基于CART分類算法的學(xué)生在線學(xué)習(xí)行為評(píng)價(jià)研究

杜 宇

(云南交通職業(yè)技術(shù)學(xué)院 交通信息工程學(xué)院,云南 昆明 650500)

全面了解學(xué)生學(xué)習(xí)過程的影響因素,關(guān)注每一個(gè)學(xué)生個(gè)體的差異表現(xiàn),根據(jù)學(xué)生的個(gè)性學(xué)習(xí)特點(diǎn),對(duì)學(xué)生個(gè)體的學(xué)業(yè)情況重新數(shù)字畫像,是教育大數(shù)據(jù)的重要應(yīng)用.對(duì)學(xué)生學(xué)習(xí)行為進(jìn)行評(píng)價(jià)并不僅僅是為學(xué)生的學(xué)習(xí)結(jié)果劃分等級(jí),而是使用大數(shù)據(jù)分析方法對(duì)學(xué)生學(xué)習(xí)行為進(jìn)行數(shù)字畫像,并全面地評(píng)價(jià)學(xué)生學(xué)習(xí)過程質(zhì)量.其主要應(yīng)用包括：①數(shù)字畫像.基于大數(shù)據(jù)分析的學(xué)習(xí)行為數(shù)字畫像,能清晰地看到學(xué)生各階段學(xué)習(xí)行為帶來的不同影響和結(jié)果,能準(zhǔn)確刻畫出不同學(xué)生個(gè)體的學(xué)習(xí)特征.②風(fēng)險(xiǎn)預(yù)測.風(fēng)險(xiǎn)預(yù)測可以幫助教師根據(jù)學(xué)生的階段性學(xué)習(xí)情況,預(yù)測后面學(xué)習(xí)中將可能出現(xiàn)的不好的結(jié)果,及時(shí)發(fā)現(xiàn)學(xué)生在學(xué)習(xí)過程、教師在教學(xué)過程中出現(xiàn)的問題,找出解決方案,反饋教學(xué)過程,讓教師提前對(duì)這部分學(xué)生提出警示,調(diào)整學(xué)習(xí)路線,改進(jìn)教學(xué)策略.③激勵(lì).科學(xué)合理的學(xué)習(xí)評(píng)價(jià)可以激發(fā)學(xué)生學(xué)習(xí)的內(nèi)在動(dòng)力.學(xué)生可以在學(xué)習(xí)評(píng)價(jià)數(shù)據(jù)中清晰地了解到自己在學(xué)習(xí)中成績的進(jìn)步及付出的努力,同時(shí)也能通過學(xué)習(xí)中出現(xiàn)的問題和不足轉(zhuǎn)化為努力學(xué)習(xí)的動(dòng)力,激勵(lì)自己不斷地前進(jìn).④學(xué)習(xí)導(dǎo)向.學(xué)習(xí)評(píng)價(jià)具有很重要的導(dǎo)向作用,評(píng)價(jià)的結(jié)果可以幫助教師了解教學(xué)的不同階段,學(xué)生的不同學(xué)習(xí)情況,為教學(xué)者調(diào)整教學(xué)目標(biāo)和教學(xué)內(nèi)容起到重要的指導(dǎo)作用.

1 學(xué)生在線學(xué)習(xí)行為特征分析

不同的網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)對(duì)學(xué)習(xí)數(shù)據(jù)的歸類方法不同,但所反映的行為含義是一致的.本文的研究數(shù)據(jù)全部來源于“超星”學(xué)習(xí)通網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)記錄的學(xué)生學(xué)習(xí)行為數(shù)據(jù).根據(jù)對(duì)學(xué)習(xí)通平臺(tái)的調(diào)研,以及學(xué)生實(shí)際使用情況,平臺(tái)主要自動(dòng)記錄了教與學(xué)過程中的三類數(shù)據(jù)：學(xué)生上課活動(dòng)量,主要是學(xué)生課中的活動(dòng)軌跡.包括簽到數(shù)、投票數(shù)、選人數(shù)、搶答數(shù)、評(píng)分?jǐn)?shù)、測驗(yàn)數(shù)(課中測)、問卷數(shù)、分組任務(wù)數(shù)、在線課堂(參與率)數(shù)；學(xué)生課程完成情況,主要是統(tǒng)計(jì)學(xué)生完成各種學(xué)習(xí)任務(wù)的數(shù)量.包括任務(wù)點(diǎn)完成數(shù)(教師發(fā)布的各項(xiàng)學(xué)習(xí)任務(wù)完成情況)、視頻點(diǎn)完成數(shù)(微課視頻、操作演示視頻的觀看情況)、作業(yè)完成數(shù)(課后作業(yè)完成情況)、章節(jié)測驗(yàn)(章節(jié)測驗(yàn)情況)、考試完成數(shù)(期中、期末考試次數(shù))；學(xué)生學(xué)習(xí)訪問量趨勢(shì),主要是從學(xué)生、班級(jí)、課程3個(gè)角度記錄學(xué)生使用學(xué)習(xí)通平臺(tái)訪問課程資源的次數(shù),包括本學(xué)生訪問量、所在班級(jí)訪問量、課程整體訪問量.

