虛擬仿真實驗學(xué)習(xí)行為分析

江波+高明+丁繼紅+王小霞+李萬健

【摘 要】

虛擬仿真實驗平臺利用計算機技術(shù)模擬實際操作場景，在工程實踐教學(xué)中得到了廣泛應(yīng)用并取得了卓越成效。分析學(xué)生在虛擬仿真實驗平臺上的學(xué)習(xí)行為，探究學(xué)習(xí)行為與學(xué)習(xí)成就之間的潛在聯(lián)系，對于發(fā)現(xiàn)個體差異、理解認(rèn)知過程和提高工程實踐教學(xué)效果均有重要意義。本研究以“數(shù)字電路”虛擬仿真課程為例，基于虛擬仿真實驗平臺記錄的學(xué)生學(xué)習(xí)行為數(shù)據(jù)，采用統(tǒng)計、相關(guān)分析等方法，對虛擬仿真實驗環(huán)境下學(xué)生學(xué)習(xí)行為特征進(jìn)行定量分析，并采用回歸分析法探討了虛擬仿真實驗環(huán)境下學(xué)生學(xué)習(xí)行為與學(xué)習(xí)成績之間的關(guān)聯(lián)，以期為教育教學(xué)提供一定參考。研究結(jié)果表明，在課程的大部分學(xué)習(xí)行為上學(xué)習(xí)者之間均存在著差異，且學(xué)習(xí)者Diagram、FSM、Properties、Study、TextEditor五種學(xué)習(xí)行為參與程度與學(xué)習(xí)成績存在顯著的正相關(guān)關(guān)系。其中，Properties是影響學(xué)習(xí)成績的主要因素，教師可以根據(jù)Properties學(xué)習(xí)行為參與頻次在一定程度上預(yù)估學(xué)生最終取得的學(xué)習(xí)成績并及時進(jìn)行干預(yù)。

【關(guān)鍵詞】 學(xué)習(xí)行為；學(xué)習(xí)分析；工程教育；虛擬仿真；定量分析；回歸分析法；學(xué)習(xí)成績；實踐教學(xué)

【中圖分類號】 G442 【文獻(xiàn)標(biāo)識碼】 A 【文章編號】 1009-458x（2017）09-0011-08

一、引 言

虛擬仿真實驗是指在以計算機技術(shù)和網(wǎng)絡(luò)技術(shù)等技術(shù)為支撐所開發(fā)的虛擬實驗組件上，模擬和再現(xiàn)真實的實驗場景和實驗過程的一種實驗方式。它在工程實踐教學(xué)中得到了越來越廣泛的應(yīng)用。分析學(xué)生在虛擬仿真實驗平臺上的學(xué)習(xí)行為，可以發(fā)現(xiàn)隱藏在學(xué)習(xí)行為背后的認(rèn)知過程，從而為工程實踐教學(xué)的優(yōu)化提供有效支持，也可為學(xué)生的自我導(dǎo)向?qū)W習(xí)、學(xué)習(xí)危機預(yù)警和自我評估提供有力的數(shù)據(jù)支持，還可為個性化學(xué)習(xí)設(shè)計提供數(shù)據(jù)參考（顧小清， 等， 2012）。然而，目前國內(nèi)關(guān)于虛擬仿真實驗平臺的學(xué)習(xí)行為數(shù)據(jù)的分析研究較少。究其原因，盡管虛擬仿真實驗平臺眾多，但這類平臺大多沒有預(yù)留數(shù)據(jù)收集的接口，無法記錄學(xué)習(xí)者的學(xué)習(xí)行為，無法對學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行分析，發(fā)現(xiàn)其中隱含的模式。此外，相對理論課程的學(xué)習(xí)，實踐課程的學(xué)習(xí)行為包含了大量復(fù)雜操作序列，進(jìn)行有效分析的難度非常大（Vista， et al. ， 2016）。本研究基于已有學(xué)習(xí)行為數(shù)據(jù)集，利用數(shù)據(jù)驅(qū)動的方法分析虛擬仿真實驗平臺所記錄的學(xué)生學(xué)習(xí)行為，研究虛擬仿真實驗環(huán)境下學(xué)習(xí)行為與學(xué)習(xí)成就之間的關(guān)聯(lián)。

二、學(xué)習(xí)行為分析相關(guān)研究

學(xué)習(xí)行為分析是指通過對學(xué)習(xí)者遺留在學(xué)習(xí)平臺或?qū)W習(xí)系統(tǒng)上的數(shù)據(jù)進(jìn)行挖掘與分析，探索學(xué)習(xí)者學(xué)習(xí)行為與學(xué)習(xí)效果之間關(guān)系的技術(shù)。國內(nèi)外學(xué)者對學(xué)習(xí)行為分析的研究比較廣泛，目前主要集中在預(yù)測、關(guān)系挖掘和教學(xué)優(yōu)化三個方面。

在預(yù)測方面，當(dāng)前研究主要集中在根據(jù)學(xué)習(xí)者學(xué)習(xí)行為進(jìn)行學(xué)習(xí)成績預(yù)測、輟學(xué)預(yù)測、升學(xué)預(yù)測等。如賀超凱等（2016）、宗陽等（2016）眾多學(xué)者就學(xué)習(xí)者的學(xué)習(xí)行為記錄，使用不同的方法來預(yù)測學(xué)習(xí)者的學(xué)習(xí)成績（Jiang， et al. ， 2014； Romero， et al. ， 2013； Yadav， et al. ， 2012； 蔣卓軒， 等， 2015）；有的研究根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為來預(yù)測學(xué)習(xí)者是繼續(xù)留在平臺上進(jìn)行課程學(xué)習(xí)（Balakrishnan & Coetzee， 2013； Ramesh， et al. ， 2014），還是會輟學(xué)（Halawa， et al. ， 2014）；有學(xué)者利用學(xué)習(xí)系統(tǒng)中學(xué)習(xí)者學(xué)習(xí)行為記錄來預(yù)測其能否通過學(xué)業(yè)測試（Pedro， et al. ， 2013）。

