在線學(xué)習(xí)危機(jī)精準(zhǔn)預(yù)警及干預(yù)：模型與實(shí)證研究

舒瑩 姜強(qiáng) 趙蔚

【摘要】? 對(duì)學(xué)生學(xué)習(xí)行為進(jìn)行全面的定量化描述、學(xué)業(yè)診斷、精準(zhǔn)預(yù)警、處方干預(yù)，有助于準(zhǔn)確識(shí)別學(xué)習(xí)危機(jī)學(xué)生，提供精準(zhǔn)教學(xué)服務(wù)。本研究利用數(shù)據(jù)挖掘和學(xué)習(xí)分析技術(shù)，跟蹤分析在線學(xué)習(xí)中非干預(yù)行為數(shù)據(jù)，包括過程性結(jié)構(gòu)化外顯信息（如學(xué)習(xí)狀態(tài)、學(xué)習(xí)交互、學(xué)業(yè)水平等）和非結(jié)構(gòu)化內(nèi)隱信息（如學(xué)習(xí)者情緒），確定在線學(xué)習(xí)危機(jī)預(yù)警因素。本研究采用樸素貝葉斯構(gòu)建精準(zhǔn)預(yù)警模型，利用準(zhǔn)實(shí)驗(yàn)設(shè)計(jì)對(duì)處于學(xué)習(xí)危機(jī)的學(xué)生進(jìn)行聚類分組，并提出采用郵件通知人工干預(yù)和在線學(xué)習(xí)支持環(huán)境自動(dòng)干預(yù)兩種策略，同時(shí)通過信譽(yù)積分和預(yù)警指標(biāo)干預(yù)制度加以保障。研究結(jié)果表明，模型能夠準(zhǔn)確識(shí)別學(xué)習(xí)者學(xué)習(xí)狀態(tài)與趨勢(shì)，發(fā)現(xiàn)學(xué)習(xí)異常者;干預(yù)策略能夠有效引導(dǎo)學(xué)生學(xué)習(xí)，化解學(xué)習(xí)危機(jī)，促進(jìn)個(gè)性化教學(xué)和學(xué)生管理。

【關(guān)鍵詞】? 學(xué)習(xí)危機(jī);精準(zhǔn)預(yù)警;學(xué)習(xí)干預(yù);學(xué)習(xí)分析;數(shù)據(jù)挖掘;在線學(xué)習(xí)質(zhì)量;大數(shù)據(jù);學(xué)習(xí)過程

【中圖分類號(hào)】? G442? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2019）8-0027-09

一、引言

在線教育不斷演進(jìn)發(fā)展，經(jīng)歷“多媒體驅(qū)動(dòng)信息表征多通道個(gè)體學(xué)習(xí)”“以社會(huì)性交互為核心的虛擬社區(qū)規(guī)模化學(xué)習(xí)”“基于大數(shù)據(jù)分析的個(gè)性化學(xué)習(xí)”三個(gè)階段，已從IT（Information Technology）邁向DT（Data Technology）時(shí)代。然而，目前在線學(xué)習(xí)仍存在高輟課率、低參與性、難以深度學(xué)習(xí)等質(zhì)量危機(jī)，保證在線學(xué)習(xí)質(zhì)量面臨諸多挑戰(zhàn)，精準(zhǔn)預(yù)警與個(gè)性化干預(yù)可以有效解決這些嚴(yán)峻的現(xiàn)實(shí)問題。從預(yù)警理論和方法的堅(jiān)實(shí)程度以及對(duì)預(yù)警結(jié)果正確性的信念大致可以把預(yù)警分為兩類：一類是基于嚴(yán)格理論的預(yù)測(cè)結(jié)果，如基于量子力學(xué)理論預(yù)測(cè)某A粒子在一定時(shí)間內(nèi)衰變成某B粒子的概率;另一類的極端是對(duì)未來的預(yù)言，多數(shù)來源于未來學(xué)家和科幻作家，例如托夫勒在《第三次浪潮》中對(duì)互聯(lián)網(wǎng)科技時(shí)代的預(yù)言、諾查丹瑪斯在《諸世紀(jì)》中對(duì)世界末日的預(yù)言以及凡爾納在《海底兩萬里》中對(duì)潛艇和在《從地球到月球》中對(duì)人類登月的預(yù)言等（周濤， 2017）。這類預(yù)言更像是猜測(cè)而非預(yù)測(cè)，只能定性給出正確與否的判斷，而不能在數(shù)字上給出精確程度。本研究探究基于大數(shù)據(jù)分析的在線學(xué)習(xí)精準(zhǔn)預(yù)警與干預(yù)，是基于跟蹤記錄學(xué)生的學(xué)習(xí)過程數(shù)據(jù)，利用數(shù)據(jù)挖掘方法分析學(xué)生的學(xué)習(xí)特點(diǎn)，對(duì)學(xué)習(xí)發(fā)展進(jìn)行可量化預(yù)測(cè)。研究一方面有助于識(shí)別不同類別學(xué)習(xí)危機(jī)群體，提供更科學(xué)合理、差異化的教學(xué)決策，適應(yīng)變化的學(xué)習(xí)需求，增強(qiáng)在線學(xué)習(xí)投入，提升學(xué)習(xí)效果;另一方面能夠推動(dòng)頂層設(shè)計(jì)和實(shí)踐探索有機(jī)結(jié)合，形成基于全學(xué)習(xí)過程數(shù)據(jù)的個(gè)性化、精準(zhǔn)的教學(xué)服務(wù)，重塑學(xué)習(xí)觀，有利于洞悉數(shù)據(jù)背后隱藏的學(xué)習(xí)成長軌跡、教育發(fā)展規(guī)律，提高決策的前瞻性和科學(xué)性。

