蒙 芳，翟建丽

(广东工业大学华立学院，广东 广州 511325)

1 引言

因网络教育资源[1]的高及时性和高丰富性特点，近年来教育越发朝着网络化发展。在该过程中，互联网和智能手机的发展导致学习行为发生了巨大变化，人们越来越享受与时代发展相适应的数字化学习方式，学习形式由单一的书面文字转变为多感官参与转移，文化知识由线性转变为非线性，学习地点由课堂转变为网络的数字化教学模式。目前可视化网络数据库学习满足了这一需求，利用网络数据库充分归纳分析学习行为，提高学习能力。如何建立更加高效的可视化网络数据库对学习行为的有效开展有着重要意义。

孟小峰[2]等人针对数据库所需更快的处理速度及调整最佳运行状态两个问题，提出了机械学习化数据库系统研究综述。首先，将现代加速器及众多调节参数引入数据库系统设计中，充分利用现代硬件加速平台，并将DBA的经验转变为预测模型，使得数据库系统更加智能化，能够适应工作内容的快速多变性；其次，归纳总结当前数据库系统，在已有技术分析的基础上，优化存储空间、查询及自动化管理系统；最后，经仿真分析，验证了所提研究方法的可应用价值。彭子涵[3]等人针对“互联网”教育背景下，如何提供完备和系统的学习支持服务，对基于混合模式的小组协作学习行为影响因素进行研究。首先，基于社会认知理论和群体动力学理论，构建基于混合学习模式小组协作学习影响因素模型，提出研究假设并采用问卷调查方式分析个体协作学习行为有正面影响的显著特征。其次，利用结构方程模型和SSPS软件对收集得到的数据进行分析检验。最后，经仿真结果表明：该方法得到的学习行为影响因素可促进校本资源的持续性建设。张怀南[4]针对如何让学生更好地利用资源库，提出了高职院校校本SPOC课程资源建设探索。首先，基于三元交互决定论及技术接受模型，构建了包含学习环境感知、学习动机和学习行为在内的资源库学生学习情况假设模型。其次，运用混合研究方法对8所高职院校的学生资源库学习行为及影响因素进行分析，得到学习动机是资源库影响学生学习行为的主要因素。最后，经仿真分析表明，所提方法对于促进资源库想精细化和优质化发展、提升教育信息化服务质量具有一定借鉴意义。

由于上述所提方法学习效率提升幅度小，且过程复杂，为解决上述问题，提出学习行为大数据可视化的网络数据库学习，其主要内容为：

1)采用了对数回归扩展方式对学习者学习行为能力的答对率和错误率进行解算，并在其中加入解算算子，提升计算精度，降低分析差值；

2)通过对学习行为进行可视化分析，使数据进行直观展示，明晰学习路径，避免获取数据过程中，产生错误数据；

3)构建可视化网络数据库学习模型，完成网络数据库学习。

通过仿真表明所提方法在学习成绩、学习效果、学习评价方面均优于其它方法，可有效提升学习效果。

2 学习行为大数据可视化

2.1 学习行为分析

学习行为、自主学习行为和远程学习[5]行为含义相近，可视化网络数据库学习主要利用网络平台中的信息资源、交流工具等，以时空分离与媒体课件为主要学习方式，体现学习者对自身的导向、激励、监督等行为。迄今为止，未对学习行为网络数据库进行明确定义，但由于网络行为呈现的特点较为显著，学习路径为非线性过程为主动学习。在互联网环境下，学习者可根据学习目的及学习方式选择学习环节和学习资源，与传统学习方式最大的区别在于，从传统的指导者、环境及资源转变为以网络为媒介的交互学习环境，学习者的学习行为也从指导者主导转变为在计算机环境下的自主控制。

2.2 学习行为可视化归类

基于贝叶斯[6]理论的分类计算方法便于使用且错误率低。将学习行为看成一组由条件属性值构成的特征向量，具体表现形式为X(X1，X2，…，C)，Xi代表条件属性特征值，C为分类目标属性[7]。在大数据可视化网络模型中，目标属性即最终学习方式。若样本集合中包含N个属性，A1，A2，…，An构成了样本特征向量，包含M个类别，为{C1，C2，…，Cm}。若X的特征向量为{X1，X2，…，Xn}，计算X的类别为P(Ci|X)，得到的最大结果为可视化网络数据库的主要学习行为，则：

P(Ci|X)=P(X|Ci)P(Ci)/P(X)

(1)

在上述式(1)的基础上作出的独立假设为：

(2)

在上述基础上，可将学习按资源划分成如下三个部分：

第一部分为课程资源集合。

第二部分为学习行为大数据可数化，其中包含学习资源点击率、学习成果分数、周围评价等。

第三部分为确保大数据可视化程度，提升学习行为的可读性。

3 构建可视化网络数据库学习

3.1 学习行为可视化系数计算

学习者学习行为能力包括答对率和错误率，每个行为的答对率和错误率都不是相同的，一项技能需要越多的学习行为，则猜对率越少。

(3)

P(Gn)=P(Cn=true|Kn=flase)

(4)

式(3)和式(4)中，αj和δj为第j个子节点对正确率和错误率的影响程度；β和γ为正确率和错误率的偏差[10]量。

针对学习行为大数据可视化分析，假设一项学习技能中不包含任何知识点，那么学习者的正确率和错误率均为0.5，将β和γ加入其中导致学习者学习行为能力有所不同，具有不同的正确率和错误率。若将αj、δj、β和γ作为学习行为能力的反应，则它们的数值不会随着学习难度的变化发生改变。显而易见，可视化网络数据库学习的构建中，正确率和错误率不是固定的条件函数，而是取决于学习行为系数。

