基于SPOC視頻學(xué)習(xí)數(shù)據(jù)的學(xué)習(xí)行為特征分析方法

張峰　劉迪　高瑩

摘 ?要： 在基于小規(guī)模限制性在線課程（Small Private Online Course，SPOC）平臺的學(xué)習(xí)過程中，教育數(shù)據(jù)為學(xué)習(xí)分析提供了依據(jù)。為了幫助教師改進教學(xué)策略，幫助學(xué)生改進學(xué)習(xí)效果，本文提出了一種綜合考慮學(xué)生分類和視頻學(xué)習(xí)時間的學(xué)習(xí)行為分析方法，旨在發(fā)現(xiàn)學(xué)生潛在的學(xué)習(xí)現(xiàn)象，并根據(jù)該現(xiàn)象對不同類型學(xué)生的學(xué)習(xí)行為之間的相似性和差異性進行分析和總結(jié)，發(fā)現(xiàn)不同類型學(xué)生的學(xué)習(xí)習(xí)慣以及影響學(xué)生學(xué)習(xí)效果的時間因素。通過案例分析表明，該方法可以為教師教學(xué)和學(xué)生學(xué)習(xí)提供反饋，輔助學(xué)生的自我調(diào)節(jié)學(xué)習(xí)和教師的個性化教學(xué)。

關(guān)鍵詞：?SPOC;學(xué)生分類;個性化;學(xué)習(xí)時間;學(xué)習(xí)行為特征分析

中圖分類號： G434???文獻標(biāo)識碼：?A????DOI：10.3969/j.issn.1003-6970.2020.02.018

【Abstract】： In the learning process based on Small Private Online Course （SPOC） platform， education data provides a basis for learning analysis. In order to help teachers improve teaching strategies and help students improve their learning effects， we propose a learning behavior analysis method， which comprehensively considers student classification and video learning time. The method aims to discover students' potential learning phenomena， analyze and summarize the similarities and differences between learning behaviors of different types of students according to this phenomenon. Thus， the method can help teachers find out learning habits of different types of students and the time factors that affect students' learning effect. The case analysis shows that the proposed method can provide feedback for teachers' teaching and students' learning， and it can assist students' self-regulated learning and teachers' personalized teaching.

【Key words】：?SPOC; Student classification; Personalization; Learning time; Learning behavior characteristics analysis

0??引言

隨著計算機技術(shù)和互聯(lián)網(wǎng)技術(shù)的發(fā)展，在線學(xué)習(xí)平臺應(yīng)運而生，在線學(xué)習(xí)也變得普及。小規(guī)模限制性在線課程（Small Private Online Course，SPOC）和翻轉(zhuǎn)課堂[1-3]相結(jié)合的教學(xué)模式帶動了個性化教育的發(fā)展。SPOC學(xué)習(xí)平臺中記錄了大量的學(xué)生視