在關(guān)系挖掘方面，當(dāng)前研究主要是分析學(xué)習(xí)者的哪些學(xué)習(xí)行為會影響學(xué)習(xí)參與度、學(xué)習(xí)成就。有研究發(fā)現(xiàn)，學(xué)業(yè)成績與平時測驗成績、論壇活躍程度以及觀看課程網(wǎng)頁次數(shù)有比較強烈的正相關(guān)關(guān)系（賈積有， 等， 2014）。也有研究表明，學(xué)習(xí)者的課程學(xué)習(xí)動機越強，學(xué)習(xí)者在課程討論區(qū)和Wiki表現(xiàn)越活躍，完成課程的可能性越高（李曼麗， 等， 2015）。傅鋼善與王改花（2014）研究了學(xué)習(xí)時間跨度、學(xué)習(xí)總時長、學(xué)習(xí)次數(shù)等八種學(xué)習(xí)行為對學(xué)習(xí)效果的影響，研究表明學(xué)習(xí)效果與討論交流、學(xué)習(xí)次數(shù)等六種學(xué)習(xí)行為具有顯著的正相關(guān)關(guān)系，而與短信接收數(shù)量、平均每次在線學(xué)習(xí)停留時長兩種行為呈顯著負(fù)相關(guān)。田娜和陳明選（2014）根據(jù)學(xué)生的相似特性對學(xué)生進(jìn)行聚類，繼而再將這些特性與課程成績進(jìn)行相關(guān)分析。研究表明學(xué)生完成的課程數(shù)目、訪問過的課程頁面的數(shù)量與最終取得的課程分?jǐn)?shù)呈正相關(guān)，而課程瀏覽次數(shù)、網(wǎng)絡(luò)平臺停留時間與學(xué)后測試呈負(fù)相關(guān)。

在教學(xué)優(yōu)化方面，當(dāng)前研究主要集中在根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為來幫助教師進(jìn)行教學(xué)決策。魏順平（2011）和吳淑蘋（2013）通過對教師在線培訓(xùn)或?qū)W習(xí)平臺上的研究得知學(xué)習(xí)者活動的總體情況、模塊訪問的偏好和學(xué)習(xí)時間的偏好，而這些發(fā)現(xiàn)對評估網(wǎng)絡(luò)培訓(xùn)開展情況和優(yōu)化學(xué)習(xí)支持服務(wù)等都有較大的參考價值。有的研究通過對學(xué)習(xí)者提交記錄的分析，幫助教師發(fā)現(xiàn)學(xué)習(xí)者解決問題的方式以及學(xué)習(xí)者學(xué)習(xí)失敗的問題所在，進(jìn)而提供相應(yīng)指導(dǎo)（Han， et al. ， 2013）。也有研究利用學(xué)習(xí)者在使用提交系統(tǒng)時系統(tǒng)所記錄的提交次數(shù)、測試通過情況、時間花費和所獲成績等信息來幫助教師發(fā)現(xiàn)學(xué)習(xí)表現(xiàn)較差的學(xué)生，從而進(jìn)行早期干預(yù)，幫助學(xué)生獲得理想的成績（McBroom， et al. ， 2016）。

學(xué)習(xí)行為分析能為教師教學(xué)、學(xué)生學(xué)習(xí)和教育決策者提供支持與幫助，進(jìn)而提高學(xué)生學(xué)習(xí)成績。學(xué)習(xí)行為分析的重要性雖已被大家所認(rèn)識，但國內(nèi)外研究主要集中在MOOC平臺、MOODLE平臺上，而對虛擬仿真實驗平臺上的學(xué)生學(xué)習(xí)行為分析很少。本研究以某國外虛擬仿真實驗平臺為例，在已有學(xué)習(xí)行為分析研究的基礎(chǔ)上，提取學(xué)習(xí)者在虛擬仿真實驗平臺上的相關(guān)學(xué)習(xí)行為數(shù)據(jù)，對數(shù)據(jù)結(jié)果進(jìn)行必要的分析，探討虛擬仿真實驗中學(xué)習(xí)行為與學(xué)習(xí)成績的關(guān)系。endprint

三、研究方法

（一）研究問題

目前對于學(xué)習(xí)行為尚未形成一個明確、統(tǒng)一的定義。不同學(xué)者從不同研究角度給出了眾多不同的定義（彭文輝， 等， 2006； 吳淑蘋， 2013； 楊金來， 等， 2008； 姚純貞， 等， 2009）。本研究采用郁曉華等（2013）所闡述的學(xué)習(xí)行為定義，即學(xué)習(xí)行為是指學(xué)習(xí)者在某種動機指引下，為獲得某種學(xué)習(xí)結(jié)果而與周圍環(huán)境進(jìn)行的雙向交互活動的總和?；诖?，本文主要研究以下兩個問題：

（1）學(xué)習(xí)者在虛擬仿真實驗課程中的學(xué)習(xí)行為特征總體情況如何？

（2）學(xué)習(xí)者的這些學(xué)習(xí)行為是否會對學(xué)習(xí)者的學(xué)習(xí)成績產(chǎn)生影響？如有影響，影響程度如何？

