基于學(xué)習(xí)分析技術(shù)的學(xué)習(xí)預(yù)警系統(tǒng)研究與設(shè)計

■ 龔藝 ，楊娟 ，紀(jì)娟

（1.四川廣播電視大學(xué)，四川 成都 610073；2.國家開放大學(xué)教育信息管理與信息系統(tǒng)研究中心，四川 成都 610073）

隨著大數(shù)據(jù)時代的到來，現(xiàn)代遠(yuǎn)程教育正在發(fā)生著深刻的變革。在線學(xué)習(xí)成為現(xiàn)代遠(yuǎn)程教育的重要學(xué)習(xí)形式，在線學(xué)習(xí)迅速發(fā)展的同時也存在諸多問題，如學(xué)習(xí)質(zhì)量和效率低下、教師的個性化及適應(yīng)性教學(xué)能力差、在線學(xué)習(xí)監(jiān)控管理和評價不及時等[1]。有效地監(jiān)控學(xué)習(xí)者學(xué)習(xí)情況、及時為學(xué)習(xí)者提供個性化支持服務(wù)，有助于提高學(xué)習(xí)者滿意度、保證遠(yuǎn)程教育學(xué)習(xí)者學(xué)習(xí)質(zhì)量并降低學(xué)生流失率。通過在線學(xué)習(xí)平臺中記錄的大量學(xué)習(xí)行為數(shù)據(jù)挖掘有效的信息，構(gòu)建學(xué)習(xí)預(yù)警機制，既可為教學(xué)管理提供決策參考，又可為學(xué)習(xí)者提供幫助和指導(dǎo)[2]。學(xué)習(xí)預(yù)警是在線學(xué)習(xí)監(jiān)控管理、個性化支持服務(wù)的重要環(huán)節(jié)。

國外的一些機構(gòu)已經(jīng)開發(fā)了預(yù)警系統(tǒng)，例如普渡大學(xué)利用學(xué)習(xí)分析技術(shù)分析學(xué)生學(xué)習(xí)情況及特點，從而預(yù)測存在學(xué)習(xí)危機的學(xué)生[3]。Desire2Learn通過分析學(xué)習(xí)成績、文檔和工具使用以及參與社會化學(xué)習(xí)程度等數(shù)據(jù)，辨別“危險”中的學(xué)生并進(jìn)行跟蹤干預(yù)，提供合適的幫助[4][5]。學(xué)習(xí)分析技術(shù)的發(fā)展，為遠(yuǎn)程教育學(xué)習(xí)預(yù)警系統(tǒng)的構(gòu)建提供了新的視角，學(xué)習(xí)分析技術(shù)在教育中的應(yīng)用使人們對學(xué)習(xí)發(fā)生和發(fā)展的認(rèn)證更加明晰，對學(xué)習(xí)的監(jiān)控和預(yù)警更加直觀和便捷[6]。

美國高等教育信息化協(xié)會最早將“學(xué)習(xí)分析”定義為：“使用數(shù)據(jù)和模型預(yù)測學(xué)生的收獲和具有處理這些信息能力的行為。”[7]學(xué)者何克抗[8]將學(xué)習(xí)分析技術(shù)定義為利用各種數(shù)據(jù)收集和數(shù)據(jù)分析工具，從海量數(shù)據(jù)中，通過收集、測量、分析和報告等方式，提取出有價值的各種信息從而為教與學(xué)以及教學(xué)管理提供輔助決策的技術(shù)。學(xué)習(xí)分析技術(shù)注重監(jiān)測和預(yù)測學(xué)生的學(xué)習(xí)成績，即發(fā)現(xiàn)潛在問題，為教學(xué)過程提出有針對性的改進(jìn)策略和教育策略[9]。遠(yuǎn)程教育學(xué)習(xí)預(yù)警系統(tǒng)，旨在通過提取在線學(xué)習(xí)平臺中學(xué)習(xí)者產(chǎn)生的大量行為數(shù)據(jù)，例如學(xué)習(xí)者的學(xué)習(xí)次數(shù)和頻率、學(xué)習(xí)時長、測評完成情況、使用學(xué)習(xí)資源的數(shù)量、參與學(xué)習(xí)討論的次數(shù)等。根據(jù)學(xué)習(xí)分析技術(shù)，對其上述大量數(shù)據(jù)進(jìn)行采集、處理和分析，深入了解學(xué)習(xí)者在線學(xué)習(xí)狀態(tài)，為教學(xué)管理者提供數(shù)據(jù)分析以幫助其了解海量學(xué)習(xí)者的學(xué)習(xí)情況，及時發(fā)現(xiàn)存在學(xué)習(xí)“危機”的學(xué)習(xí)者，以便提供有針對性的學(xué)習(xí)支持服務(wù)、人工干預(yù)、個性化教學(xué)服務(wù)等，為最終構(gòu)建個性化、智能化的在線學(xué)習(xí)系統(tǒng)提供實現(xiàn)基礎(chǔ)。