頻學(xué)習(xí)數(shù)據(jù)，為進行學(xué)習(xí)分析提供了依據(jù)。

目前有很多研究對學(xué)生的視頻學(xué)習(xí)數(shù)據(jù)進行分析，發(fā)現(xiàn)影響學(xué)生學(xué)習(xí)的因素，預(yù)測學(xué)習(xí)結(jié)果，并提供反饋和干預(yù)。然而，現(xiàn)有研究所分析的影響學(xué)習(xí)的因素不夠細(xì)化，集中在“登錄時間”、“在線時長”、“觀看次數(shù)”等粒度較粗的因素，沒有從細(xì)粒度的因素去分析視頻學(xué)習(xí)行為。同時，多數(shù)研究都將所有學(xué)生作為一個共同群體來研究，沒有對不同類型的學(xué)生進行分類研究。本文提出了基于學(xué)生分類和學(xué)習(xí)時間組合的學(xué)習(xí)行為分析方法。首先，為了對學(xué)生學(xué)習(xí)行為進行個性化分析，發(fā)現(xiàn)不同類型學(xué)生在學(xué)習(xí)行為上的相似性與差異性，基于學(xué)習(xí)成績對學(xué)生進行分類。然后，為了發(fā)現(xiàn)潛在的學(xué)生學(xué)習(xí)行為影響因素，本文提出了學(xué)習(xí)時間組合，對多個學(xué)習(xí)時間因素進行組合，并基于學(xué)習(xí)時間組合，對不同類型學(xué)生的視頻學(xué)習(xí)數(shù)據(jù)進行分類統(tǒng)計。最后，分析不同類型學(xué)生在不同學(xué)習(xí)時間組合因素下的視頻學(xué)習(xí)數(shù)據(jù)，發(fā)現(xiàn)學(xué)生學(xué)習(xí)規(guī)律，以及影響學(xué)生學(xué)習(xí)的因素，并對教師和學(xué)生進行反饋，從而輔助教師改進教學(xué)策略，為學(xué)生的自我調(diào)節(jié)學(xué)習(xí)提供幫助，從而實現(xiàn)教師的個性化教學(xué)和學(xué)生的個性化學(xué)習(xí)。

1 ?研究現(xiàn)狀

當(dāng)前基于真實學(xué)習(xí)數(shù)據(jù)對學(xué)生學(xué)習(xí)行為分析的工作主要有如下2類工作。

第一類工作基于學(xué)習(xí)數(shù)據(jù)，探究影響學(xué)生學(xué)習(xí)結(jié)果的學(xué)習(xí)行為，確立學(xué)習(xí)評價指標(biāo)，建立預(yù)測模型，對學(xué)生學(xué)習(xí)行為進行動態(tài)預(yù)測，并提供教學(xué)反饋[4-15]。該類工作的重點在于預(yù)測，與本研究關(guān)系不大。

第二類工作基于學(xué)習(xí)數(shù)據(jù)，對學(xué)生學(xué)習(xí)行為進行分析與對比，發(fā)現(xiàn)潛在的規(guī)律，為促進教學(xué)策略改進和學(xué)生學(xué)習(xí)提供依據(jù)[16-23]。該類工作基于粗粒度的影響因素分析學(xué)生學(xué)習(xí)行為，不能發(fā)現(xiàn)一些潛在的學(xué)習(xí)影響因素，例如，學(xué)生在不同學(xué)習(xí)階段對學(xué)習(xí)時間的利用方式存在不同。

綜上，已有工作更加注重學(xué)習(xí)影響因素的多樣性，沒有對影響因素進行細(xì)化。同時，已有工作很少基于學(xué)生分類、學(xué)生聚類對學(xué)習(xí)數(shù)據(jù)進行個性化分析。本文將基于學(xué)生分類和細(xì)粒度的學(xué)習(xí)影響因素，對學(xué)生學(xué)習(xí)行為進行個性化分析，發(fā)現(xiàn)潛在的學(xué)習(xí)規(guī)律。

2??學(xué)習(xí)行為分析方法

2.1 ?方法框架

視頻學(xué)習(xí)行為特征分析方法的整體框架如圖1所示。本方法首先基于成績對學(xué)生進行分類，并且基于時間因素對視頻學(xué)習(xí)數(shù)據(jù)進行分析;然后將每種類型學(xué)生的視頻學(xué)習(xí)數(shù)據(jù)進行分類統(tǒng)計，并可視化呈現(xiàn);然后，對視頻學(xué)習(xí)數(shù)據(jù)進行分析，發(fā)現(xiàn)不同類型學(xué)生在學(xué)習(xí)行為上的共同點和不同點;最后，找出影響學(xué)生學(xué)習(xí)的因素并進行個性化反饋，幫助學(xué)生實現(xiàn)自我調(diào)節(jié)學(xué)習(xí)，同時幫助教師改進教學(xué)策略。

（1）學(xué)生分類

為了對不同學(xué)習(xí)水平的學(xué)生學(xué)習(xí)行為進行個性化分析，本方法基于學(xué)習(xí)成績對學(xué)生進行分類。實際中既可以基于成績分?jǐn)?shù)范圍進行分類，也可以基于成績名次范圍進行分類。

