摘要
随着互联网技术的迅速普及和不断发展，线上学习已经逐渐成为大学生学习的新常态。在疫情期间，线下学习中时间和空间等因素所带来的影响已经无法满足大学生的学习需求。然而，大学生在进行线上学习时，往往面临着效率难以自我把控、学习质量缺乏保证等诸多问题。这些问题已经根深蒂固，不仅引起了学习者和教育者的思考，也为学者们研究在线学习行为带来了新的契机。
基于上述背景及原因，本文对大学生在线学习行为进行深入研究，首先对国内外大学生在线学习行为画像研究相关文献进行查阅和梳理，分析当前研究现状，然后通过结合行为科学理论、自我效能感理论、等效交互理论等设计数据收集维度，构建大学生在线学习行为画像标签体系，运用用户画像技术挖掘大学生用户群体的在线学习行为特征和需求，实现多维数据下的大学生在线学习行为画像，研究一方面可以为设计精准的引导策略服务、在线教育的发展提供理论支持和实践指导，另一方面可以据此来提高大学生在线学习效率，增加其在线学习投入度。
关键词：在线学习学习者行为画像因子分析大学生用户多维数据
第1章绪论
1.1研究背景
近年来，随着互联网技术的普及和信息技术的发展，其极大地促进了网络教育和在线学习的发展，在互联网时代下，网络教育已成为教育领域中的热门话题之一，同时也成为学生和教师的主要信息来源和学习渠道。在网络教育中，在线学习被认为是一种重要的学习形式，它的优点包括灵活性、个性化教学、高效性等，被越来越多的人所接受和认可。
特别是在新冠肺炎疫情爆发后，线下学习受到了重创，而在线学习则迅速崛起。XX和教育机构开始广泛推广和支持在线学习，为广大学生和教师提供了更加便捷、灵活和高效的学习方式。在疫情期间，在线学习不仅保障了学生的学业，也为教师提供了更加方便的教学渠道，使得教学不再局限于地域和时间的限制。可以说，在线学习已经成为人们眼中的“新常态”。
随着互联网更大程度的普及，虽然在线学习模式已从“新鲜感”走向“新常态”，但学习进展难以把控、学习质量缺乏保证等诸多问题让其发展面临着重重困境。根据《中国互联网教育发展趋势报告》显示网络学习平台的学习用户使用率不到30%。这充分解释说明了学习者对在线学习效果、平台课程质量和平台使用体验不够满意，同时这也导致人们对在线教育的教学成果、学生的在线学习效果提出质疑和不满。因此，借助大数据分析技术的优势对学习者学习行为特征解剖，为师生提供优质策略，提高教师线上课堂教学质量和学生在线学习效率是学者们目前重点关注和亟待解决的问题。
学习者行为画像研究为在线学习引导策略提供了有效的方法支撑。学习者行为画像是描述学生学习行为特征的工具，通过挖掘学生的行为、学习活动、学习意愿等，来建立标签化的学习行为特征模型，对学习者在线学习行为进行画像，最终呈现学习分析的结果，学习行为画像研究不仅支持师生更好地理解在线学习情况，还有助于降低大量数据给师生带来的认知负荷。由此可见，学习者行为画像可以让在线学习行为中原本无序繁杂的数据变得有序明显，让原本教师缺少视觉线索、难以判断学生参与度、学习投入度的现状有望得到逐步缓解。
1.2研究目的和意义
1.2.1研究目的
通过在线学习行为数据的分析，对大学生在线学习行为进行画像，得到多个有差异化特征的学生群体，并据此提出不同侧重点的引导策略建议。学习者行为画像作为近年来新兴的数据分析方法，不仅为学生自我认知和自我管理提供了现实可行的方法基础，还为师生互动提供了重要参考依据。通过梳理国内外已有相关研究发现，当前对于在线学习用户行为画像研究的数据收集主要基于平台数据日志，样本对象范围主要针对特定课程以及特定班级，样本范围较小，因为分析的结果只具有一定小范围的适用性。而本文研究是为了探讨国内大学生群体的在线学习行为特征，因此需要样本范围更广泛。
1.2.2研究意义
（1）本文通过对在线学习行为数据的分析和挖掘，探讨行为特征和规律，为学习效果欠佳的学生提供个性化帮助以提升在线学习效率和学习成绩。随着人工智能、物联网和云计算等技术的成熟，大规模开放网络课程的兴起和发展，人们对在线学习模式愈发重视，并不断追求创新和优化，网络学习环境不同于传统校园学习环境，网络资源丰富、各种诱惑较多，网络实现教育和在线学习，与传统的线下教育和学习方式有很大的不同。
网络教育和在线学习具有时间和空间的不受限制和灵活性等优势，使得学生可以在任何时间和地点进行学习和交流。与传统教育相比，网络教育注重学生自主学习，鼓励学生独立思考，促进学习与生活的融合。然而，这种灵活性和自由度，也带来了一系列问题和挑战。
一个主要问题是学习心态的松散。学生可以在不同的时间和地点进行学习，自由安排学习时间，因此，有可能会慢慢形成不太积极的学习心态，甚至会有掉队的风险。另一个主要问题是时间和空间的不同步。师生之间的交流是基于网络的，缺乏了线下互动的直接性、亲近性和实感性，增加了师生之间的隔阂和沟通难度。这些问题的影响，也会反映到学生的学习效果和成绩上。
