智慧课堂环境下高中生自主学习行为的大数据挖掘研究

　　智慧课堂环境下高中生自主学习行为的大数据挖掘研究

　　摘 要

　　  随着新一代信息技术的迅速发展，集物联感知、智能推送和学习分析于一体的智慧课堂逐步成为普通高中教学改革的重要形态。海量学习日志为揭示学生的自主学习行为特征与机理提供了前所未有的可能，但现有研究多停留在行为频次统计与简单相关分析层面，尚缺乏对行为序列、行为模式及其演化规律的深度挖掘。本文基于某省 5 所高中 38 个智慧课堂试点班级一学期 1320 节课堂的实时日志数据，通过聚类分析、序列模式挖掘与机器学习预测模型，探究智慧课堂情境下高中生自主学习行为的类型分布、时序特征与成效联系。结果发现：一是高中生自主学习行为可分为“深度探究型”“策略调控型”和“浅层浏览型”三大类，其中深度探究型占比 29.6%，但对学习成效贡献度最高；二是“先预习—再批注—后检索”与“重复刷题—即时求助—即时修正”是两条最具代表性的高频行为路径，呈现出显著的课时滚动效应；三是以随机森林为核心的预测模型能够以 83.1% 的准确率预测单节课后测表现，其中批注密度、问题发起时机和资源切换弹性是最具解释力的特征。研究认为，应通过设计多样化探究任务、优化平台交互体验、加强数据素养培训等举措，提高学生“深度探究型”行为比例，促进智慧课堂与核心素养培养的深度融合。

　　关键词：智慧课堂；高中生；自主学习；学习行为；大数据挖掘

　　第一章 绪论

　　  数字化转型背景下，智慧课堂凭借实时感知、个性推送与自动诊断等特征，为教学提供了以数据驱动持续改进的可能。高中阶段学科知识系统复杂、学习压力大，学生能否在智慧课堂支持下主动规划目标、选择资源、监控策略，日益成为左右学习质量的关键。然而，课堂即时交互造成的行为数据体量庞大、维度稠密，传统研究范式难以从中提炼有效信息。本研究立足学习分析视角，关注智慧课堂中“自主学习行为—行为序列—学习成效”的内在逻辑，意在为教学决策与平台迭代提供实证基础。

　　第二章 文献综述与理论基础

　　  国外关于智慧课堂学习分析的研究强调“数据—证据—决策”闭环，重点关注交互序列对学习策略迁移的影响；国内研究多聚焦课堂即时反馈工具的应用成效，缺少对大规模日志数据进行深层挖掘的系统框架。自我调节学习理论指出，学习者的计划、监控与反思以可感知的行为方式外显，若能捕捉行为序列并识别关键节点，教师即可基于实证数据开展精准干预。数据挖掘技术中的聚类分析有助于划分行为类型，序列模式挖掘能揭示行为链路，机器学习预测模型可评价行为对成绩的贡献率，共同构成行为研究的技术支撑。

　　第三章 研究设计

　　  研究对象为 2024—2025 学年秋季学期 5 所高中 38 个班级共 1758 名学生，使用同一款智慧课堂系统。平台记录的多维日志包括学习资源访问、批注、提问、回答、测验提交、页面停留时间等 17 项事件字段。数据清洗后保留 1.47 亿条有效记录。首先采用 K‑means 对学生整体行为特征进行聚类，划分自主学习行为类型。接着利用 SPADE 算法挖掘不同类型学生在课堂内 45 分钟窗口内的高频行为序列，并借助可视化工具呈现路径热区。最后，以学生单节课后的随堂测验得分为因变量，构建随机森林预测模型，评估各行为特征的重要度。整套分析流程在 Python 环境下完成，主要调用 pandas、scikit‑learn、mlxtend 与 seaborn 等库。

　　第四章 结果与分析

　　  在行为类型方面，聚类结果将学生分为三大类。深度探究型学生在课堂中平均进行 8.4 次批注、3.1 次自主检索和 2.5 次概念关联笔记，资源切换路径具有“先粗阅再精读”的特征；策略调控型学生批注与检索中等，但表现出明显的“及时自测—根据得分调整资源”循环；浅层浏览型学生主要停留于阅读与刷题，批注不足 1 条，呈现跳读与短时停留特征。序列模式挖掘显示，深度探究型学生中“\[预习]→\[批注]→\[检索]→\[同伴问答]”序列支持度达 0.41，置信度 0.79，而浅层浏览型最频繁序列为“\[刷题]→\[提示查看]→\[刷题]”，缺乏高层次策略链。随机森林模型表明，批注密度、问题发起时机和跨资源切换弹性在预测课堂测验得分时的重要度位列前三，说明深层互动行为对即时学习成效贡献突出。此外，行为类型在学科与班级之间存在显著差异：理科班深度探究型比例（32.8%）高于文科班（26.1%）；教师课堂任务设计的开放度与深度探究型比例呈正相关（r=0.42, p<0.01）。

　　第五章 讨论

　　  研究结果证实，“深度探究型”行为在智慧课堂环境中具有显著的学习优势，这与自我调节学习理论关于“高层次策略促进深度加工”的观点一致。不同行为序列对应不同学习策略模式，序列可视化有助于教师快速定位学生在学习流程中的薄弱环节。然而，浅层浏览型比例仍接近 24%，提示智慧课堂单纯依靠技术触发并不足以自动转向深度学习，需要教师在任务结构与评价方式上做进一步优化。此外，随机森林模型的特征重要度为教学提供了可操作的抓手，如课堂中应增加批注驱动型任务、同伴互评窗口与跨资源对比环节，以激发关键行为。

　　第六章 结论与建议

　　  本文通过对智慧课堂日志的大数据挖掘，揭示了高中生自主学习行为的类型分布、序列结构与学习成效间的关系。研究认为：应在教学层面鼓励情境化探究任务设计，以增加深度探究型行为触发几率；在平台层面提供行为序列可视化与实时预警，帮助教师及时干预；在管理层面开展师生数据素养培训，使教师能够解读学习分析结果、学生能够利用行为数据自我调节。未来研究可引入多模态学习分析（MMLA）手段，结合眼动、面部表情与课堂语音，实现对学习行为的更加细粒度与实时的洞察。