摘要：針對大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)效率低、平臺不活躍、被動學(xué)習(xí)、課堂不積極等學(xué)情，收集大數(shù)據(jù)教學(xué)云平臺學(xué)習(xí)數(shù)據(jù)，利用學(xué)習(xí)數(shù)據(jù)分析技術(shù)，設(shè)計結(jié)構(gòu)化指標(biāo)和非結(jié)構(gòu)化指標(biāo)，構(gòu)建在線學(xué)習(xí)行為預(yù)警指標(biāo)體系。采用多類最小二乘支持向量機(jī)模型進(jìn)行大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為結(jié)構(gòu)化指標(biāo)預(yù)警研究，通過大數(shù)據(jù)技術(shù)生成的數(shù)字畫像實現(xiàn)對非結(jié)構(gòu)化指標(biāo)預(yù)警及干預(yù)，實現(xiàn)數(shù)據(jù)賦能大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為的精準(zhǔn)干預(yù)，實現(xiàn)個性化、數(shù)智化學(xué)習(xí)，促進(jìn)在線教育和數(shù)智化教學(xué)管理提質(zhì)增效，助推教育數(shù)字化轉(zhuǎn)型。

關(guān)鍵詞：大數(shù)據(jù)；教育數(shù)字化；會計專業(yè)教學(xué)

0 引言

2022年，國家智慧教育平臺正式上線推廣，這是推進(jìn)國家教育數(shù)字化戰(zhàn)略行動的重要舉措。平臺推送的國家級、省級在線精品課程為學(xué)習(xí)者提供了豐富、高質(zhì)量的在線學(xué)習(xí)資源，同時也產(chǎn)生了海量學(xué)習(xí)數(shù)據(jù)。新時代背景下，在線教育從IT（Information Technology）邁向DT（Data Technology）時代[1]。然而在線教育也存在比如學(xué)習(xí)質(zhì)量和效率低下、學(xué)生個性化及適應(yīng)性能力差、在線學(xué)習(xí)監(jiān)控管理和評價不及時等問題，導(dǎo)致學(xué)習(xí)者學(xué)習(xí)行為與學(xué)習(xí)效率參差不齊。大數(shù)據(jù)與會計專業(yè)是適應(yīng)新經(jīng)濟(jì)發(fā)展背景下的新專業(yè)轉(zhuǎn)型，大數(shù)據(jù)與會計專業(yè)學(xué)生應(yīng)該積極適應(yīng)數(shù)字化轉(zhuǎn)型與經(jīng)濟(jì)發(fā)展對數(shù)智化人才培養(yǎng)的需求，適應(yīng)教育數(shù)字化、學(xué)習(xí)個性化、在線交互智能化，不斷提升數(shù)字化素養(yǎng)和數(shù)字化技能，助力“數(shù)據(jù)利民、數(shù)據(jù)為民、經(jīng)世濟(jì)民”[2]的人才培養(yǎng)目標(biāo)實現(xiàn)。那么如何借助大數(shù)據(jù)學(xué)習(xí)分析技術(shù)，結(jié)合大數(shù)據(jù)與會計專業(yè)特點開展數(shù)據(jù)挖掘、數(shù)據(jù)描述、數(shù)據(jù)診斷、學(xué)習(xí)預(yù)警與學(xué)習(xí)干預(yù)，實現(xiàn)學(xué)習(xí)行為精準(zhǔn)干預(yù)，數(shù)據(jù)賦能大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)高質(zhì)量發(fā)展，驅(qū)動在線教育實現(xiàn)個性化創(chuàng)新變革，是目前在線學(xué)習(xí)基于專業(yè)視角下適應(yīng)教育數(shù)字化轉(zhuǎn)型亟待解決的問題之一。依托大數(shù)據(jù)教學(xué)云平臺，以大數(shù)據(jù)與會計專業(yè)國家在線精品課程“會計信息系統(tǒng)應(yīng)用”為基礎(chǔ)，以大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為為研究對象，進(jìn)行數(shù)據(jù)抓取，數(shù)據(jù)挖掘和數(shù)據(jù)建模，分析學(xué)生在線學(xué)習(xí)行為與學(xué)習(xí)效果的相關(guān)性，通過一系列干預(yù)活動（電子郵件通知、學(xué)習(xí)資源推送、學(xué)習(xí)環(huán)境干預(yù)、信用積分激勵等）和行為，改善在線學(xué)習(xí)效果，為在線教學(xué)與實踐提供參考，推動教育數(shù)字化在專業(yè)課程教學(xué)與評價中的應(yīng)用。

