數字教材閱讀中回看行為與學習效果的關系*

顧美俊 江 波 殷成久

數字教材閱讀中回看行為與學習效果的關系*

顧美俊1江 波2[通訊作者]殷成久3

（1．浙江工業(yè)大學 教育科學與技術學院，浙江杭州 310023；2．華東師范大學 教育信息與技術學系，上海2 00062；3．日本神戶大學 情報科學與技術中心，日本神戶 812-8581）

回看是一種有效的學習策略，數字教材中弱交互的導航降低了回看對學習效果的提升?；诖耍恼聦⒓訑底纸滩拈喿x選修課的102名大學生的學習行為日志進行分析，結果發(fā)現：學習者在數字教材閱讀的回看行為具有高頻、跨度大的特點；回看行為網絡圖能可視化呈現數字教材的重、難點；回看組比普通組的回看行為更多且回看過程中添加了更多的書簽和備忘錄，取得的學習效果更好；學習者的先前知識水平和回看時添加筆記總頻次對學習成績影響很大。文章對數字教材閱讀中回看行為與學習效果關系的研究，有助于理解學習者的回看行為特征，并可用于優(yōu)化設計數字教材的智能導航功能，從而推動數字教材朝著智能化方向發(fā)展。

數字教材；回看行為；學習效果；智能導航

一 研究綜述

1 數字教材與回看的關系梳理

數字教材是學科知識重要的載體，是教師教學與學生學習的重要工具[1]。數字教材的可用性（Usability），是其能否得以推廣的重要因素之一[2]。而在數字教材的眾多可用性評價指標中，導航（Navigation）是用戶常用的功能，也是影響學習者閱讀體驗的重要指標之一[3]。

數字教材攜帶方便、學習資源便于共享的特點，滿足了學習者隨時隨地學習的需求，但紙質教材仍然是當前的主流形式。Omura等[4]調查了826名師生對數字教材的使用態(tài)度，結果顯示超過一半的人偏好紙質教材。另一項持續(xù)6年的研究調查了792名大學生的閱讀習慣，發(fā)現一半以上的學生傾向于使用紙質教材[5]。最近的一項研究收集到來自5個國家的427名學生數據，發(fā)現超過45%的學生在學習或者休閑閱讀時同樣更偏好紙質教材[6]?？v觀整個數字教材的發(fā)展歷程，其發(fā)展形態(tài)從最初的靜態(tài)媒體形態(tài)發(fā)展到多媒體形態(tài)，正向注重交互體驗的富媒體形態(tài)過渡[7]，但學習者對數字教材模擬紙質書導航的閱讀體驗感仍然較差。

數字教材弱交互的導航降低了學習者的閱讀體驗，這也是更多學習者選擇紙質教材閱讀的重要原因。Nicholas等[8]對127所大學的5000多名師生開展了調查，發(fā)現他們選擇數字教材的主要原因在于其易于訪問、方便攜帶，而數字教材困擾讀者的主要問題之一是其弱交互的導航。在Omura等[9]的研究中，參與者被要求選擇18項與可用性有關的指標評價紙質教材和數字教材，結果發(fā)現：紙質教材在易于集中注意力、易于理解、易于概覽、易于翻頁和導航這四個方面的功能優(yōu)于數字教材。Marshall等[10]通過錄像帶分析的方法，比較了學習者在閱讀紙質教材和數字教材時的導航行為，結果發(fā)現：使用數字教材時，學習者難以快速捕獲教材上下文之間的聯(lián)系。Shibata等[11]的研究也得出了類似的結論：學習者通過點擊交互式按鈕在數字教材中導航，存在物理空間中有限的前后移動問題，難以有效地瀏覽整本數字教材。

學習者在紙質教材和數字教材中的導航行為存在很大不同：在紙質教材中，學習者的每次翻頁都能實現任意兩個頁面之間的導航；而在數字教材中，學習者通過點擊按鈕回看閱讀，每次只能實現前后相鄰兩個頁面之間的導航。此外，Shibata等[12]發(fā)現，在數字教材中使用導航花費的時間比紙質教材多了近50%。學習者在紙質教材中的導航行為是一個“黑箱”，而數字教材能夠實時記錄學習者在導航過程中的行為日志，為深入研究學習者的導航行為提供了海量數據。理解學習者的導航行為，不僅能夠優(yōu)化數字教材的交互設計，更重要的是作為數字教材體系中的學習者模型，可以賦能教材的智能化建設[13][14]。

