随着信息技术与互联网的迅速发展,人们在生活和学习等方面都发生了巨大的变化,在此背景下,在线学习模式迅速兴起,并成为现代教育的一个重要组成部分。不同于传统的教育方式,在线学习的学习者不再受时间和地点的限制,能够随时、便捷地进行学习。然而,正是由于在线学习中教师与学习者处于时空分离的状态,使得教师很难像传统的教育方式,通过在课堂中直接观察学习者的行为状态,监督其学习情况,及时发现学习者在学习中出现的问题并提供有效的指导。为了解决以上问题,很有必要对学习者在在线学习时产生的海量行为数据进行采集,并从中分析和挖掘有价值的信息。本文结合Hadoop大数据处理技术与传统日志采集技术对在线学习平台产生的数据进行采集,通过对有噪声或缺失的数据进行清洗与预处理,实现对学习者的在线学习行为全面的分析,方便教师与平台管理者进行专业化的管理。本文的主要工作与贡献如下:1.通过阐述国内外对于在线学习行为分析的研究特点与研究现状,整理与学习者在线学习行为相关的教育学原理,为分析行为数据奠定理论基础;通过介绍大数据采集、预处理以及数据可视化相关技术,为行为数据分析及可视化做技术支撑。2.提出并构建在线学习行为数据分析及可视化模型。首先,对于影响学习者在线学习行为的因素进行了分析,选取出具有针对性的学习行为属性参数;在此基础上,构建出在线学习行为数据分析及可视化的总体架构,包括数据采集、数据预处理、数据分析以及可视化呈现;此外,利用大数据处理技术,对在线学习行为分析模型中的四个部分所涉及的内容进行具体的研究。3.对在线学习行为数据分析及可视化建立的模型进行实例研究。利用基于Hadoop的大数据处理技术对在线学习平台产生的数据进行采集与预处理,重点关注与课程访问、观看视频以及讨论等行为特征有关的数据,对其进行三个方面的实验分析,包括学习者基本学习行为的描述性分析、与学习者成绩有关的相关性分析以及基于K-means算法的学习行为聚类分析。同时,对于以上实验分析的结果进行可视化呈现,得出对学习者、教师以及平台管理人员的启示。本文结合了行为科学理论与大数据处理技术,构建出在线学习行为数据分析及可视化模型,通过深入分析在线学习平台中产生的海量学习行为数据,有助于全面分析学习者的学习行为,方便教师进行专业化的教学管理以及为学习平台的建设提供一定的指导建议,为在线教育的发展贡献一份力量。