二、研究現(xiàn)狀

國外研究者對(duì)于解決大學(xué)生在線學(xué)習(xí)危機(jī)、提升在線學(xué)習(xí)質(zhì)量進(jìn)行了大量探索，其研究方向主要分為兩類：第一類集中在大學(xué)生在線學(xué)習(xí)危機(jī)的預(yù)測(cè)因素方面，包括對(duì)學(xué)生的學(xué)習(xí)目標(biāo)、學(xué)習(xí)需要、認(rèn)知風(fēng)格等相關(guān)數(shù)據(jù)的收集與分析，基于學(xué)生個(gè)人、社會(huì)、心理和環(huán)境等變量對(duì)學(xué)生在線學(xué)習(xí)行為表現(xiàn)進(jìn)行預(yù)測(cè)。梅扎里等人（Mezzari & Adelina， 2013）通過使用學(xué)習(xí)情緒數(shù)據(jù)（如帖文中學(xué)生情感的體驗(yàn)與表達(dá)）、學(xué)習(xí)交互數(shù)據(jù)（如回復(fù)和發(fā)布）、學(xué)業(yè)水平數(shù)據(jù)（如作業(yè)成績(jī)和測(cè)驗(yàn)成績(jī)）探究在線學(xué)習(xí)危機(jī)的原因，主要包括缺乏動(dòng)力、缺乏時(shí)間、缺乏與在線材料的互動(dòng)、孤立感、技術(shù)知識(shí)不足等。余（Yu， 2015）將學(xué)生是否處于學(xué)習(xí)危機(jī)的指標(biāo)分為學(xué)生概況（如性別、累積平均分（CGPA）等）和學(xué)生參與度（如登錄次數(shù)、發(fā)布討論數(shù)量等）兩類。艾哈邁德等（Ahmed & Elaraby， 2014）在研究中使用學(xué)生的課程信息、實(shí)驗(yàn)室測(cè)試等級(jí)、研討會(huì)表現(xiàn)、作業(yè)成績(jī)、出勤率等數(shù)據(jù)預(yù)測(cè)學(xué)生的學(xué)習(xí)表現(xiàn)?？坡宓龋↘olo， Solomon A. Adepojub， & Alhassan， 2015）收集了尼日利亞教育學(xué)院計(jì)算機(jī)科學(xué)專業(yè)學(xué)生的數(shù)據(jù)結(jié)構(gòu)課程相關(guān)數(shù)據(jù)進(jìn)行研究，認(rèn)為學(xué)生的個(gè)人屬性，如成績(jī)、地位、性別、財(cái)務(wù)實(shí)力、學(xué)習(xí)態(tài)度等是預(yù)測(cè)學(xué)習(xí)表現(xiàn)的重要因素。戈加等人（Goga et al.， 2015）使用了尼日利亞巴布科克大學(xué)的學(xué)生數(shù)據(jù)，在審查文獻(xiàn)的基礎(chǔ)上將年齡、性別、父母的婚姻狀況、父母的職業(yè)等學(xué)生背景因素納入設(shè)計(jì)框架，基于背景因素預(yù)測(cè)學(xué)生第一學(xué)年的CGPA。此外，心理學(xué)因素也被提出作為指標(biāo)來辨別具有高輟學(xué)率和學(xué)習(xí)風(fēng)險(xiǎn)的學(xué)生（Khalil & Ebner， 2014）。第二類是在線學(xué)習(xí)危機(jī)干預(yù)系統(tǒng)的研究。阿爾哈比等（Alharbi， Cornford， Dolder， & Lglesia， 2016）從管理者角度出發(fā)，通過使用數(shù)據(jù)挖掘技術(shù)預(yù)測(cè)處于學(xué)習(xí)危機(jī)的學(xué)生構(gòu)建學(xué)習(xí)推薦系統(tǒng)，以指導(dǎo)大學(xué)生在課程的第一年進(jìn)行模塊選擇，幫助學(xué)生提高學(xué)習(xí)效果。普渡大學(xué)的“課程信號(hào)”干預(yù)系統(tǒng)，輔助教師利用學(xué)習(xí)分析等技術(shù)手段為學(xué)生提供及時(shí)且具有針對(duì)性的反饋。不僅預(yù)測(cè)學(xué)生的學(xué)業(yè)行為表現(xiàn)，而且以可視化的方式向?qū)W生呈現(xiàn)其學(xué)習(xí)特征、學(xué)業(yè)歷史及學(xué)習(xí)努力過程，使每一位學(xué)生都能清楚自己的學(xué)習(xí)狀況與學(xué)習(xí)表現(xiàn)（Arnold & Pistilli， 2012）。