（2）基于學(xué)習(xí)時間的視頻學(xué)習(xí)數(shù)據(jù)分析

不同類型的學(xué)生在相同的時間范圍內(nèi)會有不同的學(xué)習(xí)行為，同一類型學(xué)生在不同時間段的學(xué)習(xí)行為也會發(fā)生變化?；趯W(xué)習(xí)時間對視頻學(xué)習(xí)數(shù)據(jù)進行分類統(tǒng)計和分析，可以發(fā)現(xiàn)學(xué)生在不同時間范圍呈現(xiàn)出的不同學(xué)習(xí)行為。

（3）個性化策略的實施

對于學(xué)生，個性化反饋可以根據(jù)不同類型學(xué)生的學(xué)習(xí)表現(xiàn)和學(xué)習(xí)行為，發(fā)現(xiàn)其所存在的問題，并為不同類型的學(xué)生反饋不同的學(xué)習(xí)建議。學(xué)生根據(jù)反饋結(jié)果，發(fā)現(xiàn)自己所存在的問題，并結(jié)合自身情況，根據(jù)反饋建議進行個性化的自我調(diào)節(jié)學(xué)習(xí)。對于教師，教師可以根據(jù)不同類型學(xué)生的學(xué)習(xí)特點和學(xué)習(xí)規(guī)律制定個性化教學(xué)策略[24]，為不同類型學(xué)生制定適合的學(xué)習(xí)策略，并且可以結(jié)合學(xué)習(xí)好的學(xué)生的學(xué)習(xí)習(xí)慣，為學(xué)習(xí)差的學(xué)生進行教學(xué)干預(yù)和教學(xué)指導(dǎo)。

2.2??基于學(xué)習(xí)時間組合的視頻觀看數(shù)據(jù)分析

在SPOC學(xué)習(xí)平臺中，觀看視頻是學(xué)生最主要的學(xué)習(xí)活動，視頻觀看次數(shù)可以反映出學(xué)生的學(xué)習(xí)行為。在不同的時間因素下，學(xué)生的視頻觀看行為存在不同，接下來對學(xué)習(xí)時間因素進行分類和組合。

2.2.1 ?學(xué)習(xí)時間分類

基于天、周、月將學(xué)習(xí)時間范圍分為3類，如下：

（1）上午/下午/晚上。本文將一天分為上午（6點-12點）、下午（12點-18點）、晚上（18點-24點）、凌晨（0點-6點），由于學(xué)生很少在凌晨學(xué)習(xí)，所以本文不討論凌晨時學(xué)生的視頻觀看次數(shù)。不同的學(xué)生在上午、下午、晚上學(xué)習(xí)的次數(shù)存在不同，可以反映出學(xué)生在一天當(dāng)中的學(xué)習(xí)時間偏好。

（2）工作日/休息日。在工作日學(xué)生會進行正常的學(xué)習(xí)活動，在休息日學(xué)生會根據(jù)自己的情況自愿選擇學(xué)習(xí)或者休息，休息日包括周末和假期。學(xué)生在工作日和休息日的學(xué)習(xí)動力有所不同，在工作日的觀看次數(shù)會受到課程的影響，在休息日的觀看次數(shù)與學(xué)生的自律性、對學(xué)習(xí)的喜好程度等有關(guān)。

（3）月份。在整個學(xué)習(xí)過程中，涵蓋了多個月份，不同的月份代表了不同的學(xué)習(xí)階段。在剛開始學(xué)習(xí)的第一個月，學(xué)習(xí)次數(shù)的高低可以反映出一開始的投入狀態(tài);在學(xué)習(xí)的中間月份是鞏固知識和擴展知識的主要階段;在學(xué)習(xí)的最后一個月觀看次數(shù)會受復(fù)習(xí)的影響。

2.2.2??學(xué)習(xí)時間組合

為了從多個時間因素對視頻觀看次數(shù)進行分組統(tǒng)計，發(fā)現(xiàn)視頻觀看次數(shù)在不同時間因素下的差異，給出學(xué)習(xí)時間組合的定義。