（二）虛擬仿真實驗平臺及數(shù)據(jù)來源

DEEDS（Digital Electronics Education and Design Suite，數(shù)字電路教育和設(shè)計組件）是由意大利兩位學(xué)者專為數(shù)字電路課程開發(fā)的一個虛擬仿真實驗平臺（Donzellini & Ponta， 2007）。該平臺集成了“數(shù)字電路模擬器（d-DcS）”“有限狀態(tài)機模擬器（d-FsM）”“微機接口與編程模擬器（d-McE）”三大模擬器。在“數(shù)字電路模擬器”模塊（如圖1所示），實驗者可以對常規(guī)實驗電路進(jìn)行組裝、設(shè)計與測試等模擬；“有限狀態(tài)機模擬器”模塊（如圖2所示）為實驗者提供了進(jìn)行有限狀態(tài)機設(shè)計、測試等模擬所需的環(huán)境；在“微機接口與編程模擬器”模塊（如圖3所示），實驗者可以使用匯編語言練習(xí)微機編程，實現(xiàn)特定功能。

圖1展示了模擬器模塊的詳細(xì)界面。區(qū)域A是標(biāo)題欄，標(biāo)識了當(dāng)前所展示的是平臺中的哪個模塊。例如，當(dāng)前窗口標(biāo)題為“Deeds （Digital Circuit Simulator）-[D030144_1.pbs]”表示當(dāng)前打開的是數(shù)字電路模擬器（d-DcS），位于后面的“[D030144_1.pbs]”表示當(dāng)前文件的名稱。區(qū)域B跟其他軟件一樣，展示的是菜單欄，其中View提供的功能是放大或縮小工作區(qū)中邏輯電路的視圖大??；Circuit處可選擇電路元器件；Simulation相當(dāng)于一般編程軟件中的Run，也就是運行電路；Tools處提供了打開其他兩個模擬器（d-FsM， d-McE）的快捷菜單；Learning處提供了快速進(jìn)入學(xué)習(xí)管理系統(tǒng)查看學(xué)習(xí)任務(wù)、學(xué)習(xí)資料的快捷菜單。區(qū)域C是工具欄。區(qū)域D是實驗器件欄，提供了各種電路元器件以及邏輯運算符號。區(qū)域E是實驗區(qū)或工作區(qū)，各種邏輯電路的組裝在此處進(jìn)行。

本研究數(shù)據(jù)來源于Vahdat等（2015）收集的意大利熱那亞大學(xué)（University of Genoa）計算機工程專業(yè)大一學(xué)生在DEEDS平臺上學(xué)習(xí)“數(shù)字電路”實驗課程的學(xué)習(xí)操作數(shù)據(jù)集。在課程的實驗教學(xué)中，采用基于問題解決的教學(xué)方式，即讓學(xué)生根據(jù)預(yù)設(shè)問題在所提供的實驗環(huán)境下自主探究并完成課程的學(xué)習(xí)。每課時提供的學(xué)習(xí)時間為3小時，學(xué)生通過以下三個步驟進(jìn)行學(xué)習(xí)：①在線查看實驗任務(wù)；②在DEEDS平臺上進(jìn)行模擬；③完成并提交實驗報告。當(dāng)學(xué)生在所規(guī)定的時限內(nèi)完成學(xué)習(xí)任務(wù)并提交實驗報告后，即可結(jié)束該課時的學(xué)習(xí)。

為了解學(xué)生與虛擬仿真實驗平臺交互情況以及使用它解決問題的方式，研究者通過在學(xué)生的個人電腦上安裝一款軟件進(jìn)行相應(yīng)數(shù)據(jù)的收集，在數(shù)據(jù)收集的同時綁定學(xué)生的身份信息。學(xué)生的學(xué)習(xí)數(shù)據(jù)是通過軟件識別學(xué)生所打開的應(yīng)用窗口標(biāo)題信息（即圖1所示的A區(qū)域），進(jìn)而識別學(xué)生所進(jìn)行的學(xué)習(xí)活動，并同時記錄下該活動的開始與結(jié)束時間等。

（三）研究樣本和實驗預(yù)處理

在進(jìn)行數(shù)據(jù)分析之前，我們對所得到的原始數(shù)據(jù)進(jìn)行了如下預(yù)處理：

（1）學(xué)習(xí)行為提取。本研究對原始數(shù)據(jù)集中所記錄的15種學(xué)習(xí)活動進(jìn)行了合并，提煉出9種學(xué)習(xí)行為。表1提供了學(xué)習(xí)行為的名稱及其描述。

（2）學(xué)習(xí)行為發(fā)生頻次與學(xué)習(xí)時間統(tǒng)計。界定上述學(xué)習(xí)行為之后，本研究對每位學(xué)生在實驗課中對應(yīng)的9種學(xué)習(xí)行為總發(fā)生頻次和課程總投入學(xué)習(xí)時間（單位：分鐘）分別進(jìn)行了統(tǒng)計，最終得到包含學(xué)號、9種學(xué)習(xí)行為分別發(fā)生的頻次、學(xué)習(xí)時間、期末成績等信息的數(shù)據(jù)集。

（3）實驗樣本的篩選。在進(jìn)行步驟（1）和步驟（2）時發(fā)現(xiàn)，部分學(xué)生有學(xué)習(xí)行為記錄但缺少學(xué)習(xí)成績，另外一些學(xué)生沒有學(xué)習(xí)行為記錄但有學(xué)習(xí)成績。為了探詢學(xué)習(xí)行為與學(xué)習(xí)成績之間的關(guān)聯(lián)，本研究舍棄了這兩種情況的所有樣本，最終得到的研究樣本數(shù)量為92。

