1.1研究目的及研究意义

当前，大数据时代已经来临，随着web社会网络和信息采集技术的不断发展，快速积累的海量社会网络数据中蕴藏着丰富的行为模式和规律，亟待研究者们去发掘^[2]。教育领域同样积累了海量数据。如何利用学习者信息及学习过程数据，使这些数据转变为信息、知识，并为教学决策、学习优化服务，已成为教育工作者以及学习者们所关注的内容^[9]。而学习分析技术的出现为此提供了新的解决思路。

学习分析是指“通过测量、收集、分析和汇报学习者以及他们所处环境的数据，来理解和优化学习以及学习环境”。目前，研究者已从学习走向预测、学习效果诊断、分析模型构建等方面对学习分析进行了探索。学习分析包括行为分析、情感分析、知识结构分析、学习路径分析等多个方面。学习行为分析是学习分析的重要组成部分，通过对学习过程中记录下来的相关行为数据进行有目的的分析，挖掘出隐藏在行为数据背后的有价值信息，比如行为模式、行为规律、行为习惯等，最终促进人们对于学习过程、学习结果以及学习环境的理解和优化。

现如今，相比传统意义上的学习行为，网络环境下学习者的学习行为更是体现出多结构、多层次特性。对网络学习行为进行深入全面地研究,具有极为重要的意义，比如教师如果能更多地了解学生在学习中的行为特点和规律, 就能够更好地组织和改进课程设计, 引导和服务学生。

本次研究从模型分类评估的角度切入探讨学习行为分析，利用数十名本科生在SmartFlow平台的流程图绘制行为数据，研究基于流程图绘制行为的算法思维能力量化评价方法，通过统计分析处理数据后使用支持向量机（SVM）进行分类建模^[14]，进而完成学习行为模式建模与分类评估^[15]，结合分析学生绘制行为时间间隔，探究学生能力评估分类及学生间的差异评估，为基于学习平台的学生行为及能力分类评估提供方法与决策支持[4]。

1.2国内外研究现状

如今，学习分析技术已逐渐成为教育中的一项新兴技术。国内外多位研究者的研究实践证明，学习分析技术对于学生、教师、管理人员、研究人员以及技术开发人员均具有重要价值。而对于现在火热的在线网络教育，目前, 国内外一些学者对网络学习行为的新特征进行了一些初步分析研究, 尝试着通过工具软件跟踪和分析网络学习者的行为。例如, 维也纳大学的Karin Anna Hummel 等通过一种基于 Web 的在线学习平台, 分析数据库访问记录和 Web 服务器日志文件, 分析学习者的学习行为。Du Jin 等曾将网络学习者模型分为学习者个性模型和学习者行为模型, 并对学习者行为模式则做了简单地介绍^[8]。台湾学者 Wan- I Lee 等借助网络学习者的学习需求、学习行为记录和个性特征等方面研究, 探讨了学习者的学习绩效评价方式。

当前，国际上对在线学习行为分析的研究主要集中在三个方面：使用软件工具追踪和记录在线学习行为关注学习者需求和在线学习环境；寻找在线学习行为和学习绩效的关系^[1]。国内学者更加关注学习行为偏好的调查、行为数据的采集、行为分类指标的制定学习行为概念模型与信息模型的构建以及关键实现技术。总体而言，当前国内外学习行为分析研究虽然取得了一定的进展，但仍处于起步阶段，还有很多现实问题亟待解决。