【摘要】

學(xué)習(xí)分析技術(shù)是一種通過(guò)對(duì)學(xué)習(xí)者在學(xué)習(xí)中的實(shí)際參與、表現(xiàn)和進(jìn)展以及自身屬性等各種相關(guān)數(shù)據(jù)的分析對(duì)其學(xué)習(xí)結(jié)果進(jìn)行預(yù)測(cè)的技術(shù)。通過(guò)模型分析可以為學(xué)習(xí)者提供預(yù)測(cè)結(jié)果，并實(shí)時(shí)向教學(xué)管理者、課程設(shè)計(jì)者和任課教師等提供相應(yīng)的干預(yù)策略，以避免學(xué)習(xí)者可能最終學(xué)習(xí)失敗的結(jié)果。隨著大規(guī)模在線課程的迅猛發(fā)展，需要針對(duì)性的預(yù)測(cè)模型來(lái)支持學(xué)習(xí)者的在線學(xué)習(xí)過(guò)程。本文提出了一種以學(xué)習(xí)者與平臺(tái)教學(xué)資源間的交互行為為基礎(chǔ)構(gòu)建適應(yīng)大規(guī)模在線學(xué)習(xí)預(yù)測(cè)模型的新方法。與傳統(tǒng)學(xué)習(xí)分析方法不同，該模型不需要對(duì)學(xué)習(xí)者前期學(xué)習(xí)情況有過(guò)多了解，也無(wú)須教學(xué)設(shè)計(jì)者或領(lǐng)域?qū)＜业倪^(guò)多參與，在通用環(huán)境的課程結(jié)構(gòu)以及隨時(shí)間變化的前提下具有良好的預(yù)測(cè)準(zhǔn)確性。

【關(guān)鍵詞】 ?學(xué)習(xí)分析技術(shù);機(jī)器學(xué)習(xí)模型;數(shù)據(jù)挖掘;時(shí)間序列;預(yù)測(cè)分析;決策樹;交互行為;學(xué)習(xí)環(huán)境

【中圖分類號(hào)】 ? TP391 ? ? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】 ?B ? ? ? 【文章編號(hào)】 ?1009-458x（2021）5-0062-06

一、引言

隨著學(xué)習(xí)分析技術(shù)的研究日益發(fā)展，基于該技術(shù)建立的各類對(duì)學(xué)習(xí)者學(xué)習(xí)狀態(tài)及結(jié)果的分析、預(yù)測(cè)、預(yù)警、干預(yù)系統(tǒng)已經(jīng)廣泛應(yīng)用在各種學(xué)習(xí)平臺(tái)之中，并有效地增強(qiáng)了學(xué)習(xí)者的學(xué)習(xí)成功率（Arnold， et al.， 2012; Lauría， et al.， 2013）。構(gòu)建預(yù)測(cè)模型通常需要設(shè)計(jì)者對(duì)所面對(duì)的教育領(lǐng)域、學(xué)習(xí)目標(biāo)以及教學(xué)所處的教學(xué)環(huán)境有深入的了解。本文的研究目的在于能夠提供一種較為通用的方法，打通存在于數(shù)據(jù)挖掘?qū)＜液徒逃虒W(xué)專家之間交叉的“中間空間”（Adlin， et al.， 2010），以學(xué)習(xí)者的個(gè)人屬性特征和基于互動(dòng)行為的時(shí)間序列數(shù)據(jù)，驅(qū)動(dòng)構(gòu)建一個(gè)在同一平臺(tái)環(huán)境中，能夠跨越不同課程和教學(xué)過(guò)程，并且隨時(shí)間變化仍具有良好解釋性和準(zhǔn)確性的學(xué)習(xí)者預(yù)測(cè)模型和干預(yù)系統(tǒng)。這一構(gòu)建過(guò)程，不會(huì)給使用模型的教師或教育專家?guī)?lái)額外的工作負(fù)擔(dān)，他們可以更容易地通過(guò)數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)模型來(lái)深入了解課程中發(fā)生的活動(dòng)，同時(shí)通過(guò)模型提供的預(yù)測(cè)結(jié)果實(shí)施選擇性干預(yù)（Barber， et al.， 2012）。