定義1 學(xué)習(xí)時間組合ltc = （ lt1， lt2， …， ltm?），其中l(wèi)ti為第i個學(xué)習(xí)時間因素，m為學(xué)習(xí)時間因素個數(shù)。

結(jié)合SPOC系統(tǒng)中視頻學(xué)習(xí)數(shù)據(jù)的特點，本文提出的學(xué)習(xí)時間組合的整體框架如圖2所示，其中，學(xué)習(xí)時間因素共有3個，分別為上午/下午/晚上、工作日/休息日、月份，每個組合的學(xué)習(xí)時間因素個數(shù)m=2，共得到3個學(xué)習(xí)時間組合。由于基于天、周、月中的一個因素對學(xué)生視頻觀看次數(shù)進行分析無法發(fā)現(xiàn)一些潛在的學(xué)習(xí)規(guī)律，因此，本文對學(xué)習(xí)時間進行組合，同時從2個因素對學(xué)生的視頻觀看次數(shù)展開分析，用于發(fā)現(xiàn)更多潛在的學(xué)習(xí)規(guī)律。通過時間因素的組合對學(xué)生視頻觀看行為進行分析，不僅可以發(fā)現(xiàn)學(xué)生在一天、一周、一個學(xué)習(xí)周期中的視頻觀看規(guī)律，還可以發(fā)現(xiàn)：1）隨著學(xué)習(xí)階段的深入，學(xué)生在一天中觀看習(xí)慣的改變;2）隨著學(xué)習(xí)階段的深入，學(xué)生在一周中觀看習(xí)慣的改變;?3）在工作日和休息日中學(xué)生的學(xué)習(xí)習(xí)慣，如更傾向于上午、下午還是晚上觀看視頻。

由于每個學(xué)生分類的人數(shù)不同，為了消除人數(shù)造成的視頻觀看數(shù)差異，使用每個學(xué)生分類的人均觀看數(shù)來衡量學(xué)生的觀看頻率。由于工作日和休息日的天數(shù)不同，每個月份的天數(shù)也存在不同，為了消除天數(shù)造成的視頻觀看數(shù)差異，使用日均觀看數(shù)來衡量學(xué)生的觀看頻率。

3 ?案例研究

3.1??數(shù)據(jù)集

數(shù)據(jù)集來自本校SPOC平臺中軟件工程2016級學(xué)生學(xué)習(xí)Java課程的學(xué)習(xí)數(shù)據(jù)。該課程共有11章，視頻共有115個，學(xué)習(xí)人數(shù)為98人。從后臺對學(xué)生的視頻觀看數(shù)據(jù)進行提取，數(shù)據(jù)的描述如表1所示，包括學(xué)生信息、視頻信息、視頻觀看信息。根據(jù)學(xué)生觀看視頻的時間，統(tǒng)計得出學(xué)生在每個學(xué)習(xí)時間組合內(nèi)的視頻觀看次數(shù)。

3.2 ?學(xué)生分類

基于學(xué)生的成績對學(xué)生進行分類，將學(xué)生劃分為四類，分別為“優(yōu)”、“良”、“中”、“差”，并劃定了每類學(xué)生的成績范圍，分類結(jié)果如表2所示。

從表2中可以得知，“優(yōu)”的學(xué)生人數(shù)最多，其次是“中”和“良”的學(xué)生，“差”的學(xué)生人數(shù)最少。從平均成績來看，“優(yōu)”的學(xué)生成績較高;“良”的學(xué)生成績比較理想;“中”的學(xué)生成績徘徊在及格線，還有較大的進步空間;“差”的學(xué)生成績過低，需要加強學(xué)習(xí)。

3.3 ?基于學(xué)習(xí)時間組合的數(shù)據(jù)分析

本文將基于3個學(xué)習(xí)時間組合，分別對每種類型學(xué)生的視頻觀看數(shù)據(jù)進行分析，為了便于分析，學(xué)生的平均觀看次數(shù)保留1位小數(shù)。

