私播課論壇中學(xué)習(xí)者會(huì)話行為建模研究

張思 高倩倩 馬鑫倩 魏艷濤 楊海茹

[摘? ?要] 私播課（Small Private Online Course， SPOC）論壇中的非結(jié)構(gòu)性文本蘊(yùn)含學(xué)習(xí)者認(rèn)知和內(nèi)部心理加工過程，對(duì)其分析有助于理解和解釋學(xué)習(xí)結(jié)果的成因。以64名學(xué)生在SPOC論壇中的會(huì)話文本為對(duì)象進(jìn)行數(shù)據(jù)挖掘，結(jié)合LDA主題建模和隱馬爾可夫模型對(duì)學(xué)習(xí)者會(huì)話行為進(jìn)行實(shí)體建模，并比較高低績效組會(huì)話行為差異，最后運(yùn)用回歸分析和卡方檢驗(yàn)探索了影響學(xué)習(xí)績效的行為模式。結(jié)論表明高低績效組的學(xué)習(xí)行為轉(zhuǎn)移存在明顯差異，高績效組的行為轉(zhuǎn)移具有漸進(jìn)性和平滑性，傾向于序次解決問題，而低績效組的行為轉(zhuǎn)移則更傾向于淺層回溯。信息查閱、信息加工、信息發(fā)布、協(xié)作交互、問題解決和信息評(píng)價(jià)行為均與學(xué)習(xí)成績有關(guān)，但信息查閱行為對(duì)學(xué)習(xí)成績有著顯著正向影響，且較多的協(xié)作交互和信息評(píng)價(jià)行為能夠觸發(fā)學(xué)習(xí)者的高階認(rèn)知。通過教育文本數(shù)據(jù)挖掘，教師能夠發(fā)現(xiàn)不同群體的行為特征，從而進(jìn)行適應(yīng)性指導(dǎo)和精準(zhǔn)教學(xué)，促進(jìn)學(xué)習(xí)者高階思維發(fā)展。

[關(guān)鍵詞] LDA主題模型; 隱馬可夫模型; 學(xué)習(xí)行為; 學(xué)習(xí)績效

[中圖分類號(hào)] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 張思（1983—），男，湖南長沙人。副教授，博士，主要從事計(jì)算機(jī)支持的協(xié)作學(xué)習(xí)與學(xué)習(xí)分析技術(shù)研究。E-mail：djzhangsi@mail.ccnu.edu.cn。楊海茹為通訊作者，E-mail：yang.hairu@qq.com。

一、引? ?言

教育大數(shù)據(jù)在教育的發(fā)展與變革中正起著顛覆性的作用，從海量的教育信息中發(fā)現(xiàn)規(guī)律、診斷問題以及準(zhǔn)確預(yù)測具有重要價(jià)值。在線教學(xué)中學(xué)生通過文本進(jìn)行交流，學(xué)習(xí)平臺(tái)上大量的非結(jié)構(gòu)性文本數(shù)據(jù)是學(xué)生內(nèi)隱行為的外化，文本數(shù)據(jù)往往更能夠反映學(xué)習(xí)者的認(rèn)知、學(xué)習(xí)動(dòng)機(jī)、情感態(tài)度和學(xué)習(xí)體驗(yàn)[1]。不同認(rèn)知水平的學(xué)習(xí)者其認(rèn)知模式不同，在信息的加工與處理、接受學(xué)習(xí)的成效上都有所不同[2]。利用大數(shù)據(jù)技術(shù)對(duì)文本數(shù)據(jù)進(jìn)行挖掘和分析可以得出與學(xué)習(xí)者學(xué)習(xí)狀況相關(guān)的行為、認(rèn)知等信息，同時(shí)能夠?qū)虒W(xué)中的問題和現(xiàn)象進(jìn)行解釋。利用文本挖掘開展學(xué)習(xí)分析有助于教師進(jìn)行個(gè)性化學(xué)習(xí)設(shè)計(jì)和教學(xué)決策，從而優(yōu)化教與學(xué)，但僅僅通過分析學(xué)習(xí)者在任務(wù)上的投入時(shí)間和精力并不能細(xì)致判別學(xué)習(xí)者的投入程度，而通過細(xì)粒度的學(xué)習(xí)行為序列挖掘更能體現(xiàn)學(xué)習(xí)者的認(rèn)知過程和行為軌跡。