2 回看行為與學習效果的研究現狀

回看是閱讀中常見的一種導航行為，描述了學習者從當前頁面往回翻看、停留閱讀、繼續(xù)回到當前頁面的學習過程。在停留閱讀環(huán)節(jié)，學習者可通過數字教材中的交互按鈕，添加高亮顯示、書簽、備忘錄和下劃線，以查漏補缺，或輔助新知識的學習。有調查發(fā)現，在閱讀數字教材時，學習者有一半以上時間用于回看[15]。當前數字教材的學習材料仍以靜態(tài)圖片和文本為主，相較于圖片形式的學習材料，學習者在閱讀文本形式的學習材料時會產生更多回看[16]。

在交互、友好的導航環(huán)境中，回看行為能夠提高學習效果。例如，Smadja等[17]分析了學習者在網頁中閱讀時的三類回看模式（即簡易回看模式、持續(xù)回看模式、完全回看模式），提高了文本導航的交互性；Zhang等[18]分析了學習者在觀看視頻過程中的回看模式，設計并實現了基于知識點的智能鏈接跳轉，提升了學生的學習效果；Ogata等[19]應用社會網絡分析方法，對學習者的回看行為進行了可視化，呈現了回看在鏈接知識點中的應用價值；Mouri等[20]通過分析學習者在數字教材中的點擊流數據，發(fā)現點擊“上一頁”交互按鈕的回看有利于提升學習效果；Yin等[21]除了分析數字教材閱讀中學習者的回看行為，還結合學習者添加備忘錄、下劃線和高亮顯示的交互行為，為數字教材導航設計提出相關建議。

盡管回看是一種有效的學習策略，但是數字教材中弱交互的導航影響了回看對學習效果的提升作用。例如，Shibata等[22]指出，通過點擊交互按鈕，每次只能實現相鄰兩個頁面之間的回看，嚴重影響了數字教材閱讀的學習效果。Baron等[23]也得出了類似的結論：近92%的參與者在紙質教材中的注意力更集中，而數字教材閱讀中的回看會讓他們的注意力分散，同時閱讀數字教材會造成更多的眼睛疲勞。Shibata等[24]發(fā)現，在閱讀數字教材時，學習者的注意力分散是由教材中光標閃爍、背景屏幕、圖標、導航按鈕、菜單、工具欄等干擾所引起的；而對1053名學習者的調查結果顯示：造成數字教材學習效果不佳的主要原因是眼睛易疲勞、導航操作功能有限、注意力不集中。

隨著在線學習的普及，數字教材會逐漸成為未來網絡學習社區(qū)中資源共享的普遍形式，故有必要通過改進數字教材交互式的導航設計來提高學習效果。為此，本研究通過深入分析數字教材閱讀中學習者的回看行為，來揭開學習者回看過程的“黑箱”，并探究回看行為與學習效果之間的關系，以期為數字教材的人機交互設計提供參考。

二 研究設計

1 研究問題

盡管已有研究調查了基于網頁和視頻中的導航行為及其對學習效果的影響，但很少有研究探索數字教材閱讀中的回看行為。為分析學生在閱讀數字教材時的回看行為，探究回看行為對學習效果的影響，本研究重點解決以下問題：①數字教材閱讀過程中有哪些回看行為？②回看行為是否會影響學習效果？③回看行為中有哪些會影響學習效果？

2 研究對象與DITeL平臺

本研究以廣東省J大學選修2017年3～7月秋季學期和2018年3～7月春季學期“商法”課程的234名大學生為研究對象，這些學習者的年齡為18～19歲?！吧谭ā闭n程是一門數字教材閱讀選修課，使用的數字教材是由專業(yè)教師研發(fā)的課程學習資料，并基于“數字教材教與學”（Digital Textbook for Teaching and Learning，DITeL）平臺[1]開展[25]。由于只有102名學生堅持完成了“商法”課程的學習，故本研究最終將這102名學生確定為研究對象。

