一、研究背景与研究意义1.1 研究背景高校教学活动逐渐从教室延伸到学习管理系统学生阅读课程内容、进入论坛、完成在线测验和提交作业都会形成带有时间信息的数字足迹。与期末成绩相比这些过程数据出现更早也更接近学生怎样安排学习但点击量容易被误读频繁进入页面可能来自课程设计、重复查找或操作路径并不自动代表理解更深。因此学习分析的关键不是制造一个越复杂越好的模型而是把行为规模、参与持续性、内容类型和作业执行放在同一课程情境中解释。本案例选择英国开放大学OULAD数据。开放大学以远程和成人学习者为重要对象虚拟学习环境在课程实施中承担核心作用数据同时包含学生背景、注册、课程评价和每日点击汇总能够完整呈现从进入平台到提交作业的过程。与上一类“是否退学”研究不同本文把结果变量改为非考试类作业提交完成度并把期末课程结果只作为学习类型的外部参照以突出大学生在线学习节奏和平台参与方式。1.2 研究意义研究意义体现在三个层面。第一描述层面将总点击拆分为活跃天数、早期使用、内容类型和规律度避免把平台流量等同于学习效果第二方法层面通过四类聚类形成可沟通的学习投入画像并把预测特征严格限定在开课后30天减少使用学期末信息造成的时间泄漏第三应用层面为课程教师设计分层支持提供案例例如对低参与型提供平台导航与学习计划对前期集中型提醒持续节奏对高投入型避免不必要干扰。1.3 研究问题本文回答五个问题样本和课程结构如何分布学生主要使用哪些平台活动早期点击和活跃天数与作业完成度有何差异能否用行为特征归纳稳定的学习类型课前和开课后30天信息对高作业完成度具有多大识别力。所有问题均基于观察性数据回答不进行因果推断。二、数据来源、指标与研究设计2.1 数据来源与真实性数据原始出处为英国开放大学Knowledge Media Institute发布的OULAD。Kuzilek、Hlosta与Zdrahal在Scientific Data的数据说明论文中报告该数据覆盖2013—2014年7个课程模块、22次开课、32,593条注册记录、学生评价结果以及10,655,280条虚拟学习环境日点击汇总数据从开放大学数据仓库提取经选择和匿名化后发布许可为CC BY 4.0。本文没有生成模拟学生也没有改写原始结果仅把七张原表按官方标识键连接并聚合为学生—课程层分析表。2.2 分析单位与变量构造变量组核心字段构造口径分析用途学生背景性别、年龄、学历、地区、残障、IMD保留官方分类结构描述/模型控制课程与注册模块、批次、课程长度、注册日期注册提前天数max(-注册日,0)课程情境作业行为TMA/CMA提交、成绩、截止日期完成度已提交数/应提交数核心结果平台投入点击、活跃日、站点、活动类型学生—课程层聚合行为画像早期窗口第0—30日点击、活跃日、站点不使用第31日以后信息早期识别课程结果优秀、通过、未通过、退出通过/优秀1聚类外部参照每行对应一名学生在一次课程开课中的注册记录同一匿名学生可能跨模块或跨批次出现。非考试类作业包括Tutor Marked Assessment和Computer Marked Assessment期末考试被排除高作业完成度定义为提交数量达到课程规定数量的80%及以上。平台活跃日按相对开课日去重早期窗口固定为第0至第30日课前点击单独保留。最终CSV含63列并重复记录Kaggle、官方论文和许可信息方便追溯来源。2.3 分析方法描述分析使用比例、分位数、Spearman相关、热力图和分组分布。KMeans在对数化点击、早期与全程活跃天数、活动规律度和论坛占比上标准化后聚为四类随机种子固定为42并报告轮廓系数。分类模型将样本按目标分层划分为75%训练集和25%测试集比较逻辑回归与随机森林数值缺失用训练集内中位数填补分类缺失用众数填补并独热编码。模型只使用课前与开课后30天可获得的特征不使用作业成绩、全程点击、退课日期或最终课程结果。三、实证分析样本与课程结构本节先说明学生—课程记录的参与漏斗、人口结构、开课规模与最终结果为后续解释平台行为建立课程情境。32,593条学生—课程记录对应28,785名匿名学生说明部分学生修读了不止一个模块或批次。平台有活动的记录为29,228条占89.7%至少提交一项非考试类作业的记录为25,839条占79.3%作业提交完成度达到80%的记录为16,372条占50.2%。漏斗在“有平台活动”到“提交作业”之间出现明显收缩提示登录或浏览并不等同于形成可计量的学习产出。由于每条记录对应一次课程开课而非唯一自然人所有完成率和模型评价都应理解为课程层面的参与结果不能把同一学生跨课程记录当作完全独立的生活经历。fig, axes plt.subplots(2, 2, figsize(11, 7)) for ax, (col, title, mapping) in zip(axes.flat, panels): s df[col].map(mapping).fillna(df[col]) if mapping else df[col] pct s.value_counts(normalizeTrue) * 100 sns.barplot(xpct.values, ypct.index, axax)样本中男性占54.8%、女性占45.2%年龄以35岁以下为主其中“0–35”组占70.4%入学前学历以A Level或同等学历为主占43.1%申报残障的记录占9.7%。