在线教育中的可视化分析技术综述

视觉信息学6（2022）67在线教育的可视化分析技术综述XiaoyanKui，NaimingLiu，QiangLiu，JingweiLiu，XiaoqianZeng，ChaoZhang中南大学计算机科学学院，湖南省长沙市庐山南路932号，410083ar t i cl e i nf o文章历史记录：2022年6月11日收到收到修订版，2022年7月16日接受，2022年2022年8月1日上线保留字：视觉分析在线教育行为分析内容分析a b st ra ct可视化分析技术被广泛用于促进在线教育数据的探索。为了帮助研究人员更好地了解这些技术在网络教育中的必要性和效率，我们系统地回顾了过去十年的相关工作，提供了一个全面的看法，使用可视化在网络教育中的问题。我们建立了一个分类法，分析目标，并将现有的可视化分析技术分为四类：学习行为分析，学习内容分析，学生之间的交互分析，预测和推荐。在每个类别中总结了可视化分析技术的使用，以显示它们在不同分析任务中的优势。最后，我们讨论了未来的研究机会和挑战，在利用可视化分析技术的在线教育。版权所有©2022作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，在线教育发展迅速。学生可以在学习平台上完成各种学习任务。在这些在线学习平台上记录了大量的教育数据，例如学生访问学习资源数据（Li et al. ，2017a）、视频点击流数据（Shi et al. ，2015）、论坛数据（Fu et al. ，2016年），解决问题的数据（夏等人，2020c）和过程数据（Zhao et al. ，2018年）。通过分析这些在线教育数据，教师和分析师可以了解学生然而，在线教育数据庞大、复杂、异构、多层次，这对最终用户进行高效的数据分析提出了挑战。可视化分析技术将复杂的数据转换为直观的表示，并为数据分析提供重要的帮助。基于分析目标，不同的可视化分析技术已被用于促进在线教育数据的分析，并显示出它们在提高学习绩效方面的效率。例如，Kim et al. （2014）对视频内辍学、收视率峰值和学生活动进行了大规模分析Schwab等人（2016）提出了一个知识概念图，为学生推荐一条有效的学习路径。几篇评论文章总结了现有的作品，为观众提供了一个全面的指南Qu and Chen（2015）*通讯作者。电子邮件地址：chao. csu.edu.cn（C. 张）。https://doi.org/10.1016/j.visinf.2022.07.004提供了2015年MOOC视觉分析进展的回顾。然而，审查的范围仅限于MOOC数据。Vieira et al.（2018）对教育数据中的视觉学习分析进行了系统综述，调查了教育数据的可视化和相应视觉学习分析工具的设计。然而，在不同的在线学习任务中使用视觉分析工具的区别需要更清楚地解决。此外，在线教育中新出现的分析任务也没有包括在他们的调查文件中。例如，Xia et al. （2020b）使用可视化分析技术来分析学生在在线解决问题平台上的行为。考虑到各种学习材料和不同任务的可视化分析技术的最新进展，我们总结了最先进的论文，并提出了一个全面的调查在线教育数据的可视化分析我们提出了一种新的分类法基于不同的分析目标。在每个类别中，介绍了几篇具有代表性的论文展示可视化分析技术在教育数据上的应用，以及可视化分析技术带来的直观感受最后，我们讨论了未来的研究方向和机会。本文可以帮助研究人员快速理解和洞察在线教育中的不同分析目标。我们希望我们的调查能够促进教育数据可视化分析的发展。2. 调查景观本文对网络教育中的可视化技术进行了综述.为了明确可视化技术在网络教育中的主要应用，本文根据不同的分析目标对现有的可视化分析技术进行了2468- 502 X/©2022作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表视觉信息学期刊主页：www.elsevier.com/locate/visinfX. Kui，N.刘，智-地Liu等人视觉信息学6（2022）67682.1. 纸张选择我们以两种方式进行文献检索：检索驱动和参考文献驱动选择。我们首先使用论文检索方法获得初步的论文集。考虑到在线教育、远程教育、问题解决等场景，我们将搜索关键词确定为在线教育、MOOC、e-learning、论坛、在线讨论、问题解决、参与和绩效。