本研究根據(jù)學(xué)習(xí)分析技術(shù)，構(gòu)建遠(yuǎn)程教育學(xué)習(xí)者預(yù)警系統(tǒng)，建立預(yù)警系統(tǒng)框架，并解決了預(yù)警系統(tǒng)中兩個核心問題，數(shù)據(jù)收集和預(yù)測模型構(gòu)建，為學(xué)習(xí)預(yù)警系統(tǒng)的實現(xiàn)提供了參考。

一、在線學(xué)習(xí)預(yù)警因素分析

遠(yuǎn)程教育學(xué)習(xí)者大多為成年學(xué)習(xí)者，其主要是利用工作之余通過電腦、手機、平板等設(shè)備進(jìn)行在線學(xué)習(xí)。在線學(xué)習(xí)平臺采集了大量學(xué)習(xí)者通過各類設(shè)備學(xué)習(xí)的學(xué)習(xí)行為數(shù)據(jù)，從這些大量的行為數(shù)據(jù)中找出能反映學(xué)習(xí)者在線學(xué)習(xí)情況，更好預(yù)測學(xué)習(xí)者未來學(xué)習(xí)成績的指標(biāo)變量是進(jìn)行學(xué)習(xí)預(yù)警的重要環(huán)節(jié)。

本研究以國家開放大學(xué)Moodle在線學(xué)習(xí)平臺在線學(xué)習(xí)行為數(shù)據(jù)與終結(jié)性期末成績數(shù)據(jù)作為數(shù)據(jù)分析的依據(jù)，希望利用學(xué)習(xí)分析技術(shù)發(fā)現(xiàn)遠(yuǎn)程學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)與學(xué)習(xí)成績的關(guān)系，找出與學(xué)習(xí)成績相關(guān)性較大的在線學(xué)習(xí)行為指標(biāo)，有助于更準(zhǔn)確地預(yù)測未來學(xué)習(xí)成績，達(dá)到學(xué)習(xí)預(yù)警的目的。

學(xué)習(xí)者的學(xué)習(xí)投入狀況可以作為預(yù)測其學(xué)習(xí)成就的指標(biāo)[10]。在網(wǎng)絡(luò)學(xué)習(xí)空間中，學(xué)習(xí)者的學(xué)習(xí)投入具有時間、空間特性，表現(xiàn)為學(xué)習(xí)者的參與、專注、規(guī)律和交互四個維度[11]。對在線學(xué)習(xí)平臺采集的大量學(xué)習(xí)行為數(shù)據(jù)，分別從參與、專注、規(guī)律和交互四個維度選擇多項指標(biāo)與終結(jié)性期末成績進(jìn)行了Pearson相關(guān)性檢驗，檢驗結(jié)果如表1所示。

表1 預(yù)警因素與成績的相關(guān)性分析

表1表明，學(xué)習(xí)者平臺模塊利用頻次、出勤天數(shù)、測驗?zāi)K利用頻次、出勤周數(shù)、論壇發(fā)帖數(shù)、論壇發(fā)主帖數(shù)與學(xué)習(xí)者成績的相關(guān)系數(shù)均為正值，即呈正相關(guān)關(guān)系，在顯著水平上，P值均小于0.01，表示為顯著相關(guān)。通過上述在線學(xué)習(xí)行為指標(biāo)與學(xué)習(xí)成績相關(guān)性分析，本研究在學(xué)習(xí)預(yù)警系統(tǒng)中，采用平臺模塊利用頻次、出勤天數(shù)、測驗?zāi)K利用頻次、出勤周數(shù)、論壇發(fā)帖數(shù)、論壇發(fā)主帖數(shù)上述6個指標(biāo)作為學(xué)習(xí)預(yù)警中預(yù)測的指標(biāo)變量。