1 研究現(xiàn)狀及發(fā)展動態(tài)

國內(nèi)外學(xué)者對在線學(xué)習(xí)行為開展了系列研究，成果比較豐富，通過梳理有關(guān)總結(jié)在線學(xué)習(xí)行為研究的文獻(xiàn)主要包括研究內(nèi)容、研究方法和研究工具與應(yīng)用3個方面。

1.1 研究內(nèi)容

研究內(nèi)容主要集中在在線學(xué)習(xí)行為性質(zhì)與特征、預(yù)警因素研究、預(yù)警理論模型構(gòu)建、實證研究、干預(yù)研究等方面。在線學(xué)習(xí)行為性質(zhì)與特征研究方面，主要特征表現(xiàn)為學(xué)生的學(xué)習(xí)目標(biāo)、學(xué)習(xí)需要、認(rèn)知風(fēng)格、心理狀況等[3]。國外學(xué)者認(rèn)為線上線下混合教學(xué)的實踐使得交互學(xué)習(xí)成為在線學(xué)習(xí)的主要特征之一[4]。影響在線學(xué)習(xí)行為的因素很多，主要從屬性（性格、情緒、心理特征等）和因素（學(xué)習(xí)目標(biāo)、學(xué)習(xí)需要、認(rèn)知風(fēng)格、交互活動、水平測試）兩個方面進(jìn)行研究[1，5]，并通過變量分析對在線學(xué)習(xí)行為進(jìn)行預(yù)警，側(cè)重結(jié)構(gòu)性特征變量（外顯信息）研究階段。在數(shù)據(jù)驅(qū)動教學(xué)管理與創(chuàng)新的背景下，在線學(xué)習(xí)理論研究逐步轉(zhuǎn)化為預(yù)警理論模型構(gòu)建研究，這類研究主要采用數(shù)據(jù)挖掘技術(shù)[6]從理論上對在線學(xué)習(xí)行為進(jìn)行定量化描述、學(xué)業(yè)診斷、學(xué)業(yè)預(yù)警，并構(gòu)建在線學(xué)習(xí)預(yù)警模型。通過在線學(xué)習(xí)行為特征、因素、模型建構(gòu)與實證研究，研究者提出不同的在線學(xué)習(xí)行為干預(yù)理論。學(xué)習(xí)分析和人臉識別[7]等技術(shù)應(yīng)用于干預(yù)研究中，但基于專業(yè)視角研究在線學(xué)習(xí)行為多類影響因素預(yù)警與干預(yù)的文獻(xiàn)很少。

1.2 研究方法

根據(jù)在線學(xué)習(xí)行為影響因素與特性，開展決策樹[8]、神經(jīng)網(wǎng)絡(luò)[9]、樸素貝葉斯算法[1]、多模態(tài)數(shù)據(jù)融合模型和聚類算法等方法研究，其中，決策樹與回歸分析研究相對較多，為本研究提供了研究方法借鑒，但基本停留在理論模型研究層面，研究模型穩(wěn)定性有待提高。

1.3 研究工具與應(yīng)用

研究工具主要采用專業(yè)軟件（SPSS、Weka）進(jìn)行機(jī)器學(xué)習(xí)和統(tǒng)計分析。在應(yīng)用方面主要通過自主開發(fā)和企業(yè)開發(fā)兩個途徑開展。自主開發(fā)的工具如美國普渡大學(xué)課程警示系統(tǒng)，企業(yè)開發(fā)的工具如可汗學(xué)院的學(xué)習(xí)儀表盤等。以上在線學(xué)習(xí)系統(tǒng)對學(xué)習(xí)者學(xué)習(xí)過程提供引導(dǎo)和支持，且是有償服務(wù)，尚未普及。

