在線學(xué)習(xí)注意力投入特征與學(xué)習(xí)完成度的關(guān)系

李爽　鄭勤華　杜君磊　王雙

摘要：學(xué)生在線學(xué)習(xí)的注意力控制問題將成為制約高校學(xué)生在線學(xué)習(xí)質(zhì)量與效率日益突出的問題。該文基于典型高等教育開放在線學(xué)習(xí)場景案例課程12463名注冊學(xué)生的點擊流數(shù)據(jù)，從多元需求視角考察了在線學(xué)習(xí)者的學(xué)習(xí)注意力投入與其學(xué)習(xí)方式和完成度的關(guān)系。研究首先從內(nèi)容訪問、任務(wù)參與和績效表現(xiàn)三個維度定義出多元學(xué)習(xí)需求的五個學(xué)習(xí)完成度指標(biāo)作為聚類特征，最終發(fā)現(xiàn)五種在線學(xué)習(xí)模式，即系統(tǒng)學(xué)習(xí)型、績效驅(qū)動的測試型、全面視聽型、選擇視聽型、訪客型。之后，考察了各學(xué)習(xí)模式下學(xué)生的注意力投入基本特征、分配特征與轉(zhuǎn)移模式，發(fā)現(xiàn)不同學(xué)習(xí)模式下學(xué)習(xí)注意力特征的共性與差異;最后，采用循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM-RNN方法構(gòu)建學(xué)習(xí)完成度相關(guān)預(yù)測模型，發(fā)現(xiàn)帶有投入特征向量的學(xué)生注意力轉(zhuǎn)移序列能較好預(yù)測學(xué)生多方面的學(xué)習(xí)完成度。相關(guān)結(jié)果為兼顧多元學(xué)習(xí)需求的在線學(xué)習(xí)服務(wù)體系設(shè)計和學(xué)生支持提供依據(jù)。該文最后討論了研究結(jié)果并對“后疫情”時代高校在線教學(xué)改革與質(zhì)量提升提出相關(guān)建議。

關(guān)鍵詞：在線學(xué)習(xí)模式;多元學(xué)習(xí)需求;注意力投入;注意轉(zhuǎn)移序列學(xué)習(xí)完成度預(yù)測

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A?文章編號：1006-9860（2021）02-0105-08

一、引言

2020年新冠病毒疫情引發(fā)了一場全球教育的大規(guī)模在線遷移，這場全覆蓋的在線教學(xué)實踐創(chuàng)新為師生和管理者積累了寶貴的在線教學(xué)經(jīng)驗，彰顯了在線教學(xué)的優(yōu)勢，也暴露出在線教學(xué)的一些問題。其中，在開放靈活的網(wǎng)絡(luò)環(huán)境下學(xué)生難以有效控制其學(xué)習(xí)注意力成為人們對在線學(xué)習(xí)的主要擔(dān)憂之一。

注意力是心理活動或意識對一定對象的指向與集中，是人類一切活動取得成效的重要條件。注意力控制是影響學(xué)習(xí)的認(rèn)知因素之一，包括注意力分配與注意力轉(zhuǎn)移兩種認(rèn)知模式。注意力幫助個體將有限的認(rèn)知資源分配到目標(biāo)上，經(jīng)過協(xié)調(diào)將認(rèn)知資源重新定向到最需要它的地方，注意力轉(zhuǎn)移則反映出個體在學(xué)習(xí)中的思維過程。大量文獻(xiàn)討論了互聯(lián)網(wǎng)環(huán)境對人類注意力機制的影響，指出注意力在充斥各種資訊信息的網(wǎng)絡(luò)時代成為一種稀缺資源，容易分散與耗散，引發(fā)新的認(rèn)知問題。網(wǎng)絡(luò)環(huán)境對學(xué)習(xí)注意力投人的影響也逐漸引起教育領(lǐng)域關(guān)注，并發(fā)現(xiàn)學(xué)生在線學(xué)習(xí)存在的一些注意力疊加與渙散問題。隨著各種組織形態(tài)線上線下融合創(chuàng)新的教學(xué)成為“后疫情”時代高校教學(xué)新常態(tài)，學(xué)生在線學(xué)習(xí)的注意力控制問題將成為制約高校學(xué)生在線學(xué)習(xí)質(zhì)量與效率日益突出的問題。鑒于此，考察各類在線教學(xué)情境下學(xué)習(xí)注意力的投入特征與規(guī)律，并基于此探索促進(jìn)學(xué)生更好控制學(xué)習(xí)注意力的有效策略是高校推進(jìn)疫情后教育改革亟待關(guān)注的重要課題。

