1. 研究目的与意义（文献综述）

互联网技术的高速发展给传统教育注入了新鲜血液，催生了在线学习这一新兴的学习方式。随着互联网的普及，多种mooc平台迅速发展，参与在线学习的人数不断增长，与此同时这些平台也积累了大量学习行为信息，这些信息表征了学习者零散、无意识的学习行为，是深入研究学习行为和学习心理的新素材，通过对其深入分析，能反映出学生最真实的思维和学习情况，准确把握学习者的学习状态，及早进行干预，从而提高学习效率和学习质量。所以对在线学习情境下不同学习者留下的大量实时数据进行挖掘与分析，发现在线学习行为的特点及其影响因素，对构建智能化、个性化的学习模式和系统具有重大意义

对在线学习分析方面，国内的研究聚焦在数据指标与技术手段两个维度。在数据指标维度，国内学者对在线学习行为进行了调查与分析，并且在对在线学习者交互的行为特征进行分析的基础上构建了在线学习行为模型，提出了who-do-what的网络行为信息模型。在技术维度上，出现了在线学习行为评估、分布式网上学习行为统计等系统。

在国际上，对在线学习行为分析的研究集中在三个方面：使用工具软件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。主要研究有不同网络环境学习者在线学习过程中与学习者个性特征想法的学习策略、对学习者在线学习中的学习环境偏好和学习信念进行探讨、

2. 研究的基本内容与方案

本研究通过对学生在线学习行为数据进行挖掘和分析，发现在线学习行为的特点及其影响因素。数据挖掘技术在在线学习系统中的应用是一个循环迭代的过程，挖掘得到的知识应该进入系统的循环中，支持决策、改进学习系统、改善学习者的学习，故本研究共分为四阶段，分别为数据收集、数据预处理、应用数据挖掘方法以及解释、评估和应用。

数据收集有在线学习平台自动完成，学习者对学习平台的使用信息将被记录于数据库中。在数据预处理阶段对数据进行清洗并转换成适合数据挖掘的形式。通过聚类算法对得到的数据进行分析，得到对学生的分组，发现具有相似学习特点和行为模式的学生群体，了解其学习影响因素，k-means算法是其中一种方法，具有好伸缩性和很高的效率，比较适合大量数据处理，将对象分成若干组，以对象的相似度分组，结果得到多个不同聚类，相似度高的对象划分在同一聚类中。通过聚类处理过的数据结果可再使用决策树分类算法进行评估，挖掘分析在线学习行为与学习效果之间的内在联系，实现学习过程的智能评价或其他应用。

3. 研究计划与安排

1. 2018/1/11—2018/1/22：查阅参考文献，明确选题；

2. 2018/1/23—2018/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；

3. 2018/3/8—2018/4/26：需求分析，算法或系统设计，分析、比较或实现等；

4. 参考文献（12篇以上）

[1]romero c, ventura s. data mining in education[j]. wiley interdisciplinary reviews: data mining and knowledge discovery, 2013, 3(1): 12-27.

[2]patil v, vedpathak a, shinde p, et al. e-learning system using cryptography and data mining techniques[j]. e-learning, 2018, 5(01).

[3]herath d, jayarathne l. intelligent recommendations for e-learning personalization based on learner’s learning style and performance[j].