數據挖掘視角下網絡學習者行為特征聚類分析

王改花 傅鋼善

摘要：隨著計算機與網絡的快速發(fā)展和普及，網絡學習已成為互聯(lián)網+時代教育發(fā)展的重要組成。近年來隨著大數據被廣泛關注，基于數據挖掘的網絡學習行為研究成為重要的研究方向和研究熱點。當前關于網絡學習行為的分類，大多數基于學習者本身屬性，缺乏比較詳細而深入的行為類型分析?；跀祿诰虻木垲惙治?，可以借助大數據的優(yōu)勢，發(fā)現數據背后的規(guī)律。利用陜西師范大學“現代教育技術”在線開放課程學習者的網絡學習過程記錄，采用數據挖掘工具對網絡學習者行為進行聚類分析，研究發(fā)現：根據學習特征，網絡學習者可以分為高沉浸性型、較高沉浸性型、中沉浸性型、低沉浸性型四種群體；學習行為與學習效果密切相關，沉浸性高的學習者學習效果往往較好。教師可借助技術工具，對學習者進行不斷更新、實時、循環(huán)的聚類分析，及時發(fā)現學習者的個體及群體學習特征，因材施教，推送適應性的個性化服務，并給予及時的學習預警與恰當的教學干預。

關鍵詞：網絡學習；行為特征；數據挖掘；聚類分析；個性化教育

中圖分類號：G434 文獻標識碼：A 文章編號：1009-5195（2018）04-0106-07 doi10.3969/j.issn.1009-5195.2018.04.012

基金項目：陜西師范大學中央高?；究蒲袠I(yè)務費專項資金資助項目“基于大規(guī)模在線開放課程的學習者認知特征研究”（2017TS074）；國家社會科學基金教育學一般項目“網絡環(huán)境下群體差異認知特征及有效學習研究”（BCA110024）。

作者簡介：王改花，博士研究生，陜西師范大學教育學院；實驗師，西安職業(yè)技術學院（陜西西安 710077）。傅鋼善，教授，博士生導師，陜西師范大學教育學院（陜西西安 710062）。

一、引言

隨著計算機與網絡的快速發(fā)展和普及，網絡學習已成為“互聯(lián)網+”時代教育發(fā)展的重要組成。習近平總書記在中國共產黨第十九次全國代表大會上的報告中明確指出要辦好網絡教育。網絡教育首次被寫入黨代會報告，受到廣泛重視。生態(tài)觀認為認知不會獨立于其廣闊的文化情境而單獨發(fā)生，所有的認知活動都會受到文化以及它們所發(fā)生情境的規(guī)定和影響（邵志芳，2006）。因此，網絡學習引起了傳統(tǒng)教與學方式、認知方式、個性發(fā)展需求的巨大變革。

近年來隨著大數據被廣泛關注，教育大數據已成為熱點，基于數據挖掘的網絡學習行為研究成為重要研究方向和研究熱點。當前，國內已有一些學校和科研機構開展了教育大數據的應用研究與實踐探索，在提高教育決策水平、助力教育資源均衡配置、優(yōu)化教學效果等方面取得了初步的成效和社會影響。然而從整體來看，我國教育領域大數據的研究仍處于起步階段，缺乏成熟的研究成果與應用推廣模式。如何進一步擴大教育大數據的研究和價值，是研究者需要重點關注的問題。

利用學習者在在線開放課程學習過程中產生的大數據開展教育大數據的應用研究與實踐探索，對更好地支持在線開放課程的設計、實施、評價，從而有效組織教學活動，使教學內容與教學過程更加有效，實現學習者的有效學習具有重要意義。

