基于交互移动技术的大学生学习行为分析和智能推荐系统研究

当前，高校学生的学习行为具有多样性和复杂性，传统的教学方法已经很难满足他们的个性化学习需要。交互移动技术的出现，为学生的学习行为进行分析，实现个性化的推荐。利用大数据与人工智能技术，对学生的学习习惯、知识掌握情况和兴趣点进行深入的分析，并根据不同的情况，设计出适合个性化的学习推荐机制。

一、交互移动技术下大学生学

1.学习场景的多元化与碎片化

移动学习突破了空间和时间的局限，使学生能够利用碎片时间，如上下班，排队，休息等来完成自己的学业。研究发现，68%的在校学生每日花在手机上的时间不超过30 分钟，并且学习地点非常分散（32%的图书馆，28%的寝室，21%的公共交通，19%的其他地方），该模型不仅要求学习内容模块化、可中断性等特征，而且还要求系统具有随情景变化而动态调整推荐策略的能力。

2.学习行为的社交化与协作化

社会化媒体和移动教育平台的结合使得学生的学习表现出强烈的社会化特征。学生利用微信和 QQ 建立学习群，通过知识共享和问题探讨，构建合作学习的网络。资料分析显示，参加“学习社区”的学生，每周的学习时间平均增加2.3 个小时，并增加了18%的记忆保留率，这就对智能推荐系统提出了更高的要求，它可以有效地发现隐藏在社会关系中的知识流，并以此为基础进行个性化推荐[1]。

3.学习路径的非线性与动态性

在移动学习情境中，学习者的学习轨迹表现出了“跳跃式”的特点。比如，在网上上课的时候，由于外界因素的影响，学生们会暂时停止自己的学习，转而去参考相关的资料，或者参加一些论坛的讨论。由于多任务的交替，使得学习轨迹的预测变得更加困难，而传统的线性推荐方法很难适用。该系统需要能够对用户的点击流量、停留时间、切换频率等进行分析，并根据用户的点击流量、停留时间、切换频率等信息进行动态调整。

二、基于交互移动技术的智能推荐

1.多维度学习行为数据采集框架

系统通过移动设备传感器、学习平台日志、社交媒体数据三渠道采集行为数据。其一，设备层数据：拟采用加速度传感器、陀螺仪等进行学习情景（如步行、静坐等）的检测，利用 GPS 进行学习场所（图书馆、宿舍等）的识别。其二，平台层数据：可以通过浏览网页的时间、笔记的数量、测试的分数等来记录用户的互动行为。其三，社交层数据：利用自然语言处理技术，对论坛讨论、IM 中的情绪趋势和知识需求进行分析，建立学习者的社会地图。

2.动态权重调整的推荐算法

系统采用混合推荐模型，结合协同过滤与内容推荐的优势。其一，短期行为建模：采用 LSTM 神经网络对近7 天来的行为进行了统计分析，以反映其在学习过程中的变化规律。其二，长期兴趣挖掘：基于 TF-IDF 的信息抽取方法，并将其与知识地图相结合，建立了一个兴趣标记系统。其三，场景感知权重分配：结合实际情况（上下班、睡觉前等），对推荐策略进行动态调整。比如，上班时间和地点分别为0.7 级和0.85 级。

3.实时反馈与模型优化机制

系统通过A/B 测试持续优化推荐效果。其一，显式反馈：在推荐内容下方设置“有用/无用”按钮，收集学生直接评价。其二，隐式反馈：通过对用户点击、用户完成度、分享率等行为指标的分析，间接地对用户的推荐质量进行评价。其三，强化学习优化：基于DQN（DQN）的方法，该方法能够根据反馈信息，对推荐策略的参数进行动态调整，从而实现了自演化的能力。

三、系统实现与实验验证

1.原型系统开发

基于Android 平台开发移动学习客户端，集成以下功能模块。其一，行为采集模块：通过AndroidSDK 实现对设备传感数据的采集，并通过RESTfulAPI 对平台的日志进行同步学习。其二，推荐引擎模块：在云计算平台上进行部署，并利用Spark 架构来解决海量数据的处理问题，并将其应用到实际应用中。其三，可视化交互模块：采用卡式接口，支持语音输入和手势操作等手机终端特有的互动方式 。

2.实验设计与数据收集

在一所高校中，随机抽取了 300 名大学生作为控制组，分成了采用智能推荐系统的实验组和采用传统的学习平台的控制组。持续跟踪12 周。其一，量化指标：记录学习时长、测验成绩、课程完成率等客观数据。其二，质性指标：通过半结构化访谈收集学生对推荐内容的满意度与系统使用体验。

3.实验结果分析

其一，学习参与度提升：实验班平均每周学习时数较控制班多 1.8 个小时，班完成率提高了23%；其二，知识掌握率改善：实验班的期末考试平均分高于控制组7.2 分（满分为100)，在逻辑能力强的学科如程序设计和数学方面表现更为突出。其三，用户满意度调查：实验班有 92% 的同学对所推荐的教材“切合目前的教学需要”和“会持续使用”的 85% 。

结语

总之，交互移动技术的发展为高校学生的个性化学习开辟了一条新的道路。随着科技的进步与应用的深入，智能推荐系统必将成为未来教育的主流，促进教育向个性化和智能化方向发展。

参考文献

[1]雷春华.欧美来华学生汉语学习中的文化差异与适应[M].华文出版社:202212.258

[2]吴楠.课堂教学视频中的学生学习行为识别方法研究[D].华中师范大学,2021.