二、學(xué)習(xí)成績預(yù)測建模

獲得較為完備的數(shù)據(jù)后，所要做的就是根據(jù)已有的理論和方法對數(shù)據(jù)進(jìn)行分析，這是學(xué)習(xí)分析的核心[12]。通過遠(yuǎn)程學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)和學(xué)習(xí)者期末學(xué)習(xí)成績采集與分析，期望能從數(shù)據(jù)中發(fā)現(xiàn)學(xué)習(xí)行為與學(xué)習(xí)成績之間的關(guān)系，建立預(yù)測模型，并根據(jù)預(yù)測模型在未來對學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析并預(yù)測學(xué)習(xí)成績，及時發(fā)現(xiàn)學(xué)習(xí)成績可能不達(dá)標(biāo)的學(xué)習(xí)者，從而發(fā)出預(yù)警信息。這也是學(xué)習(xí)分析技術(shù)中數(shù)據(jù)分析核心環(huán)節(jié)。

在數(shù)據(jù)挖據(jù)中，預(yù)測的目標(biāo)是離散值時為分類問題，連續(xù)值時為回歸問題。本研究將學(xué)習(xí)成績值離散為“合格”和“不合格”兩個值，對于學(xué)習(xí)成績的預(yù)測實際上就是數(shù)據(jù)挖掘中的分類問題。分類問題是根據(jù)數(shù)據(jù)集的特點構(gòu)造一個分類器，利用分類器對未知類別的樣本賦予類別的一種技術(shù)[13]。在機器學(xué)習(xí)、統(tǒng)計學(xué)和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域，已經(jīng)有許多經(jīng)典的分類預(yù)測方法。目前，常用的分類算法有樸素貝葉斯網(wǎng)絡(luò)、決策樹、人工神經(jīng)網(wǎng)絡(luò)和支持向量機等[14]。

數(shù)據(jù)分類一般由兩步完成，第一步用已知的實例集構(gòu)建分類器[15]。首先需要將數(shù)據(jù)集劃分出訓(xùn)練集和測試集，通過分類算法對訓(xùn)練集進(jìn)行訓(xùn)練，得到分類模型，這一步是一個有指導(dǎo)的學(xué)習(xí)過程。第二步使用構(gòu)建好的分類器分類未知實例[16]。也就是使用第一部分中得到的分類模型對測試數(shù)據(jù)集進(jìn)行預(yù)測，如果模型的準(zhǔn)確率可以接受，就可以用它來對未知的數(shù)據(jù)集進(jìn)行分類。

本研究采用國家開放大學(xué)遠(yuǎn)程學(xué)習(xí)者在線學(xué)習(xí)行為采集數(shù)據(jù)和期末考試成績數(shù)據(jù)作為研究樣本共計129432條，其中學(xué)習(xí)者48043名，共501門課程的數(shù)據(jù)。本研究選取R語言作為分類實驗工具，R語言是一款統(tǒng)計分析開源工具，在數(shù)據(jù)挖掘、統(tǒng)計計算等方面表現(xiàn)優(yōu)秀。

（一）實驗過程

為了更好地驗證分類算法，采用十折交叉驗證法（10-fold cross-validation），即將數(shù)據(jù)集平均分成十份，輪流將其中九份作為訓(xùn)練數(shù)據(jù)，根據(jù)數(shù)據(jù)分類第一步，應(yīng)用樸素貝葉斯算法、C5.0決策樹算法、前饋反向傳播神經(jīng)網(wǎng)絡(luò)算法、支持向量機算法四種算法，分別構(gòu)建學(xué)習(xí)者學(xué)習(xí)成績預(yù)測模型。再根據(jù)數(shù)據(jù)分類第二步，結(jié)合第一步中的評估模型，用剩下的一份數(shù)據(jù)集作為測試數(shù)據(jù)集進(jìn)行測試，并記錄每一次的測試結(jié)果。

數(shù)據(jù)挖掘領(lǐng)域通常利用精確率、召回率和F值等評價指標(biāo)進(jìn)行模型評價。精確率是指被分類模型正確預(yù)測的百分率。召回率指真實值被正確識別的百分率[17]。精確率、召回率和F值的具體計算公式如下：

式中，P表示精確率；R表示召回率，F(xiàn)表示召回率，是精確率和召回率的調(diào)和平均。TP表示假設(shè)正確識別為此類的樣本數(shù)目，F(xiàn)P表示為原本不是此類但是被錯誤地分為此類的樣本數(shù)目。