二、相關(guān)研究進(jìn)展

在學(xué)習(xí)分析技術(shù)興起之前，技術(shù)強(qiáng)化學(xué)習(xí)（Technology-enhanced Learning，TEL）領(lǐng)域就受到教育界非常廣泛的關(guān)注。這一領(lǐng)域的研究方向是理解學(xué)習(xí)者從認(rèn)知角度進(jìn)行學(xué)習(xí)的過(guò)程，并以泛在的技術(shù)手段加以增強(qiáng)和輔助。其中，安德森（Anderson， 1993）的ACT-R技能知識(shí)理論被用作許多智能學(xué)習(xí)輔助系統(tǒng)的基礎(chǔ)。該理論認(rèn)為，學(xué)習(xí)者可以由重復(fù)正確規(guī)則展示認(rèn)知能力和水平，相對(duì)地，如果這種趨勢(shì)不足則表明需要教育干預(yù)機(jī)制加以改進(jìn)。歐爾森（Ohlsson， 1994）基于“錯(cuò)誤表現(xiàn)”的學(xué)習(xí)理論為該領(lǐng)域提供了另一種解釋，他認(rèn)為學(xué)習(xí)者需要通過(guò)錯(cuò)誤并糾正來(lái)證明學(xué)習(xí)過(guò)程正在發(fā)生，提交正確的答案存在著巧合的可能，而出錯(cuò)并糾正才是對(duì)知識(shí)更深層次的認(rèn)知。馬?。∕artin， 1999）以此理論為依據(jù)，建立了基于約束的智能輔助模型。這些對(duì)學(xué)習(xí)者學(xué)習(xí)認(rèn)知過(guò)程的評(píng)判和干預(yù)理論，為學(xué)習(xí)分析技術(shù)奠定了教育理論基礎(chǔ)。

隨著互聯(lián)網(wǎng)生態(tài)的蓬勃發(fā)展，網(wǎng)絡(luò)教育形式方興未艾。相關(guān)領(lǐng)域研究，從單純的學(xué)習(xí)者與學(xué)習(xí)內(nèi)容之間的互動(dòng)延伸到了學(xué)習(xí)者之間的學(xué)習(xí)交流過(guò)程（Gergen， 1985）。布爾等（Bull， et al.， 2001）通過(guò)人工智能技術(shù)對(duì)學(xué)習(xí)者之間的交流和討論，建立了學(xué)習(xí)同伴的匹配模型;格拉瑟等（Graesser， et al.， 2005）則基于此建立了人機(jī)對(duì)話的智能教學(xué)輔助系統(tǒng)。

隨著大規(guī)模公開在線課程（MOOC）嶄露頭角，學(xué)習(xí)分析技術(shù)的發(fā)展得到了空前的大數(shù)據(jù)研究基礎(chǔ)和應(yīng)用前景。加曼（Garman， 2010）采用Logistic回歸分析的方法，基于學(xué)生部分學(xué)習(xí)對(duì)象的評(píng)估結(jié)果對(duì)學(xué)生的課程進(jìn)行有效預(yù)測(cè);摩爾（Moore， 2007）把學(xué)生當(dāng)前課程與之前課程的參與程度作為分析對(duì)象，研究表明學(xué)生課程的參與程度與其課程成績(jī)呈高度相關(guān)，而學(xué)生的前置學(xué)歷排名、入學(xué)考試成績(jī)等則沒有在學(xué)習(xí)結(jié)果上呈現(xiàn)顯著差異;馬杰等（2014）利用多元回歸分析建立模型，對(duì)教育技術(shù)初級(jí)能力培訓(xùn)課程產(chǎn)生的相關(guān)數(shù)據(jù)進(jìn)行分析，驗(yàn)證了該模型的可行性和有效性;孫力等（2015）采用數(shù)據(jù)分類決策樹方法，實(shí)現(xiàn)了對(duì)英語(yǔ)統(tǒng)考成績(jī)的良好預(yù)測(cè);陳子健等（2017）提出采用集成學(xué)習(xí)的方法構(gòu)建集成式學(xué)業(yè)成績(jī)分類預(yù)測(cè)模型，并比較多種算法構(gòu)建的單一分類模型和集成分類模型的性能;肖巍等（2018）對(duì)基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究進(jìn)行文獻(xiàn)綜述;王改花等（2019）采用數(shù)據(jù)挖掘技術(shù)對(duì)網(wǎng)絡(luò)學(xué)習(xí)者的學(xué)習(xí)行為與成績(jī)進(jìn)行了預(yù)測(cè)，構(gòu)建了適應(yīng)性學(xué)習(xí)系統(tǒng)學(xué)習(xí)干預(yù)模型。

對(duì)預(yù)測(cè)模型的研究存在一個(gè)共識(shí)，即學(xué)習(xí)者前序?qū)W習(xí)成績(jī)是對(duì)其后序階段學(xué)習(xí)結(jié)果的重要預(yù)測(cè)指標(biāo)。如賈亞普拉卡什等人（Jayaprakash， et al.， 2014）提供了邏輯回歸模型描述，學(xué)習(xí)者課程成績(jī)累積平均值是最終成績(jī)的最強(qiáng)預(yù)測(cè)因子。筆者所在的網(wǎng)絡(luò)教育學(xué)院以及其他大規(guī)模在線教育平臺(tái)都存在此類情況，即難以準(zhǔn)確獲得學(xué)習(xí)者在使用當(dāng)前教學(xué)平臺(tái)之前的學(xué)習(xí)記錄數(shù)據(jù)。此外，現(xiàn)有的大部分預(yù)測(cè)模型都是階段性、靜態(tài)的，缺乏利用時(shí)間序列行為特征分析預(yù)測(cè)學(xué)習(xí)者實(shí)時(shí)學(xué)習(xí)結(jié)果的能力。因此，本文探索一種以學(xué)習(xí)者與學(xué)習(xí)平臺(tái)的資源互動(dòng)行為數(shù)據(jù)建模的方法，引入時(shí)間序列的衡量概念，構(gòu)建一個(gè)較準(zhǔn)確、易解釋的在不同課程中具備較好通用性并可實(shí)時(shí)動(dòng)態(tài)預(yù)測(cè)學(xué)習(xí)者的學(xué)習(xí)結(jié)果預(yù)警模型。