學(xué)生點擊頁面產(chǎn)生的具有時序特征的點擊流數(shù)據(jù)隱含了學(xué)生學(xué)習(xí)的頁面序列、學(xué)習(xí)偏好與方式等豐富信息，揭示了學(xué)生在網(wǎng)絡(luò)課程空間中注意力的指向、集中、耗散與流轉(zhuǎn)路徑，是探索在線課程學(xué)習(xí)注意力投人特征的重要依據(jù)。已有學(xué)者基于點擊流數(shù)據(jù)對學(xué)生在線課程學(xué)習(xí)注意力的投入特征進(jìn)行了有益探索。如CUO等人基于edX四門MOOC課程中的視頻點擊流數(shù)據(jù)分析了學(xué)生在視頻學(xué)習(xí)的注意力分配規(guī)律。Li等人從關(guān)注活動多樣性、學(xué)習(xí)持續(xù)性和內(nèi)容覆蓋性對MOOC學(xué)生的注意力分配特征進(jìn)行了考察。Zhang等人探索了MOOC學(xué)生的集體注意力分配與流模式。還有些學(xué)者考察了點擊流數(shù)據(jù)對學(xué)習(xí)績效的預(yù)測作用，發(fā)現(xiàn)點擊流數(shù)據(jù)能夠較好預(yù)測在線課程學(xué)習(xí)的完成度、堅持性和學(xué)習(xí)成績。然而，整體上點擊流數(shù)據(jù)蘊藏的豐富信息仍然尚未被充分挖掘，尤其基于點擊流數(shù)據(jù)對在線學(xué)習(xí)注意力投人特征的研究整體有限，不同在線學(xué)習(xí)場景下學(xué)生會如何分配、集中、轉(zhuǎn)移他們的注意力，存在哪些注意力投人共同特征與差異，注意力投入特征揭示了學(xué)生的哪些在線需求與學(xué)習(xí)方式偏好等問題都亟待更多實證研究。

疫情后高校必然走向常態(tài)化的混合式教學(xué)，在傳統(tǒng)面授課程的基礎(chǔ)上，整合在線教學(xué)是教育改革創(chuàng)新的重要著力點，因此，本研究將通過挖掘高校開放在線學(xué)習(xí)課程數(shù)據(jù)，基于點擊流數(shù)據(jù)探索學(xué)生在線學(xué)習(xí)的注意力投人特征與差異，檢驗在線學(xué)習(xí)注意投入特征對課程學(xué)習(xí)完成情況的預(yù)測作用，以期為相關(guān)在線學(xué)習(xí)服務(wù)體系設(shè)計和學(xué)生支持提供依據(jù)。

二、研究設(shè)計

（一）研究問題

本研究旨在以高等教育開放在線學(xué)習(xí)典型場景MOOC為例基于點擊流數(shù)據(jù)考察在線學(xué)習(xí)注意力投人特征與課程學(xué)習(xí)方式和完成度的關(guān)系，具體研究問題如下：

（1）從多元學(xué)習(xí)需求視角，在線學(xué)習(xí)者具有幾種學(xué)習(xí)模式，不同模式體現(xiàn)了學(xué)生怎樣的學(xué)習(xí)需求定位？

（2）不同在線學(xué)習(xí)模式下，學(xué)生學(xué)習(xí)注意力投人特征是什么，主要分配在哪些資源與活動中，轉(zhuǎn)移模式是什么，是否存在差異？

（3）在線學(xué)習(xí)者的學(xué)習(xí)注意力投人特征能否有效預(yù)測學(xué)生課程學(xué)習(xí)多方面的完成情況？

（二）研究思路與方法

已有研究表明，相當(dāng)比重的MOOC學(xué)生只是對課程內(nèi)容和資源感興趣，而不是獲得課程證書22。鑒于此，本研究綜合內(nèi)容資源興趣和學(xué)習(xí)結(jié)果兩類需求探索MOOC的學(xué)習(xí)模式。根據(jù)MOOC學(xué)習(xí)特征和數(shù)據(jù)可獲得性，研究從內(nèi)容訪問、任務(wù)參與和績效表現(xiàn)三個維度選取了五個在線學(xué)習(xí)完成度指標(biāo)（如表1所示），即章節(jié)覆蓋率、視頻完成率、測試完成率、作業(yè)完成率、是否參加期末考試，以這五個指標(biāo)作為特征變量，通過K-means聚類算法挖掘MOOC學(xué)習(xí)的典型模式。

在聚類分析基礎(chǔ)上，本研究綜合統(tǒng)計分析與滯后序列分析進(jìn)一步對以上發(fā)現(xiàn)的不同課程學(xué)習(xí)模式下學(xué)生在各類課程頁面的注意力分配與轉(zhuǎn)移序列相關(guān)特征進(jìn)行考察。最后，研究采用近幾年較受歡迎的長短時記憶神經(jīng)網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）3124，這是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）模型。研究基于課程頁面的點擊流數(shù)據(jù)，以頁面類型和頁面停留時間構(gòu)建課程頁面的向量，通過該向量對點擊序列的每個頁面進(jìn)行映射，形成LSTM的輸人數(shù)據(jù)，進(jìn)而分別構(gòu)建五個學(xué)習(xí)完成度指標(biāo)的預(yù)測模型，探索MOOC學(xué)生在線學(xué)習(xí)注意轉(zhuǎn)移特征對課程學(xué)習(xí)多方面完成情況的預(yù)測作用。