我们使用了IEEE Explorer、ACM Digital Library和Google Scholar等搜索工具 在过去十年（2011年至2021年）中，使用这些关键词结合“可视化”和“视觉分析”来搜索论文。特别是，我们的搜索涵盖了高影响力的会议（IEEE VAST ，ACM CHI ，IEEE EuroVis和 IEEEPacificVis）。以及可视化领域的期刊（IEEE TVCG、CGF和CGA）。在我们的第一轮搜索之后，我们递归地搜索了所收集论文的参考文献中的论文，以确保我们涵盖了所有重要的相关论文。接下来，我们浏览论文的摘要和主要内容，以进一步确定论文是否与在线教育数据的可视化分析技术有关。经过收集和提炼，我们最终选定了 60篇有代表性的论文供本次调查讨论2.2. Taxonomy在对收集到的论文进行综合分析和总结的基础上，将网络教育可视化分析技术按照分析目标进行了我们在表1中总结了相关工作。2.2.1. 学习行为分析在线教育中有很多教学模块，如视频、问题和论坛。学习材料的多重选择导致了学生学习行为的显著差异，尤其是在学习资源的获取上。可视化分析技术通过对学生学习过程中的综合表现进行评估，可以帮助教师分析学生如何获取不同的学习资源，并支持教师进行教育干预。此外，对于某种类型的学习资源，学习行为的多样性（例如，暂停、播放和后退）使得教育数据禁止通过蛮力进行分析可视化分析技术可以提供直观的界面和可视化辅助工具，以促进从此类数据中提取信息。2.2.2. 学习内容分析可视化分析技术可用于探索内容对学习行为和表现的影响。通过利用可视化分析系统传达的信息，教师可以更好地评估学习内容的质量，促进学生2.2.3. 学生互动分析学生互动是学生寻求帮助和改善学生关系的有效途径。考虑到交互数据属性（可以是结构化的或非结构化的），可以利用可视化分析来描绘学生2.2.4. 预测与推荐在线学习平台记录的教育数据为预测提供了足够的训练数据集。可视化分析技术可以用来促进行为预测的解释，并探索预测性能和学习行为之间的相关性此外，它还可以帮助教师回顾学习资源中的不足，帮助学生快速定位指定的知识点。在这里，可视化分析技术的目标是从各种学习材料中推荐合适的学习资源和有效的学习路径。3. 学习行为分析在线学习平台提供许多教育资源（例如，视频、维基、问题和各种学习材料），以支持知识获取。网络教育的主要目标之一是提高学习者为此，对学习资源的利用进行分析至关重要。一种常见的方法是使用学习平台记录的学习行为数据，并评估各种行为对最终表现的影响。通过探究学习行为数据与学习成绩之间的关系，有助于教师制定适当的学习干预措施，改进课程设计。然而，数据来源的多样性、粒度和多模态性极大地增加了找出与知识获取相关的关键特征的复杂性。为了解决这一问题，研究人员采用可视化分析技术来促进分析，主要从以下两个方面。在低层次上，研究者对某种类型的学习资源进行详细的分析。为了探索学习者如何使用学习材料，对学习行为进行了深入/全面的调查。在高层次上，研究者更注重从总结性的观点，通过分析时间序列数据，代表了多种学习材料的访问的学习者的聚合/序列例如，研究人员对不同学习活动的时间管理进行了深入分析，以改进课程设计。3.1. 各类教育资源网络学习平台为学习者提供了丰富多样的教育资源然而，多样性也诱导多种行为模式（例如，对教育资源的访问模式）。由于教育数据量大、结构复杂，用传统的数学工具分析教育模式是不可行的。相反，可视化分析技术可以通过事件序列分析来探索行为模式通过可视化分析方法，教师可以了解学生与各种教育资源的交互模式，灵活调整教育资源，及时干预学生的学习过程。现有的研究主要从聚合分析和序列分析两个方面对学习行为进行至于聚合分析，研究人员使用交互式视觉分析来展示观察到的事件的聚合信息，以分析活动趋势（Dernoncourt et al. ，2013）或时间模式（Aguilar et al. ，2009年）。Li等人（2017年）智能解决方案，提供交互式工具，帮助教师分析学习进度。他们挖掘了两个学习指标，并将结果可视化为散点图。教师可以从多个维度了解学生日历图表（LiX. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6769表1在线教育可视化分析技术的分类及各分类的代表作品目标代表性可视化技术（数据类型）论文学习行为分析学习行为学习者轨迹网络Li等人各种树形结构条形图（2017 a），Dernoncourt etal.