本研究以學(xué)習(xí)者發(fā)布在SPOC論壇中的會(huì)話文本數(shù)據(jù)為研究對(duì)象進(jìn)行數(shù)據(jù)挖掘，對(duì)文本數(shù)據(jù)進(jìn)行主題建模及行為轉(zhuǎn)移概率分析，并探索行為序列和學(xué)習(xí)成績的關(guān)系，目的是厘清影響在線學(xué)習(xí)績效的關(guān)鍵因素，提升在線學(xué)習(xí)質(zhì)量。

二、文獻(xiàn)綜述

（一）學(xué)習(xí)行為識(shí)別與建模

1. LDA主題分析

在自然語言處理領(lǐng)域，主題模型廣泛應(yīng)用于文本聚類和分類[3]、文本情感分析[4]、話題的檢測與演變[5]等。潛在狄利克雷分布（Latent Dirichlet Allocation，LDA）是一種文檔主題生成模型，由Blei等人首先提出，其包含了文檔、主題和詞三層結(jié)構(gòu)，是一個(gè)降低文本表示維度的三層貝葉斯概率模型，廣泛應(yīng)用于語義挖掘領(lǐng)域。LDA非監(jiān)督模型能夠得出主題分布，通過計(jì)算相似度進(jìn)行聚類，在計(jì)算準(zhǔn)確度和聚類效果上優(yōu)勢明顯。

2. HMM建模

隱馬爾可夫模型（Hidden Markov Model，HMM）是一種概率統(tǒng)計(jì)模型，由Baum等人提出，能夠應(yīng)用在多種領(lǐng)域中。HMM模型包含觀察層和隱藏層，可以用五元組λ=（V，Q，π，A，B）進(jìn)行表示，在五元組中，可觀測值的序列集合是V，隱狀態(tài)序列集合是Q，初始狀態(tài)轉(zhuǎn)移向量是π，狀態(tài)轉(zhuǎn)移概率的矩陣是A，生成的觀測概率矩陣是B。隱馬爾可夫模型可用于解決評(píng)估、學(xué)習(xí)和解碼三類問題，并識(shí)別出隱狀態(tài)之間的轉(zhuǎn)移概率。同時(shí)，通過隱藏狀態(tài)對(duì)數(shù)據(jù)結(jié)構(gòu)的潛在變化進(jìn)行表示，HMM能夠更好適應(yīng)和解釋模型。隱馬爾可夫模型在語言識(shí)別、詞性標(biāo)注等方面得到了廣泛應(yīng)用，是一種重要的統(tǒng)計(jì)模型。在線學(xué)習(xí)中，通過HMM模型可以識(shí)別不同學(xué)習(xí)群體的交互活動(dòng)序列。

（二）數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)行為建模

學(xué)習(xí)行為是學(xué)習(xí)者為了獲得某種學(xué)習(xí)結(jié)果，在動(dòng)機(jī)的指引下與周圍環(huán)境雙向交互活動(dòng)的總和。在SPOC論壇中，學(xué)習(xí)者利用信息技術(shù)在豐富的學(xué)習(xí)環(huán)境中進(jìn)行溝通交流，開展自主與協(xié)作學(xué)習(xí)的活動(dòng)總和稱為網(wǎng)絡(luò)學(xué)習(xí)行為，也稱在線學(xué)習(xí)行為。在學(xué)習(xí)行為分類上，彭文輝等將網(wǎng)絡(luò)學(xué)習(xí)行為分為低級(jí)、中級(jí)和高級(jí)三個(gè)層次，并將在線學(xué)習(xí)行為分為收集信息、加工整理信息、發(fā)布信息、交流信息和使用信息五類。莊科君將網(wǎng)絡(luò)學(xué)習(xí)行為分為操作行為、信息交互行為、意義建構(gòu)行為和問題解決行為。王海麗對(duì)網(wǎng)絡(luò)學(xué)習(xí)行為進(jìn)行劃分并構(gòu)建了六層模型，從底層至上層依次為信息查閱行為、信息加工行為、信息發(fā)布行為、信息交互行為、問題解決行為和信息評(píng)價(jià)行為。相關(guān)研究從理論視角探討了在線學(xué)習(xí)行為的分類方法，在線學(xué)習(xí)行為分類和標(biāo)記依賴人工方法解決問題，缺乏從底層數(shù)據(jù)出發(fā)的會(huì)話行為自動(dòng)建模方法與技術(shù)。對(duì)于在線教育的分析和干預(yù)而言，需要精準(zhǔn)、可復(fù)制、具備較強(qiáng)通用性和解釋力的模型，但適配的學(xué)習(xí)分析技術(shù)亟待出現(xiàn)。