DITeL平臺基于EPUB技術開發(fā)，提供面向網頁和移動平臺的數字教材，是一個以文本和圖片為主要數字內容的學習平臺。DITeL平臺不僅為學習者提供了學習支持工具（如書簽、備忘錄、高亮顯示、下劃線等交互按鈕），還為教師提供了教學內容的管理、分發(fā)和更新服務，教師可以在導航欄的“Mytextbook”選項管理數字化的課程資源。

3 數據集變量

當學生進行兩個學期的課程學習時，DITeL平臺會將學習者的行為數據以日志的形式自動記錄下來。102名學習者（18～19歲）共產生了860801條學習行為日志，這些日志記錄了學習者與數字教材的每次交互。從這些日志中可以提取多種閱讀行為特征，如閱讀設備類型（電腦、平板或手機）、閱讀時間、添加筆記（高亮、下劃線、書簽、備忘錄）的頻次等。本研究主要關注學習者的跨頁回看過程，因此主要識別、提取的是回看過程中的閱讀和學習行為。

數字教材閱讀中的回看被定義為一種往回翻頁的行為。在DITeL平臺，學習者點擊“Next”交互按鈕翻到下一頁，點擊“Pre”交互按鈕翻到上一頁。圖1的回看示例描述了一種常見的回看模式：學習者通過單擊每一頁中的“Next”按鈕，從第一頁（P1）逐頁閱讀教材至第六頁（P6）；在閱讀P6的內容時，學習者通過連續(xù)點擊“Pre”按鈕往回翻到P2；閱讀完P2的內容后，學習者返回到P6。由此可見，從P6往回翻到P2的過程是一個比較完整的回看行為。其中，學習者第一次點擊“Pre”按鈕的頁面就是回看開始頁碼（Backtrack Starting Page，BSP），即圖1中的P6；而學生完成回看后第一次點擊“Next”按鈕的頁面是回看結束頁碼（Backtrack Ending Page，BEP），即圖1中的P2。

圖1 數字教材閱讀中的回看示例

根據上述回看的定義，本研究從860801條學習行為日志中提取了53557條回看記錄。對這些回看記錄進行整理、分類，本研究提取出學習者的7種主要回看行為，即回看頻次、回看率、回看跨度、回看時添加備忘錄頻次、回看時添加書簽頻次、回看時添加高亮顯示頻次、回看時添加筆記總頻次。此外，學習行為日志中還記錄了學習者的基本信息和學習成績，其中學習成績包括前、后測成績，且前測試題難度低于后測試題。上述數據集變量的具體描述如表1所示。

表1 數據集變量的具體描述

4 研究工具和過程

本研究使用凝聚層次聚類算法作為主要的研究方法，借助社會網絡分析工具Gephi和因果分析軟件Tetrad來推動研究，并使用Python數據分析包來完善結論，具體如下：

①采用Python編程提取7種主要回看行為，借助Python數據分析常用包開展統(tǒng)計分析。

②借助社會網絡分析工具Gephi繪制回看行為網絡圖，以可視化學習者的回看行為。

③采用凝聚層次聚類算法，比較不同學習者回看行為的差異；采用魯棒性較好的Ward方法，計算聚類間的相似度；采用歐氏距離，計算個體間的距離。

④應用因果分析軟件Tetrad推斷學習者的前測、回看行為和后測之間的因果關系。Tetrad用于從觀察數據中檢測因果關系，自帶因果搜索算法，支持約束設置、模型評估和因果結構可視化[26][27][28]。本研究設置了一些反事實約束，包括回看行為不影響前測、后測不影響回看行為、后測不影響前測。比較Tetrad中幾種可用的搜索算法后，本研究選擇PC算法構建因果模型；評估因果模型的擬合優(yōu)度時，接受＞0.05的模型。

三 研究分析

1 數字教材閱讀中的回看行為

對提取到的學習者回看頻次進行統(tǒng)計，本研究發(fā)現102名學習者共發(fā)生53557次回看行為，平均每位學習者回看525次。本研究使用Python的Scipy包計算了102名學習者、7種主要回看行為的平均值和方差，結果如表2所示。表2顯示，學習者的平均回看率為0.477，表示數據集中的學習者每向前閱讀兩頁會發(fā)生一次回看；數據集中的學習者傾向于在回看中添加少量的備忘錄（M=2.216，S=7.954）、極少量的書簽（M=0.549，S=3.695）和高亮顯示（M=0.157，S=1.584）。