因此本文通过在线学习行为画像研究提出引导策略，指导教学参与者在实践中需要采取科学有效的方法，引导学生或教师克服学习心态的松散，以达到更好的学习成效。
（2）由于通过深度分析学习者行为画像特征，发现每类学生群体的特征显著不同，因而根据分析结果设计的策略也不尽相同，据此能帮助教学相关者更直观地了解学习者，更精准地为教师提供教学支持服务。当前国内大数据环境下的学习者画像研究尚未形成开放统一的流程和方法，故分析的维度不同，得到的结论也不同。在日益复杂的在线学习者特征的背景下，本文通过问卷调查收集大学生在线学习行为数据，并运用因子分析方法得出差异化明显的大学生在线学习行为画像。
（3）本研究在行为科学理论、自我效能理论、等效交互理论等的指导下，基于学习者学习行为画像展开研究，其中学习者行为画像的标签设计充分展示了学习者的行为特征，肯定了学习者的主体地位，同时利用学习者行为画像设计个性化引导策略方案并给予实施，也树立了多样化人才观念，更是对教与学模式的优化。另外，根据学习者行为画像结果对学生群体进行分组，一定程度上丰富了教学的相关理论研究的基础。
（4）本研究是对学习者行为画像进行刻画并实施个性化建议的过程，教师依据学习者的学习行为画像辅助教学，该过程不仅对教师的数据素养有了更好的提升，同时可以让教师走出以直观经验为依据的误区，避免教师想当然地认为自己了解学习者学习情况，同时该过程对学生的自我认知也有了一定的提升，充分的了解自身当下的学习现状，才能更好的提高自身。
1.3国内外研究现状
通过从中国知网、万方以及各大英文数据库进行相关主题文献检索可知，国外研究热点主要可分为画像构成要素、画像分析技术、画像教学应用。而国内较国外研究起步晚，国内研究最早始于2016年，主要包括个体及家庭特征、大学前学习特征以及在大学期间的学习行为特点。2017年“学习者画像”正式应用于开放教育领域中。国内研究主要集中在影响因素、模型构建、个性推荐等方面。
1.3.1国外研究现状
（1）大学生在线学习行为画像构成要素相关研究
霍利等学者通过风险预测模型构建学习者画像，提供针对不同风险程度的学习者的个性化支持服务。其通过学习者画像，对学习者的行为、需求、特征等方面进行分析和建模，实现了个性化的指导和支持。国外学者认为，学习者画像通过分析学习者数据记录，可以更精准地描述学习者需求，预测学习者行为，并提供更精准的信息服务。学习者画像的建立可以帮助教育机构更好地了解学生的学习特点、学科偏好、课程需求等，从而为学生提供更加精准的学习支持与服务。
同时，从学习者模型的角度出发，Brusilovsky等认为学习者画像应包括学习者的社会背景、目标、知识和个体特征等要素。学习者的社会背景包括家庭、教育背景以及文化背景等，学习者目标包括学习动机和学科兴趣等，而知识和个体特征则包括学习者的知识水平、认知风格和学习策略等。通过这些要素的分析，教育机构可以更好地理解学习者的需求、特点和行为，为学习者提供更加个性化和精准的学习支持和服务。Debbie等从教育互动角度出发，认为画像应包括学生对控制技术的能力、即将接受的教育体验、管理学习空间程度三方面的个人期待。综上，学习者画像构成要素体现了“以学习者为中心”的思想，可广泛应用于不同的学龄段和学习场景中，促进个性化教育、成绩预测与学情预警研究的发展。画像的构成要素随着学习对象、学习情境和学习内容的变化而变化，不同要素应能反映出学习者个性化学习心理和外在表现特征。
（2）在线学习行为画像分析技术相关研究
Miaskiewicz等采用文献分析法和德尔菲法对学习者画像的本质进行了分析，总结出其具有用户聚焦、决策指导等22项优势。Iglesias等采用聚类法对不同群体的网络日志进行分析，对预测学习者未来行为具有借鉴意义。Yu等人采用多元回归分析法对本科生的学习互动、学习时长与学习成绩进行了分析，为改善学业成绩提供了依据。综上，画像分析技术主要有多元分析法、聚类算法等，常与可视化分析技术相结合，立体呈现学习者的学习过程。
（3）在线学习行为画像教学应用相关研究
Glahn等人将学习者画像应用于编程课堂中，有助于提高不同学习者的编程能力。X普渡大学的“Signals”项目通过分析学习者的行为画像做出预警，帮助师生更好地完成教学活动，促进有效学习并提高学习者学习成绩。英国开放大学对学习者学习数据进行全方位的采集分析并开展学习质量评估，不断完善学习支持服务并为学生提供个性化指导，以提高学习者的学习成果，降低中途退学率。
1.3.2国内研究现状
（1）在线学习行为的影响因素研究