类型的教育图表，（2013），Aguilar et al.（2009年），资源朝阳图（用户Li等人（2015年，2017年b），行为数据）Bueckle和Borner（2017），Chen等人（2019），郭等人 （2021），Poon et al.（2017），Ho和Yao（2018），Chen等人 （2018），Mu et al.（2019），Ginda et al.（2019年），Coffrin等人（2014），戴维斯等人（2016年）学习行为在一象形文字嵌入的SankeyShi等人 （2015），Xia et al.教育资源图表、统计的（2020 c），Xia et al.图表，地图（2020 b），Wachtler等人(user’s behavior（2016），Chen et al.（2015年），He等人 （2018，2019 b，a），Tsung等人（2022），王等人 （2017），Xia et al.（2020 a），Charleer et al.（2013），Li et al. （2021年）学习内容分析关键词cloud，node-linkHuang等人（2017）-王概念图等人（2020年）（原创学习来源）学生互动分析互动行为平行坐标Fu等 （2016），Kim et al.分析图表、ThreadPulse、日历（2014），Rei et al.（2017），吴图等人（2016），Wong（2018），(user’s behaviorFu等（2018a，b），王和Oard，El-Assady（2009等人（2018年）互动内容分析主题河，水平Liu等人（2018 a）-郑堆叠条形图，散点图等人（2018年）图(user’s behavior预测与推荐学习预测离散图，桑基Okubo等人（2015）-邓行为和性能图表，时间轴图表等人（2019年）(user’s behavior学习资源互动知识Zhao等人（2018），施瓦布建议概念图，类似拉链等人 （2016），Xia et al.学习图表，（2019年）标签云（原创学习来源）等人，2015）或热度图（Li et al. ，2017 b）用于揭示学生获取信息的时间模式。Bueckle和Borner（2017）提出了一个交互式热图分析仪表板，以帮助教师探索学生最近，更复杂的系统与先进的可视化分析技术被提出来促进学习行为的说明。为了帮助用户收集信息片段，Chen等人（2019）提出了一种叙事幻灯片系统，将信息片段的叙事组织成一个数据故事，帮助用户探索潜在的学习模式。导游的概念是用来指导用户选择学习分析的主题，并提出了一个交互式的向下钻取路径，以指导用户探索特定的学习元素或学习者群体，他们感兴趣的。在探索不同组件的详细信息后，用户可以完成与视频，论坛，作业，整体动作和学习者相关的各种分析任务。综合系统帮助用户更好地了解学生学习的全过程。在序列分析中，由于反映学生行为的序列可能很长，因此如何利用经典的统计工具来探索这一长序列对教师来说是一个挑战。目前的可视化分析工作主要采用两种方法来探索行为序列模式：序列模式发现和状态转换。序列模式发现关注于连续事件之间的序列关系（Guo et al. 、2021年）。通过分析顺序模式，教师可以解释不同学习单元之间的隐藏关系，并调整课程材料，以促进学生的学习。频繁模式挖掘方法被用来分析序列数据。序列模式挖掘方法的结果被采用了许多可视化方法来表示。例如，Poonet al. （2017）采用序列模式挖掘技术，在从LMS导出的日志数据中发现学生的频繁序列模式。参见图1（1）的方法，通过层次聚类和朝阳可视化表示结果，降低了用户理解学习行为模式的难度 Ho和Yao（2018）使用了树状结构条形图（见图1）。1（2））来显示通过综合序列分析方法挖掘的常见导航模式。教师可以识别导航模式和学习成果之间的相关性Chen等人（2018）引入了一个名为Viseq的系统，用于识别学习者群体，并了解MOOC数据中学习行为背后的原因。他们使用了一种新颖的和弦图来可视化学习序列。教师可以探索不同的学生群体，发现学习顺序和表现之间的相关性。尽管上述视觉分析技术已被证明在模式分析中是有效的，但从各种模式中识别异常行为仍有待研究。 为了填补这一空白，Mu et al.（2019）开发了一个系统，X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6770Fig. 1. 