二、文獻綜述

對基于數據挖掘的網絡學習行為研究進行文獻綜述，我們發(fā)現如下特點：第一，采用的數據挖掘方法主要有分類、聚類、關聯(lián)規(guī)則、序列模式挖掘、文本挖掘、Web挖掘等。第二，研究內容主要集中在行為特征與行為模式研究、與學習效果的關系研究、學習者模型與適應性學習系統(tǒng)研究、數據挖掘模型研究等。在行為特征與行為模式研究方面，主要探討網絡學習行為的現狀、規(guī)律或模式，如Araya等基于在線數學游戲，采用聚類方法，發(fā)現了學生團隊協(xié)作中的行為規(guī)律（Araya et al.，2014）；李爽等通過相關分析、滯后序列分析和聚類分析對在線學習行為序列和參與模式進行了實證探索，發(fā)現了36個行為序列與成績顯著相關，五類在線參與模式（低投入式、淺層次投入式、績效投入式、循序漸進式、隨機參與式）（李爽等，2017）。在與學習效果的關系研究方面，主要探討網絡學習行為與學習效果的關系、影響學習效果的行為特征或行為特征對學習效果的預測，如Natek等使用Weka數據挖掘工具中的決策樹算法探討了學習者基本信息、學習類型（全日制與在職）、學習活動、平時成績對學習成績的預測（Natek et al.，2014）；Vaessen等采用聚類和回歸算法探討了智能學習系統(tǒng)中學習者求助策略與學習成績的關系（Vaessen et al.，2014）；傅鋼善等采用數據挖掘方法與統(tǒng)計學方法對網絡學習者的行為特征進行定量分析，并探討了網絡學習行為特征與學習效果的關系（傅鋼善等，2014）；趙慧瓊等采用多元回歸分析法探究了影響學生學習績效的預警因素并構建了干預模型（趙慧瓊等，2017）。在學習者模型與適應性學習系統(tǒng)研究方面，主要基于在線學習行為數據構建學習者模型，為開發(fā)適應性學習系統(tǒng)提供依據。如Amershi等采用監(jiān)督和非監(jiān)督分類方法并使用登錄學習行為數據和眼動數據，構建了兩類不同學習環(huán)境下的學習者模型（Amershi et al.，2009）；Feldman等采用樸素貝葉斯分類器利用學習者在線行為數據判斷學習者的學習風格（Feldman et al.，2014）；吳青等采用關聯(lián)規(guī)則方法對學習者學習風格（利用Kolb學習風格量表測量）與其在線行為特征進行關聯(lián)（吳青等，2015）。而數據挖掘模型的研究主要構建數據挖掘模型，如李珊等探討了基于Web日志與用戶瀏覽行為的用戶瀏覽興趣模式數據挖掘模型（李珊等，2017）；彭紹東基于交互層次視角，創(chuàng)建了網上學習行為研究的挖掘方法模型（彭紹東，2017）。第三，研究正處于起步階段，具有廣闊的研究前景，是未來重要的研究趨勢。第四，國外研究比國內研究相對成熟，國內研究仍然比較缺乏。另外關于網絡學習行為類型的分類，目前大多數是從學習者本身屬性進行劃分，但網絡學習行為是復雜而多元的，從文獻綜述中仍無法看出比較詳細而深入的行為類型分析。

采用聚類方法，能夠發(fā)現學習者內在行為的屬性集合，從而發(fā)現群體學習規(guī)律。鑒于研究背景與文獻綜述，本研究旨在通過對網絡環(huán)境下學習者行為特征進行聚類分析，探究網絡環(huán)境下學習者行為特征規(guī)律及行為特征與學習效果的關系。研究結論對完善網絡課程的設計與開發(fā)，輔助教師了解學習者行為特征、改善教學策略，實現網絡環(huán)境下的有效學習和適應性推送服務具有一定意義。

三、研究設計

1.研究框架

本研究所提到的學習行為特征指網絡學習平臺數據庫中所記錄的學習者參與網絡學習時的行為，包括學習時間跨度、學習總時長、學習次數、平均每次在線學習停留時長、重復學習率、討論交流、學習筆記、接收短信數量等。