在實驗中，分別統(tǒng)計了四種算法十次測試中得到的精確率、召回率和F值并求十次測試結(jié)果的均值，得到的結(jié)果如表2所示。

表2 學(xué)習(xí)者成績預(yù)測算法結(jié)果

ROC 曲線 (receiver operating characteristics curve，接收者操作特征曲線)分析是可視化地評估分類器性能，從而進(jìn)行模型選擇的方法[18]。ROC曲線是根據(jù)不同的二分類方式，以靈敏度為縱坐標(biāo)，特異度為橫坐標(biāo)繪制的曲線。本研究通過ROC曲線進(jìn)一步評估分類器，四個分類算法的ROC曲線如圖1所示。

圖1 ROC曲線

（二）預(yù)測結(jié)果分析

在對分類算法的評測中，精確率和召回率取值范圍為[0，1]，數(shù)值越接近1，說明分類算法越好，但是精確率和召回率有可能出現(xiàn)矛盾的情況，即精確率高而召回率低，或者精確率低而召回率高，F(xiàn)值是兩者的加權(quán)調(diào)和平均，F(xiàn)值高時更能說明分類算法的有效性。對上述樣本數(shù)據(jù)的測試統(tǒng)計結(jié)果顯示，C5.0決策樹、前向反饋傳播神經(jīng)網(wǎng)絡(luò)和支持向量機三種算法在精確率、召回率和F值三者中均出現(xiàn)了趨近于0的值，而基于樸素貝葉斯算法的成績預(yù)測結(jié)果顯示，精確率、召回率和F值均接近于1，是四個分類算法中表現(xiàn)最為優(yōu)秀的學(xué)習(xí)者成績預(yù)測算法。

從ROC曲線結(jié)果來看，根據(jù)ROC分析思想，計算AUC(area under the ROC curve，ROC 曲線下方面積)即可獲得評價分類器識別能力的量化評價指標(biāo)，面積越大，分類器的分類能力越好[19]。在圖1所示的ROC曲線結(jié)果分析中，C5.0決策樹、前向反饋傳播神經(jīng)網(wǎng)絡(luò)、支持向量機和樸素貝葉斯算法的AUC值分別是0.542、0.502、0.500和0.989，總體來看，樸素貝葉斯算法在預(yù)測學(xué)習(xí)者成績的ROC曲線下面積AUC值最大，對系統(tǒng)靈敏度和特異度兼顧性更好，預(yù)測算法價值更高。

綜合上述分析，樸素貝葉斯算法作為學(xué)習(xí)預(yù)警系統(tǒng)中學(xué)習(xí)者學(xué)習(xí)成績預(yù)測的主要算法。

三、基于學(xué)習(xí)分析技術(shù)的學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計

學(xué)習(xí)分析技術(shù)是從教育領(lǐng)域的海量數(shù)據(jù)中提取隱含的、未知的及有潛在應(yīng)用價值信息或模式的工具，也是一種決策輔助工具[18]。伊萊亞斯提出學(xué)習(xí)分析技術(shù)下的持續(xù)改進(jìn)環(huán)模型，模型包括三個循環(huán)改進(jìn)的過程，分別是數(shù)據(jù)收集、數(shù)據(jù)處理包括聚合預(yù)測等、在數(shù)據(jù)處理的基礎(chǔ)上將結(jié)果進(jìn)行應(yīng)用并提出數(shù)據(jù)收集處理優(yōu)化措施，從而持續(xù)改進(jìn)模型。我國學(xué)者吳永和等人將學(xué)習(xí)分析技術(shù)框架歸納為整個系統(tǒng)分為數(shù)據(jù)層、分析層、報告層和干預(yù)層。其中數(shù)據(jù)層主要獲取學(xué)習(xí)者相關(guān)學(xué)習(xí)數(shù)據(jù)，送入系統(tǒng)分析層由分析引擎進(jìn)行數(shù)據(jù)分析，之后在儀表盤上按學(xué)習(xí)者、教學(xué)者、管理者三大利益需求產(chǎn)生可視化報告，并在此基礎(chǔ)上對學(xué)習(xí)者進(jìn)行干預(yù)并完成自適應(yīng)過程[19]。依據(jù)本研究中影響學(xué)習(xí)成績的在線學(xué)習(xí)行為因素分析和學(xué)習(xí)成績的預(yù)測模型的構(gòu)建，在對已有學(xué)習(xí)分析技術(shù)模型研究的基礎(chǔ)上，設(shè)計了學(xué)習(xí)成績預(yù)警系統(tǒng)。學(xué)習(xí)成績預(yù)警系統(tǒng)設(shè)計如圖2所示。