以上成果為本研究提供了豐富的理論基礎(chǔ)和實證研究借鑒，但是主要以結(jié)構(gòu)化數(shù)據(jù)為主，且研究對象受限，針對性不強(qiáng)。從決策視角看，決策方案不僅需要技術(shù)干預(yù)，更需要制度的介入，最終實現(xiàn)由約束轉(zhuǎn)化為提高內(nèi)在動機(jī)、自我效能和情緒的主動學(xué)習(xí)。因此，通過對大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為影響因素進(jìn)行量化，構(gòu)建多類最小二乘支持向量機(jī)（Least Squares Support Vector Machines ，LSSVM）的預(yù)警模型并制定相應(yīng)干預(yù)措施，為在線教育發(fā)展提供新的思路與方法，為教育數(shù)字化轉(zhuǎn)型在課程教學(xué)中的應(yīng)用提供方法參考和借鑒。

2 在線學(xué)習(xí)行為預(yù)警模型構(gòu)建

最小二乘支持向量機(jī)[10]是標(biāo)準(zhǔn)的支持向量機(jī)（SVM）的一種擴(kuò)展，能夠?qū)崿F(xiàn)訓(xùn)練數(shù)據(jù)在模型與學(xué)習(xí)能力之間的最優(yōu)解，有效破解非線性函數(shù)的回歸問題。針對在線學(xué)習(xí)行為研究指標(biāo)的多維性、非線性等問題，通過利用二次誤差函數(shù)替代SVM算法中的ε不敏感損失函數(shù)求解，解決多因素影響的定量評價，同時可以提高算法的預(yù)警精度和收斂速度。依據(jù)LSSVM理論，將在線學(xué)習(xí)非結(jié)構(gòu)化數(shù)據(jù)及影響因素訓(xùn)練集映射到高維特征空間，實現(xiàn)預(yù)測回歸函數(shù)，構(gòu)建LSSVM在線學(xué)習(xí)預(yù)警模型。

通過公式推導(dǎo)可以發(fā)現(xiàn)，最小二乘支持向量機(jī)能夠有效實現(xiàn)多元化求解優(yōu)化及線性方程轉(zhuǎn)化，大大提高模型收斂速度，有效降低算法復(fù)雜性。同時，采用最小二乘支持向量機(jī)最大的優(yōu)勢在于運(yùn)算中只需要確定兩個參數(shù)值，降低空間搜索維度，提高在線學(xué)習(xí)行為預(yù)警精度。大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為影響因素具有多類性，因此，在LSSVM的基礎(chǔ)上采用層次法、有向無環(huán)圖決策支持構(gòu)造多類最小二乘支持向量機(jī)分類模型，提升在線學(xué)習(xí)行為預(yù)警訓(xùn)練和精度檢驗。

3 實證研究

3.1 在線學(xué)習(xí)行為指標(biāo)體系構(gòu)建

大數(shù)據(jù)與會計專業(yè)學(xué)生在線學(xué)習(xí)行為影響因素具有多樣性、多元性、多維性，學(xué)習(xí)行為指標(biāo)之間關(guān)系復(fù)雜，在線學(xué)習(xí)行為預(yù)警模型是一個多層次的多維預(yù)警，在一定程度上增加了學(xué)習(xí)預(yù)警的難度。根據(jù)文獻(xiàn)梳理，結(jié)合國家在線精品開放課程“會計信息系統(tǒng)應(yīng)用”教學(xué)實踐與教學(xué)大數(shù)據(jù)云平臺指標(biāo)，將在線學(xué)習(xí)行為分為結(jié)構(gòu)化指標(biāo)和非結(jié)構(gòu)化指標(biāo)。

結(jié)構(gòu)化指標(biāo)具有外顯特性，展示的是可視化的數(shù)據(jù)信息，且可量化。結(jié)構(gòu)化指標(biāo)數(shù)據(jù)通過數(shù)據(jù)平臺系統(tǒng)自動記錄學(xué)習(xí)者課程學(xué)習(xí)數(shù)據(jù)。通過收集日志數(shù)據(jù)并進(jìn)行數(shù)據(jù)清洗，根據(jù)重要性原則，結(jié)合課程線上線下混合教學(xué)實踐，選定行為數(shù)據(jù)（訪問次數(shù)、學(xué)習(xí)時長、任務(wù)點完成率、反芻比、不良行為）、交互數(shù)據(jù)（互動討論、發(fā)帖數(shù)、小組任務(wù)、實時搶答、隨機(jī)選人、調(diào)查問卷、課堂投票、報錯率）、水平數(shù)據(jù)（項目作業(yè)、章節(jié)測試、過程考核、期末考試、成果方案）3個維度18個三級指標(biāo)。見表1。