研究采用數據挖掘技術中的聚類分析對學習者行為特征進行以下兩方面的數據挖掘：第一，學習者分為哪幾種類型？每一類型學習群體學習行為特征是什么、學習效果如何？第二，針對不同類型學習群體如何激勵其學習行為，從而實現適應性學習？

研究希望通過上述發(fā)現，一方面幫助教師更好地了解學習者，并根據學習者行為特征制定有針對性的教學策略；另一方面根據學習群體的行為特征為學習者推送更合適的個性化資源，提高自主學習效率，從而實現有效學習。

2.研究對象

研究對象的選取是進行實證研究的關鍵環(huán)節(jié)之一。陜西師范大學“現代教育技術”在線開放課程自2002年開設以來，每年承擔陜西師范大學公共必修課教學，目前已擁有31915名師范類本科生、3972名成人教育碩士、2742名全日制教育碩士完整的網絡學習過程記錄和大量翔實的信息統(tǒng)計數據。該課程具備穩(wěn)定的學習群體、豐富的學習對象、穩(wěn)定的學習過程、相對成熟的學習過程管理、前期良好的研究基礎。綜合考慮，用這些數據探索網絡環(huán)境下的學習者聚類特征，更容易揭示規(guī)律，得出可行可信的研究結論，產生有代表性和說服力的研究結果。

本研究選取某一學期參加“現代教育技術”在線開放課程學習的陜西師范大學2687名大學三年級師范類本科生和210名聯(lián)考教育碩士，共2897人。通過數據挖掘前期數據預處理，研究對象共剩余2801人，其中男生943人，女生1858人。此外研究還隨機選擇了其他學年學習者數據進行了兩次驗證，研究結果與本研究結果一致。

3.數據收集與分析

本研究采用SQL Serever 2008 Data Mining數據挖掘工具對學習者行為特征進行聚類分析。數據挖掘的第一步是數據準備。本研究選取了三類數據表：學習者基本特征、學習者行為特征、學習者學習效果。數據挖掘的第二步是數據預處理。數據預處理是數據挖掘的前期準備工作。在海量原始數據中，存在大量重復、空缺、臟亂的數據，嚴重影響數據挖掘的有效性和正確性。因此在數據挖掘之前必須對收集到的原始數據進行預處理，以期提高數據挖掘的效率、精度、性能。數據預處理主要包括數據清洗、數據集成、數據變換等。數據變換主要包括屬性構造、數據規(guī)范化、數據離散化、數據歸約。本研究選取最大-最小數據規(guī)范化方法、K均值數據離散化方法、無損歸約。構造的屬性有：學習時間跨度（Total Time），即學習者從第一次登錄系統(tǒng)到最后一次退出系統(tǒng)的時間周期。學習總時長（Online Minute），即學習者在該在線開放課程上累積的學習時間長短。學習次數（Login Num），即學習者登錄該在線開放課程進行學習的次數。平均每次在線學習停留時長（Average Time PerLogin），即學習者平均每次學習持續(xù)的時間長度。重復學習率（Knowledge PerRepeat），即學習者平均每個知識點重復學習的次數。討論交流（BBS），即參與討論區(qū)討論交流的特征。以往針對BBS的研究主要僅考慮單一維度（討論次數）或是將幾個變量（如發(fā)帖數量、被回帖數量等）作為并列變量進行研究，且變量選取并不全面，僅選取部分變量。本研究通過數據分析發(fā)現，對于BBS屬性僅僅考慮數量特征并不能完全反映參與BBS的實際情況，必須構造能夠反映這一行為的高維特征。BBS特征與學習者的發(fā)主題帖、回帖特征密切相關。發(fā)主題帖與數量、點擊量、被回帖數量密切相關，回帖與數量和點擊量密切相關。同時考慮到不同低維特征反映高維特征的重要性不同，我們?yōu)槠湓O置不同的權重，因此構造高維屬性BBS=0.6×（0.4×發(fā)主題帖數量+0.3×主題帖點擊量+0.3×主題帖被回帖數量）+0.4×（0.4×回帖數量+0.6×回帖點擊量）。學習筆記（Blog），即學習者參與筆記的特征。以往研究考慮該維度的研究甚少，本研究認為Blog是學習者重要的網絡學習行為之一。另外與BBS特征類似，需要構造能夠反映該行為的高維特征，包括發(fā)表學習筆記數量、更新量、點擊量3個原始特征，因此構造高維屬性Blog=0.5×數量+0.3×更新量+0.2×點擊量。接收短信數量（SmsInfo），即學習者在學習過程中接收督促學習短信的數量。學習效果（Total Score），即學習者總成績。Total Score=0.1×網上作業(yè)成績+0.2×實踐技能成績+0.2×網上考試成績+0.5×期末筆試成績。