各种类型教育资源上的学习行为的可视化。(1)Poon等（2017）使用了一个朝阳图表来显示学习模式。(2)Ho和Yao（2018）使用树状结构条形图来显示常见的导航模式。(3)Coffrin等人（2014）使用状态转换来了解学生如何在不同的学习状态之间移动。(4)Davis等人（2016）使用网络图和弧图来表示学生在不同类型的访问事件和视频之间的转移。帮助教师发现有异常行为的学生，并在MOOC数据中探索他们的学习活动。该系统利用异常检测算法来识别异常群体并发现其频繁模式以理解其行为。然后，他们使用一组协调的统计视图来帮助教师分析学生群体之间和内部的异常行为。进行序列分析的另一种方式是当学生有机会获得不同的学习资源时，重新识别状态转换模式。Ginda等人（2019）提出了一种系统，用于分析记录的事件数据中的学习者参与度，表现和课程轨迹。他们用树形图和弦图，用于分析课程结构和学习者与课程材料、活动和评估的互动模式。此外，本研究亦设计了一个学习者轨迹网络图来表示学习路径，以协助教师优化课程设计的顺序，并制定有效的课程介入策略。 Coffrin等人 （2014）调查了学生在两个具有不同课程结构的MOOC中的学习进度，以了解这些课程中的学习行为模式（见图2）。1（3））。状态转换图表示学生如何在不同的学习模块之间移动，这有助于教师了解和比较学生在两门课程中的参与模式。类似地，Davis et al.（2016）提出了一种可视化学习路径的方法。1（4）使用一个弧形图来表示他们观看视频的顺序。他们还使用网络图来显示不同事件类型的状态转换模式。3.2. 一类教育资源除了对各种教育资源的获取信息进行全面的探索外，还需要对特定类型的教育资源进行更详细的分析。可视化分析技术被广泛用于分析给定资源的学习行为。分别对视频资源和在线问题解决资源的可视化分析工具进行了概述此外，我们注意到在线课堂无法达到面对面课堂实时交互反馈的效果，可视化分析正是基于交互式可视化界面进行分析和推理，弥补了交互性差距的不足。因此，我们将简要介绍一些关于如何从面部表情、情感特征等方面感知学生参与的研究3.2.1. 视频资源视频是在线教育的主要形式之一。在线平台记录视频点击流数据。每个数据包括学生点击的时间戳通过使用可视化分析工具分析视频点击流模式，教师可以洞察学生通过利用视频点击流数据，Wachtler等人。（2016）可视化了一个小提琴图，显示了学生如示于图 2（1），Shi et al. （2015）开发了一个分析系统，以帮助教师了解学生在观看视频时的行为。他们使用事件图来显示点击事件的分布，并使用一种新颖的搜索图来显示视频中的跳转模式。通过对两种视图的相关性分析，可以确定学生关注或忽略的视频部分，有助于教师今后对视频内容的改进。 Chen等人（2015）研究了MOOC视频点击流的峰值特性。他们提出了一个名为PeakVi- zor的分析系统，以帮助教师分析MOOC中视频点击流的峰值（见图2）。第2（2）段）。他们首先应用峰值检测算法来检测视频点击流中的峰值，然后设计了一个图表来显示峰值的有价值的统计数据。最后，他们提出了一个流视图和相关视图，以帮助教师分析不同峰值的时空信息以及不同学习者群体与峰值之间的相关性。Wachtler等人。（2016）提出了一个系统来监控MOOC视频中的活动模式。他们分析了学生在视频中回答选择题和与老师交流的行为。一系列统计图表显示了对多项选择题的反应延迟模式和视频丢弃模式。发现学习行为的另一种常用方法是调查视频资源利用率。He等人（2018）最近研究了视频资源的利用模式。 他们首先提出了一个名为VUScraft的系统（He et al. ，2018），以分析在线远程教育中的视频利用模式和观看视频的时间模式。VUScraft提供了一个球形布局来描述所有课程中视频使用的分布。他们使用地图图表来显示课程的视频使用模式或学习中心的单个学生。一个日历地图是用来揭示学生学习视频的时间模式。通过设计一个视频观看日历，他们提出了一个名为VUC的系统（He et al. ，2019b），以帮助学生检查他们的观看进度的所有视频。He et al.（2019 a）还提供了一个名为LearnerVis的系统，用于分析学生学习视频的时间管理模式。散点图显示所有学生的整体参与度分布，并通过比较多个指标的一组箱形图对不同的学习者群体进行分类。