（三）學(xué)習(xí)行為與學(xué)習(xí)成效的關(guān)系研究

在線學(xué)習(xí)行為與學(xué)習(xí)成效密切相關(guān)，是預(yù)測學(xué)習(xí)成效的重要指標(biāo)，分析學(xué)習(xí)者的在線學(xué)習(xí)行為能夠促進(jìn)學(xué)習(xí)者的有意義和有效學(xué)習(xí)。研究表明學(xué)習(xí)者發(fā)布的討論數(shù)量與其在線課程的學(xué)習(xí)成效具有顯著的關(guān)系，通過探索觀看視頻次數(shù)、提交測驗(yàn)次數(shù)、發(fā)帖與回帖次數(shù)等行為特征與學(xué)習(xí)成績間的關(guān)系，可以預(yù)測學(xué)習(xí)者的學(xué)習(xí)成績。Cerezo從學(xué)習(xí)者在六個(gè)不同任務(wù)中分別花費(fèi)的時(shí)長出發(fā)，將學(xué)習(xí)者進(jìn)行聚類和分類并比較不同類別間的差異。趙呈領(lǐng)從學(xué)習(xí)資源的視角出發(fā)，依據(jù)觀看視頻、瀏覽文檔、發(fā)布討論主題、閱讀回復(fù)討論和參考作業(yè)模板等網(wǎng)絡(luò)學(xué)習(xí)行為的時(shí)長進(jìn)行聚類，探究了在線學(xué)習(xí)者學(xué)習(xí)行為模式和學(xué)習(xí)成效之間的關(guān)系。江波等人利用虛擬仿真平臺(tái)從學(xué)生的學(xué)習(xí)行為特征出發(fā)進(jìn)行定量描述，得出九種行為中五種學(xué)習(xí)行為與學(xué)習(xí)成績相關(guān)。相關(guān)研究較多探索了學(xué)習(xí)者外在行為表現(xiàn)與學(xué)習(xí)績效的關(guān)系，而學(xué)習(xí)者內(nèi)隱行為特征與學(xué)習(xí)績效的關(guān)系則較少關(guān)注。隨著人工智能與大數(shù)據(jù)技術(shù)的發(fā)展，學(xué)習(xí)者內(nèi)隱行為特征的智能分析成為可能，結(jié)合學(xué)習(xí)者內(nèi)隱行為特征探索學(xué)習(xí)行為與學(xué)習(xí)績效的關(guān)系，其結(jié)果將更具準(zhǔn)確性和可解釋性。

三、研究設(shè)計(jì)

（一）研究情景、對(duì)象與數(shù)據(jù)源

研究對(duì)象為某師范院校的高年級(jí)本科生。數(shù)據(jù)來源于“信息技術(shù)教學(xué)應(yīng)用”課程。課程采用協(xié)作學(xué)習(xí)的模式，師生共同探討信息技術(shù)和課程教學(xué)深度融合的方法和技術(shù)。所有小組通過SPOC論壇進(jìn)行討論與交流。協(xié)作活動(dòng)流程分為教學(xué)設(shè)計(jì)初稿、教學(xué)設(shè)計(jì)互評(píng)、教學(xué)設(shè)計(jì)修改與完善、教學(xué)課件初稿、教學(xué)課件互評(píng)、教學(xué)課件修改與完善六個(gè)階段。本研究收集了學(xué)生于2020年2月至2020年7月在SPOC論壇中討論的帖子。一共有64名學(xué)生，分為13個(gè)小組參與了課程的討論和學(xué)習(xí)，并最終取得了成績，平均分是86.81，標(biāo)準(zhǔn)差為3.605。SPOC論壇上共產(chǎn)生6616條討論帖，處理和篩選后最終獲得4928條討論帖。

