基于K均值聚類的SPOC線上學(xué)習(xí)行為分析

摘 要 探究學(xué)生線上學(xué)習(xí)行為，可以為改進(jìn)教學(xué)實踐和提升教學(xué)效果提供理論支撐。文章以SPOC平臺某課程學(xué)生線上學(xué)習(xí)行為數(shù)據(jù)為基礎(chǔ)，采用K均值聚類法將學(xué)生線上學(xué)習(xí)行為分為積極主動型、消極應(yīng)付型、配合型和打卡型4種類型，不同學(xué)習(xí)行為的學(xué)生在各個指標(biāo)上的差異具有統(tǒng)計學(xué)意義。學(xué)生在該課程上的學(xué)習(xí)行為總體良好，以配合型（56.06%）為主，積極主動型和打卡型（各占18.18%）居中，消極應(yīng)付型（7.58%）最少。將線上學(xué)習(xí)任務(wù)分為瀏覽型任務(wù)（觀看視頻次數(shù)及時長）和參與型任務(wù)（討論、階段測驗得分及作業(yè)得分），聚類結(jié)果顯示參與型任務(wù)完成情況下的學(xué)習(xí)行為較好、期末考試成績較高。教師在進(jìn)行線上教學(xué)設(shè)計時應(yīng)重視參與型任務(wù)的安排，以提升教學(xué)效果。

關(guān)鍵詞 聚類分析；學(xué)習(xí)行為；線上學(xué)習(xí)；SPOC

中圖分類號：G434 " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼：A " " DOI：10.16400/j.cnki.kjdk.2025.02.033

Analysis of SPOC Online Learning Behavior Based on K-means Clustering

HUANG Minmei

（School of Politics and Public Administration， South China Normal University， Guangzhou， Guangdong 510006）

Abstract Exploring students' online learning behavior can provide theoretical support for improving teaching practice and enhancing teaching effectiveness. The K-means clustering method based on the online learning behavior data of students in a certain course on the SPOC platform is used to divide students' online learning behavior into four types： proactive， passive coping， cooperative， and minimal-engagement. The"results show statistically significant differences in various indicators among students with different learning behaviors. Overall， students' learning behaviors in this course are good， with the majority being"cooperative （56.06%）， followed by proactive and minimal-engagement types （each accounting for 18.18%）， and the smallest group being passive"（7.58%）. The online learning tasks are divided into browsing tasks （video viewing frequency and duration） and participatory tasks （discussion， stage test scores， and homework scores）. The online learning tasks"are divided into browsing tasks （number of video views and viewing duration） and participation tasks （discussion， quiz scores， and assignment scores）. The clustering results indicate that students who perform"better in participation tasks tend to achieve higher final exam scores. Therefore， teachers should prioritize the arrangement of participation tasks in their online teaching designs to enhance educational effectiveness.

Keywords cluster analysis; learning behavior; online learning; SPOC

隨著信息技術(shù)的發(fā)展，線上教學(xué)資源和學(xué)習(xí)平臺，有效擴展了學(xué)習(xí)資源和交流渠道，為學(xué)習(xí)者提供了更高效、便捷的學(xué)習(xí)體驗。線上線下混合教學(xué)，遵循“以教師為主導(dǎo)、以學(xué)生為主體”的教育理念，越來越受到高校的青睞。通過對學(xué)生線上學(xué)習(xí)行為的分析，了解在線學(xué)習(xí)者利用網(wǎng)絡(luò)學(xué)習(xí)資源開展學(xué)習(xí)的行為和效果及其相互關(guān)系，對有效組織教學(xué)內(nèi)容，合理利用教學(xué)方法、手段和各種教學(xué)資源，以最大限度地提高教學(xué)效果具有重要意義[1]。