（三）研究數(shù)據(jù)與處理

研究數(shù)據(jù)來自清華學(xué)堂在線平臺（xuetangx.com）2018年3月發(fā)布的一門為期11周的MOOC課程。課程采用典型的xMOOC教學(xué)方法，課程教學(xué)按周推進(jìn)，前10周每周學(xué)習(xí)一個章節(jié)并安排章節(jié)作業(yè)，最后1周組織課程期末考試。本課程成績總分100分，作業(yè)成績和期末考試成績各占50%，課程成績在50分以上即為合格，可獲得課程證書。學(xué)生主要通過學(xué)習(xí)教學(xué)視頻、做自測的方式進(jìn)行學(xué)習(xí)，也可以查看教師在Wiki發(fā)布的資源，在論壇與師生互動、討論問題。本研究分析的點擊流數(shù)據(jù)來自該課程具有完整日志記錄的12463名注冊學(xué)生，共計9295704條日志記錄。如表2所示，根據(jù)課程平臺前端頁面和課程日志記錄分析，研究將學(xué)生點擊的頁面類型定義為九種。該頁面分類是本研究考察學(xué)生注意力投入特征以及構(gòu)建LSTM預(yù)測模型的依據(jù)。

三、研究結(jié)果

（一）在線學(xué)習(xí)模式

為挖掘課程學(xué)習(xí)的多元典型模式，研究將章節(jié)覆蓋率、視頻完成率、測試完成率、作業(yè)完成率、是否參加期末考試五個完成度指標(biāo)作為特征指標(biāo)，采用K-means聚類方法對12463名課程注冊學(xué)生進(jìn)行聚類，通過比較輪廓系數(shù)，研究最終選取五類的聚類結(jié)果（如表3所示），輪廓系數(shù)為0.667，分類效果較為理想。ANOVA檢驗顯示五類學(xué)生群體在五個完成度指標(biāo)上都呈現(xiàn)出顯著差異（p《0.001），可知這五類能夠體現(xiàn)在線學(xué)習(xí)者在五個完成度指標(biāo)上的不同特征，如圖1所示。

五類學(xué)習(xí)者中，第五類占比最多，達(dá)到75.2%，該類學(xué)生在五個完成度指標(biāo)上都表現(xiàn)較差，平均訪問章節(jié)內(nèi)容只有5.9%，很少看視頻，很少交作業(yè)，幾乎不做測試，幾乎無人參加期末考試?？梢姡撊后w更像瀏覽課程的訪客，故被定義為訪客類學(xué)生。

占比第二的群體是第三類（17.8%），這類群體似乎對課程證書也不感興趣，幾乎不參加考試?？墒?，該群體相比訪客類學(xué)生表現(xiàn)出對課程部分內(nèi)容的興趣，章節(jié)覆蓋率達(dá)到40%，他們偏愛視頻學(xué)習(xí)，視頻完成率達(dá)到30%，但是測試和作業(yè)完成率僅在10%左右，故將其定義為選擇視聽型學(xué)生。

第四類學(xué)生人數(shù)占比第三（4%），呈現(xiàn)出對課程內(nèi)容和視頻資源的較大興趣，他們訪問了課程絕大部分章節(jié)，視頻完成率在五類中最高，且期末考試參與率達(dá)到40%。從這類群體較低的測試和作業(yè)完成率來看，可知這類學(xué)生更偏愛基于視頻的學(xué)習(xí)，故研究將其定義為全面視聽型學(xué)生。

剩下兩類學(xué)生學(xué)習(xí)績效表現(xiàn)突出，屬于強績效型學(xué)生，可是他們在內(nèi)容訪問、任務(wù)參與和作業(yè)完成上呈現(xiàn)出差異。占比2.5%的第二類學(xué)生在五項指標(biāo)上整體表現(xiàn)突出，他們較為全面地訪問了課程內(nèi)容（88%）與視頻資源（92%），并完成了絕大部分測試題（88%），作業(yè)完成率高達(dá)95%，考試參與度為84%。研究將其定義為系統(tǒng)學(xué)習(xí)型學(xué)生。占比只有0.5%的第一類群體雖然具有五類中最高的考試參與率（97%），但是他們只選擇完成了不足50%的測試和作業(yè)，章節(jié)訪問率均值只有31%，且很少看視頻資源（8.0%），據(jù)此推測這類群體具有較好學(xué)習(xí)基礎(chǔ)，選擇課程旨在高效獲得課程證書，學(xué)習(xí)以做測試和作業(yè)為主，研究將其定義為績效驅(qū)動的測試型學(xué)生。

根據(jù)五類群體在各項完成度指標(biāo)的表現(xiàn)，可大致分析出課程學(xué)生的學(xué)習(xí)需求定位。章節(jié)覆蓋率和視頻完成率體現(xiàn)了學(xué)生對課程內(nèi)容資源的興趣，測試、作業(yè)和參加考試三個指標(biāo)則主要體現(xiàn)了學(xué)生對課程績效的重視程度。研究將績效需求與內(nèi)容資源興趣作為課程需求象限的X軸和Y軸，根據(jù)五類學(xué)生的人數(shù)及其相應(yīng)指標(biāo)均值繪制出課程學(xué)生學(xué)習(xí)需求分布圖，如下頁圖2所示。下頁圖2中五個圓代表了五類學(xué)生，圓的直徑大小代表學(xué)生人數(shù)，圓在需求象限的位置體現(xiàn)了各類群體的學(xué)習(xí)需求定位。由下頁圖2可知，絕大部分在線學(xué)習(xí)者集中在課程需求象限的低需求空間，學(xué)生對內(nèi)容資源的興趣整體大于課程證書。