1.1 數(shù)據(jù)預(yù)處理

本文的模型實(shí)際運(yùn)用場景為課程學(xué)習(xí)學(xué)期中,學(xué)生未進(jìn)行期末考試前,給學(xué)生進(jìn)行學(xué)習(xí)總體情況數(shù)字畫像,并對(duì)綜合成績進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià).教師根據(jù)預(yù)測的評(píng)價(jià)結(jié)果對(duì)學(xué)生進(jìn)行個(gè)性化學(xué)習(xí)指導(dǎo),目的是讓學(xué)生對(duì)自己上半學(xué)期的學(xué)習(xí)有清晰的自我認(rèn)知,并及時(shí)發(fā)現(xiàn)學(xué)習(xí)出現(xiàn)偏差的學(xué)生,使這部分學(xué)生盡快調(diào)整學(xué)習(xí)路線,最終能夠通過課程考核.

基于目前云交院使用的學(xué)習(xí)通網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的數(shù)據(jù)統(tǒng)計(jì),結(jié)合學(xué)生學(xué)習(xí)行為特征的分析內(nèi)容,本文選取的屬性值見表1.

自主學(xué)習(xí)測評(píng)表現(xiàn)定義為：學(xué)生在一門課程的學(xué)習(xí)中,除了上述學(xué)習(xí)行為數(shù)據(jù)能夠明確地被學(xué)習(xí)平臺(tái)記錄之外,還會(huì)存在一些線下自主學(xué)習(xí)行為沒有被平臺(tái)記錄到平時(shí)成績中,把這些學(xué)習(xí)環(huán)節(jié)也考慮到特征數(shù)據(jù)中,歸結(jié)為自主學(xué)習(xí)表現(xiàn).但實(shí)際情況是線下的學(xué)習(xí)行為目前確實(shí)很難全面、有效地采集到,因此缺失率較大,在后面的研究中只能予以丟棄.

表1 數(shù)據(jù)特征選取

1.2 探索性數(shù)據(jù)分析

1.2.1 任務(wù)點(diǎn)完成率

表2 各分?jǐn)?shù)段任務(wù)點(diǎn)完成率

其中各分?jǐn)?shù)段的學(xué)生中沒有完成課程任務(wù)點(diǎn)的占比為0百分比占比.

將成績分布細(xì)化到5分1個(gè)組,每組學(xué)生的任務(wù)點(diǎn)完成率均值分布,見下圖1.

從上面的圖表分析可以看出,90分以上的學(xué)生,0任務(wù)點(diǎn)完成率占比幾乎為0；60分?jǐn)?shù)段以下的學(xué)生0任務(wù)點(diǎn)完成率占比和60分?jǐn)?shù)段以上的學(xué)生有顯著差異,為14%；把學(xué)習(xí)成績分組細(xì)化后的數(shù)據(jù)表明,高分?jǐn)?shù)段的學(xué)生任務(wù)點(diǎn)完成率明顯高于低分?jǐn)?shù)段的學(xué)生,其中90分?jǐn)?shù)段以上的學(xué)生平均一門課程任務(wù)點(diǎn)完成率比80～89分?jǐn)?shù)段的學(xué)生高,大約是7%.而60分?jǐn)?shù)段以下的學(xué)生平均一門課程的任務(wù)點(diǎn)完成率不到60分?jǐn)?shù)段以上學(xué)生的一半.上面數(shù)據(jù)分析表明學(xué)生登錄平臺(tái)完成教師發(fā)布的各項(xiàng)課程任務(wù)點(diǎn)情況在各分?jǐn)?shù)段上是有顯著變化的,從不同分?jǐn)?shù)段的平均任務(wù)點(diǎn)完成率得出,學(xué)習(xí)效果好的學(xué)生普遍愿意積極配合教師完成所布置的學(xué)習(xí)任務(wù),而學(xué)習(xí)效果差的學(xué)生,特別是不及格的學(xué)生,普遍對(duì)課程的各項(xiàng)任務(wù)采取消極、不學(xué)的態(tài)度.研究結(jié)果認(rèn)為學(xué)生登錄平臺(tái)的任務(wù)點(diǎn)完成率對(duì)學(xué)生學(xué)習(xí)效果會(huì)產(chǎn)生較大影響.