（四）研究工具與方法

本研究在初期使用Python編程語言對原始數(shù)據(jù)集所包含的20余萬條數(shù)據(jù)進(jìn)行相關(guān)的預(yù)處理工作，并生成新的數(shù)據(jù)文件。在對數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理后，運用SPSS 18.0進(jìn)行基本的描述統(tǒng)計、相關(guān)分析以及多元回歸分析。

四、結(jié)果與討論

（一）學(xué)習(xí)行為總體情況

學(xué)習(xí)者在該課程中的學(xué)習(xí)情況如表2所示。表2第二行統(tǒng)計的是學(xué)生在該課程上所投入的時間情況，如學(xué)生在該課程上投入的最小時長和最大時長，班級學(xué)生學(xué)習(xí)的平均時長等。第三行到第十一行展示的是學(xué)習(xí)者在課程學(xué)習(xí)中9種學(xué)習(xí)行為發(fā)生頻次的相關(guān)情況。第二列為班級學(xué)生某一行為發(fā)生頻次的總和，如在Aulaweb這一行為上，班級學(xué)生共參與了7，154次。最后一行是對不同學(xué)習(xí)者個體在該課程9種學(xué)習(xí)行為中累計參與情況的統(tǒng)計，如最小值290表示某一學(xué)生9種學(xué)習(xí)行為累計參與頻次的總和。此外，本研究也給出了學(xué)習(xí)者學(xué)習(xí)行為總體分布情況，如圖4所示。

1. 學(xué)習(xí)時長分析

該課程共計6個課時，每個課時規(guī)定的學(xué)習(xí)時間為3個小時。如前所述，在每個課時的學(xué)習(xí)中學(xué)生只要完成并提交預(yù)設(shè)的學(xué)習(xí)任務(wù)，即可結(jié)束該課時的學(xué)習(xí)。

表2中Time這一行表示學(xué)生在該課程總的學(xué)習(xí)時間投入情況。學(xué)習(xí)時間投入的均值為589.22分鐘，最小值為77.05分鐘，僅高于一個課時指定時間的三分之一。與此同時，所投入學(xué)習(xí)時間的最大值達(dá)872.47分鐘，接近14.5小時。其中大約有64%的學(xué)生在投入的學(xué)習(xí)時間上超過班級的平均時間投入（約10個小時）。但從學(xué)生投入學(xué)習(xí)時間的總體分布情況來看（如圖4所示），不同學(xué)生在學(xué)習(xí)時間投入上是存在差異的。endprint

究其原因，其一，可能是學(xué)生原有知識基礎(chǔ)存在差異導(dǎo)致的。例如，對實驗平臺以及實驗所需電子元器件符號的不熟悉等原因都會使學(xué)生的學(xué)習(xí)時間投入產(chǎn)生差異。其二，學(xué)習(xí)風(fēng)格是影響學(xué)習(xí)過程的主要因素之一，它表征學(xué)習(xí)者身上一貫表現(xiàn)的帶有個性特征的學(xué)習(xí)方式和學(xué)習(xí)傾向，在這方面學(xué)生之間往往存在一定的差異。例如，有的學(xué)生傾向于通過動手實踐來獲取知識，而該課程的教學(xué)方式正迎合了其學(xué)習(xí)風(fēng)格，進(jìn)一步激發(fā)了這類學(xué)生的學(xué)習(xí)興趣，因而其完成指定學(xué)習(xí)任務(wù)所花費的學(xué)習(xí)時間較少也是合理的。因此，教學(xué)者在教學(xué)設(shè)計過程中應(yīng)采用適合的方式了解學(xué)生的已有知識基礎(chǔ)及學(xué)習(xí)風(fēng)格，從而安排更合適的學(xué)習(xí)內(nèi)容，設(shè)計更合理的教學(xué)活動，進(jìn)一步激發(fā)學(xué)生的學(xué)習(xí)興趣，積極引導(dǎo)教學(xué)活動的開展。

2. 學(xué)習(xí)行為參與頻次分析

表2最后一行展示的是學(xué)生在該門課程中所有學(xué)習(xí)行為參與頻次的總和。研究發(fā)現(xiàn)，對于每一位學(xué)生來說，平均有2，264.15次學(xué)習(xí)行為被記錄了下來。然而，該行所有學(xué)習(xí)行為的標(biāo)準(zhǔn)差一欄顯示這些數(shù)據(jù)分布很不均勻，也就是說，不同學(xué)生在學(xué)習(xí)行為總的發(fā)生頻次上存在差異。

就班級整體情況來看，在實驗課的9種學(xué)習(xí)行為中，TextEditor、Deeds的發(fā)生頻次分別占了18.58%、16.48%，是參與頻次較高的兩種學(xué)習(xí)行為。其中TextEditor表征學(xué)生在從事與實驗報告相關(guān)的活動，如查看、填寫實驗結(jié)果等。Deeds表征學(xué)生在數(shù)字電路模擬器（d-DcS）上的相關(guān)行為，如進(jìn)行電路的組裝、設(shè)計、測試等。實驗操作、現(xiàn)象觀察、實驗結(jié)果記錄是實驗操作中交替進(jìn)行的活動。該結(jié)果表明，與傳統(tǒng)的教學(xué)實驗環(huán)境一樣，學(xué)生在虛擬仿真實驗環(huán)境下，依舊保持著及時記錄實驗結(jié)果的習(xí)慣。然而，圖4也表明，在所有學(xué)習(xí)行為中這兩種學(xué)習(xí)行為是參與度差異較大的兩種行為。