（二）數(shù)據(jù)的處理與分析

1. 確定最優(yōu)主題數(shù)和主題的方法

數(shù)據(jù)獲取字段包括學(xué)生個(gè)人信息、評(píng)論時(shí)間、評(píng)論文本和回復(fù)文本等。為產(chǎn)生理想的主題建模效果，篩選與課堂內(nèi)容相關(guān)的帖子并控制帖子長度在4個(gè)字符以上。經(jīng)過文本數(shù)據(jù)分詞、去停用詞、過濾無關(guān)字符等操作，并利用Python語言的gensim庫計(jì)算困惑度（Perplexity）。當(dāng)主題之間相似度最小時(shí)，主題建模最優(yōu)，困惑度值可用于確定最佳主題數(shù)。困惑度值越小，模型的效果越好。困惑度計(jì)算如公式（1）所示。

Perplexity（D）為數(shù)據(jù)集的困惑度，式中M表示一共M篇文檔，Nd表示語料庫中第d個(gè)文檔所包含的詞數(shù)，p表示文檔d中的詞的生成概率。結(jié)果表明當(dāng)主題數(shù)為19時(shí)，困惑度數(shù)值最小，因而選擇19作為最佳主題數(shù)。確定主題數(shù)后利用Python語言的gensim庫實(shí)現(xiàn)LDA主題抽取，形成文檔—主題和主題—詞的概率分布。

2. 隱馬爾可夫模型方法

HMM模型既能發(fā)現(xiàn)隱狀態(tài)和觀測值之間的對(duì)應(yīng)關(guān)系，也能發(fā)現(xiàn)狀態(tài)間的概率轉(zhuǎn)移關(guān)系。通過訓(xùn)練，HMM可以自動(dòng)構(gòu)造和識(shí)別模型，從而得出參數(shù)。首先要確定隱狀態(tài)的個(gè)數(shù)。研究使用LDA主題建模結(jié)果，通過在Matlab中輸入不同的隱狀態(tài)數(shù)值進(jìn)行HMM訓(xùn)練，依據(jù)BIC值確定最終隱狀態(tài)的個(gè)數(shù)。BIC的計(jì)算方法如公式（2）所示。

其中L是模型似然函數(shù)值，P是自由參數(shù)的個(gè)數(shù)，N是數(shù)據(jù)點(diǎn)的數(shù)量。BIC的數(shù)值最小時(shí)，模型結(jié)果最優(yōu)，結(jié)果見表1。當(dāng)狀態(tài)數(shù)取值為6時(shí)，BIC的值最小，因此設(shè)置隱狀態(tài)數(shù)即學(xué)習(xí)行為分類數(shù)為6。將隱狀態(tài)數(shù)6，主題數(shù)19輸入到HMM中生成了轉(zhuǎn)移和觀測概率矩陣，見表2。轉(zhuǎn)移矩陣表示行為之間的轉(zhuǎn)移概率情況，而觀測概率矩陣則表示在y的情況下，輸出為x的概率。通過觀測概率矩陣找出每個(gè)主題在行為（B1-B6）中對(duì)應(yīng)的最大概率，從而確定主題所對(duì)應(yīng)的學(xué)習(xí)行為分類。

四、研究結(jié)果與分析

（一）主題建模結(jié)果

以19個(gè)主題的前9個(gè)高頻詞為代表，依據(jù)主題詞匯進(jìn)行語義分析和主題內(nèi)容歸納，生成主題標(biāo)簽，19個(gè)主題的關(guān)鍵詞和主題標(biāo)記結(jié)果見表3。依據(jù)表2觀測概率矩陣，參考王海麗對(duì)在線學(xué)習(xí)行為的分類，將行為與主題進(jìn)行對(duì)應(yīng)。會(huì)話行為模型見表4。