國內(nèi)研究者針對(duì)在線學(xué)習(xí)危機(jī)的研究主要分為兩類：第一類是有關(guān)大學(xué)生在線學(xué)習(xí)危機(jī)預(yù)測(cè)模型的研究。武法提等（2016）梳理了當(dāng)前國內(nèi)外學(xué)習(xí)分析模型存在的問題，在此基礎(chǔ)上構(gòu)建了個(gè)性化行為分析模型，設(shè)計(jì)了學(xué)習(xí)結(jié)果預(yù)測(cè)框架，旨在為個(gè)性化學(xué)習(xí)分析工具的設(shè)計(jì)提供理論指導(dǎo)。楊現(xiàn)民等（2016）從預(yù)警的實(shí)現(xiàn)形式、算法與工具、內(nèi)容與方法等方面比較分析了國外五個(gè)典型學(xué)習(xí)預(yù)警系統(tǒng)，提出了學(xué)習(xí)預(yù)警系統(tǒng)的通用設(shè)計(jì)框架，并構(gòu)建了學(xué)習(xí)預(yù)警系統(tǒng)的功能模型和過程模型。趙慧瓊等（2017）從學(xué)習(xí)分析的視角出發(fā)，利用多元回歸分析確定在線學(xué)習(xí)危機(jī)預(yù)警因素，在此基礎(chǔ)上構(gòu)建干預(yù)模型，將干預(yù)模型應(yīng)用于在線教學(xué)過程，及時(shí)識(shí)別出存在學(xué)習(xí)危機(jī)的學(xué)生并提供個(gè)性化干預(yù)對(duì)策，有效提高了大學(xué)生在線學(xué)習(xí)效果。第二類是有關(guān)大學(xué)生在線學(xué)習(xí)危機(jī)干預(yù)方法的研究。楊雪等（2017）基于學(xué)習(xí)分析對(duì)大學(xué)生在線學(xué)習(xí)拖延情況進(jìn)行描述，采用電子郵件、彈出窗口、學(xué)習(xí)資源推送等干預(yù)策略對(duì)學(xué)生進(jìn)行個(gè)性化干預(yù)，有效減少了拖延次數(shù)與時(shí)間，改善了在線學(xué)習(xí)效果。尤佳鑫等（2016）基于多元回歸模型預(yù)測(cè)結(jié)果，綜合考慮性別、活躍度等因素，對(duì)部分危機(jī)學(xué)生進(jìn)行干預(yù)，干預(yù)的方式包括一對(duì)一和一對(duì)多面談、在線交流等，干預(yù)的內(nèi)容包括警示、鼓勵(lì)和知識(shí)點(diǎn)答疑等，研究結(jié)果表明基于預(yù)測(cè)的教學(xué)干預(yù)取得了較好的效果，接受干預(yù)的學(xué)生成績(jī)進(jìn)步顯著。

綜上所述，國內(nèi)外學(xué)術(shù)界在在線學(xué)習(xí)預(yù)警和干預(yù)方面已積累寶貴經(jīng)驗(yàn)，但仍有亟待改善的地方：①多數(shù)從理論視角構(gòu)建學(xué)習(xí)成績(jī)預(yù)測(cè)和評(píng)估框架，有必要加強(qiáng)實(shí)證研究;②大部分研究者使用結(jié)構(gòu)化數(shù)據(jù)建立在線學(xué)習(xí)預(yù)警模型，難以準(zhǔn)確解釋在線學(xué)習(xí)行為差異，需要引入非結(jié)構(gòu)化數(shù)據(jù);③經(jīng)大數(shù)據(jù)分析診斷存在危機(jī)的學(xué)生，不僅要有技術(shù)干預(yù)，更需要制度的介入，最終實(shí)現(xiàn)由約束轉(zhuǎn)化為提高內(nèi)在動(dòng)機(jī)、自我效能和情緒的主動(dòng)學(xué)習(xí)。

三、大學(xué)生在線學(xué)習(xí)危機(jī)預(yù)警因素

（一）結(jié)構(gòu)化數(shù)據(jù)：外顯信息

學(xué)習(xí)管理系統(tǒng)會(huì)記錄學(xué)生在課程學(xué)習(xí)過程中留下的多種學(xué)習(xí)痕跡，如任務(wù)提交情況和實(shí)施互動(dòng)評(píng)價(jià)情況等。通過收集這些日志數(shù)據(jù)并進(jìn)行數(shù)據(jù)過濾與篩選，最終選定了包括學(xué)生學(xué)習(xí)狀態(tài)（包括完成作業(yè)時(shí)間、完成評(píng)價(jià)時(shí)間、登錄總時(shí)長等5項(xiàng)數(shù)據(jù)）、學(xué)習(xí)交互（包括發(fā)帖總次數(shù)、發(fā)帖總長度、給他人回復(fù)總數(shù)等6項(xiàng)數(shù)據(jù)）、學(xué)業(yè)水平（包括作業(yè)得分、測(cè)驗(yàn)得分和考試成績(jī)3項(xiàng)數(shù)據(jù)）三個(gè)維度的結(jié)構(gòu)化初始數(shù)據(jù)集，如表1所示。

（二）非結(jié)構(gòu)化數(shù)據(jù)：內(nèi)隱信息

依據(jù)朗（Lang， 1980）提出的自我評(píng)估人體模型評(píng)分量表（采用9分制，其中1分表示非常消極的評(píng)論，9分表示非常積極的評(píng)論，5分表示中性評(píng)論），采用人工注釋法對(duì)學(xué)生的自我反思日志以及學(xué)習(xí)評(píng)價(jià)等非結(jié)構(gòu)化數(shù)據(jù)（306條自我反思日志和112條學(xué)習(xí)評(píng)價(jià)）中的情緒強(qiáng)度進(jìn)行判定。為確保樣本數(shù)據(jù)編碼的可靠性，由兩名助理共同完成，經(jīng)過數(shù)據(jù)比較Kappa系數(shù)為0.81，對(duì)意見不一致的編碼進(jìn)行再次討論，以達(dá)成100%的共識(shí)，結(jié)果如表2所示。