在所有的學(xué)習(xí)行為中，Aulaweb的參與頻次最小，僅占所有學(xué)習(xí)行為參與頻次的3.43%。它表征學(xué)生從事與學(xué)習(xí)管理平臺密切相關(guān)的活動，如上傳實驗報告、下載學(xué)習(xí)資料、查看學(xué)習(xí)任務(wù)等。這些活動在實驗操作類課程中通常進(jìn)行得較少，因而該行為在不同學(xué)生之間發(fā)生頻次較為穩(wěn)定也是正常的。

在該實驗課中總體參與頻次較為接近的四種學(xué)習(xí)行為是Diagram（9.00%）、FSM（9.50%）、Properties（8.70%）、Study（9.65%）。通過標(biāo)準(zhǔn)差可以發(fā)現(xiàn)，四種行為中發(fā)生頻次較不穩(wěn)定的是FSM和Study，分別為110.37和103.09。在FSM學(xué)習(xí)行為中，發(fā)生頻次的最小值為0，最大值達(dá)416次，均值為215.08次。對于Study，最小值為0，最大值為544次，平均發(fā)生次數(shù)為218.46次。

其中較為特別的是Other行為，它表征除了必要的實驗操作之外，課上可能發(fā)生的其他行為，如使用Facebook聊天等。但該行為在9種學(xué)習(xí)行為中所占比率卻比較靠前（14.15%），該行為的頻繁發(fā)生應(yīng)引起教師的重視，并思考其原因。例如無關(guān)學(xué)習(xí)行為的頻繁發(fā)生是說明在教學(xué)活動引導(dǎo)方面存在問題，還是學(xué)習(xí)內(nèi)容難度過大，致使學(xué)生失去學(xué)習(xí)興趣？對于該行為是否會在很大程度上影響學(xué)習(xí)者的學(xué)習(xí)需進(jìn)一步分析。對于在數(shù)據(jù)收集時，未能夠具體甄別到具體活動相關(guān)的行為Blank，其發(fā)生頻次略高于Diagram、FSM、Properties、Study。另外，該學(xué)習(xí)行為發(fā)生頻次的標(biāo)準(zhǔn)差表明，在該行為的參與程度上不同學(xué)生個體之間存在較大波動。

上述9種學(xué)習(xí)行為參與頻次的分析表明，學(xué)生在不同種類學(xué)習(xí)行為的參與上基本都存在差異。其中，學(xué)生僅在學(xué)習(xí)任務(wù)查看行為（Aulaweb）參與頻次上差異較小，表明預(yù)設(shè)的學(xué)習(xí)任務(wù)表述清晰，基本不會給學(xué)生在學(xué)習(xí)任務(wù)理解上帶來疑惑。在剩余參與頻次差異較大的學(xué)習(xí)行為中，需對學(xué)習(xí)行為與學(xué)習(xí)效果進(jìn)行相關(guān)分析，發(fā)現(xiàn)學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)聯(lián)，從而根據(jù)相關(guān)分析結(jié)果，在后續(xù)教學(xué)過程中采取相應(yīng)教學(xué)措施提高教育教學(xué)效果。例如，通過分析Other行為與學(xué)習(xí)效果之間的相關(guān)性來改進(jìn)教學(xué)，探究是否Other行為參與越頻繁學(xué)習(xí)效果越差？若相關(guān)分析結(jié)果顯示Other行為與學(xué)習(xí)效果存在負(fù)相關(guān)，亦即Other行為發(fā)生頻次越多學(xué)習(xí)效果越差，則教師在后續(xù)教學(xué)中應(yīng)采取干預(yù)措施，限制學(xué)生的這一行為。例如，可嘗試關(guān)閉網(wǎng)絡(luò)、限制訪問路徑、鎖定學(xué)習(xí)活動界面等。

（二）學(xué)習(xí)行為與學(xué)習(xí)效果的關(guān)系

通過對學(xué)生學(xué)習(xí)行為的分析，本研究發(fā)現(xiàn)不同學(xué)生在大多數(shù)學(xué)習(xí)行為發(fā)生頻次上存在較大波動。Bivariate雙變量相關(guān)分析是研究兩個變量之間相關(guān)關(guān)系的常用統(tǒng)計方法，常用的相關(guān)系數(shù)主要有Pearson簡單相關(guān)系數(shù)、Spearman相關(guān)系數(shù)和Kendall相關(guān)系數(shù)等（薛薇，2013）。由于本研究分析的是兩個連續(xù)數(shù)據(jù)之間的關(guān)系，且各變量基本符合正態(tài)分布，因此本研究采用Pearson系數(shù)對學(xué)習(xí)行為指標(biāo)與學(xué)習(xí)成績進(jìn)行分析，分析結(jié)果如表3所示。

相關(guān)分析結(jié)果顯示：學(xué)習(xí)時間（Time）與Aulaweb、Deeds、Blank、Other四種學(xué)習(xí)行為參與頻次與成績無顯著相關(guān)。其中，Diagram、FSM和TextEditor三種學(xué)習(xí)行為與學(xué)習(xí)成績在0.05水平上相關(guān)，剩余的Properties和Study學(xué)習(xí)行為在0.01水平上與學(xué)習(xí)成績相關(guān)。