（二）基于HMM的學(xué)習(xí)行為轉(zhuǎn)移概率矩陣

HMM 計(jì)算不同行為間的轉(zhuǎn)移概率，結(jié)果見表5。從整體來看，行為間轉(zhuǎn)移的概率較小，基本維持狀態(tài)穩(wěn)定。盡管B1向其他行為轉(zhuǎn)移的概率很小，但仍可能向B4轉(zhuǎn)移;B2也以一定的概率轉(zhuǎn)移到B4;說明經(jīng)過信息查閱和信息加工后，小組會(huì)進(jìn)入?yún)f(xié)作交互階段。B3和B4向B5轉(zhuǎn)移的可能性較大，目的指向問題解決。B5向B6和B3轉(zhuǎn)移的概率較大。B6以一定的概率轉(zhuǎn)移到B5、B4、B3。在行為狀態(tài)中，處于低層次的行為（B1，B2，B3，B4，B5）以一定的概率向高層次的行為轉(zhuǎn)變，而高層次的行為（B6）會(huì)隨著時(shí)間的變化部分轉(zhuǎn)移到低層行為（B5，B4等），這些都體現(xiàn)了學(xué)習(xí)者會(huì)話行為的過程和規(guī)律。

（三）不同績效組學(xué)生的學(xué)習(xí)行為轉(zhuǎn)移特征分析

對(duì)小組成員的最終成績求均值，確定高績效組和低績效組。分析高績效組和低績效組的行為轉(zhuǎn)移概率矩陣，并繪制行為轉(zhuǎn)移圖，結(jié)果如圖1所示。在圖中，箭頭指向轉(zhuǎn)移的行為，數(shù)值為轉(zhuǎn)移的概率，概率越大箭頭越粗。

高績效組的B1信息查閱行為主要轉(zhuǎn)移到B1信息查閱行為，部分會(huì)轉(zhuǎn)移到B2信息加工行為，而低績效組B1則以0.94的概率轉(zhuǎn)到B6信息評(píng)價(jià)行為。高績效組中，B2主要是向B3轉(zhuǎn)移，部分還會(huì)向B6轉(zhuǎn)移，而低績效組中，B2主要是向B3和B5轉(zhuǎn)移。高績效組中，B3主要向B4協(xié)作交互和B5問題解決轉(zhuǎn)移，而低績效組中，B3會(huì)以較大概率向B1和B3轉(zhuǎn)移。B4協(xié)作交互中，高績效組以0.73的概率會(huì)保持此狀態(tài)，以0.27的概率向B2信息加工轉(zhuǎn)移，低績效組則以0.91的概率保持此狀態(tài)，向信息查閱和信息加工轉(zhuǎn)移的概率很小。高績效組以0.75的概率停留在問題解決行為，仍有0.16和0.09的概率向B2和B1轉(zhuǎn)移，而在低績效組中，B5完全轉(zhuǎn)移到B2信息加工行為。在B6信息評(píng)價(jià)行為中，高績效組會(huì)以0.83的概率維持，另外分別以0.08和0.09的概率轉(zhuǎn)向B2信息加工和B4

協(xié)作交互轉(zhuǎn)移。低績效組中，B6會(huì)以0.69的概率轉(zhuǎn)移到B1信息查閱，以0.31的概率轉(zhuǎn)移到B5問題解決。

（四）學(xué)習(xí)行為與學(xué)習(xí)成績的關(guān)系

1. 單個(gè)行為與學(xué)習(xí)成績的關(guān)系

（1）相關(guān)分析

采用Spearman相關(guān)分析法探討學(xué)習(xí)行為和學(xué)習(xí)成績的關(guān)系。結(jié)果表明，在0.01水平上，六種行為均與學(xué)習(xí)者成績相關(guān)：B1（r=0.480）、B2（r=0.405）、B3（r=0.402）、B4（r=0.444）、B5（r=0.336）、B6（r=0.429）。