（1）工作日/休息日&上午/下午/晚上

統(tǒng)計結(jié)果如表3所示。分析該表可知，對于所有學(xué)生，工作日全天觀看數(shù)遠(yuǎn)高于休息日全天觀看數(shù);休息日下午觀看數(shù)要高于休息日上午觀看數(shù)，工作日上午觀看數(shù)也高于休息日上午觀看數(shù);并且，工作日晚上觀看數(shù)高于休息日晚上觀看數(shù)，無論是工作日還是休息日，晚上觀看數(shù)都要高于上午觀看數(shù)和下午觀看數(shù)?！皟?yōu)”的學(xué)生在工作日上午觀看數(shù)高于工作日下午觀看數(shù)，其他類型學(xué)生在工作日上午和工作日下午的觀看數(shù)幾乎相同?！皟?yōu)”的學(xué)生工作日下午觀看數(shù)低于休息日下午觀看數(shù)，其他類型學(xué)生工作日下午觀看數(shù)高于休息日下午觀看數(shù)。

可以得知，在周末學(xué)生需要休息，并且休息日學(xué)生起得比較晚，導(dǎo)致休息日整體觀看數(shù)都較低，特別是休息日上午觀看數(shù)。無論是工作日還是休息日，晚上都是學(xué)生學(xué)習(xí)的主要時間?！皟?yōu)”的學(xué)生在休息日下午觀看數(shù)高于工作日下午，因為該類學(xué)生在休息日依然保持了較高的學(xué)習(xí)積極性。

（2）月&工作日/休息日

隨著月份變化，學(xué)生在工作日/休息日的觀看次數(shù)的變化如表4所示。分析可得，“優(yōu)”的學(xué)生工作日觀看次數(shù)隨著月份增長先是略有下降，又增長較多，休息日觀看次數(shù)隨著月份增長一直下降，該類學(xué)生在工作日觀看次數(shù)越來越多，而在休息日觀看次數(shù)越來越少;“良”的學(xué)生工作日觀看次數(shù)隨著月份增長變化不大，休息日觀看次數(shù)隨著月份增長而下降;“中”的學(xué)生工作日觀看次數(shù)隨著月份增長保持不變，休息日觀看次數(shù)隨著月份增長而下降;“差”的學(xué)生工作日觀看次數(shù)和休息日觀看次數(shù)，隨著月份增長都產(chǎn)生了下降。

可以得知，“優(yōu)”的學(xué)生將學(xué)習(xí)時間從休息日向工作日轉(zhuǎn)移，工作日觀看數(shù)增加是因為隨著課程范圍增加，為了進行復(fù)習(xí)，投入的學(xué)習(xí)時間也在增加，休息日觀看數(shù)減少是因為剛開始學(xué)習(xí)的一個月，該類型學(xué)生為了更快地投入到新的學(xué)習(xí)中，休息日觀看數(shù)太高，當(dāng)學(xué)了一段時間后，掌握了基礎(chǔ)，休息日不在進行高時間投入的學(xué)習(xí)。“良”和“中”的學(xué)生在工作日的觀看次數(shù)較為穩(wěn)定，能保持學(xué)習(xí)的動力，隨著學(xué)習(xí)基礎(chǔ)的鞏固，在休息日也有所放松，時間投入減少。“差”的學(xué)生在工作日、休息日的觀看次數(shù)都在下降，是因為前面的章節(jié)沒學(xué)會，影響對后面的章節(jié)的理解，導(dǎo)致學(xué)習(xí)積極性下降。