許多文獻(xiàn)對在線學(xué)習(xí)者學(xué)習(xí)行為與學(xué)習(xí)成效進(jìn)行了研究：龔藝等（2018）提出了在線學(xué)習(xí)投入評估模型及具體度量指標(biāo)，對國家開放大學(xué)樣本數(shù)據(jù)進(jìn)行聚類分析，將在線學(xué)習(xí)投入與學(xué)習(xí)績效的關(guān)系分為四種類型[2]。趙呈領(lǐng)等（2019）從網(wǎng)絡(luò)學(xué)習(xí)資源視角，對觀看視頻資源、瀏覽文檔資源等5個變量進(jìn)行聚類分析，結(jié)果表明訪問網(wǎng)絡(luò)學(xué)習(xí)資源的行為模式與學(xué)習(xí)成效相關(guān)[3]。Peach" Robert等（2021）將概率貝葉斯模型用于研究學(xué)生在線學(xué)習(xí)行為并預(yù)測學(xué)生的表現(xiàn)，結(jié)果表明非死記硬背的學(xué)習(xí)任務(wù)，如互動任務(wù)或討論帖子，與更高的表現(xiàn)相關(guān)[4]。張思等（2021）以64" 名學(xué)生在SPOC論壇中的非結(jié)構(gòu)性會話文本為對象進(jìn)行數(shù)據(jù)挖掘，結(jié)果表明信息查閱行為對學(xué)生學(xué)習(xí)成績有著顯著正向影響，較多的協(xié)作交互和信息評價行為能夠促進(jìn)學(xué)習(xí)者的高階認(rèn)知[5]。蔡旻君，唐睿和魏鈺（2023）以混合學(xué)習(xí)環(huán)境下的SPOC實踐為例進(jìn)行研究，結(jié)果表明：當(dāng)行為內(nèi)隱性和外顯性都呈現(xiàn)為高投入時，行為投入與學(xué)習(xí)效果趨于一致；當(dāng)行為內(nèi)隱性和外顯性高低投入不一致時，學(xué)習(xí)效果不理想[6]。

本文以SPOC平臺學(xué)生線上學(xué)習(xí)行為數(shù)據(jù)為基礎(chǔ)，分析學(xué)生的在線學(xué)習(xí)情況，并采用K均值聚類法對線上學(xué)習(xí)行為與學(xué)習(xí)成績進(jìn)行分類，探索線上學(xué)習(xí)行為與學(xué)習(xí)成績的關(guān)系，為改進(jìn)線上線下混合教學(xué)設(shè)計和提升課程教學(xué)效果提供參考。

1" 教學(xué)模式

為了達(dá)到多元化教學(xué)目標(biāo)，通過教學(xué)探索和實踐，目前，在線上平臺提供了課程PPT、案例資料、拓展學(xué)習(xí)材料、教學(xué)視頻等教學(xué)資源，設(shè)置了考勤、討論、課后作業(yè)、小組練習(xí)、階段測試等，逐漸形成了如圖1所示的線上線下混合教學(xué)模式。在課前教學(xué)中，教師通過在線平臺發(fā)布預(yù)習(xí)和學(xué)習(xí)任務(wù)，課程PPT、案例材料以及教學(xué)視頻等教學(xué)資源，引導(dǎo)學(xué)生提前了解課程內(nèi)容，從而發(fā)揮網(wǎng)絡(luò)課堂優(yōu)勢，培養(yǎng)學(xué)生自學(xué)能力，增強學(xué)生學(xué)習(xí)興趣。在線下課堂中，針對線上學(xué)習(xí)中的重點和難點進(jìn)行深入講解，借助云課堂進(jìn)行課堂練習(xí)考查當(dāng)節(jié)學(xué)習(xí)效果，并進(jìn)行疑難解答。在課后，設(shè)置課后作業(yè)和小組練習(xí)，使學(xué)生對課堂知識進(jìn)行充分消化吸收，也可以提供課程前沿知識和拓展案例，引導(dǎo)學(xué)生探索和解決高階性問題。同時，利用在線平臺收集學(xué)生的學(xué)習(xí)反饋和意見，不斷優(yōu)化教學(xué)內(nèi)容和教學(xué)方法。

2" 數(shù)據(jù)來源

以SPOC平臺某管理科學(xué)專業(yè)必修課程的某年級一個班級66名學(xué)生為研究樣本。課程中共設(shè)有18個文檔資源、38個教學(xué)視頻資源、67個討論主題、5項作業(yè)和" 9個階段測試。如表1所示，本文收集了課程中學(xué)生學(xué)習(xí)統(tǒng)計數(shù)據(jù)和課程數(shù)據(jù)，整理了包括視頻觀看次數(shù)、觀看視頻時長、討論區(qū)評論和回復(fù)數(shù)、階段測驗得分和作業(yè)得分等學(xué)習(xí)行為數(shù)據(jù)，并從教務(wù)管理系統(tǒng)中收集該門課程的期末考試卷面成績。