（二）不同在線學(xué)習(xí)模式下注意力投人特征

1.注意力投人基本特征

為考察注意力投入基本特征，研究定義了五個注意力投入特征指標(biāo)：登錄時長考察學(xué)生課程學(xué)習(xí)注意力的保持，由每次登錄時長均值表征;點擊序列長度體現(xiàn)了學(xué)習(xí)中注意力轉(zhuǎn)移的頻次，由每次學(xué)習(xí)點擊頻次均值表征;頁面多樣性考察學(xué)生每次學(xué)習(xí)關(guān)注的資源、信息、任務(wù)多樣性，由學(xué)生每次登錄訪問的頁面類型數(shù)均值表征;頁面停留時長考察學(xué)生注意力在頁面的保持，由每次登錄時單個頁面的停留時長均值表征;內(nèi)容訪問量考察注意力在章節(jié)內(nèi)容上的分配，由學(xué)生每次登錄訪問的小節(jié)ID數(shù)均值表征。五類學(xué)生的上述指標(biāo)及其登錄次數(shù)和活躍周情況統(tǒng)計如表4所示。

結(jié)果顯示絕大多數(shù)學(xué)生在有限的上線時間中會同時訪問多個學(xué)習(xí)內(nèi)容，單個頁面停留平均時長不足半分鐘，考慮到其中還包括視頻播放時間，頁面空間停留時間整體較短;系統(tǒng)學(xué)習(xí)型最為活躍，學(xué)習(xí)注意力保持時長與轉(zhuǎn)移頻次均最高，關(guān)注的內(nèi)容和頁面類型也最豐富，單個頁面停留時長低于兩類視聽型學(xué)生;兩類視聽型學(xué)生注意力保持水平整體較高，在頁面停留時長上也表現(xiàn)突出，尤其全面視聽型學(xué)生的頁面停留時長幾乎是其他類型的兩倍，這與其專注視頻觀看有關(guān)。選擇視聽型學(xué)生注意力轉(zhuǎn)移較為頻繁，且注意力會分配在更多類頁面和內(nèi)容上，這與其具有較強自主學(xué)習(xí)需求有關(guān)。為尋找感興趣的內(nèi)容或資源他們會瀏覽更多類頁面和內(nèi)容;測試型學(xué)生的活躍度指標(biāo)和時長指標(biāo)雖位居第四，但其頁面多樣性和內(nèi)容訪問量卻較為突出，這可能因為該群體主要基于做試題學(xué)習(xí)，為尋找試題答案會訪問更多頁面和內(nèi)容;訪客型學(xué)生活躍度最低，五個指標(biāo)分值也都最低，是注意力投人最低的學(xué)生群體。

2.注意力分配特征

如表5所示，為進(jìn)一步考察注意力分配特征，統(tǒng)計五類學(xué)生每次登錄在九類頁面的點擊頻次（F）、時長占比（P）與單個頁面停留時長均值（T）。結(jié)果顯示：五類學(xué)生在線學(xué)習(xí)的注意力都主要分配在視頻頁面。相比之下，兩類強績效型學(xué)生，尤其測試型學(xué)生，會將更多注意力分配在其他類頁面，尤其在測試和作業(yè)頁面的分配較為突出，體現(xiàn)了其較強的績效需求。剩下三類，95%以上的注意力都分配在視頻頁面;五類學(xué)生在視頻類頁面的T，值顯著高于其他類頁面，而其他類頁面的T，都不足1分鐘。五類學(xué)生盡管在E、Q、F三類頁面的整體注意力投入較低，但是三類頁面的T，值卻相對較高，表明五類學(xué)生在訪問這三類頁面時都消耗了更多認(rèn)知資源，其中全面視聽型學(xué)生在Q和E類頁面的T，值最高，測試型學(xué)生在F類頁面的T，值最高。

3.注意力轉(zhuǎn)移模式

研究采用滯后序列分析挖掘五類學(xué)生的注意力轉(zhuǎn)移模式。首先，分別統(tǒng)計五類群體每次登錄課程在各類頁面間的跳轉(zhuǎn)頻次，形成九類頁面間的點擊序列頻次表。然后，在點擊序列頻次表的基礎(chǔ)上計算每個序列發(fā)生頻次的Z分?jǐn)?shù)，獲得殘差表。選取Z分?jǐn)?shù)大于+1.96的點擊序列，這些序列就是相應(yīng)類學(xué)生上線學(xué)習(xí)時出現(xiàn)概率達(dá)到顯著性水平的頁面點擊序列，據(jù)此繪制五類學(xué)生的注意力轉(zhuǎn)移模式，如圖3一7所示。

結(jié)果顯示，測試型學(xué)生的顯著序列最多（p《0.05），共六個，即V-V、Q-Q、V-Q、Q-V、XP-V、V-XP。系統(tǒng)學(xué)習(xí)型學(xué)生除了Q-V之外，其他五個序列出現(xiàn)頻次也都達(dá)到了顯著性水平（p《0.05）。這兩類群體的注意力流轉(zhuǎn)模式較為相似，如圖3和圖4所示。其中，V類和0類頁面的自我跳轉(zhuǎn)Z值最高，表明兩類群體都比較專注于視頻和自測活動。V-XP和XP-V兩個序列顯著意味著兩類學(xué)生都傾向于在有更多選擇的學(xué)堂頁面尋找視頻資源。兩類群體都出現(xiàn)了V-0的顯著序列，不同的是測試類學(xué)生的Q-V序列也顯著，再次印證了兩類群體學(xué)習(xí)方式的差異，即系統(tǒng)學(xué)習(xí)型學(xué)生主要采用先學(xué)（看視頻）后測（做自測方式學(xué)習(xí)，測試型學(xué)生則是基于測試的問題驅(qū)動式學(xué)習(xí)。