近年来，MOOC（大规模开放在线课程）的兴起为学习者提供了全球类课程学习的机会。许多学者利用MOOC平台上的学习行为数据对学习行为与学习成效之间的相关关系进行了研究。贾积等学者通过分析在线时间、下载资源次数、视频观看次数、讨论发帖量等MOOC学习行为数据，探究学习者的学习成绩与这些学习行为之间的关系。结果表明，这些行为指标与MOOC学习成效之间存在相关关系。蒋卓轩则将学习者分类后，对不同学习者群体的学习行为与学习效果进行了考察，并预测了具有典型行为特征的学习者的学习绩效。在该研究中，不同学习者群体的学习行为方式对学习成效表现出不同的影响。宗阳则确定了MOOC学习者学习行为指标，通过逻辑回归方法分析课程数据，发现课程注册与登录、视频观看、习题保存、测试提交等行为与课程成绩之间存在相关关系。刘智等研究者采用内容分析的方法，针对学习者讨论发帖行为进行研究，验证了学习者发表的各类帖子数量与其学习成效具有显著相关性。
这些研究为在线学习行为分析提供了重要的实证数据，并为进一步提高在线学习效果提供了参考和指导。通过对学习者的行为指标进行分析和评估，可以更好地把握学习者的学习状态。
（2）在线学习行为画像模型构建研究
白雪利等学者利用聚类分析法对网络学习行为进行分类，探究了不同类型学习者在学习行为和学习效果间的关系。他们发现，不同类型的学习者在网络学习行为上存在显著差异，这些差异也会对学习效果产生影响。比如，社交型学习者更喜欢互动交流，因此社交型学习者在网络学习中更容易获得高分数。而对于学习行为倾向于浏览和试错的学习者而言，他们更容易遇到学习困难并取得低分。这些研究结果为提升学习效果提供了更加合理化的对策，也为个性化智能教育提供了新的思路。
与此相似，孙发勤等学者提出了学习风格建模的方法，并通过对在线学习者个案分析，阐述了学习者画像在指导学习资源精准推荐、评估在线学习者学业失败或退出风险等方面的应用。学习者画像可以帮助教学参与者根据学生的学习风格和学习行为，对其进行个性化教育，提高学生的学习效果。唐烨伟等学者通过教育大数据中的学习者基本情况、学习过程和学习结果大数据构建了学习者画像模型。基于学习者画像模型，可以帮助学生实现更好的学习效果。在推荐学习资源时，学习者画像模型可以根据学生的学习风格、兴趣爱好和学习目标等信息，推荐最适合学生的学习资源，从而提高学生的学习效果。
（3）在线行为画像的个性推荐研究
陈丹等人将数据挖掘和用户画像技术应用至高校图书馆个性化服务中。陈海建、戴永辉等人结合脑认知实验,从数据挖掘等视角发掘学习者的特点并构建学习者画像，且基于学习者画像的角度探讨个性化教学。赵玲朗等依托智慧学习平台，将基于知识图谱的学习者画像模型应用于“高中物理”课程，促进了个性化学习。茹丽娜等人设计了基于学习者画像的精准个性化学习路径规划框架。，为个性化教育实施提供了实践案例，为学从而促进了学习者个性化学习。
1.3.3研究述评
通过对相关文献的分析和总结，本文发现目前研究较多的是用户在线学习画像研究，侧重点是通过对学生的个人信息、背景、兴趣爱好、学习方式等方面的分析，来描绘一个学生的整体形象。其目的是为了更好地了解学生，从而提供更加个性化的教育服务和支持。而本文研究的侧重点是学习者行为画像，本文通过对学生在学习过程中的行为和活动进行分析，来描绘学生的学习过程和行为特征。目的是为了更好地了解学生的学习行为和学习过程，从而更好地支持学生的学习。随着后疫情时代的到来，环境的变化对学习者画像是否产生显著影响有待本文去探讨研究。因此，本文基于学习者行为画像对后疫情时代大学生在线学习行为研究更具有现实意义。
1.4研究内容和方法
1.4.1主要研究内容
为了达到研究目标，从以下三个内容展开具体研究：
（1）提出适用于在线学习行为画像研究的标签体系构建流程并构建标签体系。
（2）深度解析在线学习行为维度，构建和分析大学生在线学习行为群体画像。
（3）借助学习者画像在群体识别及其特征分析上的优势，提出基于学习者行为画像的在线学习引导策略设计方法，探讨如何多角度精准地分析和设计引导策略。
图1-1研究内容
1.4.2研究方法
（1）文献研究法
首先通过选择中国知网、维普等数据库，检索并查阅与在线学习行为画像研究相关的文献，全面了解该课题的研究现状、相关概念，掌握相关技术，为研究奠定理论与技术基础。在对既有研究成果的学习与总结基础之上，搭建适用于本课题的框架和内容结构，通过归纳总结和分析，拓展思路拓宽角度。
（2）问卷调查法
以大学生群体为调查对象，根据思路设计制定问卷题目，预实验后修正题目，最终在社交平台上进行发放。通过对有效数据进行统计。
（3）学习者画像技术
通过因子分析方法从变量群中提取共性因子，将原有的多种相关和重叠的信息进行合作和综合，将原始的多个变量和指标变成较少的几个综合变量和综合指标。从而得到高内聚低耦合的多个群体画像。
第2章相关概念与理论分析
2.1相关概念
2.1.1在线学习
