基于超星學習通平臺高職學生在線學習行為與學習效果的實證研究

程光勝

(寧夏財經(jīng)職業(yè)技術學院 信息與智能工程系，銀川 750021)

一、引言

隨著信息技術的快速發(fā)展，學習方式、形態(tài)及環(huán)境已經(jīng)發(fā)生了翻天覆地的變化。新一代信息技術逐漸融入教育教學活動，在線學習催生出虛擬學習、移動學習、泛在學習、數(shù)字化學習、智能學習、智慧學習等概念。與傳統(tǒng)學習相比，在線學習表現(xiàn)出技術支持、交互與協(xié)作、時空分離、自主與適應等特征[1]。受到新型冠狀病毒肺炎疫情的影響，在線學習不再是以往傳統(tǒng)學習的補充，而成為學習常態(tài)，在線學習優(yōu)勢日益凸顯，掀起了教育信息化新的浪潮，推動教育教學深度改革。

通過對在線學習行為及學習效果的研究，從理論層面，有助于從數(shù)據(jù)科學角度探索信息化教育教學模式，豐富學習分析領域的理論內(nèi)涵，并進一步挖掘在線學習環(huán)境下促進學習的作用機制和內(nèi)在邏輯；在實踐層面，可以發(fā)現(xiàn)行為數(shù)據(jù)背后的規(guī)律，對于優(yōu)化在線學習平臺、調(diào)整教學決策和精準干預，具有重要的指導作用。

二、在線學習行為與學習效果研究概況

在線學習行為是在學習動機的驅(qū)使下，學習者通過在線學習平臺或環(huán)境提供的各項學習活動，實現(xiàn)整個學習的過程集合。從外在表現(xiàn)來看，就是學習者和學習環(huán)境之間的一系列操作和交互，這些操作和交互最終被系統(tǒng)記錄下來形成學習行為數(shù)據(jù)。以超星學習通為例，系統(tǒng)會記錄任務點完成情況、音視頻觀看詳情、參與主題討論、投票、搶答、問卷活動等學習行為數(shù)據(jù)，這些數(shù)據(jù)為分析學習行為模式提供數(shù)據(jù)基礎。

在線學習行為方面，國內(nèi)外相關學者也做了大量的研究。歐陽嘉煜等提出通過特征工程方法來識別學習分析中的行為模式，并將其運用到“投機取巧(Gaming the System)、挫折與困惑(Frustration and Confusion)、注意力集中與粗心(Engaged Concentration and Careless)、心不在焉與不假思索(Off-Task and Without Thinking Fastidiously)”等經(jīng)典的行為模式中[2]。馬志強等通過描述性、診斷性、預測性三個維度，從整體上探究個體與群體、群體之間的行為差異，并采用滯后序列分析等方法進行了實證分析[3]。程光勝基于Hadoop框架和R語言實現(xiàn)了學生行為特征的分析，從學生管理角度為學校的高層決策提供智力支持[4]。

學習效果方面，江波等研究發(fā)現(xiàn)，學習過程中的行為序列數(shù)據(jù)更能反映學習者學習行為軌跡，同時可以較準確地預測出學習者的學習成就，為教師的精準干預、教育教學績效提供有價值的建議[5]。趙呈領等從網(wǎng)絡學習資源視角，將具有相似訪問網(wǎng)絡學習資源行為的學習者進行了聚類，針對不同的類型與學習資源之間開展Kruskal-Wallis檢驗和Mann-Whitney U檢驗，并從提升學習成效方面提出了學習資源建設的措施和建議[6]。沈欣憶等基于MOOC平臺上產(chǎn)生的學習行為數(shù)據(jù)，運用Python技術以及Stata采用抽樣逐步回歸方法，建立學生在線學習行為與在線學習績效評估模型，并提出促進MOOC學習績效提升的教學策略建議[7]。馬忠玲利用SPSS對學生的在線學習情況進行統(tǒng)計和分析，并從性別、學習行為特征、學習成績等方面探索了在線學習行為與學習效果之間的內(nèi)在聯(lián)系，并給出了提升成人學習者教學質(zhì)量的意見和建議[8]。

上述文獻為本文研究提供了思路，但大部分是基于本科層次的學生，在分析中關注特殊群體學生，忽視對在線學生學習的整體性分析，缺乏對學習行為數(shù)據(jù)的具體解釋。在基于超星學習通的混合式教學環(huán)境下，一方面為學生提供規(guī)?；脑诰€學習環(huán)境，另一方面也輔助教師開展正常的線上線下實際教學。因此，本文基于超星學習，立足高職學生學習實際，分析在線學習的各項學習行為與學習效果之間的關系，從而發(fā)現(xiàn)行為背后的潛在規(guī)律，并從優(yōu)化資源、學習空間組織視角給出相關的建議和措施。