开放大学面向在职者和非传统学习者年龄与学历结构本就不同于全日制普通高校因此这些比例首先说明样本的教育情境而不是一般大学生的总体画像。后续比较需要把人口变量视为分层背景特别是残障等敏感信息只能用于改善可及性不宜直接驱动风险性处置。四、实证分析在线投入与作业行为平台点击量呈长尾分布且模块间量级差异很大FFF的中位总点击约1,683次AAA约1,160.5次而BBB约320次、GGG约421.5次。对数尺度压缩了极端活跃学生的影响后课程间仍然存在结构差异说明点击量强烈依赖课程设计与资源组织同样的1,000次点击在不同模块中不一定代表相同投入。因而点击总量适合在课程内做相对比较不适合跨课程设置单一硬阈值。后续模型同时加入模块和开课批次并使用活跃天数、早期站点数等过程指标以降低只看总点击造成的误判。activity_cols [clicks_oucontent,clicks_resource,clicks_subpage, clicks_forumng,clicks_quiz,clicks_url, clicks_homepage,clicks_other] activity df[activity_cols].sum().sort_values(ascendingFalse) ax.bar(labels, activity.values / activity.sum() * 100)非考试类作业提交完成度的均值为59.7%达到80%的记录占50.2%完成度为0的记录占20.7%全部提交的记录占41.5%分布在0和100%附近形成明显堆积。注册提前期与后续行为并非简单线性关系提前不超过2周组的高完成度率为50.9%提前超过120天组为44.6%相应的开课后30天平均活跃天数分别为8.3天和9.7天。较早注册可能代表规划充分也可能只是行政批次差异临近开课注册则可能压缩熟悉平台和准备材料的时间。更可行的做法是在开课前向所有学生提供统一的导航和准备清单并把注册时点与早期实际活跃结合而不是把晚注册直接认定为低动机。heat[早期活跃分位] pd.qcut( heat.early_active_days_30d.rank(methodfirst), 5, labels[最低20%,较低,中等,较高,最高20%]) matrix heat.pivot_table(index既往尝试次数, columns早期活跃分位, valueshigh_assignment_completion, aggfuncmean) * 100 sns.heatmap(matrix, annotTrue, fmt.1f)五、学习类型与早期识别模型KMeans基于早期点击、全程点击、活跃天数、规律度和论坛占比形成四类画像轮廓系数为0.371表明群体存在可解释但并非绝对清晰的边界。持续高投入型有7,822条记录高完成度率84.7%、通过/优秀率81.5%低参与型有5,586条两项比例仅5.7%和5.0%。中间两类表现接近说明类型标签是相对画像而非固定人格适合设计不同提醒方式不适合决定学生资格。X_train, X_test, y_train, y_test train_test_split( X, y, test_size.25, stratifyy, random_state42) rf Pipeline([(prep, preprocess), (model, RandomForestClassifier(n_estimators350, max_depth12, min_samples_leaf8, class_weightbalanced_subsample, random_state42, n_jobs-1))]) rf.fit(X_train, y_train) prob rf.predict_proba(X_test)[:, 1]六、主要结论与应用建议6.1 主要结论第一在线学习投入具有显著的课程差异和长尾特征跨课程使用统一点击阈值并不合理。第二课程内容、论坛、测验和主页构成主要平台活动学生参与是阅读、互动与任务执行的组合。第三高完成度组在开课后30天的点击和活跃天数明显更高早期活跃天数与完成度相关0.581为支持性提醒提供了时间窗口。第四四类画像中持续高投入型表现最佳低参与型风险集中但中间类型边界并不绝对。第五30天随机森林AUC为0.815、F1为0.749足以辅助排序而不足以自动决策。6.2 教学应用建议建议高校按“课程校准—早期观察—分层联系—人工确认”实施首先由任课教师按本课程正常点击与活跃分布设定相对阈值其次在开课后两周和30天分别观察活跃天数、站点覆盖和作业节点再次对低参与型提供平台导航、任务清单和学习计划对前期集中型提醒均匀安排对稳步跟进型提供关键截止日提示对持续高投入型减少无必要干扰最后由辅导员结合学生自述、课程要求和线下学习情况确认支持需求。干预效果应通过后续作业完成变化评估而不是只看点击是否上升。6.3 对中国高校与研究生案例的迁移若迁移到中国本科生或研究生培养可把课程模块替换为专业课、科研训练、组会或在线资源单元把作业完成度替换为阶段报告、阅读记录、实验里程碑或论文写作任务的按期完成率早期窗口应依据学期长度和培养节点重新定义。迁移时必须在本校数据上重新聚合、训练和验证尤其检查不同学院、培养层次和学习方式的误报差异。研究生案例还应加入导师反馈和科研任务复杂度避免把平台行为当作科研投入的完整替代。具体细节见原文完整内容可私创造不易谢谢各位多多点赞收藏