綜上所述，影響學(xué)生學(xué)習(xí)效果的主要是Diagram、FSM、Properties、Study以及TextEditor五種學(xué)習(xí)行為。這五種行為不僅表明了學(xué)習(xí)過程中可能存在的問題，同時也為教師改進(jìn)后續(xù)教學(xué)提供了相應(yīng)的建議。首先，Diagram、FSM行為表征的是學(xué)生對學(xué)習(xí)內(nèi)容的參與程度。同時，相關(guān)分析表明參與時序電路圖繪制活動和有限狀態(tài)機內(nèi)容相關(guān)活動越頻繁，學(xué)習(xí)效果可能越好。因此，在今后的教學(xué)中，與邏輯電路的時序電路圖繪制、有限狀態(tài)機有關(guān)的內(nèi)容的學(xué)習(xí)應(yīng)是教師關(guān)注的重點。教師應(yīng)密切關(guān)注學(xué)生在這兩塊內(nèi)容學(xué)習(xí)中所表現(xiàn)出來的學(xué)習(xí)狀態(tài)，在學(xué)生遇到問題時及時進(jìn)行指導(dǎo)，讓學(xué)生在問題解決中體驗學(xué)習(xí)的樂趣，提高學(xué)習(xí)積極性，加強正向反饋。此外，還可以采取問卷、訪談等方式在對應(yīng)課時學(xué)習(xí)結(jié)束后獲取學(xué)生關(guān)于這兩部分的學(xué)習(xí)反饋。在獲得反饋結(jié)果的基礎(chǔ)上，在后續(xù)教學(xué)過程中為學(xué)生提供更為合理、詳盡的學(xué)習(xí)資料，幫助學(xué)生實現(xiàn)對該部分內(nèi)容的掌握。endprint

Properties、Study兩種行為體現(xiàn)的是學(xué)生解決問題的方式，一種是通過不斷試錯尋求問題解決方法，另一種是通過查詢資料尋求解決辦法。相關(guān)分析表明，Properties、Study學(xué)習(xí)行為參與越頻繁，學(xué)習(xí)效果越理想。表明在后續(xù)的教學(xué)過程中，教師應(yīng)積極引導(dǎo)學(xué)生通過調(diào)節(jié)實驗電路參數(shù)以及閱讀所提供的學(xué)習(xí)資料的方式來尋求問題解決辦法，讓學(xué)生學(xué)習(xí)問題解決方式，從而在問題出現(xiàn)時明確應(yīng)采取何種措施解決問題，提高學(xué)生的學(xué)習(xí)效果。

此外，相關(guān)分析結(jié)果表明，TextEditor學(xué)習(xí)行為參與越頻繁，學(xué)習(xí)效果越好。該現(xiàn)象表明，邊實驗邊記錄實驗結(jié)果更有利于學(xué)習(xí)效果的提升。也就是說，在平時的學(xué)習(xí)過程中，教師應(yīng)鼓勵學(xué)生在改變實驗電路輸入狀態(tài)測試成功時，及時記錄實驗結(jié)果。

（三）學(xué)習(xí)成績影響因素回歸分析

為了更加深入地了解變量的影響效果，本研究根據(jù)相關(guān)分析的結(jié)果，剔除無顯著相關(guān)的學(xué)習(xí)時長（Time）以及Aulaweb、Deeds、Blank和Other行為5個變量后，對剩余的Diagram等5個變量做逐步多元回歸分析（逐步回歸分析的準(zhǔn)則為：F-to-enter的概率 <= .050，F(xiàn)-to-remove的概率 >= .100），結(jié)果如表4所示。

結(jié)果顯示：在所有的學(xué)習(xí)行為中，僅有Properties這一學(xué)習(xí)行為得以通過篩選進(jìn)入最終模型。其標(biāo)準(zhǔn)系數(shù)為正值，且Sig值在0.01水平上達(dá)到顯著，說明Properties學(xué)習(xí)行為參與頻次可以正向預(yù)測學(xué)習(xí)者的學(xué)習(xí)成績。此外，根據(jù)殘差散點圖可知（如圖5所示），標(biāo)準(zhǔn)化殘差絕大部分都落在（-2，2）區(qū)間以內(nèi)，說明整體的擬合度比較好。

在該課程的學(xué)習(xí)中，問題解決方式有：①通過Properties行為所體現(xiàn)的不斷試錯方式；②通過Study行為所體現(xiàn)的閱讀學(xué)習(xí)資料方式。然而，在最終的學(xué)習(xí)成績多元線性回歸分析中，僅有Properties這一學(xué)習(xí)行為得以進(jìn)入最終的模型。分析其原因：其一，該課程是一門實踐操作類的課程，雖然通過閱讀學(xué)習(xí)資料可以獲得問題解決的思路，但為了驗證解決方案的正確與否還得通過實踐，也就是通過調(diào)節(jié)相應(yīng)參數(shù)來解決；其二，正如建構(gòu)主義學(xué)習(xí)理論所闡釋，知識是學(xué)習(xí)者在一定的情境下，借助其他輔助手段，通過意義建構(gòu)的方式而獲得的，在該課程中Properties行為體現(xiàn)的正是學(xué)習(xí)者通過不斷嘗試，不斷調(diào)整參數(shù)，獲得預(yù)期實驗結(jié)果，建構(gòu)知識的過程。