三、數(shù)據(jù)準(zhǔn)備

（一）特征變量的選擇

在學(xué)習(xí)分析領(lǐng)域，對(duì)學(xué)習(xí)者特征變量（或稱“屬性”）的劃分，存在著一個(gè)普遍共識(shí)的方式。一類是帶有學(xué)習(xí)者人口統(tǒng)計(jì)學(xué)特點(diǎn)的“傾向特征變量”，另一類是學(xué)生在學(xué)習(xí)過(guò)程中所呈現(xiàn)的“行為特征變量”。傾向特征變量一般包括學(xué)習(xí)者的年齡、性別、家庭狀況、收入水平、生活地區(qū)以及前置學(xué)習(xí)成績(jī)等屬性內(nèi)容。這一系列的特征變量都具有靜態(tài)、客觀的特點(diǎn)，是學(xué)習(xí)者個(gè)人情況的反映，基本不會(huì)頻繁變化。對(duì)大多數(shù)在線學(xué)習(xí)平臺(tái)來(lái)說(shuō)，此類特征變量都較容易獲得。之前的研究發(fā)現(xiàn)，學(xué)習(xí)者的“性別、年齡、婚姻狀況、生活地區(qū)”是對(duì)回歸分析預(yù)測(cè)模型影響較高的特征變量（王亮， 2015）。因此，雖然本文的研究重點(diǎn)不在此類傾向特征變量上，但從實(shí)際應(yīng)用出發(fā)，為提高模型的準(zhǔn)確度和解釋性，繼續(xù)在模型中選用這四個(gè)特征變量。

行為特征變量包含學(xué)習(xí)者在學(xué)習(xí)平臺(tái)上的各類學(xué)習(xí)活動(dòng)，包括學(xué)習(xí)者與平臺(tái)各類學(xué)習(xí)資源、其他學(xué)習(xí)者、教學(xué)者之間的互動(dòng)和結(jié)果?；趯?duì)學(xué)習(xí)過(guò)程中最核心流程的共識(shí)，本文選取了三種資源交互形式作為預(yù)測(cè)模型的考察變量：課程講座視頻、學(xué)習(xí)者線上作業(yè)完成進(jìn)度以及學(xué)習(xí)論壇的討論參與?？紤]到模型的復(fù)雜性，對(duì)以上三種資源交互的考察僅限于粗粒度水平，忽略了對(duì)單獨(dú)資源再進(jìn)行細(xì)粒度交互的分析。

（二）通過(guò)學(xué)習(xí)者行為數(shù)據(jù)創(chuàng)建時(shí)間序列特征變量

大多數(shù)學(xué)習(xí)分析技術(shù)構(gòu)建預(yù)測(cè)模型的研究，一般都會(huì)關(guān)注對(duì)學(xué)習(xí)者與平臺(tái)資源交互數(shù)據(jù)的分析和選取。隨著學(xué)習(xí)平臺(tái)對(duì)學(xué)習(xí)痕跡記錄的完善，這些數(shù)據(jù)可以方便地從平臺(tái)運(yùn)行日志中獲得（如某人某時(shí)間訪問(wèn)了某課程講座視頻資源等）。然而，如何把此類日志數(shù)據(jù)離散轉(zhuǎn)化為可以表達(dá)學(xué)習(xí)者與資源互動(dòng)行為特征的描述，并利用數(shù)據(jù)挖掘進(jìn)行分類是本研究的重點(diǎn)問(wèn)題。

本文在數(shù)據(jù)準(zhǔn)備過(guò)程中，根據(jù)學(xué)習(xí)者訪問(wèn)資源的時(shí)間范圍來(lái)整合其交互行為特征。從學(xué)習(xí)周期開始的時(shí)間相對(duì)偏移，使用了三種不同的度量：以日為跨度、以周為跨度和以月為跨度的交互行為進(jìn)行觀測(cè)。這樣基于時(shí)間序列的數(shù)據(jù)特征分類可以全面地了解學(xué)習(xí)者與資源交互的節(jié)奏和周期。