選擇視聽型和訪客型學(xué)生的注意力轉(zhuǎn)移模式較為相似，都存在三個顯著序列，即V-V，V-XP，XP-V，且V-V的Z值最高，可見這兩類群體也存在更專注于視頻類頁面以及在更開放的學(xué)堂空間而不是課程空間尋找和播放視頻的注意力投人特征。這兩類群體缺少V類與Q類頁面相互轉(zhuǎn)移的顯著序列，可見他們?nèi)狈忸}訓(xùn)練對所學(xué)知識的鞏固或遷移，并對是否掌握視頻知識點并不十分在意。全面視聽型群體的注意力轉(zhuǎn)移模式較為單一，只存在V-V的顯著序列，體現(xiàn)了該群體高度專注于視頻觀看這類輸人性學(xué)習(xí)的特征。

（三）注意力轉(zhuǎn)移序列對學(xué)習(xí)完成度的預(yù)測

研究將學(xué)生樣本按照4：1的比例劃分為訓(xùn)練集（9894人）和測試集（2569人），采用循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM-RNN方法，將學(xué)生點擊產(chǎn)生的頁面序列以及初始化的兩個頁面特征向量一頁面類型和頁面停留時長，作為輸人，分別構(gòu)建五個學(xué)習(xí)完成度指標(biāo)的預(yù)測模型?；谟?xùn)練集200次迭代訓(xùn)練后，選取最好模型，獲得五個學(xué)習(xí)完成度的預(yù)測模型，五個模型對測試集數(shù)據(jù)預(yù)測的R、MSE和AUC如表6所示。

由表6可知，學(xué)生在課程學(xué)習(xí)期間在各類頁面的注意力投人特征與轉(zhuǎn)移序列可以較好預(yù)測MOOC的多種學(xué)習(xí)完成度。預(yù)測變量為連續(xù)變量的前四個學(xué)習(xí)完成度預(yù)測模型的R2在0.413-0.768之間，趨于1，MSE在0.012-0.007之間，趨于0，預(yù)測效果較好。如果按照一個閾值（如》=0.5）將相關(guān)預(yù)測看作相應(yīng)學(xué)習(xí)是否完成的分類問題，那么這些模型的AUC值也較為理想，在0.979-0.966之間，接近于1。此外，注意力轉(zhuǎn)移時序數(shù)據(jù)對學(xué)生是否參加考試的預(yù)測力也較高，AUC達(dá)到0.905，如果將其看作一個回歸問題，那么相應(yīng)R2和MES值顯示該模型也能較好解釋測試數(shù)據(jù)。

四、總結(jié)和討論

（一）基于高校MOOC的在線學(xué)習(xí)體現(xiàn)出多元學(xué)習(xí)需求

本研究綜合內(nèi)容資源興趣和績效需求發(fā)現(xiàn)五類在線學(xué)習(xí)模式，揭示了學(xué)習(xí)者的多元化學(xué)習(xí)需求與訴求。與已有研究相似[25][26]，本研究也發(fā)現(xiàn)在線學(xué)習(xí)者中有相當(dāng)比重的視聽型學(xué)習(xí)者，他們對課程內(nèi)容與視頻資源更感興趣，主要通過看視頻進(jìn)行學(xué)習(xí)。這類人群在本研究中又進(jìn)一步分為目的性較強的選擇視聽型和更依賴課程安排的全面視聽型兩類。兩類群體雖然都更關(guān)注內(nèi)容和資源，但后者存在一定程度的績效需求，二者的注意力投人特征也存在差異。此外，旨在獲得課程認(rèn)證的強績效型學(xué)生也存在兩類群體：一類是根據(jù)教學(xué)安排循序漸進(jìn)的系統(tǒng)學(xué)習(xí)型學(xué)生，另一類是以針對性刷題為主的測試型學(xué)生。后者具有更好學(xué)習(xí)基礎(chǔ)，他們?yōu)楦咝Й@得課程證書，往往選取不熟悉章節(jié)，以測試和作業(yè)為抓手進(jìn)行應(yīng)試型學(xué)習(xí)。然而，課程絕大部分學(xué)習(xí)者屬于嘗鮮性訪客型學(xué)生。他們對課程抱有好奇，卻缺乏強烈或明確的學(xué)習(xí)動機，尚未做好學(xué)習(xí)準(zhǔn)備，在瀏覽少量內(nèi)容后便離開課程。