因此，根據(jù)學(xué)習(xí)成績影響因素回歸分析的結(jié)果，在今后的教學(xué)過程中，當(dāng)學(xué)生遇到問題時，一方面教師可以鼓勵、引導(dǎo)學(xué)生采取調(diào)節(jié)實驗電路參數(shù)的方式來尋求問題解決的辦法；另一方面教師可以對學(xué)生的Properties學(xué)習(xí)行為參與頻次進(jìn)行統(tǒng)計，根據(jù)Properties參與頻次的情況，在一定程度上預(yù)估學(xué)生最終可能取得的學(xué)習(xí)成績。當(dāng)發(fā)現(xiàn)學(xué)生學(xué)習(xí)行為與模型偏差較大時，及時采取干預(yù)措施，如通過訪談的形式與學(xué)生交流，發(fā)現(xiàn)問題所在（是在學(xué)習(xí)內(nèi)容的理解上存在問題，還是對教師的授課方式不滿意，等等），進(jìn)而根據(jù)問題采取相應(yīng)的補救措施，幫助學(xué)生取得預(yù)期的學(xué)習(xí)效果。

五、結(jié)論與展望

（一）結(jié)論

隨著科學(xué)技術(shù)的不斷發(fā)展，虛擬仿真實驗平臺在實驗教學(xué)中的應(yīng)用越來越廣泛，然而對虛擬仿真實驗平臺上學(xué)生學(xué)習(xí)行為分析則很少。本研究嘗試采用學(xué)習(xí)分析技術(shù)，通過對學(xué)習(xí)行為進(jìn)行量化來分析學(xué)生在虛擬仿真實驗課程中的學(xué)習(xí)行為總體情況，探詢學(xué)習(xí)行為與學(xué)習(xí)成績之間的關(guān)聯(lián)。研究表明：①學(xué)生在課程的大部分學(xué)習(xí)行為上存在差異。②學(xué)生Diagram、FSM、Properties、Study、TextEditor五種學(xué)習(xí)行為參與程度與學(xué)習(xí)成績存在顯著的正相關(guān)關(guān)系。由此說明，在今后的教學(xué)中，教師應(yīng)密切關(guān)注學(xué)生對時序電路圖繪制以及有限狀態(tài)機內(nèi)容的學(xué)習(xí)狀況；在問題解決方式的選擇上，應(yīng)鼓勵學(xué)生采取試錯和查閱學(xué)習(xí)資料的方式尋求答案。③五種學(xué)習(xí)行為中僅有Properties這一學(xué)習(xí)行為可以進(jìn)入最終的回歸模型，其參與頻次對學(xué)習(xí)成績產(chǎn)生的影響非常顯著。據(jù)此，教師一方面可以鼓勵學(xué)生積極動手實踐，通過行動來驗證問題解決方案的正確與否，另一方面可以根據(jù)回歸分析的結(jié)果預(yù)估學(xué)生最終取得的成績，及時發(fā)現(xiàn)學(xué)習(xí)問題所在并進(jìn)行干預(yù)。本研究的這些發(fā)現(xiàn)可為今后虛擬仿真實驗教學(xué)的教學(xué)活動開展、教學(xué)干預(yù)以及教學(xué)結(jié)果評價提供一定的參考。

（二）不足與未來工作

本研究總體來說是一個初步的探索性研究，研究結(jié)論存在較多的不足。首先，已有研究表明，性別、年齡等人口統(tǒng)計信息方面的差異也會產(chǎn)生學(xué)習(xí)行為上的差異。如傅鋼善等（2014）發(fā)現(xiàn)在網(wǎng)絡(luò)學(xué)習(xí)中，男女生在平均學(xué)習(xí)時長、學(xué)習(xí)總時長、重復(fù)學(xué)習(xí)率等方面均有顯著差異。本研究由于缺少相關(guān)的人口統(tǒng)計信息未能就不同性別、不同年齡學(xué)生在各學(xué)習(xí)行為上進(jìn)行比較，未能分析這些因素是否與學(xué)習(xí)成績有關(guān)。其次，用于學(xué)習(xí)分析的數(shù)據(jù)類型較為簡單，在數(shù)量上不夠充分，因此在解釋方面可能會有欠缺。最后，本研究僅從課程這一角度對不同學(xué)習(xí)行為進(jìn)行分析，未能具體考察不同實驗主題是否會影響學(xué)習(xí)行為之間的關(guān)聯(lián)。有學(xué)者曾就虛擬仿真實驗與傳統(tǒng)實驗在教學(xué)方面進(jìn)行了對比分析，提出不同的教學(xué)模式適合不同的實驗主題。如綜合性實驗和設(shè)計性實驗更適宜采用虛擬仿真實驗的教學(xué)模式（鄭富龍， 2005）。

本研究僅對學(xué)生學(xué)習(xí)行為數(shù)據(jù)進(jìn)行了量化分析，為了完善研究發(fā)現(xiàn)，提升其價值，未來將開展的工作包括：①利用數(shù)據(jù)挖掘方法對數(shù)據(jù)進(jìn)行進(jìn)一步的發(fā)掘，發(fā)現(xiàn)更多隱藏在學(xué)生操作行為背后的認(rèn)知過程，為教育教學(xué)提供有效數(shù)據(jù)支持；②綜合應(yīng)用多種方法增強分析結(jié)論的完備性和可靠性，如通過訪談或問卷調(diào)查等質(zhì)性研究方法彌補量化研究在情感和態(tài)度方面信息的缺失。

[參考文獻(xiàn)]

傅鋼善，王改花. 2014. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果研究[J]. 電化教育研究（9）：53-57.

顧小清，張進(jìn)良，蔡慧英. 2012. 學(xué)習(xí)分析：正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J]. 遠(yuǎn)程教育雜志（1）：18-25.endprint

賀超凱，吳蒙. 2016. edX平臺教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測[J]. 中國遠(yuǎn)程教育（6）：54-59.