此外，该系统还提供了日历图表，供教师探索学习视频过程的整体或详细的时间管理模式X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6771图二. 两个视频点击流数据的可视化分析系统。(1)VisMOOC旨在帮助教师通过观看视频了解学生的学习行为（Shi et al. ，2015）。(2)PeakVizor旨在从不同方面分析MOOC中视频点击流的峰值（Chen et al. ，2015）。3.2.2. 解决问题网络问题解决行为是指学生在网络平台上解决问题并获得最终结果的行为。一方面，学生可以通过在线解决问题来巩固知识;另一方面，教师可以通过在线考试来检查学生可视化分析技术使研究人员能够发现学生解决问题的行为模式。它可以帮助教师理解逻辑和认知的变化在 学生解决问题的过程，改进问题设计，更好地指导学生。现有的工作根据数据类型可以分为两大类：多步问题、问题解决行为模式和问题提交模式。对于多步题，研究者通过分析学生解题的详细过程，判断学生的思维逻辑是否符合题目的设计意图，获得对问题改进的洞察。 也有利于发现学生 比如夏等人 （2020 b）最近开发了两个先进的可视化分析系统，用于分析细粒度的问题解决过程数据，包括轨迹、鼠标的拖动/点击动作、在问题上花费的时间和分数等。，2020 b），这有助于问题设计者分析多步骤问题中的问题解决轨迹。他们将解决问题的行为建模为混合状态转换图。参见图3（1）中，一种新的字形嵌入的Sankey图被用来可视化模型结果。问题设计者可以深入了解学生解决问题的逻辑，参与度和遇到的困难。 Tsung等人（2022）提出了BlockLens，一种新颖的可视化分析系统，以帮助教师和平台所有者分析学生基于块的编码行为，错误和解决问题的模式。块透镜允许学生编码的多层次的细节的交互式的探索。一个学生检查站警告阴谋以及两个分布图，用于显示学生如何基于表现指标进行分布。基于Sankey的可视化总结了多个学生的路径和快照转换信息。研究者可以通过发现学生的问题提交模式来了解学生对问题提交行为的认知能力，发现学生的困惑领域。Wang等人（2017）采用快照方法，在学生解决编程问题时每次运行代码时收集数据。他们使用桑基图表来识别学生解决问题步骤中的状态转换模式，并发现学生的困惑。Xia等人（2020c）开发了一个系统，称为SeqDynamics，用于分析学生在解决学生随时间推移的一系列问题的过程中的认知和非认知模式。他们通过多个协调视图可视化了动力学问题解决行为（见图1）. 3（2）），这有助于教师评估学生对问题解决行为进行分析的重要原因之一是促进学生的反思。一些研究通过可视化同伴的学习信息来促进学生的自我反思和积极反馈。例如，有一种被称为游戏系统的不良现象，这意味着学生直接得到答案，而不是思考如何解决问题。为了说服学生在解决在线编程问题时不要玩弄系统，Xia等人。（2020a）采用可视化的方法传达不玩游戏的原因，有利于改变学生 参见图 3（3）、学生可以将自己的学习行为或过程与同伴进行比较，促进了学生的自我反思。Charleer等人（2013）提出了一个可视化的徽章，提供详细的学习进度，以促进小组反思。参见图3（4）、通过图表，学生可以认识到与同龄人的差距，激励自己努力学习最后，由于COVID-19疫情爆发，我们开发了在线考试，以方便完成各种考试。然而，由于缺乏面对面的互动，教师发现学生是否作弊是一个很大的挑战即使在线考试伴随着开放的摄像头，作弊事件仍然很难被发现。为了应对这一挑战，Li et al.（2021）提出了一种可视化分析方法，以促进在线考试的监考（见图2）。第3（5）段）。检测出异常的头部和鼠标动作，并与其他相关信息从不同层次进行可视化，支持教师快速识别风险位置，通过查看原始视频判断是否存在作弊行为。4. 学习内容分析除了学习行为分析，内容分析也有助于提高在线课程的质量考虑到在线教育材料中包含的大量信息，教师和学习者都有必要了解知识获取的程度并评估学习内容的质量。由于在线教育数据结构复杂，通过蛮力检查学习内容非常耗时。可视化分析技术在知识探索和概念提取方面表现出了很好的效率，有利于内容分析和课程设计。视频是在线教育的主要资源，使专业教师能够大规模分享他们的知识。现有的努力帮助教师主要从三个方面分析视频内容Huang等人 （2017年）X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6772图三. 五个解决问题的例子。