1.2.2 在線學(xué)習(xí)時(shí)長

學(xué)生學(xué)習(xí)過程中另一個(gè)重要的因素還有在線學(xué)習(xí)時(shí)長,主要包括課前、課后完成教師發(fā)放的各類在線課程資源的學(xué)習(xí)時(shí)間,及有效停留時(shí)間的情況統(tǒng)計(jì).反映的是學(xué)生能否主動(dòng)、認(rèn)真參與到預(yù)習(xí)和復(fù)習(xí)的學(xué)習(xí)環(huán)節(jié).同樣對(duì)1 022個(gè)樣本進(jìn)行分析,將不同學(xué)習(xí)時(shí)長的學(xué)生按照成績分組： 90～100、80～89、70～79、60～69、60分以下.分別對(duì)不同學(xué)習(xí)時(shí)長各個(gè)分?jǐn)?shù)段的學(xué)生進(jìn)行統(tǒng)計(jì),計(jì)算出各個(gè)分?jǐn)?shù)段的學(xué)生人數(shù)占該在線學(xué)習(xí)時(shí)長總?cè)藬?shù)的百分比.實(shí)驗(yàn)數(shù)據(jù)見表3.

表3 各分?jǐn)?shù)段不同在線學(xué)習(xí)時(shí)長占比

從表中可以明顯看出,在線學(xué)習(xí)時(shí)間在100分鐘以下的學(xué)生隨著分?jǐn)?shù)的降低而呈上升的趨勢(shì),絕大部分分布在70分以下分?jǐn)?shù)段；而在線學(xué)習(xí)時(shí)間達(dá)到150 min以上的學(xué)生隨著分?jǐn)?shù)的降低明顯快速下降,在 80～89分?jǐn)?shù)段間占比較多；200 min以上在線學(xué)習(xí)時(shí)間的學(xué)生沒有60分以下,在90～100分?jǐn)?shù)段間明顯占比較大.顯而易見,能較好執(zhí)行教師布置的課前、課后預(yù)習(xí)、復(fù)習(xí)任務(wù)的學(xué)生,更愿意花時(shí)間完成各項(xiàng)課程資源的學(xué)習(xí),獲得的學(xué)習(xí)效果與所花時(shí)間成正比,而較少花時(shí)間在預(yù)習(xí)、復(fù)習(xí)環(huán)節(jié)上的學(xué)生或者是學(xué)習(xí)習(xí)慣較差,或者是學(xué)習(xí)意志較薄弱,學(xué)習(xí)目標(biāo)不明確,不能堅(jiān)持完成教師布置的學(xué)習(xí)任務(wù).能否配合教師的學(xué)習(xí)要求是將知識(shí)技能內(nèi)化于心,掌握學(xué)習(xí)技能的重要標(biāo)志之一,因此認(rèn)為在線學(xué)習(xí)時(shí)長對(duì)學(xué)生學(xué)習(xí)效果會(huì)產(chǎn)生較大影響.

另外,用訪問數(shù)、章節(jié)測驗(yàn)得分、課程視頻得分、討論數(shù),進(jìn)行相關(guān)系數(shù)求解,相關(guān)系數(shù)見下表4.

2018年將是國際大石油公司的投資拐點(diǎn)年，連續(xù)3年的投資下降趨勢(shì)將正式結(jié)束。根據(jù)近期各公司公布的年度預(yù)算，5家公司2018年合計(jì)投資約為1000億美元，同比小幅增長。漲幅受限的主要原因是這些公司仍要確保優(yōu)先分紅，同時(shí)投資者對(duì)公司的決策制約較大。

表4 綜合成績與其它變量的相關(guān)系數(shù)

2 評(píng)價(jià)模型與算法實(shí)現(xiàn)

明確問題和需求后,根據(jù)問題的分類,選擇模型和算法.選擇模型和算法考慮的因素包括：數(shù)據(jù)訓(xùn)練集的大小、特征的維度、所要解決的問題是否是線性可分、特征是否獨(dú)立、對(duì)性能有哪些要求等.

