网络学习行为的实时监控研究与实践

1、    网络学习行为的实时监控研究与实践     摘要：当前，我国网络教育在教学实施中往往把注意力集中在知识内容组织、网络课程设计、学习资源提供等方面，但忽视了对注册学生的学习监控。因此，本文在建立网络学习行为数据模型的基础上，提出了对学习者网络学习行为实时监控的方法并进行了实践，以期对网络教育教学提供必要依据。关键词：网络学习，学习行为，监控，网络学习平台，web数据挖掘网络学习行为监控的必要性和作用（一）网络学习行为监控的必要性随着网络的普及和学习型社会的到来，网络学习将成为一种重要的学习方式。网络学习依靠网络强大的共享性、交互性、时效性和

2、开放性等特点，使其具有自己特有的优势。但网络学习也不可避免地带来了教师角色淡化、课程教学缺乏针对性、学生和教师缺乏交流等问题。此外，当前我国网络教学在实施过程中往往把注意力集中在知识内容组织、网络课程设计、学习资源提供等方面，却忽视了对注册学生的学习监控，这也是造成网络学习质量不够高的一个重要原因。中央广播电视大学（2007）网上教学检查表明，学生参与网上学习的热情不高，花了很大人力物力建设的数字图书馆和网上教学资源利用率很低。可见，网上学习效果令人堪忧！网络学习是高度自主的学习，师生时空分离，没有了教师对学习者面对面的实时监控，学习得以进行完全依赖于学习者的学习动机、自主意识和自控能力，这对

3、学习者本身的素质提出了很高的要求。而相对于西方国家的学生，我国学习者表现出诸多不适应网络学习的特征，主要表现在缺乏自主性、独立性和自我控制能力（曹梅，2002）。因此，网络学习中的监控机制对于改善网络学习效果、提高网络学习质量具有重要意义。（二）网络学习行为监控的作用网络环境下的自主学习监控就是针对学习者利用网络进行自主学习的一系列活动进行计划、检查、评价、反馈、控制和调节的一系列过程。（董奇等，1996）其作用有以下几个方面：1）动态地掌握学习者的学习状况。掌握学习者的学习状况是学习行为监控的首要任务，它是对学习者网络学习过程进行的全面检查。只有了解了学习者的学习情况才能有助于教师实施指导，

4、提供个性化的学习支持服务，才能有助于学习者的自我控制和调节。2）提高学习效果，完成学习任务。根据建构主义学习理论，网络教育的最终目的是学习者借助网络环境各要素发挥学习主动性、积极性和首创精神，最终达到使学习者有效地实现对所学知识的意义建构。学习行为监控正是为实现这个目的而存在的。3）增添人文关怀，激发学习热情。网络环境下的自主学习，学习者极少感受到教师的关注，也感受不到重视和尊重。引入和强化监控机制就是给学习者添加关注成分和情感因素，这对于改善学习环境，保持健康的学习心理是十分必要的。4）提高自主学习能力。教师有针对性地教学指导，是学习者获得自主学习能力的途径之一。自主学习作为一种能力，是学习

5、者与外部环境长期相互作用的结果，有的学习者自主学习能力强，有的则相对较弱，因此，网络学习需要通过教师对学习者学习过程的监控，对其学习情况做出反馈，给以恰当的指导，才能逐步提高学习者的自主学习能力。 网络学习行为监控系统的构建要实现网络学习行为的实时监控，一个基本前提是，能采取有效措施，自动采集学习者网上学习过程中的各种信息，以供行为监控系统实时处理。如何精确、高效、实时地采集网络学习行为信息，关键在于准确恰当地定义网络学习行为的数据模型。（一）网络学习行为数据模型的建立1.网络学习行为的概念及特征活动理论（activity theory）和行为科学（behavioral science）认为：

6、行为，即一系列有目的、有动机的活动，是人与周围环境之间双向交互的过程。（jonassen，2002）行为本身就是一个有结构、有层次的系统，它包括行为主体、行为客体、行为工具、行为主体所在的群体（团体）、该群体的组织规则和任务分工等要素。（杨开城等，2002）行为受动机支配，它由一系列活动组成，每个活动都受目标控制。活动通过具体操作来完成，而操作受环境条件的限制。学习行为通常是指，学习者在某种动机指引下为获得某种学习结果而进行的活动总和。结合活动理论对人类行为的定义，可以认为，学习行为即学习者在某种动机的指引下，为获得某种学习结果而与周围环境进行的双向交互活动的总和。因此，本研究认为，网络学习行

7、为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中开展的远程自主学习活动的总和。网络学习行为系统由行为主体、行为客体、行为环境等要素组成。与传统学习行为相比，网络学习行为表现出了不同的特征：即行为环境的开放性与虚拟化、行为控制的自主性与个性化、行为技能的科技性与专门化等。（李国敏等，2001）2.网络学习行为的数据模型依据活动理论和行为科学的基本原理，对学生网络学习行为的本质属性进行深入分析，本文将网络学习行为的数据模型定义为：who do what。who（行为主体）即网络学习者，在本模型中即用户的标识，是由字符串或数字组成的学生的网络学习平台账号，具有唯一性。do

