遠程教育中在線學習投入與學習績效關系的實證研究

【摘要】提出了在線學習投入評估模型以及評估模型的具體度量指標，通過聚類K-means算法對國家開放大學樣本數據進行聚類分析，結果表明在線學習投入與學習績效的關系可以分為四種類型。在線學習投入與績效關系的分類，有利于了解學習者學習投入特征，為開展個性化學習提供支持服務，為學習者提高學習質量提供數據支持和參考依據。

【關鍵詞】在線學習投入；K-means算法；遠程教育；學習績效

【中圖分類號】G434【文獻標識碼】A【文章編號】1001-8794（2018）06-0024-05

【收稿日期】2017-10-31

【基金項目】全國教育科學“十三五”規劃2016年度教育部重點課題“基于大數據分析技術的開放大學教育決策支持系統研究與構建”，課題批準號為DCA160258

【作者簡介】龔藝（1979—），女，貴州織金人，碩士，工程師，研究方向為大數據分析。一、前言

遠程教育是發展多樣化、終身化和開放式繼續教育的重要形式，為促進教育公平發揮了重要的作用?，F代遠程教育將信息技術與教育相結合，為學習者提供不受時間、空間限制的學習條件，在線學習成為了現代遠程教育的重要手段。隨著在線學習的不斷發展，在線學習投入作為評估在線學習質量的重要指標之一，成為在線學習研究的熱點和趨勢。[1]

1930年，教育心理學家泰勒（Tyler）第一次使用“學生投入”概念，將其界定為“用于任務的時間”，描述學生花費多少時間用于他們的學業，以及對學業產生的影響。[2]國內外眾多研究表明，學生學習投入對學習績效產生正向影響。[3]在線學習中，學習者的學習投入對學習質量具有顯著的影響。[4]在遠程教育中，學習者在線投入與學習績效的關系是否是正向影響？遠程教育中學習者在線學習投入是否存在不同的類型，是否存在在線學習投入與學習績效非正向的關系？是否存在評估學習者的學習投入特征，根據其特征及時給予個性化學習支持服務的可能？基于以上疑問，本文將重點探索遠程教育中在線學習投入與學習績效的關系，并對在線學習投入與學習績效的關系類型進行分類，為在線學習投入類型評估奠定基礎。

二、在線學習投入評估的關鍵因素

學習投入是學習者在學習中表現出的對學習的一種持續的、充滿積極情感的狀態，它以活力、奉獻和專注力為主要特征。[5]如何科學全面地評估學習投入，特別是遠程教育在線學習投入，目前國內外有一些相對較為成熟的學習投入評價方法，如美國印第安納大學在科茨（Coates）學習投入五維框架的理論基礎上，提出了全國大學生學習投入調查（the National Survey of Student Engagement，簡稱NSSE），該調查問卷主要以學術型挑戰、主動合作學習、師生互動、豐富教育經驗以及校園環境支持五個維度共42個基準問題為依據編制項目，[6]NSSE成為北美及許多國家高校學生學習投入調查問卷的主要參考。弗雷德里克斯（Fredricks）提出了學習投入是行為、情感和認知三個維度的有意義結合，孫和盧埃達（Sun & Rueda）在Fredricks投入量表的基礎上，根據遠程學習的特征編制了“遠程學習投入量表”（Stuedent Engagement in Distance Education，簡稱SEDE），其中包括行為投入、認知投入和情感投入三個部分共15道題。迪克森（Dixson）編制了在線投入量表（Online Student Engagement Survey，簡稱OSES），其量表包括技能、情感、參與和績效四個維度。李爽等對學習行為投入進行了大量研究，并將其歸為參與、堅持、專注、交互、學術挑戰、自我監控六類。[7]