学习行为大数据可视化扩展了学习的正确率和错误率，需考虑学习和遗忘概率两个因素，以及当学习难度存在差异时，学习难度对行为及正确率、错误率的影响。例如“1+5”与“16×26+4”相比，前者正确率更高。在本文构建的网络数据库中，将学习行为大数据可视化的学习和遗忘概率引入其中，将学习难度作为其特征向量。

使用P(T)表示学习概率，为学习者在第n个知识点中未掌握的部分，通过学习行为，已掌握n+1题的概率为

(5)

使用P(F)表示遗忘概率，为学习者第n个知识点中已掌握的部分，但由于遗忘，n+1题学习者未掌握的概率，即

(6)

上述式(3)和(4)中，αj和δj为第j个子节点对学习概率和遗忘概率的影响程度；β和γ为学习概率和遗忘概率的偏差量。与初始行为能力一样，αj、δj、β和γ表示学习行为能力随着难度的变化而发生改变。

针对得到的P(G)和P(S)可视化结果，将技能难度代入其中，学习行为能力不仅与对技能的掌握度有关，还与技能难度有关。因此，本文在学习行为大数据可视化的基础上，构建网络数据库学习能够更好的提高学习效率。

3.2 可视化网络数据库

基于上述可视化学习行为数据分析，网络数据库构建流程如图1所示。

图1 可视化网络数据库构建流程

3.2.1 学习行为数据采集及储存

通过收集学习者日常学习行为信息，使用xAPI数据准则，完成数据库对接[11]。xAPI是衡量所学习内容与行为数据的准则。在计算机网络中，各xAPI记录具有主、谓、宾的语法结构，其中主语代表活动发起者，谓语代表具体动作指令，宾语代表活动的承受对象。各数据库建立的准则都需在业务范围内储存学习者的交互内容，包括学习者答疑、观看多媒体课件、探讨知识点等学习行为发生的时间以及内容。建立学习行为数据釆集模块使用xAPI规定的统一端口，定期接收各数据中心收集上报的多类型数据，汇集成并整理这些得到的数据发送至数据储存模块。

储存层次工作内容为收集系统上的数据信息，对其完成筛选、汇总、储存、备份等工作，xAPI准则可将数据长期储存。

3.2.2 学习行为分析及可视化模块

构建学习行为数据分析模块的主要目的是对采集及储存的数据进行读取，并使用深度数据挖掘[12]的方式，提起数据关键特征集合，对学习行为规律进行可视化计算机验证，探寻学习过程中行为方式的普遍模式和学习规律，并对学习者的学习状态、技能掌握程度、能力水平进行追踪评价。网络数据库分析层次中，对学习者的能力水平的评估与预测数据均为可视化信息，根据得到的分析结果，挑选出对学习能力提高最显著的行为方式，并将结果存储与数据库中。

可视化处理层次对网络数据库的分析结果以可视化形式展示，如图2所示，为可视化界面图。

图2 网络数据库可视化界面

图2中，右侧为学习者所掌握知识点技能的情况，数据可视化效果最佳。

3.3 数据库学习指标

对构建的大数据可视化网络数据库指标进行联合分析，基础指标模型如下：

(7)

式(5)中，Ti表示所学知识技能的总分值，若Ti1为学习技能热度分值，Ti2为该知识技能点赞分值，Ti3为该技能评分，Tij为该知识技能其它指标评价得分。

4 仿真及结果分析

关于学习行为大数据可视化网络数据库对学习者能力的影响，本文实验从学习任务、准确率、成绩及学习评价展开仿真分析。将学习任务分解成9个层次，并与文献[2]、文献[3]方法相比较，结果如图3和图4所示，为任务完成效果及所获得的成绩对比。

图3 三种方法准确性对比

图4 三种方法完成任务效果对比

图5 三种方法所得成绩对比

根据仿真分析可看出，使用本文所提方法和文献[2]方法、文献[3]方法在完成任务效果、所得成绩、学习评价三个方面对比，所提方法的性能更好。

图6为知识点相同的情况下，两种方法学习准确率对比，所提方法更为稳定及高准确性。

图6 本文方法学习评价对比

由图6可看出，评价结果包含学习者自评、同伴评价和指导者评价。按照组间评价来看，所提方法的三种评价差距较小，可说明所提方法中三种类型的参与者给出的评价相似，也可说明可视化使学习者能够更清晰地认清自己与其它同伴的学习行为能力；此外，按照组间评价来看，所提方法的能够令学习者更能得到它人的认可。

通过上述实验分析结果可知，使用本文所提的学习行为大数据可视化方案，可有效促进学习者的行为能力，使其在学习过程中更好地完成学习任务。

5 结论

学习行为是影响学习成果的一项重要因素，本文所提方法在文献研究的基础上，通过分析学习行为大数据，进行可视化设计及建立网络学习数据库。本文具体过程为：

1)分析学习行为，规划非线性学习路径；

2)采用贝叶斯理论对学习行为和学习资源进行可视化归类；

3)通过计算学习行为可视化系数，构建可视化网络数据库的学习行为数据采集及储存模块、学习行为分析模块以及数据库学习指标，实现可视化网络数据库的组建。

最后以学习行为作为数据源，对学习者的学习成果进行实验，并通过实验结果证明，采用所提方法构建的学习行为分析数据可视化具备较好的可配置性、可扩展性，可提高学习者的学习效率。学习行为可视化相关参数的引入，提高了学习数据的可读性、直观性，并为今后的教育研究工作提供数据可视化平台，具有直接的指导作用。