萬浩　李林　鐘一　董昕　梁艷

近年來，隨著計算機技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)學(xué)習(xí)平臺不斷涌現(xiàn)，但對學(xué)習(xí)者行為特征的關(guān)注較少。該文重點研究網(wǎng)絡(luò)學(xué)習(xí)平臺的智能化，即基于答題速度、答題正確率等因素跟蹤、記錄、分析學(xué)習(xí)者在學(xué)習(xí)期間的行為。平臺以在線答題學(xué)習(xí)為基礎(chǔ)功能，輔以錯題收藏、人工幫助等功能，通過“PK練習(xí)”增強學(xué)習(xí)的趣味性，跟蹤并記錄用戶學(xué)習(xí)行為數(shù)據(jù)，及時反饋學(xué)習(xí)者學(xué)習(xí)效果數(shù)據(jù)，進而預(yù)測并個性化的推薦下一階段的學(xué)習(xí)任務(wù)。用戶測試和研究結(jié)果表明，學(xué)習(xí)平臺的運用對提高學(xué)習(xí)者學(xué)習(xí)效率具有良好的促進作用。

小程序 ?智能學(xué)習(xí)平臺 ?學(xué)習(xí)者行為分析 ?個性化推薦

中圖分類號：G43??文獻標識碼：A???文章編號：1672-3791（2022）02（b）-0000-00

Design?of?Intelligent?Learning?Platform?Based?on?Learner?Behavior?Analysis

?In recent years， with the rapid development of computer technology， online learning platforms continue to emerge， but less attention to learner behavior characteristics. This paper focuses on the intellectualization of network learning platform， that is， tracking， recording and analyzing learners' behaviors during learning based on the speed and accuracy of answers. The platform takes online answer learning as the basic function， supplemented by the wrong question collection， manual help and other functions， enhances the fun of learning through "PK practice"， tracks and records the user learning behavior data， timely feedback the learning effect data， and then predicts and personalized recommendation of the next stage of learning tasks. The results of user test and research show that the application of learning platform has a good promotion effect on improving learners' learning efficiency.

Small program; Intelligent learning platform; Learner behavior analysis; Personalized recommendation

計算機技術(shù)的飛速發(fā)展讓高效率、高品質(zhì)的網(wǎng)絡(luò)學(xué)習(xí)成為可能，人們的學(xué)習(xí)觀念以及學(xué)習(xí)模式發(fā)生了改變，傳統(tǒng)的網(wǎng)絡(luò)學(xué)習(xí)模式已經(jīng)不能滿足學(xué)習(xí)者的需求。網(wǎng)絡(luò)學(xué)習(xí)者在線學(xué)習(xí)期間的行為活動迫切需要被跟蹤、記錄和分析，并最終在反饋策略的指導(dǎo)下根據(jù)分析結(jié)果改變學(xué)習(xí)流程和學(xué)習(xí)方式。

學(xué)習(xí)行為的研究大多是對課堂學(xué)習(xí)行為的研究調(diào)查，以線上學(xué)習(xí)者行為數(shù)據(jù)為基礎(chǔ)的研究實例較少。以網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)訪問量、學(xué)習(xí)者行為跟蹤數(shù)據(jù)為基礎(chǔ)進行分析，能夠獲取最真實有效的行為數(shù)據(jù)，具有很高的實踐指導(dǎo)價值。研究表明，學(xué)習(xí)者的情感、學(xué)習(xí)行為、認知能力與學(xué)習(xí)成績存在一定的關(guān)系，但文獻未對各種影響因素的相關(guān)性做出量化的深入研究。設(shè)計個性化的學(xué)習(xí)流程，提取有效的學(xué)習(xí)行為成為研究熱點。

實踐上，基于學(xué)習(xí)者行為分析的智能學(xué)習(xí)平臺的開發(fā)具有很好的現(xiàn)實意義。平臺不僅滿足了學(xué)習(xí)者個性化的學(xué)習(xí)需求，也以最優(yōu)的學(xué)習(xí)過程和模式激發(fā)了學(xué)習(xí)者的參與度，提高了學(xué)習(xí)效率。理論上，學(xué)習(xí)者行為數(shù)據(jù)的細粒度記錄和學(xué)習(xí)影響因素的分析對學(xué)習(xí)者行為分析理論的研究具有一定的參考價值。此外，學(xué)習(xí)行為跟蹤、預(yù)測和推薦算法的研究，對于構(gòu)建有效的自適應(yīng)學(xué)習(xí)過程模式有一定促進作用。

