杨勇
（齐鲁理工学院计算科学与信息工程学院 山东济南 250200）
摘要：随着互联网技术和移动智能终端的普及，在线学习已经成为当代大学生重要的学习方式之一。通过应用大数据技术来对线上平台大学生在学习情况进行数据采集和分析，主要是对其学习的基本情况、在线情况、学习的频率、作业完成次数以及笔记和答疑等多个方面来探讨大学生的在线学习行为。从而可以发现对大学生在线学习行为产生影响的具体因素，为构建良好的在线学习平台，促使大学生提高自身学习能力奠定良好的理论依据。
关键词：大数据分析；大学生；在线学习行为
一、在线学习行为概述
在线学习行为指的是学习者通过利用现有的信息技术和移动智能终端收集互联网上所具备的丰富的学习资源，利用新的沟通机制和教学方式实现自主性、远程性的学习行为。在线学习行为主要包括了相关信息资源的加工、资源检索、知识管理、自我监督与反思等多种学习行为。学习者在互联网上所进行的各项学习行为产生的痕迹是在线学习行为形成的主要方式。而利用大数据对大学生在线学习行为进行数据挖掘可以从中提取有效的信息，以此来保障学习的有效性和合理性。
二、基于大数据分析的大学生在线学习行为数据采集与分析
（一）数据采集
为了能将大学生在线学习行为进行深入分析，笔者从某个学习平台上的一学期1000大学生作为此次的数据样本。要求对大学生的相关行为进行分析时所采用的数据都是以服务器中的日志数据为主，确保整个数据的有效性。
通过对大学生在答疑页、笔记页、通知页、统计业、课件页、学习空间首页以及作业页的访问数据进行筛选和整理能够发现：其中最高访问量是学习空间首页。这是因为大学生要开展各项学习活动和登录都需要通过学习空间首页，因此有着最高的访问量；其次是通知页。学生进行课程学习和完成学习任务等具体通知都是由通知页来进行的；课件页则是大学生学习的主要根据；平时作业是学生通过在线学习来检验自身的学习成果一种重要的方式，学生可以通过该作业截止时间来对自身的学习进度进行规划；而在答疑页面中，由于答疑回复具有着延迟性的情况，因此学习者参与到其中的热情和积极性相对较低，这也影响到了答疑页面的访问数量。
（二）大学生在线学习行为数据梳理
目前大学生的在线学习行为主要分为视频学习、笔记记录、提交作业以及提问等。利用大数据进行分析发现视频完成度的均值为81.79，标准差为28.795（这也表明了，相当一部分大学生的成绩在81.79±28.795之间），在该指标上的离散程度能够发现呈现出相对较高的情况；另外，在数据之间呈现出来的峰值也相对较大，其正态分布的趋向并没有呈现出良好的发展态势，反而呈现出负向倾斜的情况，偏斜度主要-1.479，该数据也表明了视频的学习程度要低于均值；对作业提交次数指标上可以发现，最高的重复提交作业的大学生为49.73次，也就表明了学习者在对每一个作业进行提交时的平均次数为1.91次。总体来看，最大值与平均值的差异相对来说比较明显，整个数据的波动程度并不高。从笔记和提问方面来看，有将近95.4%和97.4%的大学生并没有参与到该模块之中，并没有较高的参与率。
通过运用大数据技术对大学生在线行为数据进行梳理可以发现，大学生的学习活动和页面访问情况呈现出相一致的特征。其中数据反映出参与率相对较高的活动是提交作业和查看视频，而与之相对应的页面访问次数也比较高。参与率最低和访问次数最少的同样也是笔记和大一部分。此外，不同的学生在参与过程中的差距也呈现出较大的情况。
三、基于大数据分析的大学生在线学习行为情况应对策略
（一）平台层面
首先要积极收集学生对于平台学习的实际需求，搭建起具体的使用反馈接口。而且平台应当定期对学生展开相应的调研，要求反馈大学生的日常使用情况，以此来提升大学生的使用体验；另外，在平台应当强调在线学习的社交属性。例如通过在答疑页面中增加同伴点赞、互价的功能，在长视频的学习中增加弹幕这种互动性较高的功能；最后，要革新笔记和答疑页面。例如可以将这一页面与视频播放相结合，还可以设置易于使用和调动的文件夹，让学生在视频学习的过程中也可以充分应用这一页面。
（二）学校层面
高校应当对不同的课程类别进行规范管理，提交课程开展的有效性和实效性。例如通过对不同课程的属性进行划分，还要配备相应的课程评分体系，以此加强课程在线学习过程中的实际应用情况的反馈，从而将其中不合适的课程进行整改，增加一些符合学生实际需要的课程。
（三）教师层面
教师应当对自己所要上的在线课程进行优化，主要在课程设计和教学活动流程方面进行。首先，要根据人才培养目标和课程教学任务对现有的教学内容进行优化，将部分过于传统、老旧的部分去除，增加一些具有趣味性和新颖性的知识内容；另外还要根据学生的实际情况和教学内容对课件的数量、教学视频的长度以及作业难度进行规定，使得教学内容得以精炼化和精准化；最后则要充分利用在线学习平台的功能对现有的学习活动进行丰富，实现了课程任务最优化，保证良好的学习成果。
结语
随着我国信息技术的高速发展，也促使着教育领域发生了重大的变革与革新，而且网络资源也极为丰富，引导着大学生投入到在线学习这一新的学习方式之中。例如MOOC、在线培训、云课堂等。但是大学生在参与到在线学习过程中也存在着诸多的问题，这些问题的存在导致大学生在进行在线学习时缺乏一定的效果。因此本文主要利用大数据分析来探讨大学生在线学习行为，进而发现大学生具体的学习规律，这对于对现有的学习平台建设和加强大学生在线学习的实际效果有明显的借鉴作用。这也是本文研究的意义价值所在。
参考文献
[1]吴峰. 混合式学习模式下大学生公共课在线学习行为分析——以“心理健康教育”课程为例[J]. 辽宁科技学院学报,2019,21(03):60-62+33.
[2]孟奕爽,胡珊. 基于TAM模型的大学生在线学习行为意向研究——以会展经济与管理专业为例[J]. 山西能源学院学报,2019,32(04):64-67.
[3]钟金平,张梦琪,葛川晟. 移动互联网背景下山东省高校大学生在线学习行为调查研究[J]. 知识经济,2019(25):175-176.
[4]魏亮亮,陈翔宇,张志,乔辉. 大学生接受在线学习的行为分析[J]. 科技创业月刊,2016,29(06):71-73.
[5]李阳,马力,官巍. 大学生在线学习行为与人格特征的相关性研究[J]. 中国教育信息化,2016(17):18-21.
[6]袁梁,蔡明. 移动互联网背景下在线学习行为调查研究——以江西省高校大学生为例[J]. 科技广场,2016(11):115-119.
[7]李新房. 藏族大学生在线学习行为特征及其影响因素分析[J]. 电脑知识与技术,2016,12(31):118-119.
作者简介：杨勇（1974-10），男，汉族，山东济南人，群众，工程师，学士，主要从事计算机科学研究。