（3）月&上午/下午/晚上

隨著月份變化，學(xué)生在上午/下午/晚上的觀看次數(shù)的變化如表5所示。

從表中可以看出，所有學(xué)生在10月學(xué)習(xí)次數(shù)最多，在11月-12月，“優(yōu)”和“良”的學(xué)生全天觀看數(shù)保持穩(wěn)定，而“中”和“差”的學(xué)生全天觀看數(shù)下降。隨著月份增長，“優(yōu)”的學(xué)生上午和下午觀看次數(shù)有所下降，晚上觀看數(shù)略有上升;“良”的學(xué)生上午觀看次數(shù)有所下降，下午和晚上觀看數(shù)比較穩(wěn)定;“中”的學(xué)生上午觀看次數(shù)有所下降，下午觀看數(shù)略有下降，晚上觀看數(shù)有所浮動;“差”的學(xué)生上午觀看數(shù)和下午觀看數(shù)一直在下降，晚上觀看數(shù)穩(wěn)定不變。

可以得知，課程剛開始時學(xué)生學(xué)習(xí)動力較高，期末時學(xué)習(xí)動力下降，由于需要復(fù)習(xí)，“優(yōu)”和“良”的學(xué)生觀看數(shù)保持穩(wěn)定，而自律性較差的“中”和“差”兩類學(xué)生的觀看數(shù)開始減少。隨著月份增長，所有類型學(xué)生在上午觀看視頻的次數(shù)都在下降，一方面是因為課程的影響，另一方面學(xué)生在上午學(xué)習(xí)的積極性較低。并且，晚上的觀看次數(shù)略有上升或保持穩(wěn)定，在白天（上午和下午）學(xué)習(xí)次數(shù)下降的同時，保證了晚上的學(xué)習(xí)次數(shù)。“優(yōu)”的學(xué)生晚上學(xué)習(xí)次數(shù)高于白天學(xué)習(xí)次數(shù)，“良”和“中”的學(xué)生晚上學(xué)習(xí)次數(shù)也與白天學(xué)習(xí)次數(shù)接近，說明在晚上學(xué)習(xí)更受學(xué)生喜歡?！安睢钡膶W(xué)生在白天的觀看次數(shù)下降很多，到了12月時，學(xué)習(xí)動力過低，白天幾乎不怎么學(xué)習(xí)。

3.4??結(jié)論與建議

從整個學(xué)習(xí)過程來看，學(xué)習(xí)初期時學(xué)生的積極性比較高。但是由于學(xué)生基礎(chǔ)薄弱，此時學(xué)習(xí)效果對后續(xù)學(xué)習(xí)很重要。因此，教師在該階段應(yīng)該密切觀察學(xué)生的學(xué)習(xí)狀態(tài)，當(dāng)學(xué)生的學(xué)習(xí)次數(shù)下降或者存在多天不學(xué)習(xí)行為時，應(yīng)該及時進行干預(yù)和指導(dǎo)。到了期末階段，學(xué)生學(xué)習(xí)積極性下降。為了應(yīng)對期末考核，成績高的學(xué)生仍能保證較多的學(xué)習(xí)次數(shù)，而成績低的學(xué)生知識基礎(chǔ)和自律性都較差，考核失敗的風(fēng)險較大。因此，為了幫助學(xué)生應(yīng)對期

末考核，教師應(yīng)該采取個性化的教學(xué)策略來幫助學(xué)生。對成績較高的學(xué)生，由于該類學(xué)生基礎(chǔ)好、自律性強，教師可以為該類學(xué)生提供必要的學(xué)習(xí)資源。對成績低的學(xué)生，應(yīng)該加強課堂上的講解和學(xué)習(xí)督促，并提供一定的復(fù)習(xí)習(xí)題以供該類學(xué)生掌握知識點。

