滯后序列分析法在學習行為分析中的應用 *

楊現民，王懷波，李冀紅

(江蘇師范大學 教育研究院，江蘇 徐州 221116)

滯后序列分析法在學習行為分析中的應用 *

楊現民，王懷波，李冀紅

(江蘇師范大學 教育研究院，江蘇 徐州 221116)

學習分析技術的出現為實現高階的個性化在線學習提供了新的解決思路。學習行為分析是學習分析的重要組成部分，通過對學習過程中記錄下來的相關行為數據進行有目的的分析，挖掘出隱藏在行為數據背后的有價值信息。該文從分析方法的角度切入探討學習行為分析，重點介紹滯后序列分析法(LSA)在學習行為分析中的具體應用思路和策略。LSA可以幫助研究者和教學者準確把握學習者潛在的行為模式，從行為視角闡釋技術增強學習效果的原因，同時有效指導后續教與學活動的設計與實施。LSA既可以分析外顯操作行為也可以分析內隱交互行為。實際應用中主要有三種策略，分別是分析整個活動過程的行為模式、分析不同階段行為模式以及分析高低成就組行為模式。

在線學習；學習分析；學習行為；行為模式；滯后序列分析法

一、引言

在線教育是互聯網與教育的結合，代表教育的未來。近來年，MOOCs浪潮在全球的涌動將在線教育推向了新的發展階段，引起政府、企業、教育機構以及社會大眾的關注和重視。較之傳統的課堂學習，在線學習可以突破時空限制，實現大范圍的學習資源共享，師生之間、生生之間、生機之間可以進行更加便捷的互動交流[1]，學生具有更強的自主性和選擇權，更容易實現個性化學習。

雖然在線學習具有上述諸多優勢，但其多年的發展并未取得理想的效果，在線學習的質量問題始終是其備受質疑的主要原因[2][3]。在線學習突出的優勢是個性化，而當前人們對于個性化的理解與要求還有待提升。學習者可以按興趣選擇學習材料、學習平臺與學習工具，僅僅是比較初級的個性化。如何對學習者的認知、行為與情感進行個性化的診斷和分析，并在此基礎上推薦適合學習者當前學習需求的學習內容、活動、工具、人際資源、學習服務以及學習路徑，是更高階的個性化，也是影響在線學習質量和發展前景的關鍵因素。

學習分析技術的出現為實現高階的個性化在線學習提供了新的解決途徑。新媒體聯盟發布的地平線報告連續四年(2011-2014)都將學習分析技術作為影響未來教育發展的六大關鍵技術之一。學習分析是指“通過測量、收集、分析和匯報學習者以及他們所處環境的數據，來理解和優化學習以及學習環境”[4]。目前，研究者已從學習走向預測[5]、學習效果診斷[6]、分析模型構建[7]等方面對學習分析進行了探索。學習分析包括行為分析、情感分析、知識結構分析、學習路徑分析等多個方面。Papamitsiou和Economides[8]對現有學習分析相關研究進行了聚類分析，發現大多數學習分析都是圍繞學習行為數據展開的，即學習行為分析。

總體而言，當前國內外學習行為分析研究雖然取得了一定的進展，但仍處于起步階段，還有很多現實問題亟待解決。本研究旨在從分析方法的角度切入探討學習行為分析，重點介紹滯后序列分析法在學習行為分析中的具體應用，以期為國內學者研究在線學習行為提供新的思路與方法。

二、滯后序列分析法(LSA)概述

1.LSA應用概況

滯后序列分析法(Lag Sequential Analysis，簡稱LSA)由Sackett于1978年提出[15]，主要用于檢驗人們發生一種行為之后另外一種行為出現的概率及其是否存在統計意義上的顯著性[16]。目前，LSA已被應用到電子商務領域的客戶行為偏好分析、醫療領域的患者行為分析與治療、游戲領域的玩家游戲行為分析等。

近年來，教育技術領域的研究者開始關注LSA，并將其用于學習行為分析研究。Hwang等人應用LSA對小學生在使用思維導圖工具學習地理課程知識時的行為特征進行了研究[17]；Jeong利用LSA分析了研究生在異步討論區中的小組交互行為模式[18]；Hou等人利用LSA提取了中小學生在角色扮演游戲中的操作行為序列[19]；Eryilmaz等人利用LSA分析了大學生在線社交互動中的知識建構行為[20]；Yang等人利用LSA比較了大學生在協同翻譯活動不同協作階段的知識建構行為模式[21]。