(1)QLens是一个可视化分析系统，它根据学生的问题解决逻辑、参与度和遇到的困难来分析学生的多步骤问题解决行为（Xia et al. ，2020b）。(2)SeqDynamics是一种可视化分析系统，从认知和非认知角度评估在线问题解决动态（Xiaet al. ，2020c）。(3)一种直观的方法，帮助学生比较不同的学习模式的学生与不同的表现（夏等人。，2020a）。（四）一可视化的徽章的示出学生他们的学习进展（Charleer etal. ，2013）。(5)一个可视化分析系统，监测学生参 加 在 线 考 试 时 的 参 与 度（ L i e t al. ，2021年）。提出了一种方法，允许学习者快速查看视频中的学习概念。参见图在图4（1）中，采用关键词云来可视化视频的内容。他们根据学生在视频中的互动将视频分成几个片段。当用户从关键词云中选择一个关键词时，视频将跳转到相应的视频片段。Liu等人（2018 b）提出了一个名为ConceptScape的系统，该系统使用概念图来帮助用户定位与特定概念相关的视频部分。一个节点链接图被用来构建概念图。每个概念都有一个时间锚，视频的特定时间点从而，用户可以快速探索视频的内容，定位视频的时间点一个概念。除了视频中的文字信息外，有些作品还分析了演讲者的姿势和声音，这有助于教师重新思考内容，进一步提高教学水平。Wu和Qu（2018）为用户提供了一个系统，用于探索TED演讲视频中使用的演示技术（见图1）。 4（2））。他们分析了视频集合中的多模态内容在诉诸计算机视觉和自然语言处理方法来捕捉演示技术之后，他们使用投影视图，Sankey图表和矩阵图来揭示和比较使用这些演示技术的不同群体的模式 Wang等人 （2020）提出了一个系统，用于分析TED Talk视频中演讲者的语音调制技能，该系统可以帮助演讲者有效地训练他们的语音调制技能（见图2）。4（3））。该系统提供了一个面板视图，供用户通过音频或文本输入提交查询语句。然后，系统将在推荐视图中推荐一个好的最后，一个折线图提供实时和定量的反馈，这有助于用户练习他们的语音调制技术。5. 学生之间的互动分析学生之间的互动是指学生之间的合作讨论，这有助于学生获得知识，增进与同学的友谊。对交互的深入分析，特别是使用可视化分析技术，可以更好地理解在线教育评估。学习者的互动往往随时间而变化，也高度依赖于参与者的个性。通过视觉分析，见图4。三个视觉分析系统，分别分析内容，姿势和声音。(1)VideoMark，一种视觉分析方法，使学习者能够回顾MOOC视频中的概念，并快速定位概念在视频中的位置（Huang et al. ，2017年）。(2)一个视觉分析系统，帮助用户探索TED演讲中演讲者(3)语音教练，一种视觉分析方法，帮助用户训练他们的语音调制技能（Wang etal. ，2020年）。交互数据的表示可以更加直观和易于解释，这使得教师能够识别交互的一般特征及其背后的原理。在线教育中的交互主要有三种类型：论坛，团队对话和视频中的时间锚定评论。首先，在论坛中，不同的学生可以通过发帖和回复来讨论同一个论坛数据是网络结构数据，包括发帖者、接收者和发帖内容。第二，小组对话是指学生在聊天室中讨论团队会话数据是一种时间序列数据，包括时间、学生ID和会话内容。第三，视频中的时间锚定评论是指学生观看视频时带有时间戳的评论。视频评论数据属于时空数据，每个数据记录了视频中的位置和时间。本文从交互行为分析和交互内容分析两个方面5.1. 交互行为分析分析学生目前在线交互的可视化分析工作主要集中在三种交互数据：论坛数据、会话数据和视频评论。这些交互数据分为两类：结构化交互数据和非结构化交互数据。论坛数据是结构化的交互数据，是包含帖子的发送者和复制者的网络结构。非结构化数据包括会话数据、视频中的时间锚定评论数据和讨论数据。例如，在会话数据中仅存在说话者信息而不存在收听者信息对于论坛数据，由于学生人数众多，网络结构复杂，教师难以感知学生之间的互动。一些作品使用节点链接图来揭示学生之间的关系（Rei et al. ，2017年）。 Wu等人 （2016）提出了一个可视化分析系统，以帮助教师了解MOOC论坛中不同学生群体的互动。他们使用平行坐标图来过滤不同的学生组，并使用节点链接图来显示所选组的交互和主题。Wong（2018）开发了一个名为Messagelens的系统，该系统支持X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6773多方面分析论坛讨论，包括学生该系统还支持不同层次的分析网络视图用于理解学生之间的交互。