8、（行为活动）则是由学生访问网络学习平台所做的操作和操作的时间构成，就web服务器日志而言，操作主要有get、post等。作为网络学习行为，其操作也可以根据需要进行定义，一般情况下其语义应代表某种有意义的操作，如浏览、下载、发帖和回帖等。what（行为客体）也就是学生学习行为发生时所操作的对象，学习行为采集系统应该可以完整记录该操作对象，包括对象类型、对象名称或对象标识等。3.网络学习行为数据的采集由于网络学习行为的特殊性，采集网络学习行为数据比较困难。目前，常见的采集途径主要有通过web日志（王巧玲，2007）、网络嗅探捕获等方法。web服务器访问日志（access log）一般包括：ip地址

9、、请求时间、方法（如get、post）、被请求文件的url和查询关键字、传输协议（一般是http版本号）、返回码（表示响应请求的结果状态，如200表示成功，301表示页面已被永久删除，303表示页面没有改变，404表示找不到所请求的页面，500表示内部服务器错误）、传输字节数、引用页（指向被请求文件的页面）的url（若用户通过书签或直接键入url进入访问，则该域为空）和代理（通常记录用户使用的操作系统和浏览器的类型，有时也记录自动搜索站点的spider或robot软件的名字）。web日志记录了很多和学习者紧密相关的信息，是重要的学习行为数据来源。通过web日志系统采集学生网络学习行为数据可能是

10、最方便、最易实施的一种手段。但由于日志系统本身的局限性，也存在用户很难准确确定、学习行为无法精确定位、在线信息实时获得不方便等不足。嗅探技术最初是作为检测网络通信的一种工具，通常具备网络协议的分析和统计功能。嗅探器被安装在被监控的服务器之外，对流经被监控服务器的数据进行采集。其优点是不占用网络教学平台的资源，可同时获取多台指定的网络教学平台服务器的所有通讯信息，从而可以对所捕获的信息作统一处理、分析，具有很好的实时性。但嗅探器所获取的数据往往是比较底层的网络通讯数据，记录的数据基本上为采样数据，既不利于在统计时精确地识别用户和用户行为以及联合网络教学平台查询统计数据，也无法精确无误地记录用户的

11、行为。鉴于上述原因，为了实现精确、高效、实时、全面地采集网络学习行为信息，本研究认为，网络学习行为数据采集可以采用服务器日志结合后台数据库的方法。因此，首先就要确定网络学习行为的数据记录内容，即定义网络学习行为的数据模型。合适和恰当的学习行为数据模型定义显得非常重要：若学习行为模型定义过于笼统，会造成学习行为无法细化，从而损失很多与学生网上学习相关的行为数据，无法进一步对学生的网上学习、学生的个性特征、网络资源的使用情况等进行统计、挖掘和分析；若学习行为模型定义过细，则会造成海量的数据存储，大大影响系统的运行效率。其次，在网络学习平台设计时必须全面考虑需要记录的行为数据，为平台各个功能模块定义

12、相应的行为数据记录接口，定义各类行为识别代码，编码时也要考虑预留，便于网络学习平台功能的扩展。通过监控系统结合网络学习平台进行数据采集，并将学习行为信息以数据库记录的方式存储到数据库管理系统中，便于行为监控系统实时统计分析。（二）网络学习行为监控系统的设计网络学习行为监控是对学习者网上学习活动的检查、评价、反馈、控制和调节。（陈云虹等，2003）熊邦忠（2007）从对学习时间、学习内容、学习交互和学习效果等四个方面的监，控，提出了网络学习监控的初步构想，面向学习成长的行为监控思想：即通过对学习个性空间的信息监测，反映出学习个体在网络学习过程中为达到某个目标，所收集和学习相关的资源以及相关的交互

13、信息，经过对这些信息有组织的加工呈现，折射出个体的学习进展过程或成长经历，进而做出相关行为调控的指示。面向学习成长的行为监控旨在督促学习者形成自主监控能力，帮助学习者开展意义学习，激发其自我改变、不断成长和自我实现。1.学习行为监控系统的模型为了能对学生网络学习行为进行动态跟踪、采集、分析、评价和智能反馈，本研究设计了一个基于网络学习平台的学习行为监控系统（见图1）。该系统实现的主要功能有：一是跟踪网络学习平台中学生学习的过程，收集此过程中与学习行为相关的数据，并建立学习行为数据库，为分析学生和资源特征做准备。行为数据收集必须保证数据收集的全面性和准确性。二是对学习行为数据库中的数据进行提取、

14、加工和分析；并提供图形化操作界面，实现对学生网络学习行为的实时统计分析。三是根据所收集的学习行为数据，采用相关的算法进行数据挖掘，找出网络学习环境下的学习行为模式，并利用发现的学习行为模式向学生提供个性化的学习内容、学习安排，实现个性化的学习支持服务。 2.系统实现的关键技术1）分布式多层net技术。为使系统开发更方便，本研究采用微软推出的集成化第三代互联网开发平台。该平台提供了一个统一的、紧密集成的可视化编程环境，可以简化网络应用程序的开发过程。在开发过程中，web forms将代码和内容分开，设计方便，代码清晰。在系统开发中，因为涉及异构数据库、不同的网络语言、有差异的平台，所以