LSA在學習行為分析領域具有較好的應用前景，可以幫助研究者和教學者準確把握學習者潛在的行為模式，從行為視角闡釋技術增強學習效果的原因，同時有效指導后續教與學活動的設計與實施。

2.LSA分析軟件介紹——GSEQ

目前分析用戶行為的軟件主要有IBM公司的Intelligent Miner、SAS公司的Enterprise Miner等。這些軟件的功能雖然強大，但使用時往往比較復雜，需要一定的專業背景，難以被廣大研究者快速掌握。為了方便、有效地輔助行為數據處理，Bakeman和Quera合作研發了交互行為分析專用軟件GSEQ(General Sequential Querier)[22]。該軟件簡化了行為分析流程，提高了數據處理效率，也促進了LSA在各領域中的應用推廣。

應用GSEQ軟件分析在線學習行為序列模式的主要過程包括：(1)按GSEQ要求的格式輸入所有行為編碼(如圖1所示)；(2)系統編譯，生成MDS文件；(3)檢驗行為編碼的Kappa一致性(針對由多人完成的編碼)；(4)進行行為序列分析，得到行為轉換頻率表(如表1所示)和調整后殘差表(如下頁表2所示)；(5)根據調整后的殘差表篩選具有顯著意義的行為序列，并繪制行為轉換圖。

GSEQ操作過程中有一些注意事項。首先，要在Event中定義所有行為的代碼，未定義的代碼不能用于行為編碼。其次，要按照行為發生的先后順序進行編碼，并按照GSEQ的格式要求錄入控制窗口中。最后，進行序列分析時應選擇Run菜單下的Compute Table Stats功能，并勾選Adjusted Residual(z)。

對漢江中下游而言，中線調水帶來的直接不利影響是河道水量減少，水位下降，枯水期延長，中水期縮短。南水北調中線工程多年平均年調水量為95億m3，加上陜西引漢濟渭工程規劃近期從漢江調水10億m3，遠期調水15億m3，漢江中下游水量將分別減少至 246億 m3和 241億 m3，分別減少29.9%和31.3%。水文情勢的變化又將影響到生態環境、城鄉供水、農業灌溉、堤防安全以及漢江生物物種和漁業產量等諸多方面。

滯后序列分析會產生兩個重要的表格，分別是行為轉換頻率表和調整后的殘差表。表 1顯示了每種行為向其他行為轉換的頻率。列表示起始行為，行表示起始行為結束后隨即發生的行為。比如，第2行第3列的數字“98”表示ED行為發生后隨即發生IC的次數為98次。

圖1 GSEQ中行為序列編碼結果截圖

表1 行為轉換頻率表

續表1

表2為調整后的殘差表。根據滯后序列分析理論，如果Z-score＞1.96則表明該行為路徑具有顯著意義[23]。為了更直觀呈現用戶行為序列，需要根據具有顯著意義的行為數據繪制出行為轉換圖(如圖2所示)。圖中節點表示各種用戶行為，連線表示行為與行為之間的連接具有顯著意義，箭頭代表行為轉換的方向，線條的粗細表示行為連接的顯著水平，線條上的數據則是調整后的殘差值(Z-score)。

表2 調整后的殘差表(Z-scores)

圖2 行為轉換圖

三、基于LSA的學習行為分析流程

在線學習行為主要包括學生的外顯行為和內隱行為[24]。其中，外顯行為包括登錄系統、檢索信息、瀏覽網頁、點擊鏈接、下載資料、發表帖子等操作層面的行為，該類行為數據可以通過系統日志導出或者通過瀏覽器插件直接采集。內隱行為則包括討論、答疑、交流、評價等交互內容所折射出來的學生認知行為，該類行為數據需要依據一定的交互模型進行編碼，轉換為相應的認知行為。

應用LSA對上述兩種行為數據進行序列分析，可以幫助輔導教師掌握學生的行為偏好，分析學生交互深度以及知識加工情況，進而有針對性地進行教學干預與個性化的教學指導。此外，還可以幫助教學軟件與平臺開發者優化系統功能、布局、導航的設計，提高軟件工具和平臺的易用性和有用性。

