隋永博，曹 旭

    (长春中医药大学，长春 130117)

    对于学习分析的研究，致力于通过研究分析学习者本身的数据以及在学习过程中产生的数据，激发学习者的学习兴趣，优化学习者的学习效率，改善学习者的学习环境。

    目前美国在这一领域处于领先地位，早在2004年，有研究者利用聚类算法对在线课程中的用户行为进行研究，找出学习行为相近的学习者[1]。美国佐治亚州大学的研究人员对高中学习者的GPA和SAT数学成绩通过判别式分析对他们的在线通识教育课程的完成情况进行预测。坎贝尔在普渡大学发表的论文中，对课程管理系统中的数据和学习者人口统计信息数据利用因子分析和逻辑回归分析方法研究出一个能预测学习者学习结果的预测模型[2]。罗梅罗等人利用数据挖掘技术在Moodle平台上进行研究。近年来Bravo Agapito等人利用C4.5决策树规则来对在线学习系统中的学习不佳表现进行判别分析。2007年普渡大学提出了通过对学习者的素质评价和在线学习行为数据对学习者的成绩进行预测的预测模型，并在2010年基于普度大学的Blackboard上实现了预测模型的开发部署，在实际使用中取得了非常好的结果。在对学习者平台数据进行分析的同时能对学习者进行自适应的引导[3]。平台收集学习者的登陆情况，活动情况数据，利用两步聚类算法将学习者分类，再根据不同的类别进行深入探究。他们的研究结果不仅可以为每个不同的学习者提供学习的帮助，而且可以对不同的学习者群体进行深入了解。

    国内对于在线学习评价及预测的主要研究为在线学习的数据监控、采集及分析。其中复旦大学的胡运安等人提出了基于SCORM规范的网络教学管理平台上的学习者模型机器学习行为采集、分析、质量评估方案[4]；上海交通大学的申瑞民等人基于E-Learning平台[5]，搭建了一个学习行为分析和监控系统 ......