通常，學(xué)生的情緒隨時(shí)間而發(fā)生改變，教師根據(jù)折線圖反應(yīng)的情感變化向情緒波動(dòng)或持續(xù)低下的學(xué)生提供實(shí)時(shí)反饋，如圖1所示。

其中，第三周學(xué)生的自我反思日志表達(dá)了“我對(duì)陌生術(shù)語感到困惑”，詞匯中“困惑”的情感詞的效價(jià)等級(jí)為4（情感強(qiáng)度低于4.5），意味著學(xué)生產(chǎn)生了消極情緒。第四周學(xué)生自我評(píng)估關(guān)鍵語句是“這門課程我很感興趣”，情感詞“感興趣”詞典的評(píng)價(jià)等級(jí)為7（情感強(qiáng)度高于5.5），表明學(xué)生后來又產(chǎn)生了積極情緒。

四、在線學(xué)習(xí)精準(zhǔn)預(yù)警模型構(gòu)建

本研究選擇樸素貝葉斯分類器作為研究預(yù)警模型，識(shí)別處于風(fēng)險(xiǎn)中的學(xué)生。它是簡(jiǎn)化的貝葉斯網(wǎng)絡(luò)，是基于條件獨(dú)立性概念的圖形模型，使用有向圖以緊湊方式編碼一組變量的聯(lián)合概率分布來描述概率變量之間的依賴關(guān)系。已有研究表明相比邏輯回歸、支持向量機(jī)、決策樹、多層感知器、K-最近鄰算法等常用的預(yù)測(cè)方法，樸素貝葉斯方法識(shí)別出處于學(xué)習(xí)危機(jī)學(xué)生的精確度最高（Marbouti， Diefes-Dux， & Madhavan， 2016）。計(jì)算公式如下：

將全員學(xué)生數(shù)據(jù)隨機(jī)分為6∶4（30∶21名學(xué)生）的訓(xùn)練集和測(cè)試集，基于樸素貝葉斯的預(yù)警模型分別在第二周、第四周、第六周對(duì)大學(xué)生在線學(xué)習(xí)成績(jī)進(jìn)行預(yù)測(cè)，目標(biāo)變量為學(xué)生成績(jī)，70分以上作為可以被接受的學(xué)業(yè)水平。其中，結(jié)構(gòu)化數(shù)據(jù)包括學(xué)生學(xué)習(xí)狀態(tài)、學(xué)習(xí)交互、學(xué)業(yè)水平數(shù)據(jù)，而非結(jié)構(gòu)化數(shù)據(jù)則取自學(xué)生自我反思日志和學(xué)習(xí)評(píng)論的情感分析內(nèi)容。根據(jù)預(yù)測(cè)結(jié)果得出TP（預(yù)測(cè)結(jié)果判定為風(fēng)險(xiǎn)學(xué)生，事實(shí)上也是風(fēng)險(xiǎn)學(xué)生）、FP（預(yù)測(cè)結(jié)果判定為風(fēng)險(xiǎn)學(xué)生，事實(shí)上不是風(fēng)險(xiǎn)學(xué)生）和FN（預(yù)測(cè)結(jié)果判定為不是風(fēng)險(xiǎn)學(xué)生，事實(shí)上是風(fēng)險(xiǎn)學(xué)生），根據(jù)上述公式（3）、（4）、（5），比較了僅使用結(jié)構(gòu)化數(shù)據(jù)和結(jié)合使用結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)集兩種預(yù)測(cè)方式的P值、R值和F-Measure值差異，結(jié)果如表3所示。

可見，在預(yù)測(cè)數(shù)據(jù)集中添加非結(jié)構(gòu)化數(shù)據(jù)，準(zhǔn)確率在第二周從0.65上升到0.77，第四周從0.70上升到0.77，第六周從0.73上升到0.83;召回率在第二周從0.53上升到0.63，第四周從0.59上升到0.72，第六周從0.59上升到0.75;F-measure值在第2周從0.59上升到0.69，第4周從0.64上升到0.74，第六周從0.65上升到0.79。證明了納入非結(jié)構(gòu)化數(shù)據(jù)顯著提高了預(yù)警模型的預(yù)測(cè)精度。

五、在線學(xué)習(xí)危機(jī)干預(yù)實(shí)證分析

（一）在線學(xué)習(xí)危機(jī)干預(yù)模型

基于預(yù)警模型，結(jié)合在線學(xué)習(xí)環(huán)境特征設(shè)計(jì)了在線學(xué)習(xí)危機(jī)干預(yù)模型，如圖2所示。通過預(yù)警模型識(shí)別學(xué)生是否存在學(xué)習(xí)危機(jī)，若診斷結(jié)果為不存在，則繼續(xù)進(jìn)行下一輪診斷，實(shí)時(shí)更新學(xué)習(xí)者的個(gè)人在線學(xué)習(xí)診斷信息;若診斷結(jié)果存在學(xué)習(xí)危機(jī)，將學(xué)生分到通知干預(yù)組或在線學(xué)習(xí)支持環(huán)境干預(yù)組。