三、研究設計

(一)研究目標

通過對高職學生在線學習數(shù)據(jù)的有效分析，發(fā)現(xiàn)學生的在線學習行為模式，進而建立學生學習行為對學習效果的影響模型，從而為教師優(yōu)化教學策略、有效開展在線教學、精準指導學生學習提供有效信息和建議。

學生參與在線學習所體現(xiàn)出的固有行為模式，是行為、習慣、興趣、認知、情感等融合在一起的多元結構，而且認知和情感因素對學習效果也有很重要的影響，但是鑒于數(shù)據(jù)采集、處理和分析的復雜性，以及容易受到人為干預等原因。因此，認知和情感因素在本研究過程中不作為影響因素。

(二)研究對象

本文的研究對象是高職學生。與普通本科學生相比，大部分高職學生存在學習目標不明確、學習自主性不強、缺乏學習動力、學習能力和學習效率相對較弱、對問題的理解和鉆研不夠深入，且創(chuàng)造性思維、能力和水平不夠突出等問題。同時，近年來高職院校的學生來源拓寬，從而使得高職學生的學習基礎、學習風格、學習習慣以及學習能力等方面存在很大差異。因此，無論是在傳統(tǒng)課堂教學中，還是網(wǎng)絡化線上學習環(huán)境中，表現(xiàn)出的在線學習行為也多種多樣。

(三)數(shù)據(jù)獲取

本文分析數(shù)據(jù)來源于超星學習通平臺上Java Script程序設計課程的在線學習數(shù)據(jù)。該門課程的學習通過任務點來完成指定的學習任務，任務點設置為觀看課程視頻、書面作業(yè)、閱讀文檔片段等。任務點的核心是課程的音視頻數(shù)據(jù)，學生在觀看的過程中，系統(tǒng)會記錄觀看時長，以及反芻比(視頻觀看時長/視頻實際時長*100%)；在學習過程中可以參與具體的討論，系統(tǒng)會記錄總討論數(shù)、發(fā)表討論以及回復討論、獲贊數(shù)等；章節(jié)學習次數(shù)反映學生學習該門課程的頻繁度，以及具體的學習時段；成績數(shù)據(jù)有章節(jié)測驗和期末考試成績；最后的總成績由上述學習數(shù)據(jù)和成績數(shù)據(jù)按照不同的比例加權計算得出。

因此，結合研究的實際目標，采集的數(shù)據(jù)有：登錄次數(shù)(x1)、任務點完成次數(shù)(x2)、視頻觀看總時長(x3)、重復觀看視頻次數(shù)(x4)、發(fā)表討論數(shù)(x5)、回復討論數(shù)(x6)、學習次數(shù)(x7)、作業(yè)完成次數(shù)(x8)、平時測試成績(x9)、期末考試成績(y)。

(四)研究工具與方法

本研究使用Excel和SPSS軟件對所得數(shù)據(jù)進行加工。利用Excel對從超星學習通獲取學生學習數(shù)據(jù)進行初步匯總與分析，然后統(tǒng)一導入到SPSS中，對其進建模并深入分析。因此，在研究方法上，采用數(shù)量分析法和實證建模法，以具體的學生學習行為數(shù)據(jù)探索學習者之間相似的行為特征，并構建在線學習行為和學習效果之間的量化方程，前者采用聚類分析方法，后者采用回歸分析方法。

(五)關于學習效果的說明

職業(yè)教育人才培養(yǎng)的目標是為社會和國家培養(yǎng)更多高素質(zhì)技術技能人才、能工巧匠、大國工匠。因此，學生的學習效果具體體現(xiàn)為：技術技能的提升、職業(yè)素養(yǎng)的養(yǎng)成、學習態(tài)度的轉(zhuǎn)變、學習興趣的培養(yǎng)、學習能力的增強、工匠精神的塑造等多個方面?？梢钥闯?，學習效果具有綜合性、抽象性和多樣性，這也決定了學習效果量化的復雜性。所以，在本文的實證分析中，為了降低這種復雜性，簡化數(shù)據(jù)處理，基于傳統(tǒng)和一般認識，以學習成績反映學習效果，從而構建在線學習行為與學習效果之間的關系。但是，學習成績僅僅是學習效果的一部分，二者之間不存在等價關系，也不存在嚴格的因果關系，這里特此說明。