在线学习是一种以电子化方式提供的教育形式，通常以互联网产品为载体，向学习者提供知识服务，时至今日，在线学习已经成为了大多数人所熟知的学习模式。实践中可以包含在线课程、指导、网络研讨会以及其他的数字化学习方式。作为一种可从世界各处获得教育内容的方式，在线教育正变得普遍流行，人们享受着快速无障碍的学习体验，也有很多教育学院和大学已经选择在教育过程中引入在线学习方式。其通常是可自行确定学习进度，且可供随时访问的。虚拟课堂也比较受欢迎，学生与教师可通过这种方式进行实时互动。网络研讨会则非常适合用于进行演示和讲座，视频教程则可用于提供分步骤说明。最后是游戏化学习，这是一种能够吸引学生，让学习过程更加有趣的不错方式。
2.1.2学习者行为画像
学习者行为画像是一种包含多种子结构的标签的用户概念模型，在教育领域中是用户画像的一种应用形式。它通过大数据的特征提取、标签抽象等方法，描述学习者的异同点，包括学习活动、知识水平、学习习惯、行为及心理偏好等等方面的特征，并将学习者群体标签化，为更好地提供个性化学习资源提供解决方案。学习者行为画像的建立不仅可以帮助教学参与者更好地了解学生，还可以实现大数据分析为学生个性化支持的目标，有助于提升学生的学习效果和成绩。
在学习者行为画像的构建中，数据搜集和处理是非常重要的环节。数据搜集方法包括直接问卷调查、学习记录日志、互联网轨迹分析、基于传感器的数据采集等。数据处理过程包括数据清洗、特征提取、特征筛选和标签抽象等。这样，就可以根据学生的行为数据和特征提取出学生的特征标签。同时，学习者行为画像也可以用来为学校或在线学习平台进行精准营销，通过了解学生的学习行为和学习需求
2.2理论基础
2.2.1行为科学理论
行为科学理论包括马斯洛需要层次理论、目标管理理论、非正式组织理论、领导行为理论及人本原理等内容。该理论的研究对象是学习行为（如问题解答行为、信息浏览行为、信息发布行为、信息加工行为、交流行为等），该理论认为学生的各种行为主要与其动机、需要、激励、挫折、态度等有关，学生之间的交往、沟通、模仿、暗示、人际关系、课堂氛围等内容会影响其学习特征。因此，在群体画像过程中，关注个体学习行为原因有助于达到了解、控制和调整其行为的目的。
2.2.2自我效能感理论
自我效能感理论是心理学家班杜拉在1977年提出的，基于社会学习理论，认为效能预期是行为与认知之间的中介，是行为的决定性因素。自我效能感是个体在完成特定任务时所具有的行为能力的自信程度，包括结果预期和效能预期。结果预期是指个人对某种行为所造成结果的预测，效能预期则是个人对自己能否顺利完成某种行为并产生一定结果的预测。个体根据自己的行为结果作出反应，适应并不断改变自己的目标和行为，以提升自我效能感水平。
自我效能感不仅在个人生活中具有重要意义，在教育和工作中也起着至关重要的作用。提高学生和员工的自我效能感可以激励他们更积极地参与学习和工作。同时，自我效能感也能够促进个体在面对挫折和困难时更容易从失败中恢复过来。
研究表明，适当的训练和经验积累可以帮助个体不断提高自我效能感水平。在教学中，目标设定很重要。教师应该设定具有明确的目标，以便学生专注于达成目标和完成任务。此外，有关自我效能感的反馈也非常重要，这有助于提供改进方案和促进个体在学习中不断提高。
2.2.3等效交互原理
等效交互原理由安德森在2003年提出。等效交互原理的一个重要研究基础为在线教育过程中学习者的三种最为常见的交互类型，即学生和学生之间的学生-学生交互、与教学内容之间的学生内容交互以及与教师之间的学生-教师交互。其研究揭示了交互对学生学习效率的重大影响。
第3章研究过程
3.1研究设计
3.1.1学习者行为画像构建设计思路
在研究前期，需要对相关的理论进行分析和探讨，包括在线学习行为画像和引导策略的分类和设计等，在研究方法上，需要结合实际情况选择合适的研究设计、采集合适的样本数据，并使用适当的数据分析方法来分析和处理数据。本文通过结合行为科学理论、自我效能感理论、等效交互理论，设计调查问卷并收集大学生在线学习行为数据，分别是行为维度、心理偏好维度、时间维度，每一维度对应多个数据项，设计标签体系，发放调查问卷，收集在线大学生学习行为数据，通过因子分析提取特征因子最终形成学习者画像，分析实验结果并对画像进行可视化，从多个角度探讨如何精准设计引导策略来指导学生群体进行更有效的在线学习。对研究结果和存在的局限性进行归纳和讨论，提出未来研究的方向和建议。
图3-1大学生在线学习行为画像构建设计思路
3.1.2学习者行为画像标签体系的构建
首先，明确标签体系根目录为大学生在线学习行为画像，亚根对象分为两个维度，分别为心理偏好维度、社会交互维度，社会交互分为学生与环境、学生与学生、学生与教师。基于两大维度设计构建大学生在线学习行为画像标签体系.