圖2 學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計

本研究將學(xué)習(xí)預(yù)警系統(tǒng)設(shè)計為三層，包括數(shù)據(jù)層、分析層和報告干預(yù)層，其中數(shù)據(jù)層負(fù)責(zé)采集學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)和學(xué)習(xí)者的成績數(shù)據(jù)，采集的數(shù)據(jù)主要采用本研究中線上學(xué)習(xí)預(yù)警因素中6個指標(biāo)以及在期末時作為訓(xùn)練數(shù)據(jù)用途的學(xué)習(xí)者期末成績。采集結(jié)束后對數(shù)據(jù)進(jìn)行清洗、離散化等數(shù)據(jù)處理，數(shù)據(jù)處理結(jié)束后轉(zhuǎn)入學(xué)習(xí)預(yù)警數(shù)據(jù)庫，以免對在線學(xué)習(xí)平臺和學(xué)習(xí)管理系統(tǒng)的數(shù)據(jù)庫運行效率造成影響。

分析層利用采集的學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)和成績數(shù)據(jù)，根據(jù)本研究上述分析中的學(xué)習(xí)預(yù)警模型，主要通過樸素貝葉斯算法，建立預(yù)測模型，預(yù)測模型建立成功后對需要預(yù)測的學(xué)習(xí)者在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行預(yù)測。為了能夠在學(xué)期早期及時預(yù)警學(xué)習(xí)者情況，對于預(yù)測模型的練習(xí)數(shù)據(jù)采集需要從上一學(xué)期中期開始每周采集一次學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)，學(xué)期結(jié)束后取得學(xué)習(xí)者的期末成績數(shù)據(jù)，分別建立不同周對應(yīng)的預(yù)測模型并保存作為下學(xué)期預(yù)測使用。下學(xué)期中期開始后利用相應(yīng)的周預(yù)測模型進(jìn)行預(yù)測，得出每周的預(yù)測數(shù)據(jù)，通過每周的預(yù)測，形成較為動態(tài)的分析，有利于幫助管理者、教學(xué)者、學(xué)習(xí)者動態(tài)掌握學(xué)習(xí)者在線學(xué)習(xí)的情況，進(jìn)行學(xué)習(xí)改進(jìn)。及時將學(xué)習(xí)者預(yù)測結(jié)果名單和在線學(xué)習(xí)行為情況等信息反饋給學(xué)習(xí)管理系統(tǒng)，便于管理者和教學(xué)者及時了解學(xué)習(xí)者學(xué)習(xí)情況，對于危機學(xué)習(xí)者再通過學(xué)習(xí)者自我評價采集、電話訪問、學(xué)習(xí)進(jìn)度、學(xué)習(xí)儀表盤等，及時了解學(xué)習(xí)者學(xué)習(xí)情況，并掌握學(xué)習(xí)者學(xué)習(xí)中存在的特殊問題給予相應(yīng)的學(xué)習(xí)支持服務(wù)。針對學(xué)習(xí)者本人，在線學(xué)習(xí)平臺也會通過微信提醒、學(xué)習(xí)儀表盤、學(xué)習(xí)者進(jìn)度、資源推送等方式，及時告知學(xué)習(xí)者存在的問題以及需要努力的方向，幫助學(xué)習(xí)者了解自身的學(xué)習(xí)情況以及同門課程學(xué)習(xí)者的平均水平，幫助了解自身存在的不足，促進(jìn)學(xué)習(xí)者加強學(xué)習(xí)，提高學(xué)習(xí)積極性，并針對自身存在的不足及時補缺。