在選定行為數(shù)據(jù)表達(dá)方式后，需要再選擇適合用于預(yù)測(cè)模型的時(shí)間序列特征變量對(duì)象。以交互日志數(shù)據(jù)為基礎(chǔ)，確定得到學(xué)習(xí)者在某一具體時(shí)間范圍的全部互動(dòng)行為特征（如在第15個(gè)學(xué)習(xí)日或第6個(gè)學(xué)習(xí)周是否觀看了課程講座的視頻等），并將所有這些特征變量納入到數(shù)據(jù)集中。但這勢(shì)必會(huì)造成模型中特征變量的數(shù)量過(guò)大，進(jìn)而帶來(lái)機(jī)器學(xué)習(xí)模型的過(guò)擬合現(xiàn)象，結(jié)果不僅影響模型在不同課程中的通用性，又會(huì)嚴(yán)重降低模型的解釋性。因此，本文忽略具體到某一時(shí)間范圍的時(shí)間序列特征變量，而將觀測(cè)集中到交互行為的時(shí)間序列前后關(guān)聯(lián)性上來(lái)，如考察學(xué)習(xí)者在學(xué)習(xí)周期中連續(xù)三周每周都至少觀看一次課程講座視頻，這樣的行為特征是否對(duì)其課程通過(guò)有影響。學(xué)習(xí)是一個(gè)連續(xù)性過(guò)程，本文假設(shè)以交互行為的時(shí)間序列前后關(guān)聯(lián)情況作為特征變量，更有利于機(jī)器學(xué)習(xí)模型的訓(xùn)練和預(yù)測(cè)性能。

在表達(dá)時(shí)間序列前后關(guān)聯(lián)的方法上，本文采用N-Gram語(yǔ)言模型技術(shù)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理（Brooks， et al.， 2015）。Gram是一種統(tǒng)計(jì)語(yǔ)言模型，用來(lái)根據(jù)前（n-1）個(gè)Item來(lái)預(yù)測(cè)第n個(gè)Item。本文采用3-gram的時(shí)間序列特征來(lái)表達(dá)學(xué)習(xí)者與資源交互的時(shí)間關(guān)聯(lián)狀態(tài)。仍以觀看課程講座視頻為例，如學(xué)習(xí)者在整個(gè)學(xué)習(xí)周期內(nèi)以連續(xù)三周為一個(gè)時(shí)間序列，出現(xiàn)了2次，第一周和第三周觀看了視頻，而第二周沒有的情況，本文即用“周”標(biāo)簽的3-gram（真，假，真）特征變量的值為2來(lái)表達(dá)這一狀態(tài)。以此類推，本文將設(shè)定一組3-gram的時(shí)間序列特征變量，覆蓋從（假，假，假）到（真，真，真）的所有排列可能。

（三）數(shù)據(jù)的實(shí)際采集和整理

本文從筆者所在的網(wǎng)絡(luò)教育學(xué)院學(xué)習(xí)者中抽選了某一學(xué)籍批次的工商管理專業(yè)學(xué)生，并從教學(xué)平臺(tái)中抽取了該批次學(xué)習(xí)者在管理學(xué)課程學(xué)習(xí)過(guò)程中所進(jìn)行的“課程講座視頻觀看、線上作業(yè)完成進(jìn)度以及學(xué)習(xí)論壇的討論參與”三種資源交互的行為記錄。該課程總教學(xué)計(jì)劃時(shí)間為3.5個(gè)月，因此之前選擇的3-gram尺度是較為適宜的。本文設(shè)定coursewareD/coursewareW/coursewareM分別表示以日、周、月時(shí)間跨度記錄學(xué)習(xí)者觀看課程視頻的特征變量。類似地，以homework表示線上作業(yè)完成進(jìn)度，以forums表示學(xué)習(xí)論壇的討論參與等對(duì)應(yīng)特征變量，并在3-gram的排列基礎(chǔ)上展開，總共生成了24個(gè)時(shí)間序列特征變量（如表1所示）。

本文設(shè)計(jì)了對(duì)平臺(tái)日志記錄數(shù)據(jù)離散的標(biāo)準(zhǔn)化算法，將縱向的學(xué)習(xí)者交互記錄數(shù)據(jù)批量離散轉(zhuǎn)化為對(duì)應(yīng)的時(shí)間序列特征變量值。這一數(shù)據(jù)準(zhǔn)備過(guò)程相對(duì)煩瑣復(fù)雜，特別是在模型驗(yàn)證階段的不同時(shí)間節(jié)點(diǎn)觀測(cè)，需要反復(fù)運(yùn)算并整合，這是平臺(tái)缺乏相關(guān)功能造成的缺陷。未來(lái)可以在平臺(tái)設(shè)計(jì)改進(jìn)中加入此算法，以高效、直接地獲得所需特征變量值。

四、機(jī)器學(xué)習(xí)預(yù)測(cè)模型的建立和驗(yàn)證

在建立本研究的機(jī)器學(xué)習(xí)和預(yù)測(cè)模型時(shí)，首先確定模型需達(dá)成的兩個(gè)目標(biāo)：第一，在保證模型高準(zhǔn)確度的前提下，在準(zhǔn)確性和解釋性之間達(dá)成一個(gè)平衡，盡可能兼顧解釋性;第二，體現(xiàn)交互行為時(shí)間序列編排的價(jià)值，在實(shí)現(xiàn)課程實(shí)時(shí)推進(jìn)的同時(shí)保持模型相對(duì)良好的準(zhǔn)確性。特別是在學(xué)習(xí)周期初期缺乏前置學(xué)習(xí)結(jié)果的條件下，如早期模型能具備良好的準(zhǔn)確度，那么對(duì)提供早期預(yù)警干預(yù)將具有現(xiàn)實(shí)意義。