1.LSA分析外顯操作行為模式

外顯操作行為包括一切記錄下來的操作層面的行為，該類信息的行為類型可由系統自動識別，無需人工編碼，進而保證行為編碼的準確性和可靠性。利用LSA探究外顯操作行為序列模式的主要流程(如圖3所示)包括：(1)確定具體的研究問題，研究問題的選擇將直接影響后續行為數據的選擇；(2)根據研究問題進行行為數據篩選，過濾掉不相關的噪音數據；(3)確定行為編碼框架，進行行為數據編碼；(4)將編好碼的行為數據錄入GSEQ，進行滯后序列分析；(5)根據GSEQ生成的調整后殘差表繪制行為轉換圖，解讀行為模式圖；(6)根據解讀出來的行為關系，回答研究問題。

LSA在外顯操作行為中的應用需要注意以下兩點：(1)行為日志數據往往比較混雜，因此需要進行數據過濾，僅提取和研究問題密切相關的行為數據。以Hou等人探究的游戲玩家角色扮演操作行為模式為例，該行為樣本包括戰斗、寵物、工具等在內的十種行為，而對于行為日志中自動獲取的登錄、退出等行為則進行了過濾與刪除。(2)選擇的行為類型不宜太多，過多的行為將使最后繪制出來的行為轉換圖非常復雜，難以清晰呈現行為模式。一般情況下，不建議超過10種行為。

圖3 LSA在外顯操作行為中的應用流程

2.LSA分析內隱交互行為模式

內隱交互行為往往通過學生留下的交互、討論、答疑、評價等內容反映出來。與外顯操作行為相比，內隱交互行為的分析流程增加了一個關鍵步驟(如圖4所示)，即信度檢測。由于內隱交互行為分析的對象是交互文本，因此需要進行精確的內容分析。一般而言，需要專業的編碼人員獨立完成編碼，并由其他專業人員抽取一定的數據量，對編碼結果進行一致性Kappa值檢驗。唯有信度可靠時，才可進行下一步操作，否則需要重新編碼直至信度檢測通過。

圖4 LSA在內隱交互行為中的應用流程

LSA在內隱交互行為中的應用除了需要注意行為數據的過濾之外，還應重點關注編碼框架的選擇以及編碼過程的規范性。編碼框架的選擇往往有三種途徑：一是直接引用現有編碼框架，這類編碼框架的選擇需要與當前研究主題完全吻合，常見的編碼框架包括Gunawardena的知識建構過程模型[25]、布魯姆的認知目標層次模型[26]等；二是改編現有框架，研究者需要根據研究問題對現有相關編碼框架進行適當調整；三是自編編碼框架，常常是研究者在找不到已有適合的編碼框架時設計的新編碼框架，此類編碼框架要經過嚴格的效度檢驗，并根據編碼結果進行適度調整，比如Sung等人[27]研究了兩種不同博物館指導系統下的行為差異，自編了博物館學習行為編碼框架。

應用LSA進行序列分析的過程中，無論采用何種編碼框架，均需保證編碼過程的規范性與編碼結果的可靠性。首先，要求編碼者熟悉編碼框架，如果有多位研究者進行編碼要進行相同的編碼培訓。其次，要進行預編碼，多位編碼者要對不一致的編碼結果進行協商，保證對編碼理解的一致性。最后，對于由一個人獨立完成的編碼，要隨機抽查一定數量的編碼結果(具體數量需要根據樣本量確定)，進行一致性檢驗。如果不滿足信度要求，則需要重新進行編碼。

四、基于LSA的學習行為分析案例

為了更加直觀地呈現LSA在上屬兩類學習行為分析中的應用情況，接下來以筆者所在團隊開展的兩項行為模式研究為例進行介紹。

1.協同知識創作過程中的用戶行為模式分析

該研究旨在探討學生生成內容(Studentgenerated Content)過程中的知識分享與創作行為模式。研究對象為49名三年級教育技術專業本科生，實驗環境為學習元平臺(http://lcell.bnu.edu.cn)，實驗課程為教育技術專業選修課《移動學習理論與實踐》。學生在教師的組織和指導下，以小組合作的方式開展了為期12周的協同內容編輯活動，動態生成一門質量可靠的網絡課程。

為了理解大學生在協同內容編輯活動中的知識創作與知識共享行為，研究者選擇了8種關鍵行為數據(如表3所示)。這些行為屬于外顯操作行為，可以從學習元平臺數據庫直接導出。

