客觀、全面反映學習者學習記錄的數據，以及同層次的比較數據，可為學習者當前的狀態進行解釋，提供診斷，便于及時進行學習改進。
2)學習適應度。在學習者使用系統的過程中是否與學習環境相融合，以及在學習過程中的學習狀態是否良好，可利用系統自適應模塊進行分析。
3)學習診斷與反饋。為了便于學習者及時了解自身學習效果，教育者及時進行教學干預，平臺應用應包含即時性學習診斷與階段性學習診斷。
預測用以對學習者將來可能出現的狀態進行預先推斷。預測技術融合了可視化技術、回歸分析、人工智能、機器學習及人工神經網絡，在建立因素與任務相關性映射的基礎上，發掘學生的學習動機、歸因和自我效能感，從認知、效果、矢量關聯的角度進行應用；在應用過程中，對學習者的學習風格及偏好、學習計劃、學習需要等諸多狀態進行預測。
4)學習風格及偏好判斷與反饋。對于學習主體，由于長期下意識行為而形成的學習習慣，可通過對學習者在使用在線學習平臺產生的訪問路徑、對象、頻率等數據的采集和分析，預測出每位學習者的個人風格及偏好，有利于后續學習計劃的制定，以及系統資源的推送。
5)學習計劃制定。在了解學習者的風格及偏好基礎上，分析出可能適宜學習者的學習計劃，提供各類學習方案，便于學習者定制個性化學習。
6)學習需要。學習需要可以理解為學習者的學習動機，是學習者追求成功的一種心理傾向，包含內容興趣和過程興趣兩部分。前者指學習者對學習目標及主題感興趣；后者則反映學習者對學習策略的可預期，二者共同決定學習者對后續學習的參與程度。利用在線數據可預測學生的學習需要，通過系統智能化推薦相關知識點幫助其學習，或反饋給教師尋求幫助。
(三)結果
模型的第三層即為分析結果的可視化呈現，最終對象包括學習者、教師、家長、管理層與開發人員。學習者作為數據的提供者又是數據的最大受益者，是整個模型的關鍵；可視化的分析結果呈現給教師、家長或課程領導者，便于他們通過干預機制對學習者的學習狀態進行指導。對家長而言，分析結果提供了深入了解孩子學習狀況的渠道，可以具體關注孩子學習過程的各個細節，彌補教師無法兼顧每位學生的缺點；對教師而言，分析結果便于教師動態、全面地掌握整體的學習情況(如什么時候學生準備好進入下一階段學習，哪些學生需要給予特別關注)，對其有更清晰的認識從而開展適宜的教學活動及教學干預；對課程領導者而言，可以得到關于某門課程甚至學校的總體教學診斷情況，便于其對課程方案、教學方案及其它相關教育決策的制定；對學習者本身而言，他(她)可以清晰地知曉自己當前的學習狀態與未來可能的學習結果，從而提前采取措施，修正學習行為和計劃。
資源分析結果可呈現給課程開發者、課程設計者，也可呈現給學習者。開發人員通過分析結果可以進一步改進系統設計以及資源結構調整，有助于在線課程的合理設計、在線學習平臺的開發及教育資源的有效利用。學習者則獲得適應性更高的學習資源，提高學習效率。在資源效果分析研究過程中，算法分析遵循以下流程：通過網站分析工具linktag標識，準確標識細分流量渠道，標識流量源；定制學習KPI(Key Performance Indicator，簡稱KPI)，監測學生瀏覽資源路徑，改進用戶訪問體驗，提升轉化率；分析端到端的ROI：從流量源-學習效益回報分析；確定優化方向，確定改進哪些資源或功能能有效提高學生的學習效率。
借鑒商業領域的網絡分析思路，將學習數據的挖掘工作分為三類(見圖2)，圖中虛線部分表示是關聯性不明確，待進一步分析的數據：