表2描述性統(tǒng)計結(jié)果顯示，視頻觀看次數(shù)均值為31.17，標(biāo)準(zhǔn)差為5.5，表明大部分學(xué)生觀看了課程平臺提供的教學(xué)視頻資源。觀看視頻時長最大值為1455分鐘，最小值僅為121分鐘，標(biāo)準(zhǔn)差為234.63，可知學(xué)生觀看視頻時長差異較大。同時在討論區(qū)評論、階段測驗和作業(yè)得分方面，最小值為0，說明存在學(xué)生未完成的情況，標(biāo)準(zhǔn)差較大表明學(xué)生學(xué)習(xí)差異較大。該班級期末考試平均成績?yōu)?4.89分，說明學(xué)生整體成績良好；標(biāo)準(zhǔn)差為9.69，一方面表明考試題目設(shè)計較合理，有一定的區(qū)分度，另一方面表明學(xué)生之間的能力差異較大，可能是由于學(xué)生的學(xué)習(xí)基礎(chǔ)、學(xué)習(xí)方法、學(xué)習(xí)習(xí)慣等方面的不同所致。為了更好地分析學(xué)生學(xué)習(xí)行為及其對學(xué)習(xí)成績的影響，有必要采用聚類分析法進(jìn)一步對樣本進(jìn)行更深入的分析。

3" 學(xué)生線上學(xué)習(xí)行為聚類分析

3.1" K均值聚類算法與聚類過程

聚類分析是一種將一批樣本或變量，按照它們在性質(zhì)上的親疏程度進(jìn)行分類的方法。K均值法（K-Means" Algorithm）是一種比較流行的動態(tài)聚類法。其基本步驟為：①選擇k個樣本作為初始聚類中心，或者將所有樣本分成k個初始類，然后將這k個類的重心（均值）作為初始聚類中心；②對所有樣本逐個進(jìn)行歸類，計算每個樣本與各聚類中心之間的距離，把每個樣本分配給距離它最近的聚類中心，每分配一個樣本，就根據(jù)聚類中現(xiàn)有的樣本重新計算聚類中心；③重復(fù)步驟②，直至所有樣本都不能再分配為止" [7]。

本文使用了SPSS工具進(jìn)行聚類分析。從表2中的各個指標(biāo)均值可以看出，6項指標(biāo)的數(shù)量級有較大差異。為避免指標(biāo)值差異過大對分類結(jié)果產(chǎn)生影響，聚類分析之前，采用Z-score方案對各指標(biāo)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

3.2" 聚類結(jié)果分析

根據(jù)K均值聚類結(jié)果進(jìn)行整理，得出4個類別的學(xué)習(xí)行為。每個類型的學(xué)生編號以及學(xué)生人數(shù)如表3所示。聚類4的人數(shù)最多為，37人，聚類1的人數(shù)最少，僅有5人，聚類2和聚類3人數(shù)相等，均為12人。

從表4的方差分析結(jié)果可知，分類后各變量在不同類別之間的差異都是顯著的（P值為0.000），說明把66個學(xué)生分成4類是比較合理的。

從圖2不同類別指標(biāo)標(biāo)準(zhǔn)化結(jié)果的雷達(dá)圖可知，聚類1觀看視頻時長標(biāo)準(zhǔn)化均值較其他5個指標(biāo)大，而且聚類1的期末考試成績標(biāo)準(zhǔn)化均值在4類中最低；聚類2的6項指標(biāo)在4個類別中都最大；聚類3在視頻觀看次數(shù)和時長2個指標(biāo)標(biāo)準(zhǔn)化均值上比聚類4大，但是在討論區(qū)評論數(shù)、階段測驗、作業(yè)以及期末考試成績這4個指標(biāo)標(biāo)準(zhǔn)化均值上都比聚類4低。

結(jié)合圖2和表5的結(jié)果：聚類2學(xué)生占比為18.18%，這類學(xué)生期末成績均值為89.58分，其他指標(biāo)在各類別中均最好，說明這類學(xué)生學(xué)習(xí)主動性高，學(xué)習(xí)效果好。聚類4的學(xué)生占全體學(xué)生的比例最大為56.06%，對于討論區(qū)評論、階段測驗和作業(yè)等任務(wù)投入較多，完成度較好，期末考試成績良好。聚類3的學(xué)生重視完成視頻觀看次數(shù)和時長等任務(wù)，但是忽視參與討論、階段測驗和作業(yè)等任務(wù)，期末考試成績中等。聚類1的學(xué)生占全體學(xué)生的7.5%，這類學(xué)生期末成績均值僅為66.6分，這類學(xué)生學(xué)習(xí)積極性低，學(xué)習(xí)效果差。

4" 討論與建議

進(jìn)一步地，將課程中的任務(wù)分成瀏覽型任務(wù)和參與型任務(wù)兩類：瀏覽型任務(wù)要求學(xué)生觀看教學(xué)視頻，學(xué)習(xí)相關(guān)知識點；參與型任務(wù)則要求學(xué)生圍繞教學(xué)知識點，進(jìn)行深入思考，并運用相關(guān)知識點解決相關(guān)問題?？梢园岩曨l觀看次數(shù)、視頻觀看時長作為衡量學(xué)生瀏覽型任務(wù)完成情況的指標(biāo)；將討論區(qū)評論數(shù)、階段測試得分和作業(yè)得分等指標(biāo)作為衡量學(xué)生參與型任務(wù)完成情況的指標(biāo)。