1. 通知干預(yù)

分配到“通知干預(yù)”組中的學(xué)生會(huì)收到一條消息，指出他們?cè)诰€學(xué)習(xí)表現(xiàn)較差，可能無法完成課程，并指導(dǎo)他們?nèi)绾翁岣咦陨淼膶W(xué)習(xí)表現(xiàn)。學(xué)生收到的郵件信息中應(yīng)該包含以下內(nèi)容（如圖3所示），告知學(xué)生通過對(duì)其近期作業(yè)成績(jī)和其他一些可能預(yù)測(cè)學(xué)業(yè)水平的因素進(jìn)行分析，發(fā)現(xiàn)該學(xué)生的表現(xiàn)可能會(huì)對(duì)其學(xué)習(xí)成績(jī)產(chǎn)生負(fù)面影響，并告知學(xué)生采取怎樣的措施可以改善其在線學(xué)習(xí)表現(xiàn)，提升自身的在線學(xué)習(xí)質(zhì)量。

此外，通過分析學(xué)生提交作業(yè)的IP地址（如圖4所示），如果發(fā)現(xiàn)存在學(xué)術(shù)不端行為的學(xué)生，也將通過郵件方式給予提醒。

2. 在線學(xué)習(xí)支持環(huán)境干預(yù)

被分配到“在線學(xué)習(xí)支持環(huán)境”小組的學(xué)生會(huì)收到一份與其學(xué)習(xí)表現(xiàn)相對(duì)應(yīng)的學(xué)習(xí)診斷報(bào)告，如圖5所示。報(bào)告包括提供綜合評(píng)估學(xué)習(xí)者在線學(xué)習(xí)風(fēng)險(xiǎn)儀表盤、每周學(xué)習(xí)風(fēng)險(xiǎn)報(bào)告、針對(duì)具體學(xué)習(xí)活動(dòng)的診斷與建議、每節(jié)課后學(xué)生情緒分析。其中，儀表盤使用不同的顏色表示學(xué)生在線學(xué)習(xí)狀態(tài)，包括優(yōu)秀、良好、普通、危險(xiǎn)。每周學(xué)習(xí)風(fēng)險(xiǎn)報(bào)告以縱向線形式呈現(xiàn)，可用于跟蹤學(xué)期中學(xué)生學(xué)習(xí)表現(xiàn)的變化。學(xué)習(xí)活動(dòng)的診斷與建議分為學(xué)習(xí)水平、學(xué)習(xí)交互和學(xué)習(xí)狀態(tài)三類，每個(gè)類別均由一個(gè)圖標(biāo)表示，學(xué)生可以點(diǎn)擊該圖標(biāo)接收教學(xué)助理或教師提供的建議和其他與表現(xiàn)相關(guān)的信息。每個(gè)類別的建議有助于學(xué)生理解其學(xué)習(xí)績(jī)效評(píng)估并作出相應(yīng)的改進(jìn)措施。情緒分析圖表有助于追蹤學(xué)生的學(xué)習(xí)狀態(tài)趨勢(shì)，情緒狀態(tài)的下降會(huì)引發(fā)警報(bào)，幫助學(xué)生反思他們與課程相關(guān)的情緒，從而改善在線學(xué)習(xí)表現(xiàn)。

除此之外，在線學(xué)習(xí)支持環(huán)境還包含以下四點(diǎn)內(nèi)容：提高學(xué)生對(duì)學(xué)習(xí)支持服務(wù)的認(rèn)識(shí)——由在線輔導(dǎo)人員指導(dǎo)學(xué)生使用各種由平臺(tái)提供的在線資源（如輔導(dǎo)服務(wù)、在線實(shí)驗(yàn)室等）;促進(jìn)點(diǎn)對(duì)點(diǎn)互動(dòng)——由高年級(jí)的優(yōu)秀學(xué)生負(fù)責(zé)組織一個(gè)學(xué)習(xí)討論區(qū)，他們擔(dān)任同伴導(dǎo)師，從中學(xué)生可以獲得各種學(xué)習(xí)技巧，包括時(shí)間管理、減壓小貼士、如何處理考試焦慮等經(jīng)驗(yàn)分享;提供自我評(píng)估工具，如學(xué)習(xí)進(jìn)度條、電子徽章、學(xué)習(xí)策略清單等，以幫助學(xué)生更好地了解自己的學(xué)業(yè)水平和學(xué)習(xí)風(fēng)格，并可據(jù)此獲得提高學(xué)習(xí)質(zhì)量的建議;提供教育腳手架，為學(xué)生提供一系列在線開放學(xué)習(xí)內(nèi)容，如“網(wǎng)頁設(shè)計(jì)輕松學(xué)”“網(wǎng)頁設(shè)計(jì)課程實(shí)戰(zhàn)”等課程。