（一）模型建立的技術(shù)路線

由于機(jī)器學(xué)習(xí)算法偏向大多數(shù)類，所以在訓(xùn)練數(shù)據(jù)不均衡時(shí)，準(zhǔn)確度評(píng)價(jià)指標(biāo)的參考意義就會(huì)顯著下降。基于對(duì)所在網(wǎng)絡(luò)教育學(xué)院的課程進(jìn)行觀察可以發(fā)現(xiàn)，一般課程考核通過(guò)率在70%～75%之間，如果不對(duì)數(shù)據(jù)樣本進(jìn)行平衡調(diào)整，那么訓(xùn)練出的模型分類效果會(huì)難以接受。在樣本平衡模式上，本文選擇了欠采樣方法，對(duì)大類（考試通過(guò)的學(xué)習(xí)者）的數(shù)據(jù)樣本進(jìn)行欠采樣來(lái)減少大類的數(shù)據(jù)樣本個(gè)數(shù)，使得樣本中通過(guò)與未通過(guò)的學(xué)習(xí)者數(shù)量比例接近1∶1?，F(xiàn)有研究證明，平衡數(shù)據(jù)的訓(xùn)練可以有效提高機(jī)器學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確性。

本研究選擇決策樹機(jī)器學(xué)習(xí)技術(shù)來(lái)建立預(yù)測(cè)模型。線性回歸、邏輯回歸等簡(jiǎn)單技術(shù)，過(guò)程清晰明確，但不適用于分析復(fù)雜的問(wèn)題和數(shù)據(jù);相比貝葉斯模型或支持向量機(jī)等其他機(jī)器學(xué)習(xí)技術(shù)，決策樹最大的優(yōu)點(diǎn)就是其易用性和較為清晰的解釋性，這對(duì)于教學(xué)設(shè)計(jì)者或教師具有更高的價(jià)值。本文的數(shù)據(jù)處理使用Weka工具包下的J48決策樹分類器（C4.5算法）來(lái)完成，參數(shù)選擇置信水平為0.25，最小葉節(jié)點(diǎn)大小為100。為了保證生成模型的準(zhǔn)確性而不至于出現(xiàn)過(guò)擬合的現(xiàn)象，研究采用10折交叉驗(yàn)證（10-fold cross validation）來(lái)評(píng)估模型。

（二）模型準(zhǔn)確度和解釋性評(píng)價(jià)

根據(jù)第3節(jié)進(jìn)行的數(shù)據(jù)準(zhǔn)備，本文利用決策樹進(jìn)行機(jī)器學(xué)習(xí)分類，所生成的預(yù)測(cè)模型的準(zhǔn)確度結(jié)果如表2所示。

表2列出了模型對(duì)數(shù)據(jù)集正確、不正確分類的數(shù)量，以及kappa值觀察數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間一致性的度量。kappa 值的范圍為-1到+1，值越高，一致性就越強(qiáng)。當(dāng)Kappa為1時(shí)表明完全一致，為0時(shí)一致性與偶然預(yù)期相同，小于0的情況很少發(fā)生。有研究認(rèn)為kappa 值至少為0.75表示一致性強(qiáng)，0.8以上表示一致性很強(qiáng)。本文模型的一致性為0.89，結(jié)合94.65%的分類正確率，可以確定此機(jī)器學(xué)習(xí)預(yù)測(cè)模型的準(zhǔn)確度是令人滿意的。

圖1給出了本研究模型管理學(xué)課程結(jié)果決策樹示例。從樹的結(jié)構(gòu)可以直觀看出，J48決策樹修剪掉了數(shù)據(jù)集中絕大多數(shù)特征變量，只保留了機(jī)器學(xué)習(xí)算法所認(rèn)為最能體現(xiàn)分類效率和準(zhǔn)確性的變量屬性。統(tǒng)計(jì)模型是一種自上而下的數(shù)據(jù)科學(xué)方法，可解釋性是關(guān)鍵，因?yàn)橄嚓P(guān)性往往不等于因果關(guān)系，而機(jī)器學(xué)習(xí)模型的準(zhǔn)確度又與其復(fù)雜程度是相關(guān)的，這就決定了模型的準(zhǔn)確性和解釋性很難兼得，需要研究者取得一個(gè)適當(dāng)?shù)钠胶?。從圖1的樹結(jié)構(gòu)呈現(xiàn)中可以較容易地理解其分類意義，即學(xué)習(xí)者如果連續(xù)三個(gè)月以上能按時(shí)觀看課程講座視頻，并且連續(xù)三個(gè)月以上保持規(guī)律提交作業(yè)，考試通過(guò)的概率是相當(dāng)高的，這也符合學(xué)習(xí)過(guò)程連貫性的一般規(guī)律。同時(shí)，缺乏規(guī)律學(xué)習(xí)和作業(yè)提交的學(xué)習(xí)者無(wú)法通過(guò)課程的概率較大，而這其中單身學(xué)習(xí)者的通過(guò)率更差一些，已婚學(xué)習(xí)者中男性比女性通過(guò)率又弱一點(diǎn)。這或許與我們主觀認(rèn)知規(guī)律相悖，但實(shí)際上可能與家庭責(zé)任與個(gè)人自律性等社會(huì)現(xiàn)象有關(guān)，具體原因不在本文研究范圍內(nèi)。