四、數據挖掘

本研究采用Microsoft SQL Server Analysis Services 中的Microsoft聚類分析算法，該算法是一種利用迭代技術的分段算法。Microsoft 分類查看器提供4種視圖——“分類關系”“分類剖面”“分類特征”“分類對比”。

Microsoft分類查看器的“分類關系圖”選項卡顯示的是挖掘模型中的所有分類的關系圖?！胺诸愰g連線”的明暗程度表示分類的相似度，若連線顏色越淺或無連線，表示分類的相似性越低；反之越高。“分類框”表示每一個分類，顏色表示數據密度，若顏色越深，表示該分類所包含的記錄越多；反之越少。如本研究聚類結果為10類。其中分類1、分類3、分類5關聯(lián)，表示這三類相似性最強，經分析，此三類均為男生；其余7種分類相似性強，經分析此七類均為女生。分類1的顏色最深，表示人數最多，為258人。

分類剖片圖如圖2所示。分類剖面圖可以為模型中提供分類總體視圖。此視圖顯示了分類中每個屬性及屬性的分布。每列對應于模型中的每一個聚類，頂部顯示分類分布統(tǒng)計信息；每行對應一個屬性，頂部顯示分類屬性。不同彩條的剖面圖表示離散屬性分布情況，紅色代表屬性值為低、綠色代表屬性值為中，紫色代表屬性值為高，灰色代表其他值，藍色代表缺失。根據分類剖面圖能夠很容易看出這些聚類之間的不同點。

分類特征圖可以從“分類”列表中選擇一個分類，然后可以檢查特定分類的組成特征。該視圖由變量、值、概率組成，“變量+值”表示屬性狀態(tài)，排列順序將按照屬性的重要程度（即概率）順序排列。

分類對比圖選項卡用來比較兩個分類的屬性。使用“分類1”和“分類2”列表可以選擇要比較的分類。查看器將確定分類間最重要的一些差異，并按重要性順序顯示與這些差異關聯(lián)的屬性狀態(tài)。屬性右側的條表示屬性狀態(tài)所傾向的分類，條的大小則表示屬性狀態(tài)傾向于相應分類的程度。圖2是本研究分類1與非分類1之間的差異。

通過以上四種視圖顯示的結果，研究獲得四種聚類，各類學習者的特征如下：

聚類1：“高沉浸性”學習者。典型代表是分類2（200人）、分類3（206人）、分類9（172人）。該類學習者在網絡環(huán)境下學習時有很高的沉浸性，對該網絡學習平臺有很高的黏著度，利用網絡學習的積極性較高，參與度高，樂于協(xié)作學習，自我調控能力強，學習效果有兩類（高成績型、低成績型）?；咎攸c是：第一，平均每次在線學習停留時長偏低、學習次數偏高，即該類學習者學習頻率高、喜歡充分利用零散時間進行碎片式學習。第二，在線總時長偏低，即該類學習者學習效率較高，能夠在有限的時間完成學習，并達到有效學習。第三，學習時間跨度高、重復學習率高、學習筆記高、討論交流高，即該類學習者網絡學習參與度高，學習積極性高。第四，短信接收數量低，即該類學習者自我調控能力強，學習動機強，對外部調控需求較小。第五，總成績有2類，一類是高成績型，總成績主要為B級或A級，即該類學習者學習效果好，是學習領袖；另一類是低成績型，總成績主要為C，即該類學習者學習效果差。這可能是由于自身學習策略不恰當，所以雖然很努力與活躍，但學習效果并不理想。