（二）在線學(xué)習(xí)注意力分配嚴(yán)重不均且存在渙散和失焦隱患

研究表明，學(xué)生在課程資源與活動的注意力分配上普遍存在分配不均的問題，較大比重的注意力被分配在視頻頁面中，只有少數(shù)績效型學(xué)生會分配一定比重的注意力在其他類學(xué)習(xí)頁面中。此外，絕大部分學(xué)生在單個課程頁面空間的注意力保持整體有限，學(xué)生經(jīng)常在有限時間內(nèi)訪問多章節(jié)內(nèi)容，且喜歡在擁有更多選擇的平臺空間而不是課程空間尋找和訪問視頻資源。這些特征不禁令人擔(dān)憂學(xué)生在線注意力失焦和專注力低下。學(xué)生傾向于在開放、非線性空間中不斷跳轉(zhuǎn)尋找資源，但可能缺乏專注度，并沒有認(rèn)真學(xué)習(xí)每個資源。開放、非線性的課程空間結(jié)構(gòu)對學(xué)習(xí)可能是把雙刃劍，雖提供豐富資源、支持靈活認(rèn)知，但某種程度上也會消耗學(xué)生的認(rèn)知資源并影響深度學(xué)習(xí)發(fā)生[27]。因此，如何優(yōu)化課程空間與資源設(shè)計提升注意力投人質(zhì)量、強化注意力管理等網(wǎng)絡(luò)認(rèn)知素養(yǎng)與自主學(xué)習(xí)能力培養(yǎng)是未來在線教學(xué)需要關(guān)注的重點。

（三）在線學(xué)習(xí)注意力投人強度和投入模式差異顯著

研究發(fā)現(xiàn)不同需求與學(xué)習(xí)模式下學(xué)生學(xué)習(xí)注意力投人存在差異：系統(tǒng)學(xué)習(xí)型和全面視聽型學(xué)生學(xué)習(xí)能夠保持較長時間，平均達(dá)到40分鐘左右。后者由于學(xué)習(xí)以觀看視頻為主，其平均頁面停留時長表現(xiàn)更加突出;目的性較強的測試型和選擇視聽型學(xué)生為尋找所需資源會呈現(xiàn)出注意力更多元的分配和更頻繁的跳轉(zhuǎn)特征;與已有研究結(jié)果相似[28]，強績效驅(qū)動的兩類群體相比其他三類更關(guān)注課程其他資源和活動;注意力轉(zhuǎn)移模式揭示出相較于弱績效型學(xué)生，強績效型學(xué)生在學(xué)習(xí)中普遍具有更深層次的認(rèn)知加工活動，他們會利用測試題檢測或驅(qū)動學(xué)習(xí)。相關(guān)結(jié)果為個性化在線學(xué)習(xí)設(shè)計與支持服務(wù)提供了啟示和依據(jù)。

（四）注意力投人特征序列能夠預(yù)測在線學(xué)習(xí)方式與完成度

學(xué)生對不同類頁面的訪問體現(xiàn)了他們對課程不同內(nèi)容、資源和活動的興趣與學(xué)習(xí)方式，而頁面點擊流數(shù)據(jù)隱含了學(xué)生注意力在各類課程頁面的分配與流動信息。研究將學(xué)生點擊產(chǎn)生的頁面序列以及體現(xiàn)學(xué)習(xí)偏好與投人的兩個頁面特征向量作為輸人，所構(gòu)建的基于注意轉(zhuǎn)移序列的五個學(xué)習(xí)完成度預(yù)測模型都具有較高的準(zhǔn)確度。可見，學(xué)生注意力在課程頁面的注意轉(zhuǎn)移序列與投人特征不僅能夠預(yù)警學(xué)生是否輟學(xué)，還能夠細(xì)化預(yù)測學(xué)生在線學(xué)習(xí)的多方面完成情況，包括所訪章節(jié)覆蓋率、視頻完成率、測試完成率、作業(yè)提交率、是否參加考試等，為教師提前識別學(xué)生多元學(xué)習(xí)興趣和需求、預(yù)測學(xué)習(xí)方式與相關(guān)完成度提供依據(jù)。這為針對性引導(dǎo)和個性化支持提供了新思路。

五、啟示與建議

本研究以高等教育典型開放在線學(xué)習(xí)場景MOOC課程為例從多元需求視角考察了在線學(xué)習(xí)者的學(xué)習(xí)注意力投人與其學(xué)習(xí)方式和完成度的關(guān)系。研究定義出多元學(xué)習(xí)需求的完成度指標(biāo)，通過案例課程的數(shù)據(jù)挖掘發(fā)現(xiàn)MOOC學(xué)習(xí)存在系統(tǒng)學(xué)習(xí)型、績效驅(qū)動的測試型、全面視聽型、選擇視聽型、訪客型等五類學(xué)習(xí)模式。之后，進(jìn)一步考察了各學(xué)習(xí)模式下學(xué)生的注意力投人基本特征、分配特征與轉(zhuǎn)移模式，發(fā)現(xiàn)不同模式下學(xué)習(xí)注意力特征的共性與差異，在此基礎(chǔ)上，構(gòu)建出學(xué)習(xí)完成度的預(yù)測模型。研究雖只是對一門課程數(shù)據(jù)的深人探索，但數(shù)據(jù)挖掘結(jié)果有足夠的現(xiàn)實意義，為下一階段高校MOOC建設(shè)、在線教學(xué)改革和質(zhì)量提升提供了啟示。

（一）強化在線學(xué)習(xí)質(zhì)量標(biāo)準(zhǔn)建設(shè)，以投人指標(biāo)為核心建設(shè)微觀可監(jiān)測標(biāo)準(zhǔn)體系