根據(jù)以上結(jié)果評(píng)價(jià)，本研究所構(gòu)建的預(yù)測(cè)模型在對(duì)某一門課程的學(xué)習(xí)結(jié)果準(zhǔn)確性和解釋性上初步獲得令人滿意的效果。

（三）預(yù)測(cè)模型隨時(shí)間變化的驗(yàn)證

基于學(xué)習(xí)者交互行為時(shí)間序列來(lái)建立預(yù)測(cè)模型，一個(gè)重要的目的就是希望此模型可以在學(xué)習(xí)周期的任何階段都能實(shí)時(shí)預(yù)測(cè)學(xué)習(xí)者的學(xué)習(xí)結(jié)果，供教學(xué)人員實(shí)施及時(shí)干預(yù)。為驗(yàn)證模型隨時(shí)間變化的準(zhǔn)確度，本文從所在學(xué)院篩選出與之前實(shí)驗(yàn)數(shù)據(jù)中不同批次修讀管理學(xué)課程的學(xué)習(xí)者，沿用第3節(jié)的數(shù)據(jù)準(zhǔn)備方式，對(duì)學(xué)習(xí)者進(jìn)行以周為單位的交互行為數(shù)據(jù)采集和整合，并將得到的特征變量作為測(cè)試數(shù)據(jù)。將這些數(shù)據(jù)按照時(shí)間節(jié)點(diǎn)分別引入前文所生成的預(yù)測(cè)模型中進(jìn)行驗(yàn)證，得到的準(zhǔn)確度表達(dá)如圖2所示。

圖2給出了在本輪驗(yàn)證過(guò)程中訓(xùn)練集和測(cè)試集學(xué)習(xí)者考試結(jié)果預(yù)測(cè)準(zhǔn)確度隨時(shí)間變化的趨勢(shì)。在教學(xué)周開始的第4周左右，對(duì)兩個(gè)數(shù)據(jù)集的預(yù)測(cè)準(zhǔn)確度均較快提升到較高水平，證明本文預(yù)測(cè)模型隨時(shí)間積累，較快地具備早期預(yù)警的能力，在教學(xué)周期的絕大部分時(shí)間的預(yù)測(cè)準(zhǔn)確度表現(xiàn)均較為良好。

為更好地理解時(shí)間變化給預(yù)測(cè)準(zhǔn)確度帶來(lái)的影響，本文繪制了測(cè)試集結(jié)果的混淆矩陣的變化趨勢(shì)（如圖3所示）。混淆矩陣由四個(gè)值組成：真陽(yáng)性、假陽(yáng)性、真陰性和假陰性。與本文所做分析研究對(duì)應(yīng)，我們關(guān)注以下幾個(gè)數(shù)據(jù)對(duì)象：預(yù)測(cè)課程通過(guò)且確實(shí)通過(guò)的學(xué)習(xí)者（真陽(yáng)性）、預(yù)測(cè)通過(guò)但未通過(guò)的學(xué)習(xí)者（假陽(yáng)性）、預(yù)測(cè)未通過(guò)且確實(shí)未通過(guò)的學(xué)習(xí)者（真陰性）。對(duì)預(yù)測(cè)未通過(guò)但實(shí)際通過(guò)的（假陰性）學(xué)習(xí)者，由于對(duì)其實(shí)際課程通過(guò)與否沒有產(chǎn)生負(fù)面影響，因而忽略。

從圖3可以觀察到，在教學(xué)周期的第四周之后，矩陣各分類數(shù)值趨向于各自穩(wěn)定水平，這與預(yù)測(cè)模型對(duì)測(cè)試集的準(zhǔn)確度驗(yàn)證規(guī)律相吻合。同時(shí)，假陽(yáng)性數(shù)值，也就是預(yù)測(cè)學(xué)習(xí)者通過(guò)而實(shí)際未通過(guò)的人數(shù)，很快下降到一個(gè)較低的水平，證明了本文模型對(duì)需要預(yù)警的學(xué)習(xí)者疏漏的概率不高，且對(duì)時(shí)間變化較敏感，表明本文模型隨時(shí)間積累的性能提升較好。