賈積有，繆靜敏，汪瓊. 2014. MOOC學(xué)習(xí)行為及效果的大數(shù)據(jù)分析——以北大6門MOOC為例[J]. 工業(yè)和信息化教育（9）：23-29.

蔣卓軒，張巖，李曉明. 2015. 基于MOOC數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測[J]. 計算機研究與發(fā)展（3）：614-628.

李曼麗，徐舜平，孫夢嫽. 2015. MOOC學(xué)習(xí)者課程學(xué)習(xí)行為分析——以“電路原理”課程為例[J]. 開放教育研究，21（2）：63-69.

彭文輝，楊宗凱，黃克斌. 2006. 網(wǎng)絡(luò)學(xué)習(xí)行為分析及其模型研究[J]. 中國電化教育（10）：31-35.

田娜，陳明選. 2014. 網(wǎng)絡(luò)教學(xué)平臺學(xué)生學(xué)習(xí)行為聚類分析[J]. 中國遠(yuǎn)程教育（11）：38-41.

魏順平. 2011. Moodle平臺數(shù)據(jù)挖掘研究——以一門在線培訓(xùn)課程學(xué)習(xí)過程分析為例[J]. 中國遠(yuǎn)程教育（1）：24-30.

吳淑蘋. 2013. 基于數(shù)據(jù)挖掘的教師網(wǎng)絡(luò)學(xué)習(xí)行為分析與研究[J]. 教師教育研究，25（3）：47-55.

薛薇. 2013. SPSS統(tǒng)計分析方法與應(yīng)用[M]. 第3版. 北京：電子工業(yè)出版社.

楊金來，洪偉林，張翼翔. 2008. 網(wǎng)絡(luò)學(xué)習(xí)行為的實時監(jiān)控研究與實踐[J]. 開放教育研究（4）：87-92.

姚純貞，米建榮，王紅成. 2009. 國內(nèi)外學(xué)習(xí)行為研究綜述[J]. 教學(xué)與管理（30）：48-50.

郁曉華，顧小清. 2013. 學(xué)習(xí)活動流：一個學(xué)習(xí)分析的行為模型[J]. 遠(yuǎn)程教育雜志（4）：20-28.

鄭富龍. 2005. 仿真實驗與傳統(tǒng)實驗的教學(xué)探索[J]. 實驗室研究與探索，24（9）：84-86.

宗陽，孫洪濤，張亨國，等. 2016. MOOCs學(xué)習(xí)行為與學(xué)習(xí)效果的邏輯回歸分析[J]. 中國遠(yuǎn)程教育（5）：14-22，79.

Balakrishnan G.， Coetzee D. （2013）. Predicting Student Retention in Massive Open Online Courses using Hidden Markov Models. Retrieved October 12， 2016 from https：//www2.eecs.berkeley.edu/Pubs/TechRpts/2013/EESC-2013-109.pdf

Donzellini G.， Ponta D. （2007）. A Simulation Environment for e-Learning in Digital Design. IEEE Transactions on Industrial Electronics， 54（6）， 3078-3085.

Han F.， Veeramachaneni K.， O'Reilly U. M. （2013）. Analyzing Millions of Submissions to Help MOOC Instructors Understand Problem Solving. Retrieved October 10， 2016 from http：//groups.csail.mit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/ProblemAnalytics.pdf

Halawa S.， Greene D.， Mitchell J. （2014）. Dropout Prediction in MOOCs using Learner Activity Features. In Cress， U.， Kloos， C. D. （Eds.）， Proceedings of the European MOOC Stakeholder Summit （EMOOCS 2014） （pp. 58-65）.

Jiang S.， Williams A.， Schenke K.， et al. （2014）. Predicting MOOC Performance with Week 1 Behavior. In Stamper， J.， Pardos， Z.， Mavrikis， M.， McLaren， B. M. （eds.）， Proceedings of the 7th International Conference on Educational Data Mining （pp. 273-275）.

McBroom J.， Jeffries B.， Koprinska I.， et al. （2016）. Mining behaviours of students in autograding submission system logs. In Barnes， T.， Chi， M.， Feng M. （eds.）， Proceedings of the 9th International Conference on Educational Data Mining （pp. 159-166）.

Pedro M. O.， Baker R.， Bowers A.， et al. （2013）. Predicting College Enrollment from Student Interaction with an Intelligent Tutoring System in Middle School. In DMello， S. K.， Calvo， R. A.， Olney， A. （eds.）， Proceedings of the 6th International Conference on Educational Data Mining （pp. 177-184）.endprint

Romero C.， Espejo P. G.， Zafra A.， et al. （2013）. Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education， 21（1）， 135-146.

Ramesh A.， Goldwasser D.， Huang B.， et al. （2014）. Learning Latent Engagement Patterns of Students in Online Courses. In Brodley， C. E.， Stone， P. （eds.）， Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence （pp. 1272-1278）. Palo Alto： The AAAI Press.

Vahdat M.， Oneto L.， Anguita D.， et al. （2015）. A Learning Analytics Approach to Correlate the Academic Achievements of Students with Interaction Data from an Educational Simulator. In： Conole， G.， et al. （eds.）， EC-TEL 2015 （pp. 352-366）. Berlin： Springer.

Vista A.， Awwal N.， Care E. （2016）. Sequential actions as markers of behavioural and cognitive processes： Extracting empirical pathways from data streams of complex tasks. Computers & Education， 92， 15-36.

Yadav S. K.， Bharadwaj B.， Pal S. （2012）. Data mining applications： A comparative study for predicting student's performance. International Journal of Innovative Technology & Creative Engineering， 1（12）， 13-19.

責(zé)任編輯 劉 莉endprint