（二）在線學(xué)習(xí)危機(jī)干預(yù)制度

1. 信用積分

對(duì)于出現(xiàn)課程缺席、自評(píng)互評(píng)活動(dòng)缺席、學(xué)習(xí)任務(wù)未按照要求完成等行為的學(xué)生，系統(tǒng)會(huì)扣除相應(yīng)信譽(yù)積分，情節(jié)嚴(yán)重者將禁止參與該學(xué)習(xí)活動(dòng)。倘若學(xué)生因不可抗因素導(dǎo)致信譽(yù)積分被扣除，可通過積極完成各項(xiàng)學(xué)習(xí)活動(dòng)，并在活動(dòng)中擁有出色的學(xué)習(xí)表現(xiàn)來恢復(fù)自己的信譽(yù)積分，信譽(yù)積分過低則無法通過該課程。

2. 預(yù)警指標(biāo)

從學(xué)習(xí)狀態(tài)、學(xué)習(xí)交互、學(xué)業(yè)水平三個(gè)維度對(duì)每個(gè)任務(wù)的在線學(xué)習(xí)表現(xiàn)進(jìn)行評(píng)價(jià)，采用訪談、頭腦風(fēng)暴等方法，由學(xué)科領(lǐng)域權(quán)威專家制定預(yù)警指標(biāo)。如圖6所示，預(yù)警閾值能夠根據(jù)學(xué)習(xí)者的個(gè)性特征進(jìn)行動(dòng)態(tài)微調(diào)，符合任一條件的學(xué)生都將作為督導(dǎo)對(duì)象，連續(xù)三周成為督導(dǎo)對(duì)象的學(xué)生將無法通過該課程。

（三）干預(yù)效果的實(shí)證分析

本研究根據(jù)“網(wǎng)頁設(shè)計(jì)與開發(fā)”課程教學(xué)觀察周（第1周～第7周）的學(xué)生學(xué)習(xí)診斷結(jié)果，選取其中32名學(xué)習(xí)風(fēng)險(xiǎn)學(xué)生作為研究對(duì)象，進(jìn)行為期8周（第8周～第15周）的干預(yù)實(shí)驗(yàn)，同時(shí)比較兩種干預(yù)策略效果。

1. 任務(wù)設(shè)計(jì)

除了完成作品，學(xué)習(xí)任務(wù)還包括互動(dòng)評(píng)價(jià)、課后交流討論、測(cè)驗(yàn)、自我反思日志、課程答疑討論和考試等，具體安排如表4所示。教師分別在第7周和第15周按照考試分?jǐn)?shù)占50%、互動(dòng)評(píng)價(jià)分?jǐn)?shù)占30%、教師評(píng)價(jià)分?jǐn)?shù)占20%給出學(xué)生成績(jī)，做出學(xué)習(xí)危機(jī)判斷。

2. 學(xué)生聚類分析

基于預(yù)警指標(biāo)，通過Q型聚類分析方法將32名存在學(xué)習(xí)危機(jī)的學(xué)生分為三類，如圖7所示。其中，21名學(xué)生（序號(hào)為6、27、……32、22）學(xué)習(xí)成績(jī)分?jǐn)?shù)較高，接近可接受的參考值，屬于輕度學(xué)習(xí)危機(jī)學(xué)生，他們的共同特征是具有較高的活動(dòng)性，登錄學(xué)習(xí)平臺(tái)次數(shù)較頻繁，少數(shù)任務(wù)未完成，表現(xiàn)較為良好;8名學(xué)生（序號(hào)為4、25、……2、26）屬于中度學(xué)習(xí)危機(jī)學(xué)生，這個(gè)群組的共同特征是活動(dòng)性一般，學(xué)習(xí)時(shí)間適中，完成部分學(xué)業(yè)任務(wù)，且完成任務(wù)平均時(shí)間較長，表現(xiàn)一般;3名學(xué)生（序號(hào)為12、23、1）屬于重度學(xué)習(xí)危機(jī)學(xué)生，他們的共同特征是具有較低的活動(dòng)性，學(xué)習(xí)時(shí)間短，學(xué)習(xí)任務(wù)未完成次數(shù)較多，且完成任務(wù)平均時(shí)間長，表現(xiàn)較差。

然后，在準(zhǔn)實(shí)驗(yàn)研究下，根據(jù)聚類結(jié)果按照一定比例把學(xué)生分為三組，利用單因素方差分析得出組間學(xué)生先前知識(shí)水平?jīng)]有顯著性差異，p=0.639>0.05。其中，通知干預(yù)組11人（輕度學(xué)習(xí)危機(jī)者8人、中度學(xué)習(xí)危機(jī)者2人、重度學(xué)習(xí)危機(jī)者1人），在線學(xué)習(xí)支持環(huán)境干預(yù)組11人（輕度學(xué)習(xí)危機(jī)者7人、中度學(xué)習(xí)危機(jī)者3人、重度學(xué)習(xí)危機(jī)者1人），對(duì)照組10人（輕度學(xué)習(xí)危機(jī)者6人、中度學(xué)習(xí)危機(jī)者3人、重度學(xué)習(xí)危機(jī)者1人）。

3. 干預(yù)效果分析

對(duì)干預(yù)后三個(gè)小組的學(xué)習(xí)成績(jī)進(jìn)行單因素方差分析，分析結(jié)果顯示對(duì)照組和通知干預(yù)組（p=0.019<0.05）以及對(duì)照組和在線學(xué)習(xí)支持環(huán)境干預(yù)組（p=0.001<0.05）均存在顯著性差異，干預(yù)組成績(jī)高于對(duì)照組，但兩個(gè)干預(yù)組之間（p=0.203>0.05）沒有顯著性差異，如表5所示。