用户可以发现与所选主题相关的子网络，并分析学生在子网络中的态度归因。有些作品侧重于分析论坛上的用户群 Fu等 （2018a）提出了一个名为VisForum的可视化分析系统，该系统可以帮助教师探索、比较和跟踪论坛中的学生群体。他们将论坛帖子数据转换为回复序列，并提出了一种群体检测排序算法来聚类相同群体的帖子。提供了一种新颖的群时延设计，以呈现群组细节信息，包括群组大小和群组出现的相对频率以及用户活跃度。该系统支持快速识别多个学生群体，并比较这些群体之间的进化模式的差异。iForum（Fu etal. ，2016）是一个可视化分析系统，帮助讲师发现和理解MOOC论坛的动态模式。他们使用了一组新颖的可视化来呈现MOOC论坛中的帖子、用户和线程的信息。该系统可以帮助用户全面了解学生互动的时间模式。对于会话数据，在分析会话数据时存在两个挑战。一个是如何理清讨论中相互交织的传统思路。二是如何判断谈话的开始和结束。Fu等（2018 b）提出了一个名为T-cal的系统，用于分析现代团队消息传递平台上的团队通信和协作他们使用了一种对话分解方法（Wang和Oard，2009）将交错的对话分割成线程。然后，他们使用了一种新颖的ThreadPulse设计来显示会话线程的整体时间趋势和消息的详细信息。结合日历图和打包图的图El-Assady等人（2018）提出了一个系统，以揭示大量在线对话和逐字文本转录中未纠缠的回复链。设计了一个线程图来表示和比较不同模型生成的回复链该系统还支持分析决策空间，以了解模型的内部工作，包括所有考虑的候选关系。5.2. 互动内容分析互动内容是指学生在讨论过程中产生的文本信息。通过分析交互内容，教师可以识别吸引更多注意力的主题和课程中令人困惑的部分。研究者主要从情感和话题两个方面来分析互动的内容。一个共同的分析过程使用文本挖掘方法来获得热门的IC和情感，并可视化的结果，以提高教师对学生的互动内容的理解。Liu等人（2018 a）提出了一个节点链接图来显示社交网络，并对节点的颜色进行编码，以发现学生在论坛上的情绪Sung et al.（2016）提供了一个系统来分析在线教育视频中时间锚定评论的情感和主题演变。参见图5（1），河流图被用来揭示主题的演变。他们提出了一个河流图和一个新颖的时间轴视图来表示用户的时间锚定评论的主题的演变 Wong等人 （2016）和Atapattu et al. （2016）使 用 LDA 主 题 挖 掘 方 法 获 取 论 坛 的 讨 论 主 题 。 Wong 等 人（2016）根据主题的相似性将主题投影到散点图中。点的大小代表了话题的热度。图五、 交互内容分析的可视化示例。（1）一个ThemeRiver和一个时间轴视图，显示学习者对哲学课程的时间锚定评论（Sung et al. ，2016年）。(2)一个主题空间视图，显示了谈话中说话者主题的移动（El-Assady et al. ，2016年）。当用户选择一个点时，条形图将更新以显示所选主题下的所有单词。El-Assady等人（2016）提出了一种可视化分析方法，供政治学学者探索一段时间内对话的动态。看到图5（2），他们提出了一种新颖的放射状图来表示对话中所有主题的详细信息。此外，论坛或博客中的信息可能会过载，从而难以提取所需的消息。为了解决这个问题，Hoque和Carenini（2014）提出了一个可视化文本分析系统，以帮助用户快速浏览博客数据。几个水平堆叠的条形图垂直堆叠，以显示整个对话的摘要。每个堆叠的条表示一个注释，并对注释长度、位置在线程中，以及线程内的评论和文本分析结果的深度。此外，Zheng et al. （2018）提出了一个系统来分析学生在小组在线讨论中的知识阐述。知识提炼是指学习者如何组织、重组、连接和整合知识，从而促进知识的获得和保持。他们使用了一种基于关键词的自动化分析方法，以三个指标来衡量知识阐述的水平：覆盖率，激活率和公平性。雷达图用于概述知识阐述的所有指标。他们使用节点链接图、热图、条形图和散点图来表示小组讨论过程的覆盖率、活跃度、公平性和时间序列。该系统帮助教师监控学生X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）67746. 预测与推荐在线学习平台记录的大规模、多维度数据为学生学习行为和成绩的预测提供了充足的训练数据集。