非結(jié)構(gòu)化數(shù)據(jù)具有內(nèi)隱性，屬于定性指標(biāo)，一般難以量化和開展數(shù)學(xué)描述。采用朗自我評分量表[4]和大數(shù)據(jù)技術(shù)支持的數(shù)字畫像進(jìn)行非結(jié)構(gòu)化數(shù)據(jù)分析。量表中，1分表示負(fù)面評價，9分表示正面評價，5分表示中立。通過數(shù)據(jù)比較Kappa系統(tǒng)數(shù)0.86，對有差異的意見進(jìn)行再次診改和討論，達(dá)成100%。借助大數(shù)據(jù)學(xué)習(xí)分析技術(shù)，在教學(xué)大數(shù)據(jù)云平臺生成學(xué)生數(shù)字畫像，對學(xué)生反映的情緒波動、學(xué)習(xí)行為實時檢測并提供反饋，通過預(yù)警和干預(yù)及時給予正面警示、學(xué)習(xí)關(guān)心和鼓勵，引導(dǎo)學(xué)生學(xué)習(xí)情緒轉(zhuǎn)變，主動學(xué)習(xí)，提高學(xué)習(xí)積極性、參與度和效率，提高預(yù)警的及時性與適應(yīng)性。通過隨機(jī)抽取2022年下半年國家在線精品課程“會計信息系統(tǒng)應(yīng)用”（第六期）大數(shù)據(jù)與會計專業(yè)學(xué)生A期中與期末學(xué)習(xí)行為非結(jié)構(gòu)化數(shù)據(jù)，通過預(yù)警與干預(yù)后的對比，效果明顯。學(xué)生A期中學(xué)習(xí)情況主要表現(xiàn)為被動學(xué)習(xí)，偏負(fù)面評價，即課程不積極、平臺不活躍、成績不及格、學(xué)校效率低等。通過預(yù)警與及時干預(yù)、引導(dǎo)、鼓勵，學(xué)生A期末的數(shù)字畫像情況為自主學(xué)習(xí)，即課程積極、平臺活躍、成績優(yōu)秀、學(xué)習(xí)效率高等，總體表現(xiàn)良好。見圖1。

3.2 預(yù)警級別設(shè)置

綜合國內(nèi)外文獻(xiàn)研究成果，結(jié)合學(xué)習(xí)者在線學(xué)習(xí)實際情況，對結(jié)構(gòu)化指標(biāo)進(jìn)行預(yù)警級別設(shè)置，借助預(yù)警語言，將預(yù)警等級分為輕級、中級、高級3個等級，分別表示為安全（Ⅰ級）、預(yù)警（Ⅱ級）、預(yù)警（Ⅲ級）。

3.3 研究數(shù)據(jù)來源

基于教學(xué)大數(shù)據(jù)云平臺，依據(jù)省級優(yōu)秀人才培養(yǎng)方案教學(xué)計劃安排，選擇數(shù)據(jù)時間段為2022年9月—2023年1月，選取學(xué)銀在線推送的國家在線精品課程“會計信息系統(tǒng)應(yīng)用”16個班級的學(xué)習(xí)數(shù)據(jù)，隨機(jī)抽取18人學(xué)習(xí)數(shù)據(jù)進(jìn)行實證研究。

3.4 實證過程

結(jié)構(gòu)化指標(biāo)具有復(fù)雜性、差異化、多元化的特點，在開展預(yù)警模型中有可能出現(xiàn)偏差。設(shè)18個預(yù)警指標(biāo)為自變量，即預(yù)警模型輸入變量，設(shè)綜合評分A為因變量，即預(yù)警模型的輸出變量，通過網(wǎng)格搜索和交叉驗證，尋找A與Aii之間的關(guān)系。

采用層次法、有向無環(huán)圖支持構(gòu)建多類最小二乘支持向量機(jī)分類模型，在經(jīng)過試算和迭代后，確定層節(jié)的點數(shù)，并以徑向基函數(shù)K（x，xi）=T（xi）（xi）作為LSSVM的核函數(shù)，將隨機(jī)抽取的18名學(xué)習(xí)者中前12名作為訓(xùn)練樣本進(jìn)行模型訓(xùn)練，6名學(xué)習(xí)者數(shù)據(jù)為測試樣本，驗證預(yù)警模型的精準(zhǔn)性、收斂性，具體參數(shù)設(shè)置見表2。