15、采用分布式多层技术，通过连接着的多台计算机上分别执行不同的功能。这三层基本上由以下部分组成：数据服务层（data access tier），主要是一些sql存储过程，用于存放从数据库中检索信息的代码。此外，还有表定义、表关系和组成数据库的数据项。业务逻辑层（businessl0sictier），这一层为通过调用多个命令或组件来实现。这些组件分别实现监控系统的一些计算、演化功能。表示层（presentation tier），web页面集合，该层利用业务层进行工作，但并不直接访问数据库。通过以上技术，用户只需装有ie浏览器就可以在任何地方存取、执行系统，大大方便了监控系统的使用。2）数据库技术。数

16、据库的设计通常是由一个已经存在的数据库管理系统为基础。常用的数据库管理系统有access、sql server、oracle等。根据用户需求和业务流程，本系统采用sql server 2005数据库管理系统。sql server 2005是一个全面的、集成的、端到端的数据解决方案，它为数据管理提供了一个安全、可靠和高效的平台，同时减少了数据系统的多平台创建、部署、管理及使用企业数据和分析应用程序的复杂程度。在net平台上，调用sqlserver2005数据库通过ado.net实现，ado.net为程序开发使用数据库提供了统一的编程接口。网络学习行为数据库表的设计无需严格遵从数据库设计范式，应适

17、当冗余。网络学习平台每日生成的学习行为数据量非常大，过多使用数据库表进行联合查询，可能导致查询效率低下。适当的数据冗余可在一定程度上减少联合查询，提高实时查询速度。根据上述学习行为数据模型的定义，学习行为数据库由时间记录表和操作行为表构成。时间记录表记录了学习者进入课程以及离开该课程的时间，主要用于记录学生每次进入课程学习的时间长度；操作行为表记录了学生每一次与学习平台有意义的交互操作。时间记录表的字段主要有：用户账号、课程代码、进入课程时间戳、离开课程时间戳、时间长度（以分钟为单位）；操作行为表主要由用户账号、用户类型（代表用户身份的字段，如学生、教师或管理员等，属于冗余信息）、班级代码、课

18、程代码、操作对象分类、对象名称、对象媒体类型、操作类型（行为识别代码）和操作发生的时间等字段构成。根据网上教学实际需要，我们定义了20多种操作代码，包括浏览、发布、发帖、跟帖、组织讨论等；操作对象分类被分为课程说明、教师介绍、教学大纲、教学实施方案、教学媒体、作业、教学辅导、期末复习、ip课件、参考资料、虚拟实验、在线自测、学生学习笔记、学生学习计划、意见反馈、试卷管理、bbs讨论、答疑室等。3）web数据挖掘技术。网络学习行为监控系统通过多种途径采集数据，产生的这些数据将既有系统运行数据，又有学生学习行为数据。这些大量的信息数据通常能从各个层面反映学生行为的真实描绘。但是直接从数据层面上看，

19、无法得出学生的相关规则，这就需要web数据挖掘。通过对网络学习平台的行为数据建模并存入后台数据库后，学习行为监控系统的数据挖掘就要从web服务器日志、后台数据库挖掘两个方面入手，其预处理方式有所区别。在网络学习平台中，每个学生或教师拥有自己的学号或工号作为用户名。学生进入系统时必须登陆并打开cookie功能。在进行网络学习时，网络学习平台会将学习的时间、ip地址、访问资源等存入后台数据库，这极大地方便了数据预处理过程。此外，由于数据来自网络学习平台的多个数据库的多个数据表，数据值错误、属性缺失、记录重复等情况会经常出现。例如，由于种种原因，教师、学生的匿名注册，这样得到的基本信息是不准确的，根

20、本不是真实信息。因此，本研究制定相应的一些规则，用以有效地减少信息的缺失，如按学号的数据清理、采用实名制等。经过web日志的收集预处理和后台数据库的预处理，形成了学生网络学习行为信息矩阵。鉴于学生数量大，且访问页面数量相对较少，因此系统数据存储时采用稀疏矩阵的三元组表示法，并根据下列步骤进行数据挖掘：根据系统设定的访问频度阈值，可以检索出频繁页面集、频繁访问时间；根据频繁页面集检索出频繁客户群体，并进而分出相似客户群体；利用设定的页面间距离阈值，可以从频繁页面集得到相关页面集；根据相关页面集合，结合遍历矩阵及连接强度阈值，获取用户访问网站的频繁路径；对每个用户数据进行聚类分析，得出使用偏好；将结果数据存入数据库，并结合网络学习平台进行智能反馈。在上述数据挖掘实施过程中，系统运用统计学、机器学习和模式识别等领域的方法，对预处理得到的学生学习行为信息矩阵进行数据挖掘，具体采用的算法包括：统计分析、路径分析、关联规则挖掘、时序模式发现、聚类和分类算法等。利