另外，研究發(fā)現(xiàn)兩個(gè)干預(yù)組中最初被認(rèn)定為高度學(xué)習(xí)危機(jī)的2名學(xué)生學(xué)習(xí)評(píng)價(jià)分?jǐn)?shù)均達(dá)到了中度學(xué)習(xí)危機(jī)學(xué)生水平;最初被認(rèn)定為中度學(xué)習(xí)危機(jī)的5名學(xué)生學(xué)習(xí)評(píng)價(jià)分?jǐn)?shù)有2名達(dá)到了輕度學(xué)習(xí)危機(jī)學(xué)生水平，有1人達(dá)到了無風(fēng)險(xiǎn)水平;最初被認(rèn)定為輕度學(xué)習(xí)危機(jī)的15名學(xué)生，有9人達(dá)到了無風(fēng)險(xiǎn)水平，如表6所示。

4. 問卷調(diào)查反饋

為了進(jìn)一步驗(yàn)證干預(yù)策略的有效性，分別對(duì)兩個(gè)干預(yù)組學(xué)生發(fā)放總計(jì)22份問卷，統(tǒng)計(jì)結(jié)果如表7所示。

從反饋結(jié)果來看，在通知干預(yù)組中，全部學(xué)生都認(rèn)為通知郵件能夠使自己意識(shí)到學(xué)習(xí)問題，90.91%的學(xué)生認(rèn)同通知郵件能夠提醒自己按時(shí)完成學(xué)習(xí)任務(wù)，避免出現(xiàn)任務(wù)逾期未完成的情況。在在線學(xué)習(xí)支持環(huán)境支持干預(yù)組中，90.91%的學(xué)生認(rèn)為能夠通過查看在線學(xué)習(xí)診斷報(bào)告了解自己的學(xué)習(xí)狀態(tài)，及時(shí)查漏補(bǔ)缺;72.73%的學(xué)生認(rèn)為學(xué)習(xí)進(jìn)度條能夠促使他們積極參與學(xué)習(xí)活動(dòng)，增強(qiáng)學(xué)習(xí)動(dòng)機(jī);僅有54.54%的學(xué)生認(rèn)可學(xué)習(xí)討論區(qū)中的學(xué)習(xí)資源以及學(xué)習(xí)支持人員的指導(dǎo)作用，究其原因，學(xué)生C表示“盡管在討論區(qū)中學(xué)長學(xué)姐分享了學(xué)習(xí)技巧和學(xué)習(xí)資源，但由于分類不夠明確，難以獲取”，學(xué)生D表示“不太愿意與學(xué)習(xí)支持人員交流，會(huì)覺得有點(diǎn)麻煩”，由此提醒在后續(xù)研究中干預(yù)策略的設(shè)計(jì)需要著重考慮干預(yù)措施的用戶體驗(yàn)。此外，77.27%的學(xué)生認(rèn)為信譽(yù)積分和督導(dǎo)指標(biāo)制度能夠促使其積極參與學(xué)習(xí)活動(dòng)，按時(shí)完成學(xué)習(xí)任務(wù)，但也有個(gè)別學(xué)生表示各種約束使自己對(duì)學(xué)習(xí)產(chǎn)生了厭煩情緒，嚴(yán)重影響了在線學(xué)習(xí)體驗(yàn)。

六、結(jié)論

本研究采用樸素貝葉斯網(wǎng)絡(luò)算法，通過整合學(xué)習(xí)狀態(tài)、學(xué)習(xí)交互、學(xué)業(yè)水平的14個(gè)結(jié)構(gòu)化數(shù)據(jù)和自我反思日志與學(xué)習(xí)評(píng)論的非結(jié)構(gòu)化數(shù)據(jù)，提高了在線學(xué)習(xí)危機(jī)預(yù)警精度。經(jīng)大數(shù)據(jù)分析診斷識(shí)別存在學(xué)習(xí)危機(jī)的學(xué)生，聚類分析后設(shè)置干預(yù)組（通知干預(yù)組和在線學(xué)習(xí)支持環(huán)境干預(yù)組）和對(duì)照組，在信用積分與預(yù)警指標(biāo)兩種干預(yù)制度保障下，準(zhǔn)實(shí)驗(yàn)研究結(jié)果表明兩個(gè)干預(yù)組與對(duì)照組均存在顯著性差異，干預(yù)組成績(jī)均高于對(duì)照組，但兩個(gè)干預(yù)組之間沒有顯著性差異，表明僅通過郵件通知讓學(xué)生意識(shí)到自己有學(xué)習(xí)危機(jī)的風(fēng)險(xiǎn)，就能激勵(lì)學(xué)生尋求幫助、改善自身的學(xué)業(yè)表現(xiàn)。此外，兩個(gè)干預(yù)組中學(xué)習(xí)危機(jī)學(xué)生的表現(xiàn)均有一定程度改善，其中高度學(xué)習(xí)危機(jī)者為0人，無風(fēng)險(xiǎn)學(xué)習(xí)者達(dá)到10人，進(jìn)而印證了預(yù)警精確性和干預(yù)對(duì)策的有效性。本研究有助于人們理解影響在線學(xué)習(xí)危機(jī)的主要因素，利于教師和同伴及時(shí)發(fā)現(xiàn)學(xué)習(xí)異常的學(xué)生，采取有效干預(yù)和幫助措施，更好地引導(dǎo)學(xué)生學(xué)習(xí)。下一步研究包括：①樣本數(shù)據(jù)的獲取。預(yù)警的基礎(chǔ)是數(shù)據(jù)，由于本研究受特定教學(xué)活動(dòng)的限制，樣本數(shù)較少，而且不同地區(qū)、不同民族的學(xué)習(xí)者學(xué)習(xí)行為存在一定的差異，后期會(huì)將成果應(yīng)用到大規(guī)模在線課程學(xué)習(xí)體系中，增強(qiáng)預(yù)測(cè)研究的準(zhǔn)確性和普適性。②預(yù)警指標(biāo)動(dòng)態(tài)調(diào)整與完善。預(yù)警指標(biāo)體系的構(gòu)建是學(xué)業(yè)危機(jī)預(yù)警的重要環(huán)節(jié)，但本研究在建立指標(biāo)體系時(shí)僅根據(jù)數(shù)據(jù)的可獲取性挑選了一些主要指標(biāo)進(jìn)行分析，在以后的研究中還將考慮采集學(xué)生的腦電、心率等生理數(shù)據(jù)及人格心理數(shù)據(jù)，對(duì)預(yù)警指標(biāo)進(jìn)行動(dòng)態(tài)修正、補(bǔ)充和完善，以期獲得更為可靠的預(yù)警結(jié)果，促進(jìn)學(xué)生學(xué)業(yè)發(fā)展。