在发现学生的整体行为模式后，就有可能预测学生的学习行为和学习成绩。此外，还可以采取必要的措施来提高教学质量，并为目标学习者推荐合适的学习资源，以促进他们的知识获取。6.1. 学习行为和性能由于在线教育数据的高度复杂性，行为预测存在两个主要挑战。首先，当前的预测模型具有实现非常高的准确性的挑战因此，如何验证预测结果是一个问题。二是教师难以确定影响学生成绩的因素。为了验证预测结果的准确性，了解学生行为和表现背后的原因，我们可以用可视化分析技术更好地解释行为预测的结果，进而探讨预测表现与行为之间的关系。一些作品使用可视化分析技术来解释行为预测的结果。Okubo等人（2015）提出了一个系统，以探索学生的学习过程和预测结果。他们使用离散图来可视化存储在学习管理系统中的四种类型的学习日志，包括出勤率，浏览幻灯片所花费的时间，提交报告和测验分数。在图中，节点被排列成矩阵。每一行代表一个州，每一列代表一门课程。节点之间的线表示活动状态的转换。最后一个状态表示预测结果。后来，他们提出了一个系统（Okubo etal. （2017）使用Sankey图作为状态转换图，以可视化学习进度以及学生最终成绩和后续学习活动的预测。该系统使教师能够了解学生学习活动的特点Chen等人（2016）提出了一个名为DropoutSeer的系统，允许教师更好地理解辍学行为的原因他们使用MOOC日志数据来预测辍学行为，并根据辍学预测结果对学习者进行分组。然后，他们用一个时间轴图和一个流程图来显示点击流行为，随着时间的推移的表现，以及学习者在每个小组的论坛上的帖子（见图1）。第6（1）段）。 该系统可以帮助教师推断辍学的原因，并确定显着影响预测结果的关键特征。 为了发现辍学的关键因素，Schafferet al. （2016）使用条形图来显示辍学和特征之间的相关性，这有助于教师发现哪些行为特征与辍学高度相关。另一个重要的研究兴趣是解释预测性能和行为之间的相关性。He等人（2019 c）提出了一个名为LearnerExp的系统，用于可视化学习活动的时间模式。他们使用卷积神经网络模型来预测成绩。教师可以根据不同的学习成绩预测结果，比较性地探索学习者群体的时间活动模式，并解释预测结果背后的原因Deng等人（2019）提出了可视化分析工具Performance- vis来研究作业和考试之间的相关性，并使用机器学习技术来预测学生的成绩。Performancevis帮助教师识别预期难度和学生感知难度之间的不一致Performancevis还可以帮助管理人员及早识别有不及格风险的学生，并衡量专门设计的课程是否达到了他们的目标。见图6。用于预测和推荐的可视化示例。(1)Dropout- Seer，一个解释学习行为背后的辍学原因的可视化分析系统（Chen et al. ，2016年）。 (2)booc.io，一个可视化分析系统，一个分层的概念图来表示学习材料，并支持非线性学习路径的探索（施瓦布等。，2016年）。(3)MOOCex，一个视觉推荐系统，供用户探索讲座视频的推荐（Zhao et al. ，2018年）。6.2. 学习资源推荐在线学习平台提供大规模的学习资源，如视频课程和在线编程问题。学生需要从海量的学习资源中选择适合自己的学习资源，通过平台提供的教学大纲，根据自己的实际情况灵活安排学习路线但是对于初学者来说，很难选择最有效的学习路径，为了推荐更合理的学习资源和规划更好的学习路径，本文采用了基于一定关联规则的可视化分析方法。一些努力提供了一个互动的知识概念图，为学生定制他们的学习路径。 （2016）提出了booc.io，它使用知识概念图来呈现教育概念和材料的线性和非线性导航（见图1）。第6条第（2）款）。他们使用包装图来表示材料的层次结构。当用户在地图中选择材料时，概念图将显示学习路径，以引导用户从课程开始到所选材料。然而，概念图中包含的学习为此，一些作品支持学习资源的交互式推荐。 Zhao等人 （2018）开发了一个名为MOOCex的推荐系统。MOOCex推荐X. Kui，N.刘，智-地Liu等人视觉信息学6（2022）6775根据内容和顺序的主题间关系来选择视频。参见图6（3），他们使用了节点链接图来展示推荐的视频每个节点代表一个推荐视频。节点之间的链接表明它符合教学大纲的顺序。当用户将鼠标悬停一个视频，一个带有标签云的工具提示显示了视频的内容。用户可以交互式地浏览MOOCex，了解不同推荐视频的内容，这有助于他们决定接下来观看哪个视频。此外，网