（1）心理偏好维度：其包括在课堂上反应迅速，对应标签为反应迅速。认为自身不能很好的完成在线学习任务，其对应标签为效能感低。厌倦学习，对应缺乏主观能动性标签。认为没有融入集体，对应标签为缺少归属感。学习目标和未来发展没有明确想法，对应标签为目标模糊。合作互助学习而不愿自我反思，其对应标签为缺少反思。对于知识有时会不懂装懂对应好胜心强标签。在线学习中缺少总结和复习，其对应标签为缺少反馈。主动预习和收集课程资料，其对应标签为自觉力。收集课程内容之外的相关之内来补充知识短板，其标签为自制力。遇到问题独立思考并找到解决办法，其对应标签为独立思考。
（2）社会交互维度：其包括经常在学习平台中回帖，与同学交流学习心得，其标签为积极主动。遇到困难时通常会依赖求助老师和同学，其对应标签为依赖帮助。与老师同学积极互动学习内容，提升解决问题能力，其标签为积极探索。易在未对问题做出透彻分析时就仓促做出决定，其对应标签为仓促决定。积极完成学习任务，对应标签为积极执行。经常线上在与同学互动时拓展话题来吸引关注，对应寻求认同标签。喜欢通过课堂表达以此得到老师和同学的高度认可，对应刷存在感标签。易受外界环境干扰而影响学习状态，对应易受影响标签。如果互动能带来愉悦，自身学习效果会好很多，对应标签为强体验感。经常因为遇到困难而烦恼，原地徘徊，对应标签为情绪化。
图3-2大学生在线学习行为画像标签体系
第4章实证分析
4.1数据收集及预处理
4.1.1数据收集
本文的调查问卷主要由两部分组成，第一部分是学生用户的基本信息，包括大学生的性别、年级、学号。第二部分是对学习者在线学习行为的调查，其学习行为包含两个维度，社会交互维度包括反应迅速、积极执行、强体验感、情绪化、易受影响、依赖帮助、仓促决定、积极主动、好胜心强、积极探索共10个标签，心理偏好维度包括缺少反思、缺少反馈、自觉力、持之以恒、自制力、效能感低、缺乏主观能动性、缺少归属感、目标模糊、寻求认同、刷存在感、独立思考共12个标签。共25个题目，采用李克特5点自评式，分值为1—5分，在问卷星平台设置题项后随即发布问卷，回收调查问卷310份。
4.1.2数据预处理
本文调查问卷剔除具有明显规律的数据，比如量表题中连续选择某个选项。经过筛选最终获得有效问卷220份，有效率71%。数据筛选完毕后在问卷星官网按序号下载数据，将数据表格导入SPSS分析软件，在SPSS软件中首先删除提交答卷时间、所用时间、学号等数据变量，然后将变量名称改为对应标签。由于问卷有负相关变量，负相关需要反向计分，因此将消缺少反思、缺少反馈、依赖帮助标签和效能感低、缺乏主观能动性、缺少归属感、目标模糊标签在数据分析之前需要将计分置换。
4.1.3样本信度检验
本文使用SPSS分析软件进行描述性分析，所得样本的大学生用户自然属性的人口统计特征如表4-1和表4-2所示
通过表4-1所示可以看出样本数据集的男女比例接近1:1，年级比例接近1：1，表4-2部分所示表明调查对象在全国地区较为广泛。
为保证后续研究准确性，本文删除数据来源、序号等变量，将行为维度和心理偏好维度的标签测量项运用克隆巴赫系数进行可靠性分析，如表4-3所示
使用可靠性分析得出α系数>0.7,说明问卷信度较高，收集的数据真实可靠。
4.2学习行为画像提取与分析
4.2.1因子分析
本文首先利用KMO和Bartlett球形检验判断原有变量是否适合因子分析，结果显示KMO值为0.886>0.6,且P<0.05,因此，此数据集适合因子分析，如表4-4所示
为了有效挖掘和分析大学生在线学习画像差异化特征，本研究借助SPSS中的因子分析功能模块数据集进行因子分析并获取特征因子。
将各标签数据纳入降维模块中的因子分析，在抽取功能模块中中采用主成分分析法，选取相关性矩阵分析，设置特征值大于1，最大迭代次数默认为25，输出未旋转的的因子解以及碎石图。在旋转功能模块中选择最大方差法并输出旋转解以及载荷图，最大收敛性迭代次数为25，并在选项功能模块中取消小系数，绝对值输入0.4
综上操作步骤得出结果以此判断提取合适因子的数量，如表4-5所示