四、數(shù)據(jù)建模

(一)在線學習行為分析

學生學習數(shù)據(jù)包含了很多關鍵信息，在綜合比較相關文獻的基礎上，本文采用聚類方法研究在線學習行為模式。由于沒有特定類別的數(shù)據(jù)標簽，不適合使用分類，因此通過聚類將相似的學習者聚為一起。常見的聚類方法有層次聚類和K均值聚類，二者各有優(yōu)缺點和不同的應用場景。本文首先對數(shù)據(jù)采用層次聚類確定聚類的數(shù)目，然后以此為基礎進行K均值聚類，進而發(fā)現(xiàn)不同類別下的共性行為。

通過層次聚類可以得到Agglomeration Schedule，然后通過Excel利用樣本個數(shù)減去Stage列創(chuàng)建新的一列，命名為“類別數(shù)”，然后通過升序排列該列數(shù)據(jù)，再以“類別數(shù)”為橫軸，表中的“Coefficients”列為縱軸，繪制折線圖，具體結果如圖1所示。

圖1 在線學習行為層次聚類結果

圖1可以看出，整條折線明顯下降且逐漸趨于水平，當類別數(shù)取3或4時，與之前的近乎垂直下降相比，明顯趨緩。因此，3或4可作為K均值聚類中類別數(shù)的輸入，本文設定為4。

在具體執(zhí)行K均值聚類前，首先對各指標數(shù)據(jù)進行標準化變換，即：各指標數(shù)據(jù)減去均值然后除以樣本標準差，標準化變換后各指標數(shù)據(jù)的平均值為0，標準差為1。這樣一方面消除了各指標數(shù)據(jù)量綱不同帶來的影響，另一方面可以縮小聚類分析中的偏差。利用SPSS對學生行為K均值聚類后，生成的方差分析和聚類結果分別如表1和表2所示。

表1 方差分析ANOVA(方差分析)

表2 學生在線學習行為聚類結果Final Cluster Centers(最終聚類中心)

從方差分析(ANOVA)呈現(xiàn)的結果來看，這9個變量的F檢驗都非常顯著，說明這些變量在聚類分析中都起到了作用。結合在線學習行為數(shù)據(jù)和具體的聚類結果，可以將在線學習行為分為如下四種模式：(1)“學習慵懶型”：在各項學習行為上表現(xiàn)都不積極，不重視學習，主動學習能力很差；(2)“積極應付型”：登錄次數(shù)比較活躍，發(fā)表和回復討論積極，但是觀看視頻、作業(yè)完成等其他學習行為都很低；(3)“認真拘謹型”：各項學習行為突出，但是發(fā)表討論和回復討論較低，即在認真學習過程中，缺乏學習的互動性，可能跟不擅長社交等有關；(4)“認真活躍型”：各項學習行為均表現(xiàn)得非常顯著。

(二)學習行為對學習效果的影響

上面對學習者的行為進行了聚類分析，通過聚類分析對相似行為的學生進行了類型劃分，從而為教師開展針對性教學提供依據(jù)。從學習效果方面來看，學生的在線學習行為體現(xiàn)了學生學習的多方面信息，比如學習認知、學習習慣、學習風格、學習態(tài)度等，不同的學習行為可能會產(chǎn)生不同的學習效果。因此，這里對其進行具體研究，采用定量方法揭示學習行為與學習效果之間的關系。張紅艷等認為，學習行為是預測學生學習效果的重要變量[9]，這說明各種學習行為變量和學習效果變量之間是有關系的。探討變量之間的數(shù)量關系，從已有研究文獻來看，主要有決策樹、神經(jīng)網(wǎng)絡(深度學習)、隨機森林等方法。決策樹方法基于規(guī)則產(chǎn)生結果輸出，因此可解釋性很強，但是對于連續(xù)性數(shù)據(jù)變量而言，其效果并不理想。神經(jīng)網(wǎng)絡方法在預測學習效果上，雖然可以有較高的準確率，但是指標的解釋性很差[10]，并且容易出現(xiàn)過擬合。隨機森林方法可得到較高的準確率，但是對數(shù)據(jù)量的要求較高，當樣本量較小時，準確率的波動很大、穩(wěn)定性減弱[11]。由于回歸模型的簡單性和很強的解釋性，因此，這里采用線性回歸模型來構建學習行為變量和學習效果變量之間的回歸模型。

回歸模型描述了因變量的平均狀態(tài)隨自變量變化的情況，通過最小二乘法，按照偏差平方和達到最小的原則，使得觀測值和理論值之間的偏差平方和最小。

在SPSS中，以y為因變量，x1，……，x9為自變量，建立線性回歸模型，由于不同變量對被解釋變量的影響不同，或者甚至沒有影響。因此，在回歸方法中，選擇逐步(Stepwise)回歸，回歸結果如表3和表4所示。