大量學習投入量表的研究為本文提供了重要的參考，然而大部分的學習投入評測量表中主要針對非遠程教育學校學生，測量指標多來自問卷調查、教師反饋等方面。在遠程教育實踐中發現，問卷調查獲得遠程學習者支持度不高，獲取學生的在線學習行為數據則更為實際有效，因此，本文擬通過收集在線學習的學習行為數據，并通過對學習行為數據的分析，從參與、專注、交互三個維度制定遠程教育在線學習投入量表，構建遠程教育在線學習投入模型如表1所示。

模型中的“參與”指學習者投入在線學習的時間和精力，訪問在線學習平臺中的視頻、文本等的數量，等等?！皩Ｗⅰ笔侵笇W習者在學習過程中投入的深度，主要包括每次學習的保持時間、錯題的重復學習次數、作業的完成次數、完成質量等。“交互”則是學習者在線學習過程中與教師及其他學習者交流的情況，從交流互動的頻率、質量可以判斷學習者的學習熱情，反應學習者在線學習的投入情況。

在實際的數據采集中，需要選取真實體現上述三個維度的學習投入度量指標值，本文采用了出勤周數、出勤天數以及資源瀏覽行為次數作為學習者“參與”情況的度量值，出勤周數的選擇比出勤天數更準確地描述了學習者的學習時間跨度范圍，因此出勤周數和出勤天數的結合可以更加完整地體現學習者的時間投入程度。“專注”的度量中選擇作業完成個數體現學習者對學習的深入程度，作業模塊的使用頻次一定程度上表明了學習者完成作業的堅持度和專注度。“交互”在遠程教育的學習中主要體現了學習者與教師在論壇中的交互過程，因此，選擇了學習者發帖的數量，發主帖的數量，體現了學習者通過論壇與教師及其他學習者發生互動交流的情況。

三、研究設計與分析

（一）樣本數據

本文實踐案例選取國家開放大學在線學習平臺作為研究對象，國家開放大學是以現代信息技術為支撐實施遠程開放教育的高等學校。本文選取的研究數據來源于國家開放大學2017年春8 822名學員在線學習課程的學習行為數據。

（二）研究思路與方法

根據上述對在線學習投入評估的研究，以本文中定義的在線學習投入模型度量為標準進行數據采集，以作為衡量在線學習投入的數據基礎。學習績效是學習者運用新獲得的知識與技能的能力，它不僅僅指基本知識與基本技能的習得，而且還包括靈活運用它們的能力。[8]學習績效是衡量學習者學習成果的指標，也是教學質量評估最主要的項目之一。[9]雖然學習成績不是學習績效的全部內涵，但是學習成績作為學生學習過程的他評部分，一種量化結果，具有客觀性、綜合性的特點。[10]本文采用學習者的終結性考試成績作為學習績效的度量數據。

基于上述在線學習投入度量數據和學習績效度量數據，利用數據挖掘的方法，對數據進行分析，探索在線學習投入與學習績效之間的關系，嘗試理清學習者在線學習投入類型。

數據挖掘是通過仔細分析大量數據來揭示有意義的新的關系、趨勢和模式的過程。[11]常見的數據挖掘數據分析方法主要有分類、回歸分析、聚類、關聯規則、偏差分析等。其中聚類分析的目的是把大量數據點的集合分成若干類，使得每個類的數據之間最大程度地相似，不同類中的數據最大程度地不同。[12]聚類分析處理的數據對象的類是未知的。[13]本文的目的是探索在線學習投入與學習績效是否呈正向影響的關系，通過對數據挖掘并以各類方法研究、實踐和比較，認為聚類分析的算法特點適用于本文研究，最終選擇聚類分析方法探索在線學習投入與學習績效之間關系，并選擇了K-means算法作為主要聚類算法。

本文采用的實驗工具為R語言，R語言是一種基于統計、運算和繪圖的數據處理方式，能夠較為理想地進行大數據處理工作。[14]R語言通過加載fpc包實現K-means算法等聚類分析功能。