聚類2：“較高沉浸性”學習者。該類學習者在網絡環(huán)境下學習時沉浸性較高，對該網絡學習平臺的黏著度較高，學習效果較好。根據學習者信息加工的差異，可以將該類學習群體分為兩類：活躍型、沉思型。

“活躍型”典型代表是分類7（196人）?；咎攸c是：第一，平均每次在線停留時間高、學習次數低。第二，在線總時長中、學習時間跨度中。第三，重復學習率高、學習筆記高、討論交流偏高。第四，短信接收數量低。第五，總成績主要為B級或A級。通過對這類學習者學習行為分析，可以得知：該類學習者對網絡學習的沉浸性并非最高，但傾向于積極做事、討論、應用或給別人解釋知識，喜歡通過網絡交流合作，且具有較高的自我調控能力，能夠通過自我調節(jié)合理分配學習行為。

“沉思型”典型代表是分類4（196人）?；咎攸c是：第一，平均每次在線學習停留時長高、學習次數低。第二，在線總時長偏高、學習時間跨度中。第三，重復學習率低、學習筆記偏低、討論交流無。第四，短信接收數量低。第五，總成績主要為B。通過對這類學習者學習行為分析，可以得知：該類學習者傾向于采用反省的方式來觀察和處理信息，他們通過深入思考來學習，偏愛單獨學習，因此其網絡學習參與度較差，幾乎不參與交流討論和學習筆記。

聚類3：“中沉浸性”學習者。典型代表是分類6（194人）學習者。該類學習者在網絡環(huán)境下學習時沉浸性一般，對網絡學習平臺黏著度一般，自覺性一般，其學習的動機主要是為了完成學習任務，因此各類學習行為幾乎均適中，學習效果一般?；咎攸c是：第一，時間跨度偏高。第二，平均每次在線學習停留時長中、學習次數中、學習筆記中、重復學習率中。第三，在線總時長偏低、討論交流偏低。第四，短信接收數量中。第五，學習效果一般，總成績B級。

聚類4：“低沉浸性”學習者。典型代表是分類1（258人）、分類5（202人）、分類8（178人）、分類10（159人）學習者。該類學習者在網絡環(huán)境下學習時沉浸性較低，對網絡學習平臺的黏著度較低，積極性較差，參與度差，自我調控能力差，需要通過外界的督促調控才能完成學習任務，參與網絡學習的目的僅僅是為了完成學習任務，因此學習的效果較差，學習風格有兩類（間斷型、連續(xù)型）?；咎攸c是：第一，該類學習者可以分為2類，一類平均每次在線學習停留時長偏高、學習次數偏低，主要采取突擊方式跨越式地進行學習；另一類平均每次在線學習停留時長偏低、學習次數偏高，主要采用以小步調漸近的方式學習，學習過程是線性的，學習時間是連續(xù)固定的。這兩類學習者無論學習頻率低或高，大多數是為了完成學習任務而特意安排特定學習時間參與網絡學習，因此學習的效果較差。第二，重復學習率、學習時間跨度、在線總時長偏低。第三，幾乎不參與討論交流和學習筆記，即該類學習者網絡學習參與度低，學習積極性差。第四，短信接收數量偏高，即該類學習者自我調控能力差，需要教師的外部調控才能完成學習任務。第五，總成績主要為C級，即該類學習者學習效果較差。