表3 用戶行為編碼表

研究者根據GSEQ生成的殘差表繪制了行為序列轉換圖(如圖5所示)。

圖5 行為轉換圖

從圖5中發現，在知識創生過程中，學習者傾向于在一定時間段內反復編輯內容(EC?EC,Z-score=23.00)；當學習者完成內容編輯后可能會邀請協作者共同編輯內容(EC?IC, Z-score=10.16)，然后對資源基本信息進行修改完善(IC?ED,Z-score=28.35)，或者再次進行內容編輯(IC?EC,Z-score=2.64)。在知識分享過程中，學生喜歡在修改資源基本信息后將其分享到其他社交網站或社區中(ED→SH, Z-score=10.09)。行為轉換圖還顯示出學習者喜歡在一定時間段內連續進行批注(AN?AN, Z-score=11.94)或發帖行為(PS→PS,Z-score=19.00)。

上述行為轉換圖也揭示出協同內容編輯活動中的一些潛在問題。比如，從知識內化的角度，發現有兩條重要的行為序列沒有出現：評論?編輯內容(CM?EC)和批注?編輯內容(PS?EC)。這表明當學生完成一定時間的討論交流后，他們不會根據交流過程中生成的建議和觀點對內容進行及時的修改完善。為此，研究者建議為了促進知識的內化與外化，需要通過一定的行為引導策略(如設置彈出信息框、提示用戶完善資源內容等)加強CM?EC和PS?EC行為序列出現的頻率。

2.協同翻譯過程中的知識建構行為模式分析

該研究旨在比較不同活動階段學生的知識建構行為，同樣依托學習元平臺開展，選取的實驗課程為《教育技術專業英語》，實驗對象為48名教育技術專業二年級學生。教師首先選擇若干篇專業的翻譯文章，分配給不同的小組，之后開始正式為期三周的協同翻譯活動。第一周組內協作，討論翻譯任務、翻譯各自負責的內容，并進行組內討論和修訂；第二周組間協作，各小組對其他小組翻譯的內容進行評論、提意見；第三周又回到組內協作，各小組根據其他小組的反饋，再次進行組內討論和修訂翻譯內容，形成最終的翻譯文本。

該研究分析的行為數據為內隱交互數據，主要包括4種交互行為產生的內容(評論、批注、發帖和編輯內容)。研究者選取了Gunawardena知識建構分析框架作為編碼體系(如表4所示)，該框架主要包括五個階段：分享/ 比較討論主題信息；發現和探索觀點間的不一致；進行意義協商和協同知識建構；測試和修訂協同建構的知識；應用新建構的知識。為了涵蓋所有交互文本，保證編碼結果的全面性，研究者增加了一項新的編碼，即P6(與協同翻譯活動無關的內容)。

表4 知識建構行為的編碼模型

續表4

該研究的編碼工作由兩名研究者協同完成。他們都熟悉Gunawardena知識建構分析框架，并進行了編碼前的協商。在編碼過程中首先由一名研究者對篩選出來的667條正式數據進行全部編碼。在編碼完成后再由另一名研究者隨機抽查350條編碼結果進行一致性檢驗。結果顯示Kappa一致性系數為0.774(P＜0.01)，表明此次數據編碼具有較好的可信性，可以進行滯后序列分析。

研究者根據GSEQ生成的殘差表繪制出三個階段的知識建構行為轉換圖(如圖6所示)。從中可以發現，第一周學生傾向于分享和比較翻譯內容(P1→P1)，當學生提出不一致的翻譯意見時，他們會反復協商與修改(P2→P2，P2→P3，P3→P3)。學生在翻譯過程中會從翻譯任務轉到與任務無關的閑聊中，然后再次轉回到翻譯任務中(P1→P6，P6→P1)。第二周學生會從與翻譯任務無關的閑聊轉到提出許多不同的翻譯觀點(P6→P2)，并進行持續的討論與協商(P3→P3)。在此階段主要以P2和P3行為為主，學生發現其他小組翻譯中不合理的地方，提供優化建議，并進行協商討論。相比前兩周，第三周行為序列較為單一(P3→P3，P6→P6)，學生在不斷地進行討論協商達成知識建構(P3→P3)的同時，也在談論與翻譯任務無關的話題(P6→P6)。