（三）數據分析過程與結果分析

運用K-means聚類算法對在線學習投入與學習績效數據進行聚類分析，并對聚類的結果數據進行相關性分析。具體過程和結果分析描述如下：

1數據轉換

根據本文中選擇的在線學習投入模型，采集的數據主要包括出勤周數、出勤天數、資源瀏覽行為總次數、作業模塊使用頻次、作業完成個數、論壇發帖總數、論壇發主帖數以及學習者終結性考試成績。

其中，n表示樣本總數，假設樣本i被聚到c類，nc表示c類中的樣本數，Cc表示c類樣本集合，p表示非c類的各個類，np表示非c類的各個類的樣本數，Cp表示非c類的各個類的樣本集合，公式（4）中j表示同屬于c類的其他樣本，公式（5）中j表示樣本中非c類的其他樣本，d（i，j）表示樣本i與j之間的距離。a（i）表示樣本i和同屬于c類的其他所有樣本之間的平均距離，用于量化類內部的凝聚度，b（i）表示樣本i和非c類的各個類中所有樣本的平均距離的最小值，用于量化類之間分離度。si表示樣本i的個體輪廓系數，S表示輪廓系數計算樣本中所有點個體輪廓系數的平均值。[16]

本文中將K值設置為2到8，測試K值為多少時取得最高的輪廓系數。由于K-means算法有一定隨機性，因此每個K值重復30次，取30次平均輪廓系數作為評價標準，得到如下圖所示輪廓系數與K值的關系圖：

如圖1，當K取4時， 取得最大的輪廓系數， 因此在本樣本數據的聚類分析中，將聚類的簇個數指定為4。

3聚類結果

通過輪廓系數的分析，采用K-means聚類算法，聚類值選擇4，經過多次反復測試，取誤差平方和SSE值局部最小，聚類實驗結果如圖2所示。具體的分類數據情況如表2。

4聚類結果相關性分析

通過對1—4類數據進行相關性分析，分析結果如表3所示，各聚類中學習成績和學習投入各因素數據轉換值總和的相關性顯著水平在0.02以內，其中1類和3類，相關系數為正值，學習成績與學習投入呈正相關關系，2類和4類中，相關系數為負值，學習成績與學習投入成負相關關系。

實驗將學習者在線學習行為數據與學習者終結性考試成績相結合，利用K-means算法進行聚類分析，根據上述聚類結果，學習者的在線學習投入與學習績效之間并非完全成正向關系，通過對每類中學習者出勤時間、資源瀏覽數量、作業完成量、論壇活躍程度等結合其終結性考試成績分析，將1至4類分別描述為低投入低績效者、低投入高績效者、高投入高績效者、高投入低績效者，其數量占比如圖3所示。

在線學習投入與學習績效成正向關系的類型為低投入低績效型和高投入高績效型，占總量的60.7%，在線投入與學習績效不構成正向關系的類型為低投入高績效型和高投入低績效型，占總量的39.3%。

四、討論與建議

本文對遠程教育學習者在線學習投入與學習績效的聚類分析中，發現只有大約60%的學習者在線學習投入與學習績效成正向關系。有約40%的學習者在線投入并未與學習績效成正向影響。

對于低投入高績效型而言，學習者在線投入較低而終結性考試成績卻較高，其原因可能有兩種：第一種情況是學習者可能并不習慣于在線學習的方式，學習途徑主要采取紙質書籍、面授課堂、線下與教師溝通等非在線學習的方式，學習者的學習投入并不完全體現在本文所采集的在線學習行為數據中；第二種情況可能是由于學習者只重視終結性考試成績，平時并未認真投入到在線學習中。對于高投入低績效型，學習者在線投入較高而終結性考試成績卻很低，其原因可能是由于學習者對于在線投入的學習只是為了完成遠程學院要求的在線學習點擊量，然而并未真實投入時間學習，也有可能是學習者學習基礎差，學習方法不當等原因，學習投入較多也未能實現較高的學習績效。對于這兩類在線投入與學習績效非正向關系的類型，應及時獲取這兩類學習者相關信息，采取面談、問卷調查等方式更深入地了解學習者的具體情況，采取有針對性的個性化學習支持服務。對于低投入低績效型，學習者可能對學習缺乏激情和動力，學校應采取相應的措施提升學習者的參與度和熱情。對于高投入高績效型，學習者的學習狀態良好，學校應該給予獎勵和支持。