1)Web內容挖掘：教育領域的Web內容挖掘體現在對網絡文檔中的內容及其描述進行有效信息的提取，包括內容的檢索、過濾、去雜、異構集成、聚類、OLAP等過程。從學習行為分析的角度，主要進行文本語義分析及多媒體挖掘兩類。文本語義分析賦予網絡文本以計算機可理解的語義邏輯，其中元結構本體的定義是關鍵，它是人類對特定領域信息的通用解析，呈現對知識的結構化與形式化的陳述。利用Web語義技術從原本無結構的網絡文本HTML或XML中抽取出特征向量，建立可以表述和替代原始文本的抽象模型，使計算機能更好地實現自動化知識抽取、查詢和搜索。隨著多媒體技術的廣泛使用，諸如圖像和視頻課程資源的興起，多媒體挖掘也在在線學習行為分析中充當一定角色，它與文本挖掘的區別在于提取的特征向量不再是文本內容信息，而是與圖像或視頻相關聯的類型值、文件URL、關鍵值、顏色灰度值等信息，對這些特征向量建立Web倉庫，重點進行關聯發現，采用本體映射、結合規則發現，建立多維分析模式。
2)Web結構挖掘：指從在線學習平臺后臺獲取各文檔頁面之間的組織結構關系，并從網狀鏈接的復雜多維關系中推導出有效知識的過程。應用于學習中的Web結構挖掘目前還沒有引起人們較多的興趣，但在整個Web信息空間中，頁面超鏈接之間隱含的有用知識也是不可忽視的，比如結合最權威頁面機制，在對學習頁面進行分類和聚類后，進而找到最精華的學習資源，或根據學習者的訪問結構為其推薦最合適的頁面，構造輔助于教學的學習資源推薦功能。
3)Web使用記錄挖掘：通過挖掘后臺服務器中保存的訪問日志，可以獲取學習者使用學習平臺產生的各種訪問及交互信息，從中抽取出有用的數據，形成目標模式；分析得到用戶的使用習慣、行為偏好、學習進度，有助于系統結構的調整與改善，并可以對學習者形成個性化的學習服務。這一挖掘分析在當前應用最廣泛。已有研究成果表明，諸如“參加論壇中的討論次數、線上練習測試次數、郵件發送次數”等數據均與學習者最終表現關聯。使用記錄的挖掘結合人工智能、信息論以及機器學習等領域的成熟技術，在數據處理時重點是如何進行有效數據甄別及事物識別，結合不同的技術分析訪問模式，諸如預測技術，即通過數據集合中的某一部分(預測變量)去推斷另一部分的可能表現(被預測變量)；聚類技術，即將一個整體數據集分成多個類別，每一類中都包含具有相似性能的一簇數據；關系挖掘技術(Relationship mining)，即在一個數據集里發現變量之間的關聯，并將其編碼待用；時序模式挖掘(Sequential pattern mining)，即捕捉一系列發生的事件之間的關聯；路徑分析，即尋找用戶頻繁訪問的路徑模式?；谏鲜黾夹g建模分析完成后，可以利用可視化技術和工具對結果進行呈現。
上述挖掘模式將在線學習行為可能產生的數據進行歸類。隨著應用目的變化，各種模式的研究和發展都在不斷深化，如何將三種模式有效結合進而達到最優的分析結果是我們當前正在探究的課題，由于結構關系分析中需要涉及行為理論的表達與理解，從而影響任務相關性映射，因此如何進行自底向上的特征提取與關聯分析，其中有許多機理有待進一步研究。