為了進一步分析學習者數字教材閱讀的回看規(guī)律，本研究使用Python的Matplotlib包繪制了回看散點分布圖，如圖2所示。其中，坐標軸上的每個點（BSP，BEP）表示該數據集中學習者的回看行為從第BSP頁開始、到第BEP頁結束，BSP和BEP的差值即為回看跨度。圖2顯示，越靠近對角線，散點越多；實線陰影區(qū)域涵蓋了回看跨度在10頁范圍內的回看；虛線陰影區(qū)域散點較為密集，涵蓋了回看跨度在25頁范圍內的回看。由此可見，學習者在數字教材閱讀的整個過程都有小跨度的回看，而在數字教材閱讀的中期有更多的大跨度回看。

表2 學習者回看行為的平均值和方差

圖2 回看散點分布圖

2 回看行為可視化分析

本研究使用Gephi 0.9.2軟件，繪制了回看行為網絡圖，如圖3所示。其中，節(jié)點處的序號代表數字教材的頁碼；有向邊表示從回看開始頁碼（BSP）指向回看結束頁碼（BEP），邊的粗細由邊上的權重值決定（權重值越大，邊越粗），而權重值就是該回看的學習者人數。圖3（a）是頁面節(jié)點的入度圖，頁面節(jié)點半徑越大，從其他頁面回看該頁面的學習者人數越多，表示該頁面是教材知識的重點，如節(jié)點44；圖3（b）是頁面節(jié)點的出度圖，頁面節(jié)點半徑越大，從該頁面出發(fā)回看其他頁面的學習者人數越多，表示該頁面是教材知識的難點，如節(jié)點72。借助回看行為網絡圖，學習者在數字教材閱讀中的回看行為和數字教材知識的重難點得以可視化呈現。

圖3 回看行為網絡圖

3 回看行為模式差異分析

本研究使用Python中Scikit-learn包的聚類模型進行聚類分析，結果如圖4所示。圖4（a）為最佳聚類數的“手肘”圖，其拐點即為最佳聚類數（K值=2）。圖4（b）為回看行為和學習效果的K-means聚類樹狀圖（橫坐標表示學習者人數），選取截斷距離等于6000（圖中黃色虛線）的數值為標準，將聚類結果劃分為兩個簇，每個簇代表一類隱藏的回看模式：C1（紅色陰影部分）設為回看組，含82名學生；C2（綠色空白部分）設為普通組，含20名學生。

圖4 聚類結果

為進一步比較回看組和普通組之間的回看差異，本研究將7個回看變量作為因變量、聚類結果作為自變量，使用Python的Scipy包，在檢驗各變量滿足正態(tài)分布、方差齊性（誤差方差等同性的Levene檢驗）的前提條件下（Sig.＞0.05）進行了獨立樣本t檢驗，結果顯示：回看組和普通組的回看次數（＜0.01，d=2.067）、回看率（=0.004，d=0.701）、回看時添加筆記總頻次（=0.045，d=0.888）存在顯著差異，如表3所示。統(tǒng)計兩組的平均值（M）和標準差（SD），可以發(fā)現：相較于普通組，回看組的回看行為更多，尤其是回看過程中添加書簽和備忘錄更頻繁。

表3 獨立樣本t檢驗結果

4 回看行為與學習成績的因果關系分析

本研究使用Python的Matplotlib工具包，繪制了回看組和普通組的前、后測箱圖，如圖5所示。圖5顯示，回看組和普通組的前測不存在顯著差異（=0.578，d=0.088），但回看組的后測顯著高于普通組（=0.013，d=0.613）。

為了進一步探究回看行為是否提高了學習者的學習成績，本研究使用專業(yè)的因果分析軟件Tetrad 6.5.4推斷了學習者回看行為與學習成績之間的因果關系，如圖6所示。其中，每個節(jié)點代表一個變量，“A→B”表示變量A是引起變量B的原因；每條邊上的數值代表因果關系的關聯(lián)強度值。為檢驗推斷的因果關系模型與實際情況在統(tǒng)計學上的差異，本研究對構造的因果關系模型進行了擬合優(yōu)度評估（如表4所示），結果表明：因果關系模型與實際情況不存在顯著差異（=0.889），此模型成立。