（2）回歸分析

回歸分析用于確定學(xué)習(xí)行為對(duì)學(xué)習(xí)成績的影響大小及方向。對(duì)64名學(xué)生的行為數(shù)據(jù)與學(xué)習(xí)成績進(jìn)行中心化處理，然后進(jìn)行回歸分析。結(jié)果見表6。

從表6可以看出，B1對(duì)學(xué)習(xí)成績具有正向的影響作用。B1信息查閱體現(xiàn)了學(xué)習(xí)者嘗試對(duì)知識(shí)進(jìn)行理解和把握，從而提升教學(xué)設(shè)計(jì)和教學(xué)課件的質(zhì)量。

（3）高低績效組學(xué)生學(xué)習(xí)行為頻數(shù)的差異分析

采用6（行為）×2（績效組）交叉表卡方檢驗(yàn)，分析高、低績效組中六種行為的頻數(shù)差異，結(jié)果見表7。從行為的總數(shù)看，高績效組學(xué)生的行為頻數(shù)明顯高于低績效組學(xué)生。行為類別中與學(xué)習(xí)成績成正相關(guān)的信息查閱行為，高績效組頻數(shù)明顯高于低績效組。高績效組中協(xié)作交互行為占比最高，體現(xiàn)了廣泛的協(xié)作。此外，高績效組的信息評(píng)價(jià)行為也較多。在低績效組中，問題解決行為的頻數(shù)最高，其次是信息發(fā)布行為，而協(xié)作交互行為較少，在體現(xiàn)高階認(rèn)知的信息評(píng)價(jià)行為方面則最少。

2. 行為序列與學(xué)習(xí)成績的關(guān)系

（1）相關(guān)分析

將一個(gè)行為之后緊接著出現(xiàn)另一種行為稱為行為序列，如B1B2編碼表示B1行為之后緊接著出現(xiàn)B2行為。本研究利用SPSS21.0對(duì)六種行為所產(chǎn)生的36個(gè)行為序列與學(xué)習(xí)成績進(jìn)行相關(guān)分析。結(jié)果表明，行為序列總頻次和學(xué)習(xí)成績有較高的正相關(guān)性（r=0.522，p<0.001），這與李爽的結(jié)果相一致。相關(guān)分析結(jié)果表明，在0.01水平上與學(xué)習(xí)成績相關(guān)的行為序列有：B4B6（r=0.412）、B4B5（r=0.410）、B5B1（r=0.408）、B2B4（r=0.407）、B2B3（r=0.403）、B5B4（r=0.391）、B1B1（r=0.386）、B4B1（r=0.378）、B1B5（r=0.375）、B4B4（r=0.360）、B6B5（r=0.359）、B2B1（r=0.347）、B6B1（r=0.342）、B1B6（r=0.341）、B5B3（r=0.324）。在0.05水平上與學(xué)習(xí)成績相關(guān)的行為序列有：B6B4（r=0.403）、B6B3（r=0.395）、B3B1（r=0.361）、B6B6（r=0.344）、B3B6（r=0.336）、B4B3（r=0.336）、B4B2（r=0.306）、B3B3（r=0.303）、B5B6（r=0.293）、B2B2（r=0.283）、B5B5（r=0.277）、B3B5（r=0.263）、B1B2（r=0.258）、B1B3（r=0.247）。但在行為序列對(duì)學(xué)習(xí)成績的回歸分析中，單個(gè)行為序列的系數(shù)都沒有達(dá)到顯著性。

（2）高低績效組學(xué)生學(xué)習(xí)行為序列頻數(shù)的卡方檢驗(yàn)

對(duì)高績效組和低績效組的行為序列頻數(shù)進(jìn)行卡方檢驗(yàn)。高低績效組行為序列分布具有顯著性差異（χ2=73.718，p=0.04）。