圖6 協同翻譯活動不同階段知識建構行為轉換圖

上述行為轉換圖也揭示出協同翻譯活動中的一些潛在問題。比如，相對于前兩階段，第三階段出現了P6→P6的行為序列。該行為路徑表明，當一個學生發布了一個與翻譯任務無關的話題時，常常會吸引一些學生參與到此類話題的討論中，影響學生的知識建構。針對這一現象的解釋是，當學生進入第三階段組內協商時，他們的翻譯任務已經基本完成。在這種情況下，學生往往會放松，花更多時間聊天。為了減少P6的頻率以及P6→P6行為序列的發生，教師應該提供一些額外的翻譯文章，讓學生在完成翻譯任務進行拓展學習。此外，P4和P5更高階的知識建構行為很少發生。后續教學中，教師可以對與翻譯活動無關的行為進行適當干預，提出一些激勵措施，激發學生對專業翻譯的興趣，促進學生對翻譯知識和能力的遷移運用。

五、基于LSA的學習行為分析策略

LSA可以輔助研究者和教師準確掌握學生的學習偏好與行為傾向，因此在在線學習領域有著很大的應用空間和發展前景。目前，國內外對LSA在學習行為分析中的應用主要集中在三個方面：通過LSA分析整個在線活動中的行為模式；利用LSA對比在線學習活動中不同階段行為模式的差異；應用LSA探究高低成就組在學習活動中行為模式的異同。

1.LSA分析整個活動過程行為模式

利用LSA分析整個學習活動過程的行為模式，是目前比較常見的應用策略。在以往技術增強學習的研究中，研究者往往關注某種技術工具的引入是否能夠提高學習成就、激發學習動機、改善學習態度等話題，進行的分析大都是對結果數據的統計分析，忽視了對整個學習過程中學習者的行為表現。基于LSA分析整個活動過程中學習者的行為模式，可以為學習結果變化的原因提供行為視角的解讀。這就好比打開了學習的“黑箱”，讓研究者和教師清晰地認識整個學習活動中學生群體的行為表現模式、操作習慣以及行為偏好。同時，也有助于從行為視角發現學習活動、學習模式、學習方法與策略在教學實踐中存在的缺陷，從而進行針對性的修正與完善。

2.LSA分析不同活動階段行為模式

教學實踐中的學習活動多種多樣，持續時間有長有短。對于探究式學習、問題解決式學習、基于項目的學習等活動而言，往往持續較長時間。為了更好地督促、指導學生順利完成整個學習活動，研究者和教師常會將整個活動劃分為不同階段(比如以天、周、月等為時間間隔)進行階段性評價。應用LSA分析掌握不同活動階段學生的行為模式，可以幫助教學者更好地掌握學生的階段性行為表現，診斷學習過程中影響學習效果的潛在問題，從而為改進教學模式、調整教學策略提供科學的依據。

此外，還可以應用LSA對不同活動階段學習者行為模式進行比較，以發現不同階段之間的內在行為聯系，更全面地勾勒學習者在整個活動過程中的行為發展路徑。以筆者所在團隊進行的協同翻譯過程中的知識建構行為研究為例，該研究發現不同協作學習階段，學生的行為模式存在著明顯差異，比如在第二階段存在著較多的協商行為，而在第三階段發現了嚴重的閑談行為，這就為后續相似學習活動的開展提供了經驗，教師可以針對性地調整教學策略更好地促進學生在協同翻譯過程中的知識建構。

3.LSA分析高低成就組行為模式

當前國內外技術增強學習研究領域，學習成績是受關注的核心變量。研究者們往往通過前、后測來獲取學習者學習活動前后的成績變化數據，同時將技術因素與興趣、態度、動機等變量進行綜合交叉分析，以判定不同組別學生成績存在顯著差異的主要原因。學習是一個復雜的過程，受多種內部和外部因素的影響。當前研究大都忽視了行為變量的作用，缺少從學習行為視角剖析技術促進學生發展的原因。

應用LSA比較不同成就水平的學生在行為模式上的差異，可以更好地解釋技術工具介入下的教與學為何能對學生的成績產生不同程度的影響。高水平組的學生是否在某種或某些行為上更占據優勢，發生的頻率更高？是否某種或某些有益于促進學習的行為轉換序列更顯著、更頻繁？……這些問題都可以通過基于LSA的行為模式分析得到答案。高低組學生不同的行為模式差異可能是導致成就不同的關鍵所在。此外，高低成就組行為模式的差異還可以與動機、興趣、態度等變量進行交叉分析，探討外在行為與內在情感、認知之間的關聯關系，從而更加全面、準確地把握技術促進學習的內在機理。