分類問題是找出數(shù)據(jù)集中的一組數(shù)據(jù)對(duì)象的共同特點(diǎn)并按照分類模式將其劃分為不同的類,其目的是通過分類模型,將數(shù)據(jù)集中的數(shù)據(jù)項(xiàng)映射到給定的類別中[1-4].回歸分析反映了數(shù)據(jù)集中數(shù)據(jù)的屬性值特性,通過函數(shù)表達(dá)數(shù)據(jù)映射的關(guān)系來發(fā)現(xiàn)屬性值之間的依賴關(guān)系.本文嘗試使用分類——回歸的算法生成決策樹模型.模型程序基于scikit-learn python機(jī)器學(xué)習(xí)庫實(shí)現(xiàn),使用scikit-learn中的DecisionTreeClassifier庫函數(shù)進(jìn)行分類.決策樹算法采用CART樹算法.

研究實(shí)驗(yàn)當(dāng)中使用了如下2種方法進(jìn)行預(yù)測,即分類和回歸.

分類：給定某個(gè)學(xué)生學(xué)習(xí)行為特征為‘優(yōu)’、‘良’、‘中’、‘低’四類

回歸：給定某個(gè)學(xué)生學(xué)習(xí)行為特征量化為分值.

2.1 分類

首先按0～19分為低等級(jí)；20～39分為中等級(jí)；40～50分為良等級(jí)；51～60分為優(yōu)等級(jí)規(guī)則,對(duì)連續(xù)的學(xué)生成績離散化處理.

對(duì)所有特征歸一化處理.將數(shù)據(jù)集按8∶2比列劃分訓(xùn)練集和測試集.

建立決策樹模型,得出分類正確率,見下表5.

對(duì)分類樹模型進(jìn)行參數(shù)調(diào)優(yōu).用GridSearchCv尋找決策樹分類模型的最好參數(shù).當(dāng)采用Gini系數(shù)計(jì)算不純度,最大樹深度為28,且平衡樣本分類權(quán)重時(shí),模型效果提升最明顯, 也是目前的最佳模型,正確率達(dá)到了0.914 729.

測試模型在訓(xùn)練集的正確率為1,在測試集的正確率為0.941 7.

利用Graphviz庫模型可視化.

表5 分類正確率

2.2 回歸

首先畫數(shù)據(jù)相關(guān)性圖,觀察各數(shù)據(jù)之間的關(guān)系.

對(duì)數(shù)據(jù)進(jìn)行歸一化處理.

用GridSearchCv尋找決策樹回歸模型的最好的參數(shù).Max-depth 樹的最大深度,防止模型過擬合.Max_featurs 最大利用幾種特征進(jìn)行決策.

測試模型在測試集上的表現(xiàn)：訓(xùn)練集上的誤差 0.195 063 689 179 375 44,測試集上的誤差 3.298 117 475 728 157 3.見圖2.

利用Graphviz庫模型可視化.

輸出預(yù)測變量特征重要性:

表6 輸出預(yù)測變量特征重要性

可以看到對(duì)綜合成績的高低影響中上面5個(gè)特征值影響最大.其中在線學(xué)習(xí)時(shí)長的影響性最高,其次是任務(wù)點(diǎn)完成率和章節(jié)測驗(yàn)得分,課程視頻得分、討論數(shù)也有一定的影響.總體來說,大部分因素對(duì)綜合成績的高低都會(huì)產(chǎn)生影響,即學(xué)習(xí)結(jié)果是受到多個(gè)因素共同影響的,過去單獨(dú)以一兩個(gè)結(jié)果性數(shù)據(jù)來評(píng)價(jià)學(xué)業(yè)質(zhì)量的方式是不全面和客觀的.

2.3 模型驗(yàn)證

利用一組測試數(shù)據(jù)對(duì)實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行五折交叉驗(yàn)證平均值評(píng)估模型性能.不重復(fù)的將訓(xùn)練集劃分為5份,其中4份用于模型的訓(xùn)練,剩下一份用于測試.利用一組測試數(shù)據(jù)對(duì)實(shí)驗(yàn)?zāi)Ｐ瓦M(jìn)行性能測量,測試數(shù)據(jù)中總共包括257個(gè)學(xué)生的學(xué)習(xí)信息數(shù)據(jù),其中有69個(gè)學(xué)生為有風(fēng)險(xiǎn)的,188個(gè)學(xué)生為沒有風(fēng)險(xiǎn),總體正確率為91.7%,符合預(yù)期.見表7.