在報告與干預(yù)層中，通過自我評價、微信反饋、學(xué)習(xí)進(jìn)度條、數(shù)字儀表盤和資源推送五個方面對學(xué)習(xí)者進(jìn)行報告和干預(yù)。其中自我評價主要從主觀方面了解學(xué)習(xí)者學(xué)習(xí)中存在的主觀問題因素，以更全面地了解學(xué)習(xí)者學(xué)習(xí)情況；微信反饋則通過向?qū)W習(xí)者發(fā)送預(yù)警信息、課程學(xué)習(xí)通知消息、課程任務(wù)提醒消息、討論通知等，與學(xué)習(xí)者產(chǎn)生緊密互動，以幫助提高學(xué)習(xí)者學(xué)習(xí)積極性；學(xué)習(xí)進(jìn)度條提示學(xué)習(xí)者課程學(xué)習(xí)進(jìn)度情況，例如課程練習(xí)完成比例、視頻文本等資源閱讀比例、參與論壇討論活躍度等信息；數(shù)字儀表盤則從縱向上提示學(xué)習(xí)者課程中其他學(xué)習(xí)者平均學(xué)習(xí)進(jìn)度情況，通過對其他學(xué)習(xí)者平均進(jìn)度學(xué)習(xí)情況了解，學(xué)習(xí)者了解同一門課程的學(xué)習(xí)者中，自身在各類學(xué)習(xí)項目中學(xué)習(xí)進(jìn)度屬于平均水平以上還是以下，如果處于平均水平線以下則警示學(xué)習(xí)者及時調(diào)整自身的學(xué)習(xí)進(jìn)度，例如練習(xí)量不夠，或者是視頻文本資源閱讀量不足，或者討論積極性低等，學(xué)習(xí)者可以根據(jù)儀表盤的提示有針對性地進(jìn)行自我改進(jìn)，從而達(dá)到提高學(xué)習(xí)者學(xué)習(xí)質(zhì)量的目的。

四、討論

對于遠(yuǎn)程教育在線學(xué)習(xí)中存儲的海量在線學(xué)習(xí)行為數(shù)據(jù)，利用學(xué)習(xí)分析技術(shù)，構(gòu)建遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)預(yù)警系統(tǒng)。本研究首先研究了學(xué)習(xí)預(yù)警所需要采集的基礎(chǔ)數(shù)據(jù)指標(biāo)，并在數(shù)據(jù)收集的基礎(chǔ)上構(gòu)建學(xué)習(xí)成績預(yù)測模型，通過多種分類算法在大數(shù)據(jù)樣本的實驗中進(jìn)行比較，選擇了預(yù)測結(jié)果表現(xiàn)優(yōu)秀的樸素貝葉斯算法作為學(xué)習(xí)者學(xué)習(xí)成績的預(yù)測算法，具有較高的可行性。最后，在學(xué)習(xí)分析技術(shù)系統(tǒng)框架的基礎(chǔ)上，設(shè)計了遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)預(yù)警系統(tǒng)的基本框架，為未來遠(yuǎn)程教育在線學(xué)習(xí)學(xué)習(xí)預(yù)警系統(tǒng)的構(gòu)建提供了參考依據(jù)。

學(xué)習(xí)預(yù)警的建立，為教育中的學(xué)習(xí)者、教學(xué)者、管理者提供了教學(xué)過程中的數(shù)據(jù)分析和決策支持，在海量學(xué)習(xí)者中及時發(fā)現(xiàn)具有潛在學(xué)習(xí)“危機”的學(xué)習(xí)者，通過數(shù)據(jù)儀表盤、學(xué)習(xí)進(jìn)度圖等方式為學(xué)習(xí)者提供及時的預(yù)警提示，同時管理者與教學(xué)者可以及時發(fā)現(xiàn)存在危機的學(xué)習(xí)者，以便及時給予學(xué)習(xí)支持服務(wù)，提高學(xué)習(xí)者的學(xué)習(xí)成功率，同時也有助于降低學(xué)習(xí)者輟學(xué)率。筆者主要解決了學(xué)習(xí)預(yù)警中數(shù)據(jù)收集和預(yù)測算法以及預(yù)警系統(tǒng)的設(shè)計，在預(yù)警后的報告與干預(yù)中，尚需要更進(jìn)一步地研究預(yù)警報告和預(yù)警干預(yù)實施細(xì)則，使其能為學(xué)習(xí)者和教學(xué)者提供較為直觀清晰的預(yù)警報告，并提供較為智能的干預(yù)措施。學(xué)習(xí)分析技術(shù)在國內(nèi)教育領(lǐng)域逐漸受到研究者的熱切關(guān)注，將學(xué)習(xí)分析技術(shù)應(yīng)用于遠(yuǎn)程教育中，從海量數(shù)據(jù)中發(fā)掘出有意義的數(shù)據(jù)關(guān)聯(lián)，為提高遠(yuǎn)程教育質(zhì)量，實現(xiàn)個性化學(xué)習(xí)提供了有益的視角。