（四）本文預(yù)測(cè)模型與其他預(yù)測(cè)模型的比較

本文預(yù)測(cè)模型的分析對(duì)象是基于時(shí)間序列的平臺(tái)交互行為，探討的是學(xué)習(xí)者在時(shí)間跨度中學(xué)習(xí)行為隨時(shí)間序列前后關(guān)聯(lián)帶來(lái)的結(jié)果影響。這種動(dòng)態(tài)的對(duì)學(xué)習(xí)交互行為時(shí)間關(guān)聯(lián)性的研究，是區(qū)別于其他學(xué)習(xí)分析預(yù)測(cè)模型的主要特點(diǎn)。在此前的相關(guān)研究中，使用邏輯回歸算法建立過(guò)預(yù)測(cè)模型，其優(yōu)點(diǎn)是簡(jiǎn)單、直觀且便于解釋，但不擅長(zhǎng)處理大量特征變量的復(fù)雜數(shù)據(jù)挖掘問(wèn)題。因此，本文研究中眾多的時(shí)間序列特征變量并不適宜使用線性、邏輯回歸算法來(lái)處理。為比較兩種算法的效果差異，本文將延續(xù)此前研究中使用過(guò)的邏輯回歸預(yù)測(cè)模型，并在回歸模型中使用簡(jiǎn)化的學(xué)習(xí)交互行為特征變量，使用同一測(cè)試集數(shù)據(jù)來(lái)比較兩種算法模型的差異性。

本文為用于比較的邏輯回歸算法預(yù)測(cè)模型，選擇了與時(shí)間序列交互行為決策樹算法預(yù)測(cè)模型同樣的傾向特征變量，在行為特征變量方面也選取了同樣的特征對(duì)象，但簡(jiǎn)化了特征對(duì)象的變量容量以達(dá)成回歸算法的適應(yīng)性，同時(shí)盡可能模擬與本文決策樹算法類似的分析效果。具體變量的選擇如表3所示。

為確保模型比較的準(zhǔn)確性，在用于對(duì)比的邏輯回歸預(yù)測(cè)模型中本文使用前文同樣批次的學(xué)習(xí)者數(shù)據(jù)集，并繼續(xù)以每個(gè)教學(xué)周作為周期采集測(cè)試集數(shù)據(jù)，繼而使用驗(yàn)證集進(jìn)行預(yù)測(cè)結(jié)果檢驗(yàn)。兩種模型的預(yù)測(cè)準(zhǔn)確度隨時(shí)間變化的比較如圖4所示。

從圖4可以看出，此前研究中所采用的邏輯回歸預(yù)測(cè)模型，在只采集階段性交互行為數(shù)據(jù)的特征變量情況下早期的預(yù)測(cè)準(zhǔn)確度并不十分理想，隨著教學(xué)時(shí)間的推移，學(xué)習(xí)者交互行為數(shù)據(jù)積累增多之后，其預(yù)測(cè)準(zhǔn)確性會(huì)得到提高，在教學(xué)周期接近結(jié)束時(shí)也能達(dá)到較高的預(yù)測(cè)準(zhǔn)確度，這與此前的研究結(jié)果是相符的。相比之下，本文基于時(shí)間序列的行為交互預(yù)測(cè)模型在教學(xué)周期的早期就能達(dá)到較好的準(zhǔn)確度，從而具備早期預(yù)警的能力，這對(duì)于大規(guī)模在線教學(xué)平臺(tái)來(lái)說(shuō)具有較強(qiáng)的實(shí)際應(yīng)用價(jià)值。

五、結(jié)語(yǔ)

目前，利用機(jī)器學(xué)習(xí)建立預(yù)測(cè)模型的研究和應(yīng)用已經(jīng)較為普遍，但基于時(shí)間序列考查學(xué)生交互行為相互關(guān)聯(lián)的預(yù)測(cè)模型研究仍較少，跨越平臺(tái)和教學(xué)環(huán)境的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)建模仍然大有潛力。本文的研究正是在對(duì)學(xué)習(xí)者與平臺(tái)資源交互行為的基礎(chǔ)上，創(chuàng)建時(shí)間序列前后關(guān)系的特征變量，建立機(jī)器學(xué)習(xí)預(yù)測(cè)模型，并驗(yàn)證隨時(shí)間推移的模型準(zhǔn)確性和應(yīng)用價(jià)值。通過(guò)數(shù)據(jù)驗(yàn)證和與一般的回歸預(yù)測(cè)模型比較可以得到，該模型具有較好的準(zhǔn)確度（分類準(zhǔn)確率94%以上，kappa一致性0.8以上），并且具有相對(duì)良好的解釋性。在進(jìn)一步對(duì)模型隨時(shí)間變化的性能檢測(cè)中，本決策樹模型在教學(xué)周期的早期就能形成較高準(zhǔn)確度，真陽(yáng)性和假陽(yáng)性分類較快地穩(wěn)定到對(duì)應(yīng)的高和低水平，與此前研究的預(yù)測(cè)模型相比有一定早期和動(dòng)態(tài)預(yù)測(cè)優(yōu)勢(shì)，達(dá)成了本研究對(duì)模型設(shè)計(jì)的目標(biāo)。