[參考文獻(xiàn)]

武法提，牟智佳. 2016. 基于學(xué)習(xí)者個(gè)性行為分析的學(xué)習(xí)結(jié)果預(yù)測(cè)框架設(shè)計(jì)研究[J]. 中國電化教育（01）：41-48.

楊現(xiàn)民，葉洋，王林麗. 2016. 基于大數(shù)據(jù)的在線學(xué)習(xí)預(yù)警模型設(shè)計(jì)——“教育大數(shù)據(jù)研究與實(shí)踐專欄”之學(xué)習(xí)預(yù)警篇[J]. 現(xiàn)代教育技術(shù)，26（07）：5-11.

楊雪，姜強(qiáng)，趙蔚，李勇帆，李松. 2017. 大數(shù)據(jù)時(shí)代基于學(xué)習(xí)分析的在線學(xué)習(xí)拖延診斷與干預(yù)研究[J]. 電化教育研究（07）：51-57.

尤佳鑫，孫眾. 2016. 云學(xué)習(xí)平臺(tái)大學(xué)生學(xué)業(yè)成績(jī)預(yù)測(cè)與干預(yù)研究[J]. 中國遠(yuǎn)程教育（09）：14-20.

趙慧瓊，姜強(qiáng)，趙蔚，李勇帆，趙艷. 2017. 基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績(jī)效預(yù)警因素及干預(yù)對(duì)策的實(shí)證研究[J]. 電化教育研究（01）：62-69.

周濤. 2017-05-31. 預(yù)測(cè)的局限性[EB/OL]. [2018-11-01]. http：//blog.sciencenet.cn/blog-3075-1058131.html

Ahmed， Elaraby. （2014）. Sayed Elaraby I. Data Mining： A prediction for Students Performance Using Classification Method. World Journal of Computer Application & Technology， 2（2），43-47.

Hanan Khalil， Martin Ebner. （2014）. MOOCs Completion Rates and Possible Methods to Improve Retention-A Literature Review. World Conference on Educational Multimedia， Hypermedia and Telecommunications. Chesapeake， VA： AACE， 1236-1244.

Ke Arnold ， MD Pistilli.（2012）. Course signals at Purdue： using learning analytics to increase student success. International Conference on Learning Analytics and Knowledge. New York： ACM Press， 267-270.

Kolo David Kolo， Solomon A. Adepojub， John Kolo Alhassan. （2015）. A Decision Tree Approach for Predicting Students Academic Performance. Education and Management Engineering， 5， 12-19.

Lang P J. （1980）. Behavioral treatment and bio-behavioral assessment： Computer applications. Norwood， N. J.： Ablex Pub. Corp.

Marbouti F， Diefes-Dux H A， Madhavan K. （2016）. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education， 103， 1-15.

Mezzari， Adelina. （2013）. Strategies for the early detection of evasion propensity. Knowledge Management & E-Learning ： an International Journal， 5（1）， 104-116.

M Goga， S Kuyoro， N Goga.（2015）. A Recommender for Improving the Student Academic Performance [J]. Procedia-Social and Behavioral Sciences， 180（5）， 1481-1488.

Yu P T. （2015）. The benefits of a challenge： student motivation and flow experience in tablet-PC-game-based learning. Interactive Learning Environments， 23（2）， 172-190.

ZahyahAlharbi， James Cornford， Liam Dolder， Beatriz De La Iglesia. （2016）. Using data mining techniques to predict students at risk of poor performance. Sai Computing Conference. London： IEEE Computer Society Press， 523-531.

收稿日期：2018-12-25

定稿日期：2019-04-24

作者簡(jiǎn)介：舒瑩，碩士研究生;姜強(qiáng)，博士，副教授，博士生導(dǎo)師;趙蔚，博士，教授，博士生導(dǎo)師。東北師范大學(xué)信息科學(xué)與技術(shù)學(xué)院（130117）。

責(zé)任編輯 劉 莉 張志禎