圖5 回看組和普通組的前、后測箱圖

圖6 回看行為與學習成績之間的因果關系模型

表4 因果關系模型的擬合優(yōu)度評估

生成因果關系模型之后，本研究發(fā)現：回看跨度、回看時添加備忘錄頻次、回看時添加書簽頻次、回看時添加高亮顯示頻次四種回看行為之間不存在因果關系，故圖6未予顯示。另外，回看次數是影響后測成績的直接原因，但影響程度較弱（關聯(lián)強度值為0.0039）；回看率對后測成績的直接影響較大（關聯(lián)強度值為0.0462）；回看時添加筆記總頻次對后測成績的直接影響最大（關聯(lián)強度值為0.0838），接近回看率對后測成績影響的2倍、回看次數對后測成績影響的20多倍。在所有變量中，前測成績對后測成績存在直接影響（關聯(lián)強度值為0.2293），同時通過回看率（關聯(lián)強度值為0.2852）和回看時添加筆記總頻次（關聯(lián)強度值為0.0550）間接影響后測成績。上述因果推斷的結果分析，揭示了學習者的學習成績受其回看時添加筆記總頻次和先前知識水平的影響很大。

四 討論與評價

1 結果討論

①數字教材閱讀中的回看行為分析表明，學習者在數字教材閱讀中的回看行為具有高頻、跨度大的特點。本研究通過Python數據分析包來完善結論，發(fā)現學習者的回看行為呈現出兩大特征：一是數據集中的學習者平均閱讀率為0.477，表示學習者平均每向前閱讀一頁，就會發(fā)生一次回看。二是數據集中的學習者平均回看跨度是10.775（占比64.54%），回看跨度為1的占比10.52%，表明學習者使用數字教材閱讀會頻繁發(fā)生回看行為。高頻、跨度大的回看行為，反映了學習者回看行為普遍，且有跨多頁回看的強烈需求，而不僅僅是相鄰兩個頁面之間的回看。

②回看行為的可視化分析表明，出度圖中半徑較大的節(jié)點是數字教材難點所在頁，而入度圖中半徑較大的節(jié)點是數字教材重點所在頁。通過回看行為網絡圖，根據頁面節(jié)點半徑的大小來判斷學習者感知到的知識的重要性與難易程度，可為教師有針對性地進行教學干預、調整教學決策提供參考，并有助于提高學習者的學習效果。

③回看行為模式差異分析表明，相較于普通組，回看組的回看行為更多且添加了更多的書簽和備忘錄，取得的學習效果更好。具體來說，兩組在回看次數、回看率、回看時添加筆記總頻次和后測成績上均存在顯著差異：回看組的回看次數是普通組的近15倍，回看率是普通組的近1.5倍，回看時添加筆記總頻次是普通組的約6.5倍；兩組的前測成績不存在顯著差異，但回看組的后測成績顯著高于普通組。因此，數字教材閱讀中的回看行為確實能提高學習者的學習體驗，是一種有利于提升學習效果的學習策略——這與Yin等[29]的研究結論基本一致。

④回看行為與學習成績的因果關系分析表明，學習者的回看時添加筆記總頻次和先前知識水平對學習者的學習成績影響很大。因果關系模型分析顯示，回看次數、回看率、回看時添加筆記總頻次均直接影響后測成績，其影響程度分別為較弱、中等、最大。而通過前測成績直接影響后測成績、并通過回看率、回看時添加筆記總頻次間接影響后測成績，可知學習者的先前知識水平也是影響學習成績的重要因素。