除了上述三種應用策略外，LSA還可以用于比較分析性別、年齡、學習風格等個性特征對學習者行為表現的影響；還可以用于以學習者個體為中心的行為發展研究，持續采集不同階段某學習者的學習過程數據，進行深度的縱向行為發展分析，以了解學習者個體行為發展的特征、優勢與不足，從而進行針對性的個性化行為矯正。LSA不僅可以用于在線學習行為的分析，也可以應用于傳統課堂師生交互行為分析以及學習者的個性化非正式學習行為分析(比如參觀博物館、圖書館學習等)。隨著混合式學習的發展，線上數據與線下數據需要相結合，才能更全面地勾勒學生的學習行為模式。線上行為分析與線下行為分析的主要區別在于，線上的行為數據更便于采集、編碼和分析。對于線下數據的采集可以采用視頻錄播技術以及不斷發展的可穿戴式技術，但其編碼往往需要大量的人工操作，因此難以做到實時分析結果，給予學生和教師及時反饋。

六、總結

LSA用于學習行為分析，既為驗證新技術工具、新模式、新方法與新策略的有效性提供了新的分析方法，又為解釋技術增強學習研究領域學生學習成績的變化提供了新的視角，同時也為教師進行更具針對性的個性化教學輔導提供了新的依據。利用LSA從行為視角分析在線學習，相當于打開了學習的“黑箱”，使得整個學習過程從黑暗走向透明，有助于增強研究者對學習過程與機理的理解。然而，LSA在學習行為分析應用中并不是萬能的。研究過程中，LSA一般要和其他方法配合使用(比如問卷、測試、訪談等)，以便從多角度解讀學習過程，分析研究結果。此外，LSA的應用還需要考慮具體研究問題，比如對于一些模式化的固定流程的學習活動，則不使用采用LSA，因為此類活動本身就是模式化的，有著規定好的行為模式。

[1] 楊現民.信息時代智慧教育的內涵與特征[J].中國電化教育,2014,(1):29-34.

[2] 陳琳.高校課程立體學習資源建設研究——促進學習方式轉變的視角[J].中國電化教育,2013,(11):95-97.

[3] 李小剛,馬德俊.我國大學視頻公開課建設中的問題及其對策[J].現代教育技術,2012, (7):11-16.

[4] Siemens G, Long P. Penetrating the fog: Analytics in learning and education[J]. Educause Review, 2011, 46(5): 30-32.

[5] Agudo-Peregrina, á. F., Iglesias-Pradas, S., Conde-González, M.á., & Hernández-García, á. Can we predict success from log data in VLEs? Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning[J]. Computers in human behavior, 2014, (31): 542-550.

[6] Mckay T., Miller K., Tritz J. What to do with actionable intelligence:E2Coach as an intervention engine [DB/OL]. http://dl.acm.org/citation.cfm?id=2330627, 2014-08-14.

[7] 魏順平. 在線教育管理者視角下的學習分析——在線教學績效評估模式構建與應用[J]. 現代教育技術, 2014, 24(9): 79-85.

[8] Papamitsiou Z., Economides A. A. Learning analytics and educational data mining in practice: a systematic literature review of empirical evidence[J]. Educational Technology & Society, 2014, 17 (4): 49-64.

[9] 胡藝齡, 顧小清, 趙春.在線學習行為分析建模及挖掘[DB/OL].http://www.doc88.com/p-6992150415764.html, 2015-06-03.

[10] 郁曉華,顧小清.學習活動流:一個學習分析的行為模型[DB/OL].http://www.doc88.com/p-3187112904862.html, 2015-07-01.

[11] 曾祥躍,袁松鶴.遠程學習者網絡學習行為的調查與分析[J].中國遠程教育, 2008, (7): 47-51.

[12]彭文輝,楊宗凱,黃克斌. 網絡學習行為分析及其模型研究[J].中國電化教育, 2006, (10):31-35.

[13]彭文輝,楊宗凱,劉清堂. 網絡學習行為系統概念模型構建研究[J].中國電化教育, 2013, (9):39-46.

[14]魏順平.學習分析技術,挖掘大數據時代下教育數據的價值[J].現代教育技術,2013,(2): 5-11.