五、研究結論與建議

根據數據挖掘結果，將學習者聚類分為四大類，分別為高沉浸性、較高沉浸性、中沉浸性、低沉浸性。每類學習行為特征和學習效果如下表。

依據上述研究結論，我們從學業(yè)預警、教學策略和適應性推送服務的角度出發(fā)，結合網絡學習和教育心理學的相關理論，針對網絡學習提出以下建議：

第一，根據不同類型學習者群體的行為規(guī)律進行學業(yè)預警。已有研究表明沉浸狀態(tài)對學習有積極影響（Salanova et al.，2006），本研究也發(fā)現沉浸狀態(tài)對學習有積極影響，沉浸性高的學習者學習效果往往較好。實施網絡學習的機構可以根據聚類分析結果，對學習者學習效果進行預測與預警。同時注意對學習者的聚類分析是不斷更新、實時分析、循環(huán)進行的，應在學習的不同階段提供不同的干預策略。首先，根據沉浸性狀態(tài)給予學業(yè)預警與干預。對沉浸性表現差的學習者給予恰當干預，使其向沉浸性高的群體轉變。其次，根據預測學習效果給予學業(yè)預警與干預。學習者在學習的某一階段一旦出現學習危機，給予及時恰當的干預，從而實現學習者的有效學習，提高學習效果。

第二，根據不同類型學習者群體的行為規(guī)律確定教學策略。聚類分析結果可以使教師及時了解學習者行為特征與規(guī)律，方便其因材施教，確定教學策略與改善教學資源，為學習者的有效學習提供引導與干預。例如每隔一段時間對學習者進行聚類分析，根據分析結果，教師了解學習者屬于哪種類型的學習群體。如果學習者處于低沉浸性，教師應調查原因，對這類學習者重點監(jiān)督，并提供更多的學習策略指導與外部調控?？赏ㄟ^短信、微信、電子郵件等形式提醒學習者按時參與學習，提高其時間管理能力；或利用學習進度提示器、數字儀表盤，讓學習者清晰地了解自己或其他學習伙伴的學習進度，一方面實現對自己的元認知，另一方面實現同伴激勵；或者通過提示窗口、彈幕對學習者提供警示、通知等，提高其注意力以及自我調控能力。教師還可采用多種途徑激發(fā)學習者的學習動機，有針對性地采取合適的教學手段、提供感興趣的資源（自適應資源推送）、開展多樣的交互活動（如及時回復、即時交流、直播、學習共同體等），增加這類學習者參與行為，防止其用戶流失，進而向高沉浸性轉移。

第三，根據不同類型學習者群體的行為規(guī)律實現適應性推送服務。構建資源推送服務機制，創(chuàng)建適應性學習系統(tǒng)。教育技術的一個核心和持久問題是為了適應和支持個體不同教育目標和學習能力而規(guī)劃并提供教學環(huán)境與條件（Park，1996）。強調學習空間為核心的資源推送，把不同學習者所需要的適當資源送入不同的個人學習空間。根據數據挖掘的結果，為學習者提供個性化的學習推送服務，包括提供不同的內容展示形式（即用不同的媒體形式或順序呈現學習內容）、不同的導航或學習路徑、不同的學習幫助、不同的評價等。例如針對高沉浸性學習者，可以為其更多地推送一些課外資源，豐富其學習內容，擴展其學習視野，教師也應積極引導其成為學習領袖。針對低沉浸性學習者，提前預警，盡量為其推送一些難度較低且最感興趣的話題與資源，為其提供貫穿課程材料且結構良好的學習路徑，并且注意不能使用過多的鏈接加重其認知負荷，同時要加強對這類學習群體的監(jiān)督和調控，利用任務驅動的形式設置獎勵措施來激發(fā)其學習動機，從而提高其學習沉浸性，最終達到學習效果的提升。而對中沉浸性學習者應該向其推送感興趣的學習內容。對高沉浸性-低成績型學習者則要加強其學習策略的指導和訓練。對較高沉浸性-沉思型學習者可以通過激勵制度或小組協(xié)作活動提高其網絡學習參與度，讓其體驗協(xié)作的樂趣和好處，從而提高其協(xié)作學習能力。

參考文獻：

[1]傅鋼善，王改花（2014）. 基于數據挖掘的網絡學習行為與學習效果研究[J].電化教育研究， （9）：53-57.