3.5 實證結(jié)果

通過指標(biāo)訓(xùn)練和模型迭代運(yùn)算，得到12個訓(xùn)練樣本匹配度，見表3。從表3結(jié)果可以看出，多類最小二乘支持向量機(jī)預(yù)警模型的估計數(shù)據(jù)與實際數(shù)據(jù)匹配度高，模型擬合效果好。

測試樣本的估計值與實際值評分匹配表見表4。表4中6個測試樣本測試結(jié)果與實際值匹配度平均值達(dá)97.18%，說明預(yù)警模型能夠精準(zhǔn)評價在線學(xué)習(xí)數(shù)據(jù)危機(jī)等級與學(xué)習(xí)行為狀況，預(yù)警能力強(qiáng)。相比樸素貝葉斯預(yù)警模型[1]收斂速度更快、泛化能力更強(qiáng)、計算更精準(zhǔn)。

4 在線學(xué)習(xí)干預(yù)措施

4.1 行為干預(yù)

采用“通知”干預(yù)措施，對出現(xiàn)中、高預(yù)警的學(xué)習(xí)者學(xué)習(xí)行為進(jìn)行階段性干預(yù)。利用學(xué)習(xí)通進(jìn)行預(yù)警發(fā)布，可設(shè)置任務(wù)點完成度、章節(jié)完成度、章節(jié)測試平均分、綜合成績平均分、作業(yè)平均分、考試平均分等選項，見圖2。具體干預(yù)方式有發(fā)送郵件、QQ留言、學(xué)習(xí)通提示等。通過這種干預(yù)措施，一方面可以提醒學(xué)習(xí)者及時關(guān)注課程學(xué)習(xí)進(jìn)展，重視過程學(xué)習(xí)，及時訪問在線課程，認(rèn)真完成任務(wù)點，誠實守信，不刷課、替課，避免產(chǎn)生負(fù)面影響；另一方面可以及時發(fā)現(xiàn)學(xué)習(xí)者的消極學(xué)習(xí)情緒或?qū)W習(xí)興趣側(cè)重點，便于及時調(diào)整教學(xué)進(jìn)度、難度和教學(xué)策略，開展差異化教學(xué)。

4.2 交互干預(yù)

采用“交互”干預(yù)措施，重點對在線學(xué)習(xí)過程進(jìn)行干預(yù)。重點挖掘在線學(xué)習(xí)過程數(shù)據(jù)，通過數(shù)據(jù)分析，利用數(shù)字畫像可以發(fā)現(xiàn)在線學(xué)習(xí)危機(jī)對學(xué)情進(jìn)行針對性分析，因材施教，引導(dǎo)大數(shù)據(jù)與會計專業(yè)學(xué)生采取怎樣的方法改善在線學(xué)習(xí)表現(xiàn)，提高學(xué)習(xí)興趣和學(xué)習(xí)質(zhì)量。主要干預(yù)措手段有：互動討論、發(fā)帖數(shù)、小組任務(wù)、課堂搶答、隨機(jī)選人、調(diào)查問卷、課堂投票等交互活動，見圖3。同時，可以通過信息技術(shù)設(shè)計對決游戲進(jìn)行交互干預(yù)，激發(fā)學(xué)生學(xué)習(xí)興趣和潛能，促進(jìn)師生和學(xué)生之間資源共享、問題交流和協(xié)作學(xué)習(xí)，實現(xiàn)師生、生生的深度有效互動。

4.3 激勵干預(yù)

采用“信用積分”“課程積分”等干預(yù)措施，對在線學(xué)習(xí)行為進(jìn)行全程干預(yù)。一方面，對缺課率高、任務(wù)完成率低、互動數(shù)據(jù)少、作業(yè)完成不及時、分組任務(wù)未完成的學(xué)習(xí)者，進(jìn)行系統(tǒng)信用扣分，情節(jié)嚴(yán)重的可以禁止參與后續(xù)學(xué)習(xí)活動；另一方面，對于訪問量多、任務(wù)點反芻比高、自發(fā)精華帖、測試成績優(yōu)秀、十佳設(shè)計成果、比賽獲獎、在線助人達(dá)人的學(xué)習(xí)者進(jìn)行課程積分獎勵，促進(jìn)個性化教學(xué)的實現(xiàn)。既可以實現(xiàn)對中、高危機(jī)學(xué)習(xí)者的重點關(guān)注和干預(yù)，又可以精準(zhǔn)培養(yǎng)品學(xué)兼優(yōu)學(xué)習(xí)之星，促進(jìn)在線教育高質(zhì)量發(fā)展，培養(yǎng)數(shù)智化財經(jīng)人才。