表4-5显示共提取了7个因子，表中的方差解析率越大表明该因子包含原始数据信息越多，在旋转后的7个因子，其方差解释率分别为13.203%，10.765%，10.655%，10.430%，10.427%，10.351%，10.116%，累积方差解释率达到75.946%，即7个因子能够提取22个分析项中的75.946%的信息量。初步说明提取7个特征因子较为合适。
图4-1碎石图
结合图4-1碎石图以辅助判断合适因子的数量，结果显示当由陡峭到平稳对应的因子个数为7，与方差解释率得出的结论一致，综上特征因子数量为7个。
4.2.2分析特征因子
本文根据表4-6所示旋转后的成份矩阵提取特征因子对应标签，最终形成7个学习群体画像如下：
（1）学习者行为画像1：该画像与效能感低、缺乏主观能动性、缺少归属感、目标模糊因子相关，这些因子体现了大学生在线学习时缺乏主动性，学习目标模糊，学习效率较低，学习效能感低，动力不足，通常学习成绩不佳。因此该特征因子命名为消极型学生群体。
（2）学习者行为画像2：该画像与易受影响、强体验感、情绪化因子相关，体现这类学生在线学习时学习状态容易受外界影响包括但不限于老师授课风格、课堂氛围、与体现教师互动时带来的感受。此类学生成绩不太稳定。因此该特征画像命名为易感型学生群体。
（3）学习者行为画像3：该画像与依赖帮助、缺少反思、缺少反馈因子相关，这些因子体现该类群体在线学习遇到困难时倾向于寻求他人的帮助和鼓励，常常通过合作完成学习任务，依赖同伴学习，在独立思考和反思总结方面存在明显不足。因此该特征因子命名为求助型学生群体。
（4）学习者行为画像4：该画像与自觉力、自制力、持之以恒因子相关，学习目标明确，学习行为规律性强，有良好的学习习惯，学习时间效率较高，动力充足，持之以恒通常也有较好的学习成绩。会对知识提前预习，能较好地约束个人行为，因此该特征因子命名为自觉坚持型学生群体。
（5）学习者行为画像5：该画像与积极主动、积极探索、独立思考因子相关，这些因子体现该类学生群体在线学习该类群体在线学习更倾向通过大量时间安静地思考和分析问题，自主学习和听讲等方式提升自我，权衡各种问题解决方案，最终做出决定或选择答案，因此该特征因子命名为独立探索型学生群体。
（6）学习者行为画像6：该画像与刷存在感、好胜心强、寻求认同感因子相关，这些因子体现这类学生在线学习时会故意爆发出与学习相关或无关的内容并吸引他人的关注，通常表现出好胜心强和寻求认同，但学习效果不一定卓越，因此该特征因子命名为表现型学生群体。
（7）学习者行为画像7：该画像与积极执行、反应迅速、仓促决定因子相关，这些因子体现大学生在线学习时更倾向表现主动，积极地执行学习任务，会根据问题的部分信息或未对问题作透彻地分析就做出积极反应、仓促做出决定，反应速度快，但容易出现错误，因此该特征因子命名为积极型学生群体。
第5章引导策略研究
根据学生参与理论和自我学习指导理论[19]可知，学生作为在线学习的主体对在线学习效果起着决定性作用，但师生之间、学生之间的交互也起到重要辅助作用[8]。因此本文据此并结合三大维度设计引导策略应用对象为：学习者、教师、教育管理者。其中学习者分为两部分，一部分应用对象为学习者本身、另一部分为学习者同伴。本文依据七类学习群体画像的特征，提出相应策略。
5.1对大学生的引导策略
（1）学习与人际交互是学习活动中不可或缺的一个方面。学生在学习过程中，往往会面临诸如学习孤独感等问题，而加强学习与人际交互，有助于消除这些问题，并提高学习效果。学习者的人际交互水平较低会降低对课程内容的深度掌握，削弱学生的集体归属感，导致学习难以维持。为了提高交互水平，学生需要在学习活动中进行自我引导，尤其是在任务和学习工具上，例如提前预习学习内容，了解任务的要求，并自觉与学习同伴分享学习困难和经验，促进学习的深度参与。这样可以帮助学生更好地理解学习内容，并促进学生参与感和归属感的增强。
（2）在积极互动的同时也要注意学习知识准确性，冷静思考，做到效率第一。
（3）培养自我管理意识，形成良好习惯，科学分配时间，在学习过程中勤于总结和反思，设定学习短期目标和长期目标，有意识地培养兴趣爱好，增强自信心，提升自我效能感。