[2]李珊，劉繼超，邵芬紅（2017）.Web日志與瀏覽行為結合下的用戶瀏覽興趣數據挖掘分析[J].現代電子技術，（5）：30-33.

[3]李爽，鐘瑤，喻忱等（2017）.基于行為序列分析對在線學習參與模式的探索[J].中國電化教育，（3）： 88-95.

[4]彭紹東（2017）.大數據時代網上學習行為研究的挖掘方法模型與應用[J].電化教育研究， （1）：72-81.

[5]邵志芳（2006）.認知心理學——理論、實驗和應用[M].上海：上海教育出版社：22.

[6]吳青，羅儒國，王權于（2015）.基于關聯(lián)規(guī)則的網絡學習行為實證研究[J].現代教育技術， （7）：88-94.

[7]趙慧瓊，姜強，趙蔚等（2017）.基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究， （1）： 64-71.

[8]Amershi， S.， & Conatl， C. （2009）. Combining Unsupervised and Supervised Classification to Build User Models for Exploratory [J]. Journal of educational data mining ， 1（1）：18-71.

[9]Araya， R.， Jiménez， A.， & Bahamondez， M. et al. （2014）.Teaching Modeling Skills Using a Massively Multiplayer Online Mathematics Game [J]. World Wide Web-Internet & Web Information Systems， 17 （2）： 213-227.

[10]Feldman， J.， Monteserin， A.， & Amandi， A. （2014）. Detecting Students' Perception Style by Using Games [J]. Computers & Education， 71 （C）： 14-22.

[11]Natek， S.， & Zwilling， M. （2014）. Student Data Mining Solution-Knowledge Management System Related to Higher Education Institutions [J]. Expert Systems with Applications， 41（14）：6400-6407.

[12]Park， O.（1996）. Handbook of Research on Educational Communications and Technology[M]. New York： Macmillan：634-664.

[13]Salanova， M.， Bakker， A. B.， & Llorens， S. （2006）. Flow at Work： Evidence for an Upward Spiral of Personal and Organizational Resources[J]. Happiness Studies， 7：1-22.

[14]Vaessen， B. E.， Prins， F. J.， & Jeuring， J. （2014）.University Students' Achievement Goals and Help-Seeking Strategies in an Intelligent Tutoring System [J]. Computers & Education， 72：196-208.

收稿日期 2018-03-16 責任編輯 王雍錚

Abstract： With the rapid development and wide spread application of the computer and network， online learning has become an important component of the development of education in the Internet plus era. In recent years， with the widespread concern of big data， the study of online learning behavior based on data mining has become an important research direction and research focus. At present， most of the classification of online learning behavior is based on learners own attributes， with a lack of detailed and in-depth analysis of behavior types. Clustering analysis based on data mining can find the law behind the data by the advantage of big data. On the basis of the online learning process records of the online open course “Modern Educational Technology” in Shaanxi Normal University， this paper uses data mining tools to cluster the online learners behavior characteristics， and finds out that： according to the characteristics of learning， online learners can be divided into four groups including the highest immersion type， the higher immersion type， the moderate immersion type， and low immersion. Learning behavior is closely related to the learning effect， and learners with the high immersion tend to have better learning effect. With the help of technical tools， teachers can conduct continuously updating， real-time and circular cluster analysis of learners， timely find the individual and group learning characteristics of learners， teach students in accordance with their aptitude， promote adaptive personalized services， and give timely learning warning and appropriate teaching intervention.

Keyword： Online Learning； Behavior Characteristics； Data Mining； Cluster Analysis； Personalized Education