5 結(jié)語

基于大數(shù)據(jù)與會計專業(yè)學(xué)生學(xué)情，結(jié)合“會計信息系統(tǒng)應(yīng)用”課程在線學(xué)習(xí)數(shù)據(jù)與特點，通過將在線學(xué)習(xí)行為從定性角度提升為定性與定量相結(jié)合的角度，實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的數(shù)學(xué)描述并構(gòu)建預(yù)警模型，精準(zhǔn)制定干預(yù)措施，為學(xué)生提供數(shù)智慧化教學(xué)服務(wù)和個性化學(xué)習(xí)需求。同時，為在線學(xué)習(xí)行為預(yù)警模型提供理論依據(jù)和新的思路，為驅(qū)動在線教育實現(xiàn)個性化創(chuàng)新變革提供科學(xué)指導(dǎo)和應(yīng)用參考。

后續(xù)研究可以對指標(biāo)體系與學(xué)習(xí)效果的因果關(guān)系做進(jìn)一步的對照實驗，并進(jìn)一步分析大數(shù)據(jù)與會計專業(yè)學(xué)生選擇不同課程、不同網(wǎng)絡(luò)平臺和不同教師授課風(fēng)格對在線學(xué)習(xí)行為的影響因素及學(xué)習(xí)效果的研究，為在線學(xué)習(xí)設(shè)計和數(shù)智化評價研究提供支撐。

參考文獻(xiàn)

[1]舒瑩，姜強(qiáng)，趙蔚.在線學(xué)習(xí)危機(jī)精準(zhǔn)預(yù)警及干預(yù)：模型與實證研究[J].中國遠(yuǎn)程教育，2019（8）：27-34.

[2]黃祺，朱瑋.“德技并修”理念下大數(shù)據(jù)與會計專業(yè)課程思政建設(shè)困境與對策研究[J].財務(wù)管理研究，2022（10）：100-105.

[3]黃昌勤，涂雅欣，俞建慧，等.數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)倦怠預(yù)警模型研究與實現(xiàn)[J].電化教育研究，2021（2）：47-54.

[4]MOORE M G. Three types of interaction[J].The American Journal of Distance Education，1989，3（2）：1-6.

[5]張進(jìn)良，魏立鵬，劉斌.智能化環(huán)境中基于學(xué)習(xí)分析的學(xué)習(xí)行為優(yōu)化研究[J].遠(yuǎn)程教育雜志，2020（3）：69-78.

[6]趙慧瓊，姜強(qiáng)，趙蔚，等.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績效預(yù)警因素及干預(yù)對策的實證研究 [J]. 電化教育研究，2017（1）：62-69.

[7]王麗英，何云帆，田俊華.在線學(xué)習(xí)行為多模態(tài)數(shù)據(jù)融合模型構(gòu)建及實證[J].中國遠(yuǎn)程教育，2020（6）：22-51.

[8]楊雪，姜強(qiáng)，趙蔚，等.大數(shù)據(jù)時代基于學(xué)習(xí)分析的在線學(xué)習(xí)拖延診斷與干預(yù)研究[J].電化教育研究，2017（7）：51-57.

[9]王改花，傅鋼善.網(wǎng)絡(luò)學(xué)習(xí)行為與成績的預(yù)測及學(xué)習(xí)干預(yù)模型的設(shè)計[J].中國遠(yuǎn)程教育，2018（2）：39-48.

[10] SUYKENS J A K，VANDWALLE? J. Least squares support vector machines classifiers [J]. Neural Network Letters，1999，19（3）：1-11.

收稿日期：2023-04-03

作者簡介：

黃祺，女，1981年生，碩士研究生，副教授，主要研究方向：大數(shù)據(jù)與會計專業(yè)教育教學(xué)。

*基金項目：2023年度湖南省社會科學(xué)成果評審委員會課題“‘德技并修‘理念下高職大數(shù)據(jù)與會計專業(yè)課程思政建設(shè)路徑與實踐研究”（XSP2023JYC231）階段性研究成果。