本研究尚有許多值得改進(jìn)的方面。首先，由于機(jī)器學(xué)習(xí)的算法性質(zhì)，對(duì)于決策樹分類器對(duì)數(shù)據(jù)集特征變量的選擇沒有進(jìn)行干預(yù)，因此可能只選擇了與預(yù)測(cè)結(jié)果強(qiáng)烈相關(guān)的特征變量形成模型，而忽略了不同變量對(duì)預(yù)測(cè)能力影響的比較。此外，該模型的通用性在同一教學(xué)環(huán)境中有較好表現(xiàn)，但如果課程的教學(xué)模式和資源組成有較大變化，就會(huì)對(duì)模型穩(wěn)定性形成挑戰(zhàn)。這需要后續(xù)研究對(duì)不同課程進(jìn)行分類和概括，形成若干穩(wěn)定的預(yù)測(cè)模型模式，以應(yīng)對(duì)不同特征的課程結(jié)構(gòu)。同時(shí)，該機(jī)器學(xué)習(xí)模型對(duì)于傳統(tǒng)教學(xué)領(lǐng)域小規(guī)模線下課程的適用性及其性能效果也是未來(lái)需要探討的內(nèi)容。

[參考文獻(xiàn)]

陳子健，朱曉亮. 2017. 基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績(jī)預(yù)測(cè)建模研究[J]. 中國(guó)電化教育（12）：75-81，89.

馬杰，趙蔚，張潔. 2014. 基于學(xué)習(xí)分析技術(shù)的預(yù)測(cè)模型構(gòu)建與實(shí)證研究[J]. 現(xiàn)代教育技術(shù)（11）：32-40.

孫力，程玉霞. 2015. 大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)教育學(xué)習(xí)成績(jī)預(yù)測(cè)的研究與實(shí)現(xiàn)——以本科公共課程統(tǒng)考英語(yǔ)為例[J]. 開放教育研究（3）：74-80.

王改花，傅鋼善. 2019. 網(wǎng)絡(luò)學(xué)習(xí)行為與成績(jī)的預(yù)測(cè)及學(xué)習(xí)干預(yù)模型的設(shè)計(jì)[J]. 中國(guó)遠(yuǎn)程教育（2）：39-48.

王亮. 2015. 學(xué)習(xí)分析技術(shù)建立學(xué)習(xí)預(yù)測(cè)模型[J]. 實(shí)驗(yàn)室研究與探索 （1）：215-218，246.

肖巍，倪傳斌，李銳. 2018. 國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望[J]. 中國(guó)遠(yuǎn)程教育（2）：70-78.

Adlin， T.， & Pruitt， J. （2010）. The Essential Persona Lifecycle： Your Guide to Building and Using Personas. Morgan Kaufmann Publishers， Burlington， MA， USA.

Anderson， J. R. （1993）. Rules of the mind. Cognitive Processes， 320.

Arnold， K. E.， & Pistilli， M. D. （2012）. Course signals at Purdue： using learning analytics to increase student success （pp.267-270）. Learning Analytics and Knowledge Conference， Vancouver， British Columbia， ACM.

Barber， R.， & Sharkey， M. （2012）. Course correction： using analytics to predict course success. Learning Analytics and Knowledge Conference， Vancouver， British Columbia， ACM.

Brooks， C.， Thompson， C.， & Teasley， S. （2015）. A time series interaction analysis method for building predictive models of learners using log data. [ACM Press the Fifth International Conference - Poughkeepsie， New York] Proceedings of the Fifth International Conference on Learning Analytics And Knowledge - LAK， 126-135.

Bull， S.， Greer， J.， McCalla， G.， Kettel， L.， & Bowes， J. （2001）. User modelling in i-help： What， why， when and how. In User Modeling （pp.117-126）. Springer.

Garman， G. （2010）. A Logistic Approach to Predicting Student Success in Online Database Courses. American Journal of Business Education， 3（12）， 1-5.

Gergen， K. J. （1985）. The social constructionist movement in modern psychology. American psychologist， 40（3）， 266.

Graesser， A. C.， Chipman， P.， Haynes， B. C.， & Olney， A. （2005）. Autotutor： An intelligent tutoring system with mixed-initiative dialogue. Education， IEEE Transactions on， 48（4）， 612-618.

Jayaprakash， S. M.， Moody， E. W.， Lauría， E. J.， Regan， J. R.， & Baron， J. D.（2014）. Early alert of academically at-risk students： An open source analytics initiative. Journal of Learning Analytics， 1（1）， 6-47.

Lauría， E. J. M.， Moody， E. W.， Jayaprakash， S. M.， Jonnalagadda， N.， & Baron， J. D. （2013）. Open academic analytics initiative： initial research findings （pp.150-154）. Learning Analytics and Knowledge Conference， Leuven， Belgium， ACM.

Martin， B. （1999）. Constraint-based modelling： Representing student knowledge. New Zealand Journal of Computing， 7（2）， 30-38.

Moore， R. （2007）. Do Students Performances and Behaviors in Supporting Courses Predict Their Performances and Behaviors in Primary Courses？ Research and Teaching in Developmental Education， 23（2）， 38-48.

Ohlsson， S. （1996）. Learning from performance errors. Psychological Review， 103（2）， 241-262.

收稿日期：2020-03-09

定稿日期：2020-06-03

作者簡(jiǎn)介：王亮，碩士，實(shí)驗(yàn)師，南開大學(xué)現(xiàn)代遠(yuǎn)程教育學(xué)院（300071）。

責(zé)任編輯 韓世梅