從表3和表4可以看出，模型的整體擬合效果較好，修正可決系數(shù)達到0.82。ANOVA方差分析表顯示，F(xiàn)檢驗顯著性Sig≈0.000，說明學習成績y對作業(yè)完成次數(shù)x8、任務點完成次數(shù)x2、平時測試成績x9、學習次數(shù)x7的線性回歸高度顯著。從Coefficients系數(shù)表中得到回歸方程為：y=65.208+1.308*x8+0.822*x2-1.088*x9+0.077*x7，各項系數(shù)的t檢驗顯著性Sig≈0.000同樣高度顯著，從該方程可以看出，x2對期末考試成績的影響最大。但是，在回歸方程中，x9前的系數(shù)為-1.088，這與常規(guī)不相符合，可能與多重共線性有關，通過Collinearity Diggnostics輸出發(fā)現(xiàn)，Eigenvalue值為0.002，而Condition Index達到47.894，說明x9變量的引入存在多重共線性。刪除x9后，重新建立回歸模型，發(fā)現(xiàn)修正可決系數(shù)為0.675，較之前的0.82降低很多，這說明x9引入到模型中是有必要的，因此加入x9后出現(xiàn)多重共線的原因可能跟數(shù)據(jù)的樣本容量有限有關，如果樣本數(shù)據(jù)增大，關于x9多重共線性會減弱很多，x9前的系數(shù)會得到有效修正。

表3 模型概要Model Summarye

表4 各系數(shù)t統(tǒng)計檢驗Coefficientsa

五、研究結論及建議

從上面的定量分析和實證研究來看，在線學習環(huán)境下的學習行為存在特定的行為模式，這些行為模式可從學習認知、學習習慣以及學習主體本身的特征等方面進行解釋，不同的行為模式可為教師的分類教學和指導提供有力的支持，比如對“學習懶惰型”，需要加強平時的思想教育，轉(zhuǎn)變學習觀念和端正學習態(tài)度，建立對知識掌握和技能習得的正確認知；對“積極應付型”，需激發(fā)其學習興趣，幫助樹立學習目標，通過階段性目標達成，使學生客觀認識自我，建立信心；“認真拘謹型”，要重視學生的溝通交流能力，因為在社會環(huán)境中，溝通本身已經(jīng)成為一種生產(chǎn)力，表述更專業(yè)就是思想的流動模式與生產(chǎn)力的增長和創(chuàng)造性輸出有著直接的關系[13]；對“認真活躍型”，通過參加各項技能大賽、“互聯(lián)網(wǎng)+”大學生創(chuàng)新創(chuàng)業(yè)大賽等，進行系統(tǒng)化和綜合化培養(yǎng)，培養(yǎng)創(chuàng)造性思維和能力。

從學習行為和學習效果的回歸結果來看，在線學習過程中的作業(yè)完成次數(shù)、任務點完成次數(shù)、平時測試成績以及學習次數(shù)對學習成績存在正向影響。在其他因素保持不變的前提下，作業(yè)完成次數(shù)、任務點完成次數(shù)、平時測試成績以及學習次數(shù)這些行為中的一個或多個增減會使得學習成績也發(fā)生相應的增減。事實上，這些行為也反映出學生在學習過程中的時間、精力的投入，對學習內(nèi)容的感興趣程度，以及對其鉆研的情況，也進一步印證了“一份付出、一份收獲”的道理。因此，作為教學一線教師，在布置作業(yè)時，要結合高職學生的學情和學習特點，一方面通過作業(yè)激發(fā)學生學習動力，增強學習的自主性，另一方面要有培養(yǎng)高職學生探究問題能力的意識。在設置任務點時，適時提供學生表達的機會和互動的空間，讓學生能夠?qū)W習過程中的所思所想以及疑問表達出來，一方面能夠顯示記錄學生的學習過程，讓學生獲得學習的成就感，另一方面通過記錄和表達能夠引發(fā)學生積極主動地思考。平時測試是對學生階段性學習的一個檢測，對最終的學習成績也有很大影響，因此也十分有必要，能夠起到查缺補漏、階段性預警的作用。學習次數(shù)在一定程度上反映了學生的勤奮程度或者對課程的興趣度，老師可以適度關注學習次數(shù)高的這部分學生。