將學(xué)生根據(jù)參與型任務(wù)和瀏覽型任務(wù)完成情況兩個維度的高低進(jìn)行組合，可以將學(xué)習(xí)行為分為四種類型（如圖3所示）。瀏覽型任務(wù)和參與型任務(wù)完成情況雙低的稱為消極應(yīng)付型；瀏覽型任務(wù)和參與型任務(wù)完成情況雙高的稱為積極主動型；瀏覽型任務(wù)完成情況高、參與型任務(wù)完成情況低的為打卡型；瀏覽型任務(wù)完成情況低、參與型任務(wù)完成情況高的為配合型學(xué)生。

聚類1的學(xué)生屬于消極應(yīng)付型學(xué)生，這類學(xué)生既不觀看視頻，也不完成討論和作業(yè)等參與型任務(wù)，成績最差。聚類2的學(xué)生屬于積極主動型學(xué)生，這類學(xué)生不僅認(rèn)真觀看視頻，而且積極參加討論，認(rèn)真完成作業(yè)和階段測驗，善于思考，勤于練習(xí)，成績優(yōu)秀。聚類3的學(xué)生屬于打卡型學(xué)生，關(guān)注于觀看視頻，但卻忽視對知識點的思考和應(yīng)用，成績中等。聚類4的學(xué)生屬于配合型學(xué)生，更注重主動完成參與型任務(wù)，成績良好。通過上述分析可知，在觀看教學(xué)視頻的前提下，積極參與討論、完成平時作業(yè)和階段測驗，對于提高期末考試成績具有重要作用。

綜合上述對學(xué)生線上學(xué)習(xí)行為的分析可知：為了有效提升學(xué)生的學(xué)習(xí)效果，在教學(xué)設(shè)計時，教師應(yīng)重視參與型任務(wù)的安排，組織學(xué)生圍繞學(xué)習(xí)主題展開討論，并及時對學(xué)生測驗、作業(yè)中存在的問題給予反饋，以有效促進(jìn)學(xué)生提高完成參與型任務(wù)的質(zhì)量；同時在對學(xué)生進(jìn)行學(xué)習(xí)效果綜合評價時，應(yīng)適當(dāng)增加參與型任務(wù)指標(biāo)的權(quán)重，并降低瀏覽型任務(wù)指標(biāo)的權(quán)重，以客觀真實地反映學(xué)生過程學(xué)習(xí)的效果。

基金項目：華南師范大學(xué)2020年校級“質(zhì)量工程”建設(shè)項目“課程思政背景下《項目管理》線上線下混合教學(xué)改革實踐探索”；2021年校級“質(zhì)量工程”建設(shè)項目“管理決策模擬綜合實驗教學(xué)中心”。

參考文獻(xiàn)

[1] 趙嵬，姚海瑩.后疫情時代大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)何以有效——基于網(wǎng)絡(luò)學(xué)習(xí)效能與學(xué)習(xí)行為關(guān)系的分析[J].高教論壇，2023（4）：23-27.

[2] 龔藝，劉波，譚明杰，等.遠(yuǎn)程教育中在線學(xué)習(xí)投入與學(xué)習(xí)績效關(guān)系的實證研究[J].成人教育，2018，38（6）：24-28.

[3] 趙呈領(lǐng)，李敏，疏鳳芳，等.在線學(xué)習(xí)者學(xué)習(xí)行為模式及其對學(xué)習(xí)成效的影響——基于網(wǎng)絡(luò)學(xué)習(xí)資源視角的實證研究[J].現(xiàn)代遠(yuǎn)距離教育，2019，184（4）：20-27.

[4] Robert L Peach，Sam F Greenbury，Iain G Johnston，et al.Understanding learner behaviour in online courses with Bayesian modelling and time"series characterization[J].Scientific Reports，2021，11（1）：2823-2823.

[5] 張思，高倩倩，馬鑫倩，等.私播課論壇中學(xué)習(xí)者會話行為建模研究[J].電化教育研究，2021，42（11）：63-68，106.

[6] 蔡旻君，唐睿，魏鈺.基于二維象限分析的大學(xué)生在線學(xué)習(xí)行為研究——以混合學(xué)習(xí)環(huán)境下的SPOC實踐為例[J].電化教育研究，2023，44（8）：49-56.

[7] 王學(xué)民.應(yīng)用多元統(tǒng)計分析（第六版）[M].上海：上海財經(jīng)大學(xué)出版社，2021.