平臺綜合多維數(shù)據(jù)分析用戶特征，對學(xué)習(xí)者最近的學(xué)習(xí)行為做出智能反饋。一方面，綜合用戶的做題時間和做題時間段、做題正確率、知識點得分率、題型正確率，進行多維分析，形成多種數(shù)據(jù)分析圖表，并根據(jù)數(shù)據(jù)向用戶推薦更適合練習(xí)的題單。另一方面，通過跟蹤學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)，利用一系列算法（如多維分析、預(yù)測、聚類等）為用戶反饋學(xué)習(xí)成果，并對用戶下一階段的學(xué)習(xí)任務(wù)做智能推薦。借此，平臺可以靈活地為用戶擬定個性化學(xué)習(xí)過程，提高學(xué)習(xí)者的學(xué)習(xí)效率。

在用戶功能設(shè)計上，用戶還可以通過與其他用戶進行在線PK的方式來檢測自己對相關(guān)知識的掌握情況。通過具有趣味性的游戲來加深自身對知識點的掌握，提高學(xué)習(xí)者的學(xué)習(xí)興趣。在數(shù)據(jù)結(jié)構(gòu)構(gòu)建上，平臺采用有向圖數(shù)據(jù)結(jié)構(gòu)對具有聯(lián)系的題目進行拓撲連接，有向圖的數(shù)據(jù)結(jié)構(gòu)具備杰出的易維護性、可擴展性，便于后期維護。

該平臺采用Spring Boot和Spring Cloud兩種主流的微服務(wù)、分布式架構(gòu)搭建，Web界面以Vue.js框架為基礎(chǔ)，數(shù)據(jù)層采用Mybatis框架。平臺提供開始做題、PK練習(xí)、智能分析、排行榜、歷史記錄和人工幫助等服務(wù)。小程序主頁如圖1所示。

用戶可以按照自身的需求選擇相應(yīng)的測試科目，通過作答整套題目測試自己的綜合能力。做題時，通過使用答題卡檢查并回看答題結(jié)果;提交試卷后，答題卡將顯示總體答題情況，點擊單題，會出現(xiàn)對應(yīng)題目的答案和解析過程。

為增加用戶學(xué)習(xí)趣味性，特設(shè)計“PK練習(xí)”功能。此功能幫助用戶在與其他用戶實時PK的過程中檢驗自己知識的熟練度。讓用戶在玩游戲的過程中利用競爭精神學(xué)習(xí)知識、鞏固知識。平臺基于用戶對戰(zhàn)的綜合成績、做題速度、答題正確率、答題數(shù)量等信息進行排序，形成“排行榜”，以此來激發(fā)用戶學(xué)習(xí)的主動性和積極性。

“智能分析”功能即對用戶作答行為進行數(shù)據(jù)綜合統(tǒng)計與分析。用戶可查看套題得分信息，不同類型題目的熟練程度、得分百分比等，及時掌握自己的學(xué)習(xí)效果和不足之處。

平臺使用機器人模型庫實現(xiàn)智能機器人問答服務(wù)，運用Elasticsearch全文檢索技術(shù)、WebMagic爬蟲和定時任務(wù)技術(shù)，完成基本知識信息的全文檢索、實時數(shù)據(jù)獲取和更新。另外，平臺會對用戶問題及提問習(xí)慣進行分析和記錄，實現(xiàn)模型庫自訓(xùn)，以提供更好的服務(wù)。

平臺綜合運用學(xué)習(xí)行為數(shù)據(jù)分析算法、學(xué)習(xí)預(yù)測算法和智能推薦算法，實現(xiàn)對學(xué)習(xí)者行為數(shù)據(jù)的跟蹤、搜集、分析和加工，以更好地反饋學(xué)習(xí)效果并推薦題單。

3.1 學(xué)習(xí)行為數(shù)據(jù)分析算法

利用多維分解的思想將用戶的學(xué)習(xí)行為拆分為點擊各個選項次數(shù)、每道題所花費的時間、題型正確率等數(shù)據(jù)。每個用戶看成一個樣本點，數(shù)據(jù)類似的用戶聚集成為一個樣本集。根據(jù)聚類算法得出樣本集的聚類中心，作為此樣本集的最終參考值。樣本集的個數(shù)與類似率的關(guān)系，如圖2所示，橫軸X代表樣本集中樣本點的數(shù)目，縱軸代表類似率，類似率=真實值/理論值。

在這種算法下，不僅將用戶各個角度的學(xué)習(xí)操作數(shù)據(jù)記錄在平臺上，而且在進行數(shù)據(jù)聚類分析時，可以將個人數(shù)據(jù)的耦合性降到最低，使最終的數(shù)據(jù)更接近于理想值。