[15] Sackett, G. P. (Ed.). Observing Behavior: Theory and applications in mental retardation (Vol. 1)[M]. Baltimore: University Park Press, 1978.

[16] Bakeman R. Observing interaction: An introduction to sequential analysis[M]. Cambridge: Cambridge university press, 1997.

[17] Lai C. L., Hwang G. J. A spreadsheet-based visualized Mindtool for improving students’ learning performance in identifying relationships between numerical variables[J]. Interactive Learning Environments,2015, 23(2): 230-249.

[18] Jeong, A. C. The sequential analysis of group interaction and critical thinking in online[J]. The American Journal of Distance Education,2003, 17(1): 25-43.

[19] Hou, H. T. Exploring the behavioral patterns of learners in an educational massively multiple online role-playing game (MMORPG)[J]. Computers &Education, 2012, 58(4): 1225-1233.

[20] Eryilmaz, E., van der Pol, J., Ryan, T., Clark, P. M., & Mary, J.Enhancing student knowledge acquisition from online learning conversations[J]. International Journal of Computer-Supported Collaborative Learning, 2013, 8(1): 113-144.

[21] Yang X. M., Li J. H., Guo X. S. Group interactive network and behavioral patterns in online English-to-Chinese cooperative translation activity[J]. The Internet and Higher Education, 2015, (25):28-36.

[22] Bakeman R., Quera V. Analyzing interaction: Sequential analysis with SDIS and GSEQ[M]. Cambridge: Cambridge University Press,1995.

[23] Bakeman R. Observing interaction: An introduction to sequential analysis[M]. Cambridge: Cambridge university press, 1997.

[24]祝智庭,賀斌.智慧教育:教育信息化的新境界[J].電化教育研究,2012,(12):5-13.

[25] Gunawardena, C., Lowe, C., & Anderson, T. Analysis of global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research, 1997,17(4): 397-431.

[26] Bloom, B. S. Taxonomy of educational objectives[M]. New York:McKay, 1956.

[27] Sung, Y.-T., Hou, H.-T., Liu, C.-K., & Chang, K.-E. Mobile guide system using problem-solving strategy for museum learning:a sequential learning behavioural pattern analysis[J]. Journal of Computer Assisted Learning, 2010, 26(2): 106-115.

The Application of Lag Sequential Analysis Method in Analyzing Learning Behavior

Yang Xianmin, Wang Huaibo, Li Jihong
(Institute of Education, Jiangsu Normal University, Xuzhou Jiangsu 221116)

Learning analytics provides a new way to improve the quality of online learning and achieve higher levels of personalized learning. Learning behavior analysis is an important part of learning analytics. It aims to find out valuable information hiding behind the behavior data recorded in the learning process. This study aims to explore the applications and strategies of lag sequential analysis(LSA) in the learning behavior analysis. LSA can help researchers and instructors understand the learner’s potential behavior patterns more accurately, and explain why technology can enhance learning effect from the perspective of behavior. The result of LSA can effectively guide the design and implementation of the following teaching and learning activities. LSA can not only analyze the explicit operational behaviors but also the implicit interaction behavior. In practice, there are mainly three strategies, including analyzing behavioral patterns in the whole activity, analyzing behavioral patterns in different phases, and analyzing behavioral patterns between the high- and low-achievement groups.

Online Learning; Learning Analytics; Learning Behavior; Behavioral Pattern; Lag Sequential Analysis

G434

：A

楊現民：博士，副教授，碩士生導師，研究方向為泛在學習、知識進化、智慧教育、技術增強學習(yangxianmin8888@163.com)。

王懷波：在讀碩士，研究方向為學習分析技術(15252082012@163.com)。

李冀紅：在讀碩士，研究方向為技術增強學習(lovegreenhong@yeah.net)。

2015年12月5日

責任編輯：李馨 趙云建

1006—9860(2016)02—0017—07

* 本文受江蘇師范大學研究生科研創新計劃項目“在線學習行為分析模型構建及其促進策略研究”(項目編號：2014YYB104)、江蘇高校優勢學科建設工程資助項目“江蘇師范大學教育學省優勢學科建設”(蘇政辦發[2014]37)、“移動學習”教育部—中國移動聯合實驗室開放基金資助(項目編號：MLLAB-MOE-CMCC-BNU-OFUND-2013-001)資助。