從平時學(xué)習(xí)的過程來看，首先，在一周當(dāng)中，工作日是學(xué)習(xí)的主要時間段，學(xué)生在工作日的學(xué)習(xí)積極性要高于休息日，在工作日學(xué)習(xí)時，學(xué)生可以將上課與觀看視頻相結(jié)合，提高學(xué)習(xí)效果。因此，翻轉(zhuǎn)課堂對學(xué)生的學(xué)習(xí)有著重要作用，翻轉(zhuǎn)課堂如何展開是教師應(yīng)該關(guān)心的一個問題。并且，在工作日保證學(xué)習(xí)次數(shù)的同時，休息日的學(xué)習(xí)時間也很重要。學(xué)習(xí)初期，為了快速進入學(xué)習(xí)狀態(tài)，鞏固基礎(chǔ)，“良”和“中”的學(xué)生在休息日也可以投入較多的學(xué)習(xí)時間;隨著學(xué)習(xí)過程的加深，再逐漸減少休息日的學(xué)習(xí)時間，將學(xué)習(xí)時間向工作日集中。而對于學(xué)習(xí)差的學(xué)生，應(yīng)該先增加工作日的學(xué)習(xí)次數(shù)，保證平時和課堂上的學(xué)習(xí)效果。其次，在一天當(dāng)中，晚上是學(xué)生學(xué)習(xí)的主要時間段，學(xué)生在晚上的學(xué)習(xí)積極性更高。在工作日時，晚上的課程較少，有更多的可支配時間;在休息日時，學(xué)生在上午和下午的休息時間較多，晚上的學(xué)習(xí)時間較多。由于白天時間的碎片化，學(xué)生可以在上午或者下午學(xué)習(xí)簡單、較少的視頻，在晚上學(xué)習(xí)較難、有關(guān)聯(lián)的多個視頻。并且，在晚上可以將視頻學(xué)習(xí)和解決作業(yè)習(xí)題相結(jié)合，學(xué)以致用，加深理解。隨著學(xué)習(xí)過程深入，在晚上學(xué)習(xí)的比重也越來越高。到了期末，對于成績較高的學(xué)生，教師可以在白天展開翻轉(zhuǎn)課堂協(xié)助學(xué)生復(fù)習(xí)，并提供相應(yīng)的復(fù)習(xí)資源和習(xí)題，為學(xué)生在晚上的復(fù)習(xí)提供幫助。對于學(xué)習(xí)差的學(xué)生，由于該類學(xué)生的自律性差，教師可以在晚上組織復(fù)習(xí)，督促學(xué)生展開復(fù)習(xí)，并實時解答學(xué)生遇到的問題。

4??總結(jié)

SPOC和各類在線學(xué)習(xí)系統(tǒng)的應(yīng)用為視頻學(xué)習(xí)數(shù)據(jù)分析提供了支撐，在SPOC學(xué)習(xí)平臺中，視頻是最重要的一類資源。本文基于視頻學(xué)習(xí)時間組合的方法，分析不同類型學(xué)生之間學(xué)習(xí)行為的差異，以及學(xué)生在不同時間因素下學(xué)習(xí)行為的變化，發(fā)現(xiàn)潛在的學(xué)習(xí)規(guī)律，為學(xué)生自適應(yīng)學(xué)習(xí)和教師個性化教學(xué)提供了建議與幫助。

當(dāng)前方法還存在一定的不足。本文基于時間因素對學(xué)生學(xué)習(xí)行為進行分析，并沒有考慮其他影響學(xué)習(xí)效果的因素，得出的結(jié)論并不夠全面。在后續(xù)的工作中，將會從更多方面對視頻學(xué)習(xí)數(shù)據(jù)進行分析。

參考文獻

劉曉天， 顧大明. 基于微視頻的高職翻轉(zhuǎn)課堂教學(xué)實證研究[J]. 軟件， 2015， 36（11）： 18-22.

榮艷冬. 翻轉(zhuǎn)課堂教學(xué)模式下數(shù)字化教學(xué)資源庫建設(shè)——以網(wǎng)頁設(shè)計與制作課程為例[J]. 軟件， 2018， 39（9）： 213-215.

焦賽美. 基于混合學(xué)習(xí)的翻轉(zhuǎn)課堂教學(xué)模式研究——以“Photoshop 平面設(shè)計”課程為例[J]. 軟件， 2018， 39（4）： 222-225.

盧曉航， 王勝清， 黃俊杰， 陳文廣， 閆增旺. 一種基于滑動窗口模型的MOOCs輟學(xué)率預(yù)測方法[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn)， 2017， 1（04）： 67-75.