3.2 預(yù)測算法

采用線性回歸預(yù)測學(xué)習(xí)成果，將分析后的學(xué)習(xí)行為數(shù)據(jù)包作為軸，學(xué)習(xí)成果數(shù)據(jù)包作為y軸，通過繪制（，）的散點圖的方式，分析和之間的線性關(guān)系，尋找一條穿過這些散點的直線，讓所有的點離直線的距離最短。學(xué)習(xí)者在平臺上的行為和其取得的成績之間的關(guān)系，如圖3所示。

利用最小二乘法解得到其參數(shù)。其中，代表第個數(shù)據(jù)點的預(yù)測值，對應(yīng)直線的縱軸值。變量代表對應(yīng)數(shù)據(jù)點的真實值。最小二乘法通過求偏導(dǎo)數(shù)的方法讓誤差平方和取得最小值時所對應(yīng)回歸模型的參數(shù)，由此得到我們需要的線性回歸模型。利用最小二乘法跟蹤真實值和預(yù)測值的差距，以便系統(tǒng)做出相應(yīng)的調(diào)整。

在這種預(yù)測算法下，系統(tǒng)可以提前預(yù)測用戶的學(xué)習(xí)成果，便于系統(tǒng)更早做出反饋響應(yīng)，提高用戶的學(xué)習(xí)效率。

3.3 智能推薦算法

智能推薦算法是將一系列具有聯(lián)系的題目構(gòu)建有向圖拓撲結(jié)構(gòu)的過程。有向圖中每個節(jié)點（即每道題）均有三個元素，分別是知識點的內(nèi)容、出度、入度，利用出度和入度將題目進行銜接。最終，形成一張圖，而這張圖呈現(xiàn)在用戶面前即為一套組卷。最終，將混亂的知識點糅合成持續(xù)的強相干知識點。

利用這種算法向用戶個性化地推薦題目，題單內(nèi)題目是具有緊密關(guān)聯(lián)關(guān)系的知識點。這樣更有助于用戶對相關(guān)知識點的鞏固。

4 結(jié)語

該智能學(xué)習(xí)平臺提供智能組卷、單題推薦、PK練習(xí)、錯題本和收藏本、學(xué)習(xí)行為分析及人工幫助等功能。經(jīng)部分用戶的體驗和測試，軟件基本功能使用正常。研究發(fā)現(xiàn)，對學(xué)習(xí)者行為的分析可以逐步分解為對多維數(shù)據(jù)的獨立分析和交叉分析的綜合體。而題目的相關(guān)性則可以通過特殊的數(shù)據(jù)結(jié)構(gòu)相互關(guān)聯(lián)形成圖，最后憑借對學(xué)習(xí)者行為分析的結(jié)果與題目形成的圖來智能推送題目，實現(xiàn)個性化學(xué)習(xí)推薦。另外，學(xué)習(xí)者行為分析的結(jié)果還是PK練習(xí)匹配適當對手、增加學(xué)習(xí)興趣的基礎(chǔ)。

[1]?張燕. 網(wǎng)絡(luò)學(xué)習(xí)行為分析與個性化學(xué)習(xí)平臺模型構(gòu)建[D].西安：西安電子科技大學(xué)，2015.

[2]?譚召，魯雁，武斌.在線學(xué)習(xí)平臺設(shè)計與學(xué)習(xí)行為分析[J].信息與電腦：理論版，2018（8）：118-120.

[3]?秦世名.面向在線學(xué)習(xí)行為分析的學(xué)習(xí)效果預(yù)測方法研究[D].武漢：華中師范大學(xué)，2019.

[4]?元帥，鄒軍華，劉丹.基于網(wǎng)絡(luò)學(xué)習(xí)平臺的在線學(xué)習(xí)行為分析與評價[J].中國教育技術(shù)裝備，2013（15）：27-28.

[5]?徐岸峰，楊仲基，王波.基于智慧教育平臺大數(shù)據(jù)的學(xué)生學(xué)習(xí)行為分析[J].高教學(xué)刊，2020（22）：16-19.

[6]?吳文凱.網(wǎng)絡(luò)學(xué)習(xí)行為分析與預(yù)測的研究[D].鞍山：遼寧科技大學(xué)，2020.

[7]?董慧嶸.基于學(xué)習(xí)行為分析的學(xué)習(xí)能力評估與學(xué)習(xí)意圖預(yù)測方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[8]?胡茜茜.基于學(xué)生個人大數(shù)據(jù)的行為特征分析[D].武漢：華中師范大學(xué)，2019.

基金項目：四川省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目資助（項目編號：S202111116094，S202111116095）。

作者簡介：萬浩（2001—），男，本科在讀，研究方向為計算機應(yīng)用。

通信作者簡介：梁艷（1986—），女，碩士，講師，研究方向為計算機應(yīng)用技術(shù)，E-mail：304152692@qq.com。