（4）提升时间管理能力。在网络自主学习过程中，学生容易迷航，偏离学习计划，在线学习者大多是成人，常因工作和家庭原因导致学习时间不足，为了提高学生的时间管理能力。
（5）学会自我调节情绪，保持良好的心态，树立正确的价值观。
5.2对教师的引导策略
（1）引导学生制订学习计划。在学生入学初期，培养学生制订学习计划的习惯，让学生根据专业课程学习计划、工作需要制订学期计划，督促学生在学习过程中根据学习进度及时修改、调整学习计划。
（2）老师可以通过设置选修课、联合学习、小组合作等方式，鼓励和促进学生之间的互动和交流。学生可以在互动中了解不同观点和经验，并相互支持和鼓励，从而更好地理解课程内容和提高学习效果。
（2）引导学生独立完成在线学习任务和测评，减少求助他人的习惯性依赖，培养独立意识。
（3）引导学生在学期开始做学习记录，及时反思总结时间利用的不足并进行修正，给学生推荐时间管理app，鼓励学生科学合理安排学习时间。
（4）对每个学业阶段的学生，教师需要做到因时制宜，动态调整引导策略，持续有效提高在线效率。
5.3对教育管理者的引导策略
（1）优化在线学习平台UI和逻辑，为学生使用提供更加便利、整洁、人性化的服务，及时听取用户反馈意见。
（2）对教研组课程安排要积极听取教师和学生广泛建议，辅以数据分析结果设计全面精准的教学措施。
（3）树立以学生为本的理念，围绕学生在线学习效率和成绩展开教学活动和教学管理。
（4）完善管理层的规章制度，以学生为导向，优化教学体系。
第6章总结与展望
6.1研究总结
互联网技术驱动教育模式从“始于证据”向“基于数据”转变，特别是在三年疫情期间，大学生学习方式整体趋势向在线学习倾斜。本文基于此背景通过问卷调查法收集大学生在线学习行为数据后，结合行为科学理论、等效交互理论、自我效能理论，设计大学生在线学习行为画像标签，构建大学生在线学习行为画像模型。
然后采用SPSS工具检验数据集信度，利用因子分析方法提取特征因子以此得到学习者行为画像，依据学习者画像结果对各类群体所具有的特征进行分析，诊断学生在线学习存在的问题，并从学生自身、教师、教育管理者的角度提出系列化精准干预策略，精准引导学生提高在线学习体验、引导学生养成良好学习习惯，以此提升在线学习效率，同时帮助教师有效开展精准教学，提高教学质量。
6.2研究局限
在线学习行为画像研究已经成为在线教育领域中的一个重要研究方向，未来还将继续得到广泛关注和深入研究。由于时间和条件有限，本次研究存在一定的不足。
（1）本文未对所有学业阶段的大学生用户进行学习者画像，并未细致划分出不同年龄段的大学生，未来研究应细化大学生群体并进行各阶段群体学习者画像，从而更有针对性的满足教育者和个人个性化需求，进一步验证结论和学习者画像模型的合理性以及基于画像的精准引导策略的有效性，因此还需在今后持续开展研究。
（2）本文可以对多维数据融合进行拓展研究，更全面的数据收集和学习者画像模型构建会带来更精准的分析结果，能更加精确地提出引导策略。
6.3未来展望
在十九大报告中，X总X提出了“人人皆学、处处能学、时时可学”的学习型社会构建目标，旨在将网络学习空间打造成广大师生开展教育教学活动的主要场所。网络学习空间的持续发展不仅积极响应了国家XX的号召，同时也为学习者提供了极大的便利。本文通过对在线大学生学习行为进行画像，分析了不同类型大学生用户行为的显著特征，并据此为教学参与者提供了全面的指导建议。
希望在线学习在未来能有更广阔的发展空间、更广泛的普及，同时本文呼吁相关部门对在线教育行业制定有更规范的行业准则，在线学习平台能够提供更多样化的功能和服务，加强学者对在线学习行为领域的深入拓展研究。由于本文研究存在一定的局限性，未来的研究仍需要进一步拓宽研究范围、深入剖析研究深度，据此为大学生在线学习引导策略研究提供更具参考价值的建议。
参考文献
[1]王春华.基于学习者画像的精准教学干预研究[J].济南大学学报(社会科学版),2023,33(02):136-146.DOI:10.20004/j.cnki.ujn.2023.02.014.
[2]莫尉.学习者画像建构及应用研究[J].湖南理工学院学报（自然科学版），2021，43（3）：64-69.