表7 五折交叉驗(yàn)證評(píng)估模型性能

3 評(píng)價(jià)模型的應(yīng)用

基于學(xué)習(xí)效果影響因素的重要性排序關(guān)系,對(duì)網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的學(xué)習(xí)行為進(jìn)行權(quán)重設(shè)置.

通過上述學(xué)習(xí)行為數(shù)據(jù)的實(shí)驗(yàn)分析可知,對(duì)學(xué)生期末綜合成績影響最大的5個(gè)特征因素,分別是學(xué)生在線學(xué)習(xí)時(shí)長,任務(wù)點(diǎn)完成率,章節(jié)測驗(yàn)得分,課程視頻得分及討論數(shù).因此,教師利用網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)進(jìn)行課程建設(shè)時(shí),可先將反映這5個(gè)特征的權(quán)重設(shè)置為：學(xué)生在線學(xué)習(xí)時(shí)長(包括課程訪問數(shù)、課程資源閱讀數(shù)及課后作業(yè))共占40%；任務(wù)點(diǎn)完成率(包括各項(xiàng)課堂互動(dòng)活動(dòng)、簽到)共占25%；章節(jié)測驗(yàn)得分占15%；課程視頻得分(主要是課前慕課學(xué)習(xí))占10%；討論數(shù)(包括對(duì)討論話題的回復(fù)、討論區(qū)對(duì)課程內(nèi)容的發(fā)帖)共占10%.其次,在課程開始一段時(shí)間之后,可以以一月時(shí)間為數(shù)據(jù)采集周期,在綜合成績風(fēng)險(xiǎn)評(píng)價(jià)模型輸入包含學(xué)生5項(xiàng)主要學(xué)習(xí)特征的行為數(shù)據(jù),模型輸出學(xué)生綜合成績所屬“優(yōu)”、“良”、“中”、“低”的類別,從而對(duì)每個(gè)學(xué)生的階段性學(xué)習(xí)進(jìn)行一次風(fēng)險(xiǎn)評(píng)價(jià).對(duì)處于“中”、“低”類別的學(xué)生,還應(yīng)給出該生當(dāng)月學(xué)習(xí)評(píng)價(jià)報(bào)告.報(bào)告具體內(nèi)容包括“學(xué)生上課活動(dòng)量情況”、“學(xué)生課程完成情況”和“學(xué)生上課訪問量趨勢(shì)”,依據(jù)這3個(gè)維度的統(tǒng)計(jì)數(shù)據(jù)形成學(xué)生學(xué)習(xí)畫像,并從前面分析的五個(gè)主要學(xué)習(xí)特征值給出分析說明,最終得出學(xué)生的個(gè)性化學(xué)習(xí)指導(dǎo)意見.

從階段性的學(xué)習(xí)風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果中,教師對(duì)學(xué)生當(dāng)前的學(xué)習(xí)狀況能有一個(gè)較為客觀的了解,并觀察到學(xué)生在學(xué)習(xí)過程中是否偏離了正確的學(xué)習(xí)軌道,是否存在期末綜合成績不及格的風(fēng)險(xiǎn).對(duì)于有不及格風(fēng)險(xiǎn)的學(xué)生,教師對(duì)照“學(xué)習(xí)評(píng)價(jià)報(bào)告”中存在風(fēng)險(xiǎn)的特征指標(biāo),對(duì)學(xué)生進(jìn)行談話、了解,幫助學(xué)生分析產(chǎn)生風(fēng)險(xiǎn)的原因,并對(duì)這類學(xué)生的學(xué)習(xí)過程進(jìn)行及時(shí)干預(yù),有針對(duì)性地改善學(xué)生學(xué)習(xí)效率.

利用大數(shù)據(jù)分析方法的學(xué)業(yè)診斷評(píng)價(jià)不是最終評(píng)價(jià),而是學(xué)生在學(xué)習(xí)過程中的階段性評(píng)價(jià).教師同時(shí)可以在教學(xué)的各個(gè)階段利用學(xué)習(xí)評(píng)價(jià)模型對(duì)學(xué)生進(jìn)行評(píng)價(jià).所得出的評(píng)價(jià)結(jié)果可以讓教師清晰地了解到教學(xué)的各個(gè)階段學(xué)生的學(xué)習(xí)情況,對(duì)學(xué)生進(jìn)行個(gè)性化的學(xué)習(xí)指導(dǎo),并且根據(jù)預(yù)測風(fēng)險(xiǎn)學(xué)生人數(shù)的多少及時(shí)了解教學(xué)中出現(xiàn)的問題,改善教學(xué)策略.