目前關(guān)于在線課程的質(zhì)量標(biāo)準(zhǔn)存在著較為泛化、主觀性較強、可操作性和及時反饋性較弱等問題。本研究發(fā)現(xiàn)基于點擊流數(shù)據(jù)挖掘的注意投人特征能夠較好評估學(xué)生的學(xué)習(xí)狀態(tài)，并預(yù)測學(xué)習(xí)績效。我們建議在進(jìn)一步研究的基礎(chǔ)上，提取以多層次、多維度學(xué)習(xí)投入為核心的學(xué)習(xí)過程關(guān)鍵特征，表征學(xué)生在宏觀課程空間、中觀活動空間和微觀頁面空間的學(xué)習(xí)狀態(tài)及其動態(tài)演變，形成可實時監(jiān)測、反饋與干預(yù)的在線學(xué)習(xí)質(zhì)量標(biāo)準(zhǔn)體系，在不斷的實際應(yīng)用迭代中予以優(yōu)化，從而為在線學(xué)習(xí)的狀態(tài)和結(jié)果監(jiān)測提供全方位科學(xué)高效的支撐。

（二）加強學(xué)生自主學(xué)習(xí)能力與相關(guān)網(wǎng)絡(luò)認(rèn)知素養(yǎng)培養(yǎng)，促進(jìn)在線學(xué)習(xí)有效發(fā)生

本研究發(fā)現(xiàn)學(xué)生的在線學(xué)習(xí)注意力投人特征揭示出學(xué)生自主學(xué)習(xí)能力與相關(guān)網(wǎng)絡(luò)認(rèn)知素養(yǎng)的缺失。作為影響在線學(xué)習(xí)發(fā)生的關(guān)鍵因素，自主學(xué)習(xí)能力和相關(guān)網(wǎng)絡(luò)認(rèn)知素養(yǎng)的培養(yǎng)和提升是下一階段高等教育在線學(xué)習(xí)變革的重要著力點。我們建議改變完全意義的“視頻+練習(xí)”的通用學(xué)習(xí)模式，強化學(xué)習(xí)情境、學(xué)習(xí)活動與學(xué)習(xí)反饋的設(shè)計，將自主學(xué)習(xí)能力和良好網(wǎng)絡(luò)接觸習(xí)慣、注意力管理等網(wǎng)絡(luò)認(rèn)知素養(yǎng)培養(yǎng)作為重要因素，在課程各環(huán)節(jié)滲透相關(guān)支持策略，關(guān)注并支持學(xué)生對學(xué)習(xí)時間、內(nèi)容、活動和結(jié)果的自我調(diào)節(jié)，通過促進(jìn)學(xué)生與課程環(huán)境的充分互動、提供及時反饋，引導(dǎo)其逐步提高其網(wǎng)絡(luò)素養(yǎng)與自主學(xué)習(xí)能力，以適應(yīng)這種新型學(xué)習(xí)方式，提升在線學(xué)習(xí)質(zhì)量。

（三）強化智能技術(shù)應(yīng)用，以適應(yīng)性的學(xué)習(xí)服務(wù)應(yīng)對多元化學(xué)習(xí)需求

高等教育中對在線課程的學(xué)習(xí)需求存在多樣化特點，正如本文所發(fā)現(xiàn)的，在線學(xué)習(xí)者不僅是目標(biāo)需求的多元化，還有學(xué)習(xí)時間、學(xué)習(xí)投人、學(xué)習(xí)方式、學(xué)習(xí)評價等各類需求的多元化。單靠大規(guī)模的教師資源投人解決適應(yīng)性學(xué)習(xí)服務(wù)和學(xué)習(xí)支持，自然難以滿足此類訴求，而需要強化數(shù)據(jù)挖掘等智能技術(shù)的應(yīng)用。在線學(xué)習(xí)與傳統(tǒng)學(xué)習(xí)發(fā)生在不同的環(huán)境中，基于學(xué)習(xí)發(fā)生的場景，可以利用平臺記錄的客觀行為數(shù)據(jù)和狀態(tài)數(shù)據(jù)構(gòu)建相關(guān)算法模型，從教育學(xué)規(guī)律和數(shù)據(jù)聚合兩個角度相向而行，構(gòu)建具有科學(xué)性和可行性的技術(shù)模型支撐對在線學(xué)習(xí)的評價、診斷、預(yù)測、干預(yù)，形成適應(yīng)性、智能化學(xué)習(xí)服務(wù)體系，以應(yīng)對多元化學(xué)習(xí)需求。

總之，新冠肺炎疫情下，中國大規(guī)模在線教育已經(jīng)成為全民參與的新時代學(xué)習(xí)模式的社會實

踐。正如教育部高等教育司司長吳巖在2020年5月14日教育部新聞發(fā)布會上所說：“我們再也不可能、也不應(yīng)該退回到疫情發(fā)生之前的教與學(xué)狀態(tài)?！薄盎ヂ?lián)網(wǎng)+”教育將成為我國下一個階段教育變革的核心著力點，也是學(xué)習(xí)方式變革的重心。因此，挖掘在線學(xué)習(xí)的基礎(chǔ)規(guī)律促進(jìn)有質(zhì)量的學(xué)習(xí)發(fā)生就有了極高的理論和現(xiàn)實意義。本研究期望能夠為兼顧多元學(xué)習(xí)需求的在線學(xué)習(xí)服務(wù)體系設(shè)計提供依據(jù)和支持。

參考文獻(xiàn)：

[1]彭聃齡.普通心理學(xué)（修訂版）[M].北京：北京師范大學(xué)出版社，2001.[2][4]嚴(yán)薇薇，曠小芳等.基于深度學(xué)習(xí)技術(shù)的注意力轉(zhuǎn)移模式的挖掘——以二語學(xué)習(xí)者的眼動數(shù)據(jù)為例[J].電化教育研究，2019，40（8）：30-36.