2 價值和不足

本研究以DITeL平臺上開展的“商法”課程中的學習過程數據為數據來源，提取了學習者的7種主要回看行為，并對回看行為進行了可視化分析、模式差異分析、與學習成績的因果關系分析，所得研究結果主要有三方面的價值：①研究結果為分析數字教科書中的學生閱讀行為提供了新的思路。本研究發(fā)現了兩類隱藏的回看模式，并驗證了回看行為對學習效果的積極影響。②研究結果有助于優(yōu)化數字教材的導航設計。目前，數字教材中的交互式翻頁按鈕只允許學習者逐頁前、后翻頁，本研究建議可利用學習者的回看行為網絡圖和知識點之間的關聯(lián)關系研發(fā)跨多頁的“翻頁助手”。③研究結果為構建數字教材領域模型提供了參考。領域模型是由知識、技能、問題及其之間的結構關系（先決關系、映射關系、層次關系等）組成，是數字教材的本體內容。例如，回看行為網絡圖能夠實時反映學習者所感受到的知識重、難點，故可為專家構建領域模型提供有效指導。

與此同時，本研究也存在一些不足之處，主要表現為：①回看行為類型不全。本研究提取了7種主要回看行為，實際上回看行為十分復雜、多元，可歸納的回看行為類型遠遠不止這7種。因此，探討回看行為對學習效果的影響時，可能會遺漏比較重要的回看行為。②研究樣本量小。本研究雖然招募了234名學生參與這項研究，但只有大約一半的學生能堅持使用數字教科書作為閱讀工具。針對這些不足，后續(xù)研究在進行數據收集前就要和學習者充分溝通，排除學習者的主觀影響，保證數據的客觀性；同時，要和數字教材編寫教師充分溝通，設計可拆分、可整合、模塊化的數字教材領域模型，嘗試挖掘更多類型的回看行為、加大研究樣本量，以優(yōu)化數字教材的設計，進而提升學習效果。

[1]顧明遠.教育大辭典[Z].上海:上海教育出版社,1998:695.

[2]Jeong H. A comparison of the influence of electronic books and paper books on reading comprehension, eye fatigue, and perception[J]. The Electronic Library, 2012,(3):390-408.

[3]Wan Sulaiman W N A, Mustafa S E. Usability elements in digital textbook development: A systematic review[J]. Publishing Research Quarterly, 2020,(1):74-101.

[4][9]Omura H, Shibata H. Survey research on reading and writing for paper and electronic media[J]. Shigyo Times, 2010,(10):18-30.

[5]Kazanci Z. University students’ preferences of reading from a printed paper or a digital screen: A longitudinal study[J]. International Journal of Culture and History, 2015,(1):50-53.

[6][23]Baron N S, Calixte R M, Havewala M. The persistence of print among university students: An exploratory study[J]. Telematics and Informatics, 2017,(5):590-604.

[7]胡畔,王冬青,許駿,等.數字教材的形態(tài)特征與功能模型[J].現代遠程教育研究,2014,(2):93-98、106.

[8]Nicholas D, Rowlands I, Jamali H R. E-textbook ese, information seeking behaviour and its impact: Case study business and management[J]. Journal of Information Science, 2010,(2):263-280.

[10][16]Marshall C C, Bly S. Turning the page on navigation[A]. Proceedings of the 5th ACM/IEEE-CS Joint Conference on Digital Libraries[C]. Denver, CO, USA: IEEE, 2005:225-234.

[11][22]Shibata H, Fukase Y, Hashimoto K, et al. A proposal of future electronic paper in the office: Electronic paper as a special-purpose device cooperating with other devices[J]. ITE Transactions on Media Technology and Applications, 2016,(4):308-315.

[12][24]Shibata H, Omura K. Why digital displays cannot replace paper[M]. Singapore: Springer, 2020:43-110、27-33.

[13]Boulanger D, Kumar V. An overview of recent developments in intelligent e-textbooks and reading analytics[A]. Proceedings of the First Workshop on Intelligent Textbooks Co-located with 20th International Conference on Artificial Intelligence in Education (AIED 2019)[C]. Chicago, IL, USA: iTextbooks@AIED, 2019:44-56.

[14]Kay J, Kummerfeld B. PUMPT: An e-textbook platform based on a personal user model for learning[A]. Proceedings of the Third International Workshop on Inteligent Textbooks[C]. Utrecht, The Netherlands: iTextbooks@AIED, 2021:27-34.