電子課本作為兼具數字閱讀與數字學習雙重特性(顧小清等，2012)的電子學習新形式，開始逐步應用于學前與中小學課堂教學中。本案例的設計擬依托電子課本對K12學生的知識點掌握情況進行數據挖掘與分析，最終實現對學習者的知識點掌握情況診斷與反饋。其前提是電子課本已對知識點進行了細粒度的資源結構化呈現，構建了可重用知識點的教學設計，提供了相關的練習資源(每道練習題配有答案提示，以輔助其完成答題)，基于上述情境可以產生分析需要的各項細粒度學習數據(Fine-grained learning data)。遵循在線學習行為分析模型(見圖1)的三層次結構，分析過程如下：
(一)數據
主要獲取學習者在電子課本中產生、發布的數據，以及部分關聯的智能數據。數據挖掘模式采用Web內容挖掘與Web記錄挖掘相結合的形式體現任務的關聯性。Web內容挖掘獲取的數據包括：學習者發布的關于知識點的評論文本、回答練習題的描述性答案、練習的錯誤率、錯誤的內容。Web記錄挖掘獲取的數據包括：學習者練習的次數、每道練習題的提示次數和質量(即請求的深度)、錯誤答案的重復次數、回答每道題的反應時間。根據已有文獻研究結果，學習者登錄次數、頁面停留時間及資源點擊次數等常規性數據與學習行為無直接關聯，故研究設計不考慮此類數據。
(二)機制
由于具有內容挖掘與記錄挖掘兩種模式，數據歸一化前處理機制各有不同。內容挖掘采用文本內容分析與知識獲取技術對半結構化數據進行知識發現。記錄挖掘則在對數據進行標準化轉換、整合處理后采用規則推理、時間序列分析對各因素變量進行關聯映射。歸一化處理后，對整體數據進行聚類與回歸分析，形成與最終結果正(負)相關的各因素權重，匯合形成掌握情況的相關報告。再結合人工智能與機器學習技術，實現個性化應用。
(三)結果
本案例的設計最終希望實現對學習者的知識點掌握情況反饋?；跀祿氖占c機制分析后可呈現兩個角度的結果反饋：1)對學習者，分析結果直接呈現學習者的知識掌握水平報告及該過程的學習狀態，實現對學習者的水平診斷，判斷其是否可以進入下一階段學習。如果達到標準則進行下一學習主題的推薦，如沒有則建議鞏固當前知識，加強練習；2)對教師，分析結果不僅反映每位學習者最終的知識掌握程度，并呈現具體的學習過程信息，如了解區分哪些學生沒有嘗試練習所以沒能掌握知識，哪些是嘗試了但仍然困惑的。這些信息能幫助教師針對不同類別采取不同教學策略；或是針對知識點的練習中大量學生尋求提示，并且重復練習的錯誤率較高，這些信息提示教師某知識點較難，學生普遍未能掌握，需要重復講解。
六、結語
移動互聯技術的飛速發展使得教育工作者和信息技術人員都堅信：在不遠的未來，教育領域會掀起一波革命浪潮，線上教育將成為不可替代的學習模式。學習評價作為學習系統的反饋調節機制，在學習與教學過程中起重要作用，在基于測量、描述、判斷和建構四種模式的基礎上，如何利用網絡行為數據輔助動態生成學習效果，是對在線教育最客觀的分析。在線學習行為分析以其特殊的行為反饋機制，綜合了自底向上的信息處理加工和自頂向下的行為關聯分析的雙向處理模式，成為在線教育蓬勃發展的伴隨產物，是世界教育技術研究前沿所在，也對充分調動學習者的積極性，發掘學習者潛能，合理利用學習資源具有重大價值。
CDA數據分析師考試相關入口一覽（建議收藏）：
? 想報名CDA認證考試，點擊>>>
“CDA報名”
了解CDA考試詳情；
? 想學習CDA考試教材，點擊>>> “CDA教材” 了解CDA考試詳情；
? 想加入CDA考試題庫，點擊>>> “CDA題庫” 了解CDA考試詳情；
? 想了解CDA考試含金量，點擊>>> “CDA含金量” 了解CDA考試詳情；
京公網安備 11010802034615號
經營許可證編號：京B2-20210330