定量化的分析結果也為重新組織教學空間提供了有效依據(jù)。因此，可從在線學習行為等方面入手，優(yōu)化在線學習環(huán)境中的學習資源配置，激發(fā)學生學習興趣，從而提高學習效果。

(一)豐富學習資源，提升視頻資源比重

從設置的任務點類型來看，學生更加偏好視頻學習資源，這就要求對在線課程的資源開發(fā)上，要提供高質(zhì)量的視頻資源。從學生學習視頻資源的統(tǒng)計數(shù)據(jù)來看，短視頻的資源更受學生歡迎和喜愛，這是因為人在接受知識時，高度的注意力是有一定時間限制的，而且相關研究也表明，分散學習或碎片化學習能夠加強學習者對知識的記憶和理解[12]。因此，對于知識點和技能點很多的教學內(nèi)容，在開發(fā)視頻資源時，做到適度拆分，形成邏輯上連續(xù)的多個短視頻集合，也可以將一個復雜的知識點或技能點分解到多個視頻資源中，這樣可促進知識的有效遷移。同時，要創(chuàng)新資源形式，豐富學習資源，根據(jù)內(nèi)容變化保持適度更新，提高資源的新穎度，激發(fā)學生的學習興趣，從而提高在線學習效果。

(二)學練結合，提高作業(yè)的設計質(zhì)量

從建模結果來看，學生作業(yè)也是影響學習效果的一個關鍵變量，因此，設計高質(zhì)量的作業(yè)也是提升學習效果的一個重要途徑。作業(yè)的高質(zhì)量設計表現(xiàn)在：(1)控制難度，要讓學生通過作業(yè)提高學習的成就感和自信心；(2)體現(xiàn)重點和難點，通過重點和難點鞏固每次學習的內(nèi)容；(3)減少題量，如果長時間的在線學習和在線作業(yè)，就會引起學生在線學習的厭惡感，這樣不但沒有起到提高學習效果的目的，反而會降低學習效果；(4)有一定的激勵措施，對符合要求的作業(yè)要有獎勵(比如加分)，優(yōu)秀的作業(yè)放到展覽區(qū)示范，增強學生的自我效能感，從而促進深層次的學習。

(三)利用學習數(shù)據(jù)，開展個性化教學

教師要積極關注學生的學習數(shù)據(jù)，通過學習數(shù)據(jù)識別“困難”學生、“中間”學生和“優(yōu)秀”學生，針對不同層面的學生進行線下個性化的輔導和教學，讓學習有困難的學生能夠及時跟進，讓中間群體的學生能夠盡最大努力向優(yōu)秀靠近，讓優(yōu)秀的學生更加優(yōu)秀。分層次開展個性化教學，能夠讓不同層面的學生體驗學習提升所帶來的成就和快樂，從而會促進學習態(tài)度的轉(zhuǎn)變，提升主動學習意愿，達到“教育終極關懷”的教育目標。

(四)靈活運用在線學習的工具和方法

不同的在線學習平臺會提供不同的工具和方法，比如學習打卡、主題討論、問卷調(diào)查等，這些工具的使用可能會激發(fā)學生上課的興趣，但是跟學習效果關聯(lián)性較弱，而且過度使用可能會適得其反，進一步降低學習興趣。歸根到底，這些工具是一種淺層的師生、生生互動的弱交互工具，無法實現(xiàn)深度溝通、情意表達和思維方式的培養(yǎng)。因此，老師在教學過程中，要靈活把握這個“度”，讓工具和方法為教學目標服務。

六、結語

在線學習是當前信息化教學環(huán)境下學生學習的主流方式，在線學習行為分析是學習分析的一個重要內(nèi)容，通過對數(shù)據(jù)的分析和挖掘，理解、優(yōu)化學習過程，提高教與學的質(zhì)量和效果。本文結合高職院校學生在線學習的實際，選擇超星學習通平臺上JavaScript程序設計課程的學習數(shù)據(jù)，對高職學生的在線學習行為和學習效果進行了分析與建模，從而發(fā)現(xiàn)不同學生相似的在線學習行為，以及影響學習效果的主要因素，并根據(jù)這些分析結果提出了相關的建議和措施。但是，由于課程采集的數(shù)據(jù)有限，分析結果是建立在小樣本基礎上，所以與大樣本下的在線學習行為還有一定的差距。因此，在后續(xù)的研究中，根據(jù)職業(yè)院校學生的成長實際，界定學習效果，并隨著在線學習行為數(shù)據(jù)規(guī)?；媱潖膶W習動機、學習偏好、學習認知、學習情感、學習環(huán)境等方面開展詳細的研究，為實施個性化、適性化的精準教育提供進一步的探索。