[15]McKay D. A jump to the left (and then a step to the right): Reading practices within academic ebooks[A]. Proceedings of the 23rd Australian Computer-Human Interaction Conference (OZCHI 2011)[C]. New York: Association for Computing Machinery, 2011:202-210.

[17]Smadja U, Artzi Y, Grusky M, et al. Understanding reader backtracking behavior in online news articles[A]. The Web Conference 2019—Proceedings of the World Wide Web Conference[C]. New York: Association for Computing Machinery, 2019:3237-3243.

[18]Zhang H, Sun M, Wang X, et al. Smart jump: Automated navigation suggestion for videos in MOOCs[A]. 26th International World Wide Web Conference 2017 (WWW 2017 Companion)[C]. Perth Australia: International World Wide Web Conferences Steering Committee, 2017:331-339.

[19]Ogata H, Yin C, Oi M, et al. E-book-based learning analytics in university education[A]. Proceedings of the 23rd International Conference on Computers in Education (ICCE 2015)[C]. Hangzhou, China: Asia-Pacific Society for Computers in Education, 2015:401-406.

[20]Mouri K, Yin C. E-book-based learning analytics for improving learning materials[A]. Proceedings 2017 6th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI 2017)[C]. Piscataway: IEEE, 2017:493-497.

[21][29]Yin C, Yamada M, Oi M, et al. Exploring the relationships between reading behavior patterns and learning outcomes based on log data from e-books: A human factor approach[J]. International Journal of Human-Computer Interaction, 2019,(4-5):313-322.

[25]Yin C, Hwang G J. Roles and strategies of learning analytics in the e-publication era[J]. Knowledge Management & E-Learning: An International Journal, 2018,(4):455-468.

[26]Jiang B, Zhao W, Gu X, et al. Understanding the relationship between computational thinking and computational participation: A case study from scratch online community[J]. Educational Technology Research and Development, 2021,69:2399-2421.

[27]Koedinger K R, McLaughlin E A, Kim J, et al. Learning is not a spectator sport: Doing is better than watching for learning from a MOOC[A]. L@S 2015—2nd ACM Conference on Learning at Scale[C]. New York: Association for Computing Machinery, 2015:111-120.

[28]Koedinger K R, Scheines R, Schaldenbrand P. Is the doer effect robust across multiple data sets?[A]. Proceedings of the 11th International Conference on Educational Data Mining (EDM 2018)[C]. New York: ACM, 2018:369-375.

編輯：小米

The Relationship Between Learners’ Backtracking Behaviors and Learning Effects in Digital Textbook Reading

GU Mei-jun1JIANG Bo2[Corresponding Author]YIN Cheng-jiu3

Backtracking is an effective learning strategy, and the weak interaction navigation in digital textbooks reduces the improvement of backtracking on the learning effect. Based on this, the learning behavior logs of 102 college students who participated in the elective course of digital textbook reading were analyzed. The results showed that learners’ backtracking behavior in digital textbook reading had the characteristics of high frequency and large span. Meanwhile, the backtracking behavior network diagram could visually present the key points and difficult points of digital teaching materials. Compared with the ordinary group, the backtrackers had more backtracking behaviors, added more bookmarkers and memos during the backtracking process, and obtained better learning effects. In addition, it was found that learners’ previous knowledge level and the total frequency of adding notes during the backtracking process had a great impact on academic performance. In this paper, the research on the relationship between backtracking behavior and the learning effect in digital book reading was helpful to understand learners’ backtracking behavior characteristics, and can be used to optimize the design of the intelligent navigation function of digital textbooks, so as to promote the development of digital textbooks into the direction of intelligence.

digital textbook; backtracking behavior; learning effect; intelligent navigation

G40-057

A

1009—8097（2022）05—0049—10

10.3969/j.issn.1009-8097.2022.05.006

基金項目：本文為國家自然科學基金項目“面向圖形化編程的項目式學習的自動化評價研究及應用”（項目編號：61977058）、上海市科技創(chuàng)新行動計劃“人工智能”專項項目“教育數據治理與智能教育大腦關鍵技術研究及典型應用”（項目編號：20511101600）的階段性研究成果。

顧美俊，在讀碩士，研究方向為數字教材中的學習者行為分析，郵箱為mjgu_xyz@163.com。

2021年10月22日