Jiang S， Williams A， Schenke K， et al. Predicting MOOC Performance with Week 1 Behavior[C]//Proceedings of the 7th International Conference on Educational Data Mining. London： International Educational Data Mining Society， 2014： 273-275.

李建偉， 蘇占玖， 黃赟茹. 基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)風(fēng)險預(yù)測研究[J]. 現(xiàn)代教育技術(shù)， 2018， 28（08）： 78-84.

宗陽， 孫洪濤， 張亨國， 鄭勤華， 陳麗. MOOCs學(xué)習(xí)行為與學(xué)習(xí)效果的邏輯回歸分析[J]. 中國遠(yuǎn)程教育， 2016（05）： 14-22+79.

趙慧瓊， 姜強， 趙蔚， 李勇帆， 趙艷. 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， 38（01）： 62-69.

孫發(fā)勤， 馮銳. 基于學(xué)習(xí)分析的在線學(xué)業(yè)成就影響因素研究[J]. 中國電化教育， 2019（03）： 48-54.

Ashenafi M. M， Riccardi G， Ronchetti M. Predicting students' final exam scores from their course activities[C]//?Proceedings of the 45th Annual Frontiers in Education Conference. El Paso： IEEE， 2015： 372-380.

Ren Z， Rangwala H， Johri A. Predicting performance on MOOC assessments using multi-regression models[C]//?Proceedings of the 9th International Conference on Educational Data Mining. Raleigh： EDM Press， 2016： 484-489.

欒紅波， 文福安. 數(shù)據(jù)挖掘在大學(xué)英語成績預(yù)測中的應(yīng)用研究[J]. 軟件， 2016， 37（3）： 67-69.

崔仁桀. 數(shù)據(jù)挖掘在學(xué)生專業(yè)成績預(yù)測上的應(yīng)用[J]. 軟件， 2016， 37（01）： 24-27.

朱致遠(yuǎn). IOS平臺上課堂實時反饋系統(tǒng)的設(shè)計與實現(xiàn)[J]. 軟件， 2015， 36（2）： 102-106.

許益通， 張冰雪， 趙逢禹. 基于學(xué)習(xí)風(fēng)格的自適應(yīng)學(xué)習(xí)內(nèi)容推薦研究[J]. 軟件， 2018， 39（4）： 01-08.

劉三女牙， 劉智， 高菊， 孫建文. 慕課環(huán)境下學(xué)生學(xué)習(xí)行為差異性分析研究[J]. 電化教育研究， 2016， 37（10）： 57-63+69.

陳雷. 大數(shù)據(jù)學(xué)習(xí)分析的研究與應(yīng)用——以浙江省教師教育MOOC培訓(xùn)平臺的課程為例[J]. 現(xiàn)代教育技術(shù)， 2016， 26（08）： 109-115.

李曼麗， 徐舜平， 孫夢嫽. MOOC學(xué)生課程學(xué)習(xí)行為分析——以“電路原理”課程為例[J]. 開放教育研究， 2015， 21（02）： 63-69.

傅鋼善， 王改花. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果研究[J]. 電化教育研究， 2014， 35（09）： 53-57.

黃誠， 張冰雪， 趙逢禹. 在線學(xué)習(xí)風(fēng)格識別技術(shù)與方法研究[J]. 軟件， 2018， 39（4）： 97-102.

孫月亞. 開放大學(xué)遠(yuǎn)程學(xué)生在線學(xué)習(xí)行為的特征分析[J]. 中國電化教育， 2015（08）： 64-71.

魏順平. 在線學(xué)習(xí)行為特點及其影響因素分析研究[J]. 開放教育研究， 2012， 18（04）： 81-90+17.

Peng W. Research on model of student engagement in online learning[J]. EURASIA Journal of Mathematics Science and Technology Education， 2017， 13（7）： 2869-2882.

任京民， 陳燕. 個性化教學(xué)設(shè)計及其策略[J]. 教育理論與實踐， 2015， 35（11）： 57-59.