五、討? ?論

高績效組在課程的學(xué)習(xí)行為轉(zhuǎn)移上體現(xiàn)出漸進(jìn)型和平滑型。高績效組的學(xué)習(xí)者通過查閱相關(guān)資料更深入地理解和內(nèi)化新知識(shí)，之后通過分析比較、組織整理完成信息加工。此外，高績效組的學(xué)習(xí)者的低階行為表現(xiàn)較多，信息查閱行為停留概率較高，問題解決和信息評(píng)價(jià)行為停留的概率也較大，這表明高績效組學(xué)生對(duì)知識(shí)有著更好的理解。低績效組的學(xué)習(xí)行為轉(zhuǎn)移則具有非線性和突變性。例如從信息查閱直接轉(zhuǎn)移到信息評(píng)價(jià)，從問題解決直接轉(zhuǎn)移到信息加工等。這可能是由于學(xué)習(xí)者只注重完成學(xué)習(xí)任務(wù)而不注重知識(shí)的整合與應(yīng)用。

相關(guān)分析和回歸分析的結(jié)果表明六種行為均與學(xué)習(xí)成績存在相關(guān)性，且信息查閱行為對(duì)學(xué)習(xí)成績具有正向影響。因此有必要引導(dǎo)學(xué)生針對(duì)具體問題查找相關(guān)的知識(shí)信息，從而去解決問題。在行為序列方面，在0.01水平上與學(xué)習(xí)成績相關(guān)的學(xué)習(xí)行為序列有15個(gè)，并且高績效組的這些行為序列的頻次明顯高于低績效組?？ǚ綑z驗(yàn)的結(jié)果表明高低績效組在學(xué)習(xí)行為和學(xué)習(xí)行為序列上存在著顯著差異。高績效組學(xué)生的主動(dòng)性比較強(qiáng)，小組每位成員能夠很好地參與到協(xié)作學(xué)習(xí)中。高績效組的學(xué)生個(gè)體先進(jìn)行新知識(shí)的內(nèi)化，隨著任務(wù)的推進(jìn)，每位成員能夠更深程度地理解知識(shí)，在協(xié)作學(xué)習(xí)的過程中較多的協(xié)作交互和信息評(píng)價(jià)行為能夠觸發(fā)學(xué)習(xí)者的高階認(rèn)知。相關(guān)研究表明，高績效組在學(xué)習(xí)過程中對(duì)信息的有效處理以及表現(xiàn)出的綜合認(rèn)知思維模式更有助于其取得學(xué)業(yè)上的成功。因此，在協(xié)作學(xué)習(xí)過程中，教師要及時(shí)干預(yù)，在教學(xué)設(shè)計(jì)和教學(xué)課件制作上針對(duì)性地提供幫助，從而促進(jìn)學(xué)生高階思維的發(fā)展。

六、結(jié)論和展望

（一）數(shù)據(jù)驅(qū)動(dòng)的在線學(xué)習(xí)分析方法

相較以往研究關(guān)注可被觀測的、反映學(xué)生學(xué)習(xí)投入的行為數(shù)據(jù)相比，聯(lián)合LDA和HMM對(duì)會(huì)話行為建模具有一定的代表性，為分析學(xué)習(xí)者的內(nèi)隱學(xué)習(xí)行為提供了一個(gè)新的視角，它能更加細(xì)致反映學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，更深層次發(fā)現(xiàn)學(xué)生的學(xué)習(xí)規(guī)律，促進(jìn)個(gè)性化教學(xué)的實(shí)現(xiàn)。結(jié)合自然語言處理技術(shù)和協(xié)作學(xué)習(xí)理論實(shí)現(xiàn)對(duì)學(xué)習(xí)者內(nèi)隱學(xué)習(xí)狀態(tài)的自動(dòng)分析和評(píng)估，有助于大規(guī)模在線學(xué)習(xí)行為的分析，并提供適應(yīng)性支持服務(wù)。