4 結(jié)語

隨著教育大數(shù)據(jù)研究應(yīng)用的深入,研究者和教育者都嘗試?yán)么髷?shù)據(jù)的方式優(yōu)化教學(xué),并應(yīng)用到教學(xué)的各個(gè)環(huán)節(jié)[5-9].智慧網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)的推廣應(yīng)用為記錄學(xué)生學(xué)習(xí)行為提供了數(shù)據(jù)基礎(chǔ),但如果對(duì)記錄的數(shù)據(jù)不做進(jìn)一步的深入計(jì)算,教育者仍然觀察不到學(xué)生的學(xué)習(xí)過程,不能了解每個(gè)學(xué)生的學(xué)習(xí)情況,也無法對(duì)他們進(jìn)行針對(duì)性指導(dǎo),提高學(xué)生的學(xué)習(xí)效率,改善教師教學(xué)策略.因此,本文嘗試使用機(jī)器學(xué)習(xí)算法中的CART分類算法,針對(duì)學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)展開詳細(xì)的分析、計(jì)算,以期建立學(xué)生成績風(fēng)險(xiǎn)評(píng)價(jià)模型.模型可應(yīng)用于針對(duì)學(xué)生的階段性學(xué)習(xí)結(jié)果,反饋學(xué)生的學(xué)習(xí)狀況以及教師教學(xué)情況,預(yù)警學(xué)習(xí)效果有風(fēng)險(xiǎn)的學(xué)生及時(shí)調(diào)整學(xué)習(xí)路線,教師調(diào)整教學(xué)策略.同時(shí)學(xué)生也可以及時(shí)、客觀地了解目前的學(xué)習(xí)狀況,引導(dǎo)、促進(jìn)學(xué)習(xí)者的學(xué)習(xí).該研究也可以為其它課程的學(xué)習(xí)監(jiān)控和指導(dǎo)個(gè)性化學(xué)習(xí)提供機(jī)器學(xué)習(xí)模型,并為后續(xù)個(gè)性化學(xué)習(xí)服務(wù)方案提供了大數(shù)據(jù)實(shí)踐應(yīng)用的借鑒經(jīng)驗(yàn).

當(dāng)然,目前的研究中還存在許多局限性,比如數(shù)據(jù)質(zhì)量問題.筆者所在學(xué)校推廣使用的學(xué)習(xí)通網(wǎng)絡(luò)教學(xué)平臺(tái)所記錄的學(xué)習(xí)行為數(shù)據(jù)與教師實(shí)際教學(xué)過程中呈現(xiàn)的數(shù)據(jù)還存在一定的偏差,學(xué)習(xí)行為指標(biāo)還不能完全貼合實(shí)際.其次,學(xué)校信息化建設(shè)的程度還有待進(jìn)一步提高,各個(gè)部門的業(yè)務(wù)數(shù)據(jù)還未實(shí)現(xiàn)共享,比如學(xué)工處數(shù)據(jù)目前還不能與學(xué)習(xí)行為數(shù)據(jù)互通互訪.最后,現(xiàn)階段教學(xué)者信息化教學(xué)意識(shí)不強(qiáng),普遍習(xí)慣于傳統(tǒng)的教學(xué)模式,教學(xué)過程中沒有把反映學(xué)生學(xué)習(xí)行為的指標(biāo)設(shè)計(jì)到教學(xué)方案中,致使許多學(xué)習(xí)行為指標(biāo)沒有得到留存,數(shù)據(jù)記錄較少,或是數(shù)據(jù)統(tǒng)計(jì)特征值不規(guī)范,缺失率較高.因此數(shù)據(jù)與理想中預(yù)期差別較大,導(dǎo)致研究產(chǎn)生局限性.今后,可以繼續(xù)對(duì)學(xué)習(xí)資源數(shù)據(jù)特征數(shù)字化,進(jìn)一步挖掘個(gè)性化學(xué)習(xí)的另外2個(gè)維度：個(gè)性化學(xué)習(xí)內(nèi)容和個(gè)性化學(xué)習(xí)方式,實(shí)現(xiàn)更進(jìn)一步的個(gè)性化學(xué)習(xí)服務(wù),即個(gè)性化內(nèi)容的推送,和個(gè)性化學(xué)習(xí)空間的劃分.