[3]王晰巍,刘婷艳,程宇.基于聚类方法的直播带货平台用户信息行为画像模型研究[J].现代情报,2022,42(11):4-16.
[4]程光胜.基于“大数据+小数据”的智慧图书馆用户精准画像模型构建[J].图书馆理论与实践,2022(05):90-95+104.
[5]翁金磊.基于用户画像和数据挖掘的学习行为研究[D].昆明：云南财经大学，2021.
[6]赵龙文,张国彬,赵雪琦.共生视角下XX开放数据应用生态系统演化研究[J].现代情报,2022,42(05):13-25.
[7]吴文瀚.基于定性定量融合方法的大数据用户画像模型设计与实证[J].数据分析与知识发现,2022,6(04):108-119.
[8]杨彩霖.基于大数据的师生教学行为画像的构建与应用研究[J].高教学刊,2021,7(31):78-81.
[9]王芳.基于用户画像的精准教学模式研究[J].科技视界.2021（31）：158-159.
[10]张明焱.在线学习环境下学习行为时空分布和时序演化特征研究[D].华中师范大学,2021.
[11]刘静,安璐.突发公共卫生事件中社交媒体用户应急信息搜寻行为画像研究情报理论与实践,2020,43(11):8-15.
[12]吴彦文,刘雪纯,杜嘉薇,何华卿.融合微观行为特性的用户画像增强研究[J].情报科学,2021,39(03):19-24+50.
[13]杨浩.高校学生画像系统的设计与实现背景[D].北京邮电大学，2019.
[14]李阳.大数据环境下在线学习行为分析模型研究[D].哈尔滨理工大学,2017.Lai S,Sun B,Wu F,Xiao R.Automatic personality identification using students’online learning behavior[J].IEEE Transactions on Learning Technologies,2020,13(1):26-37.
[15]Rufai A Y,Suru D,Afrifa.The role of machine learning and data mining techniques in predicting students’academic performance[J].International Journal of Computer Applications Technology and Research,2021,10(8):198-207.
[16]Kazanidis I,Valsamidis S,Gounopoulos E,Kontogiannis S.Proposed S-Algo+data mining algorithm for web platforms course content and usage evaluation[J].Soft Computing,2020,24(19):14861-14883.
[17]黄金晶,陈园园.多源数据驱动的学习者画像构建研究[J].办公自动化,2023,28(05):9-11.
[18]陈珂,黄俊杰.在线教育平台学习者的用户画像研究与构建[J].无线互联科技,2023,20(01):116-118.
[19]常岚.基于大数据的学生行为画像研究与分析[D].兰州：兰州理工大学，2020.
[20]周怡林.基于用户画像的个性化在线学习效果评价模型研究[D].武汉：华中师范大学，2020.
[21]田雅慧.基于学习者画像的MOOC学情预警研究[D].上海：华东师范大学，2020.
[22]王晓芳，贾宗维.基于K-means的MOOC学习行为分析及用户画像研究[J].中国教育信息化.2019（01）：43-46
致谢
临近毕业之际，心中有万分不舍与感慨，大学这段温柔又充满未知的时光对我来说是特殊的存在，它在我人生这段路程中画上了浓墨重彩的一笔，曾经无数次自省，生命的真谛是什么，如何去寻找，但时间已经给出答案，那就是经历，很多选择在未来的某一刻都会变得差强人意，但那却是当下能做出的无愧于心的决定，我十分感激生命中遇到的每一位给予过我帮助的人，在此我要向几位重要的人表示感谢
首先，我要感谢我的论文指导老师，从最初选题到论文最终完成，老师给予了我很大的帮助，在论文的每一个环节老师对我都给予了极大的耐心和指导，老师对学生的温柔和责任心也是我顺利完成毕业论文的动力之一，在此我对老师表示由衷的感谢！
其次，我要感谢大学期间经济管理学院管理系的所有老师对我专业素养的栽培和叮嘱，感谢学院办公室的每一位老师对我的关怀和照顾，感谢你们对我的指导和帮助！
再次，我要感谢大学期间我的室友和同学，感谢你们对我的帮助，感谢你们给我带来了无尽的情谊和快乐，时间流逝的太过匆忙，但在四季依然历历在目，希望能在冬天再次吃到久久回味的元盛居，再寒冷的冬天也抵不住内心的温暖，因为这些经历在我内心留下了属于青春的独家记忆。
感谢审阅这篇文章的各位老师，感谢你们的建议和指导，这种精益求精的精神也会耳濡目染地激励我今后更好地工作和学习。
最后，我要感谢我的父母，是你们的支持和无私奉献才有了今天的我。在我落寞时给予的安慰和鼓励，在我成长的道路上带来的爱。
未来的路还很长，人生不应给自己设限，努力去争取每一个属于自己的机会，相信自己，未来可期，你我从不说再见！
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/184127.html,