[3] Miller，M.D.Minds online：Teaching effectively with technology [M]. Cambridge，MA：Harvard University Press，2014.

[5] Athreya B H，Mouza C.Thinking skills for the digital generation：The development of thinking and learning inthe age of information [MJ.Swi tzerland：Springer，2017.97-98.

[6] Greenfield，S.Minds change：How digital technologies are leaving their mark on our brains [M].New York：Random House，2015.

[7]馬秀麟，蘇幼園等.移動學(xué)習(xí)環(huán)境中注意力保持及學(xué)習(xí)行為控制模型的研究[J].遠(yuǎn)程教育雜志，2018，36（2）：56-66.

[8] Brown S G，Tenbrink A P，LaMarre G.Performance while distracted： The effect of cognitive styles and working memory [J Personality and Individual Differences，2019，138（Feb）：380-384.

[9] Xiao，X ，& Wang，J.Understanding and detecting divided attention in mobile mooc learning [A].ACM.Proceedings of the 2017 CHl Conference on Human Factors in Computing Systems [C].New York： Association for Computing Machinery，2017.2411-2415.

[10] Kop R..The Challenges to Connectivist Learning on Open Online Networks：Learning Experiences during a Massive Open Online Course [J].International Review of Research in Open & Distance Learning，2011，12（3）：19-38.

[11] Li S，Tang Q Zhang Y.A Case Study on Learning Difficulties and Corresponding Supports for Learning in cMoocs [J.Canadian Journal of Learning and Technology，2016，42（2）：1-25.

[12]楊斌.充分釋放“抗疫紅利”推進(jìn)教育改革創(chuàng)新[J].清華大學(xué)教育研究，2020，41（3）：1-5+33.

[13][21] Montgomery A L，Li S，Srinivasan K，et al.Modeling online browsing and path analysis using clickstream data [J].Marketing sience，00404.4）：579-595.

[14] cU0，Philip J：KIMJuho;RUBIN，Rob.How video production affects student engagement：An empirical study of Mooc videos [AJ.ACM. Proceedings of the Ist ACM Conference on Learning at Scale [CJ.New York：Association for Computing Machinery，2014.41-50.

[15[8][23] Li S，Wang SJei Du J，et al.The Characteristics of Attention Flow of MoOC Students and Their Prediction of Academic Persistence [A.Lin L.Proceedings of 2019 8th International Conference of Educational Innovation through Technology [C].New York：Institute of Electrical and Electronics Engineers Inc，2019.91-98.

[16][27] Zhang JJLou X，Zhang H，et alModeling collective attention in online and flexibleleamingenvironments [J-DistanceEducation，2019.40（2）：278-301. [17] S.Crossley，L.Paquette，M.Dascalu，D.S.MeNamara，and R.S.Baker. Combining click-stream data with NLP tools to better understand mooc completion [A].ACM.Proceedings of the sixth intermational conference on learning analytics & knowledge [C].New York：Association for Computing Machinery，2016.6-14.

[19][24] Okubo F， Yamashita T，Shimada A，et alA neural network approach for students' performance prediction [A].ACM.Proceedings of the Seventh International Learning Analytics & Knowledge Conference [C].New York：Association for Computing Machinery，2017.598-599.

[20] Waheed H，Hassan S U，Aljohani N R，et al.Predicting academic performance of students fomn VlLE big data using deep leaming models J.Computers in Human Behavior，2020，104（Mar）：1-13.

[22] Kizilcec R FPiech CSchneider E.Deconstructing disengagement：analyzing leamer subpopulations in massive open online courses [AJ.ACMProceedings ofthe third intemational conference on leaming analytics and knowledge [CJNew Yok：ssociation for Computing Machinery，2013.170-179.

[25]王夢倩，范逸洲等.MOOC學(xué)習(xí)者特征聚類分析研究綜述[J].中國遠(yuǎn)程教育，2018，（7）：9-19+79.

[26]張媛媛，李爽.MOOC課程資源訪問模式與學(xué)習(xí)績效的關(guān)系研究[J].中國遠(yuǎn)程教育，2019，（6）：22-32+93.

[28] de BarbaP.G.，Malekian D..Oliveira E.A.Baile J，Ryan T.& Kennedy G.The importance and meaning of session behaviour in a massive open online course [J].Computers & Education，2020，146（Mar）：1-18.

作者簡介：

李爽：副教授，博士，研究方向為在線學(xué)習(xí)投入、在線學(xué)習(xí)支持。

鄭勤華：教授，博士生導(dǎo)師，研究方向為教育大數(shù)據(jù)與學(xué)習(xí)分析技術(shù)。

收稿日期：2020年5月20日

責(zé)任編輯：趙云建