（二）幫助學(xué)習(xí)者進(jìn)行監(jiān)控與調(diào)節(jié)，促進(jìn)高階思維發(fā)展

學(xué)習(xí)活動(dòng)具有復(fù)雜性，自我調(diào)節(jié)和共享調(diào)節(jié)是協(xié)作學(xué)習(xí)成功的關(guān)鍵。高績效組的學(xué)生在會(huì)話行為轉(zhuǎn)變過程中具有漸進(jìn)性，在學(xué)習(xí)過程中能夠適應(yīng)性地進(jìn)行自我監(jiān)控與相互調(diào)節(jié)。教師在教學(xué)活動(dòng)中可以制定針對(duì)性的教學(xué)干預(yù)策略幫助低績效組學(xué)生實(shí)現(xiàn)監(jiān)控與調(diào)節(jié)。例如，教師可以引導(dǎo)學(xué)生觀察和模仿更強(qiáng)的小組來提高自身成績。

在線協(xié)作學(xué)習(xí)中的言語活動(dòng)能夠促進(jìn)學(xué)習(xí)者的高階思維，進(jìn)而幫助學(xué)習(xí)者獲取高階知識(shí)并進(jìn)行深度學(xué)習(xí)。教師為學(xué)生提供問題引導(dǎo)，鼓勵(lì)學(xué)生在小組討論時(shí)從多視角出發(fā)對(duì)問題進(jìn)行互動(dòng)分析，在沖突解釋中實(shí)現(xiàn)對(duì)知識(shí)的建構(gòu)與協(xié)商，培養(yǎng)學(xué)習(xí)者的高階思維。此外，積極關(guān)注課程材料的學(xué)生會(huì)有更多的學(xué)習(xí)收益，學(xué)習(xí)效率更高。因此要注重學(xué)習(xí)者的信息查閱行為，引導(dǎo)小組在協(xié)作交互過程中進(jìn)行問題解決和信息評(píng)價(jià)。成績高的學(xué)生在課程中具有主動(dòng)性，成績低的學(xué)生學(xué)習(xí)過程中表現(xiàn)不夠積極，且對(duì)課程內(nèi)容的關(guān)注不夠，教師可以適當(dāng)給予一定的壓力以提高其認(rèn)知深度。

（三）不足與展望

本研究也存在著一些不足。首先，在進(jìn)行LDA主題建模時(shí)，一些雖具有代表意義但頻率很小的詞匯及詞匯之間的語義關(guān)聯(lián)被忽略。其次，采用的SPOC論壇功能有限，不能獲得學(xué)生學(xué)習(xí)每個(gè)部分知識(shí)的時(shí)間，比如觀看視頻的次數(shù)和時(shí)間，以及學(xué)生在更細(xì)微層次上的操作。最后，我們只考慮了“信息技術(shù)教學(xué)應(yīng)用”這一門課程討論的數(shù)據(jù)，研究結(jié)果的一般化受到限制。未來研究將從時(shí)間維度，即在課程學(xué)習(xí)的不同階段分析學(xué)習(xí)者的行為轉(zhuǎn)移情況，同時(shí)結(jié)合多模態(tài)數(shù)據(jù)，例如結(jié)合文本數(shù)據(jù)與語音數(shù)據(jù)，實(shí)現(xiàn)對(duì)會(huì)話行為的更全面、準(zhǔn)確的理解。

[參考文獻(xiàn)]

[1] 左明章，趙蓉，王志鋒，李香勇，徐燕麗. 基于論壇文本的互動(dòng)話語分析模式構(gòu)建與實(shí)踐[J]. 電化教育研究，2018，39（9）：51-58.

[2] MESSICK S. The nature of cognitive styles： problems and promise in educational practice[J].Educational psychologist，1984，19（2）：59-74.

[3] 何皓怡，劉清堂，吳林靜，鄧偉，郝怡雪.教師工作坊中學(xué)員話題挖掘方法及應(yīng)用[J].中國電化教育，2018（10）：79-86.

[4] 劉智，張文靜，孫建文，劉三女牙，彭晛，張浩. 云課堂論壇中的學(xué)習(xí)者互動(dòng)話語行為分析研究[J].電化教育研究，2016（9）：95-102.

[5] HUANG J， PENG M， WANG H， et al. A probabilistic method for emerging topic tracking in microblog stream[J]. World wide web-internet & web information systems，2017，20（2）：325-350.