對遠程教育中在線學習投入與學習績效類型的分類，分辨出在線學習者的學習投入不同類型，深入了解出學習者的學習狀態，為個性化學習支持服務的開展提供數據支持和參考依據，為管理者和教師提供學習者學習狀態概貌，為學習者在學習過程中提供量身定做的學習支持服務奠定基礎。

本文仍然存在許多局限，主要包括本文學習績效的評價數據僅來源于終結性考試成績，對于全面體現學習者的學習績效尚不完善。學習者在線學習投入評估數據采集尚不全面，例如學習者每次登錄持續時長、瀏覽課程資源的完整度、論壇發帖內容與課程關聯性、作業錯題嘗試次數等等，由于與在線學習平臺軟件開發密切相關，作者權限和能力有限尚無法采集。應把更多的數據挖掘分析技術應用到研究中來。在今后的研究中，將進一步擴展學習績效數據和在線學習投入數據的采集，更深地挖掘分析遠程教育中學習者在線學習投入類型，為實時了解學習者狀態，及時采取有效措施進行干預和幫助，開展個性化學習支持服務提供數據依據。

【參考文獻】

[1]尹睿，徐歡云.在線學習投入結構模型構建：基于結構方程模型的實證分析[J].開放教育研究，2017（4）：101—111.

[2]楊院.以學習投入為中介：學生學習信念影響學習收獲的機制探究：以“985高?！北究粕鸀槔姆治鯷J].高教探索，2016（3）：75—78.

[3]Ernest T.Pascarella， Tricia A.Seifert， Charles Blaich. How Effective Are the NSSE Benchmarks in Predicting Important Educational Outcomes？[J].Change the Magazine of Higher Learning， 2010，42（1）：16—22.

[4]張思等.網絡學習空間中學習者學習投入的研究：網絡學習行為大數據分析[J].中國電化教育，2017（4）：24—30.

[5]高潔，李明軍，等.主動性人格與網絡學習投入的關系：自我決定動機理論的視角[J].電化教育研究，2015（8）：18—22.

[6]李爽，等.遠程學生學習投入評價量表編制與應用[J].開放教育研究，2015，21（6）：62—70.

[7]李爽，王增賢，等.在線學習行為投入分析框架與測量指標研究[J].開放教育研究，2017，22（2）：80—88.

[8]衷克定，梁玉娟.網絡學習社區結構特征及其學習績效關系研究[J].開放教育研究，2006，12（6）：69—73.

[9]鄭勤華，曹莉，等.遠程學習者學習績效影響因素研究[J].開放教育研究，2013（6）：88—94.

[10]王季，余心根，等.遠程教育學生學校歸屬感對學習績效的影響實證研究[J].現代教育技術，2013，23（3）：81—86.

[11]王光宏，蔣平.數據挖掘綜述[J].同濟大學學報，2004，32（2）：246—252.

[12]賀玲，吳玲達，等.數據挖掘中的聚類算法綜述[J].計算機應用研究，2007（1）：10—12.

[13]鄒志文，朱金偉.數據挖掘算法研究與綜述[J].計算機工程與設計，2005，26（9）：2304—2307.

[14]宋均，等.基于云計算的海量數據處理平臺設計與實現[J].電訊技術，2012，52（4）：566—570.

[15][16]張靖，段富.優化初始聚類中心的改進K-means算法[J].計算機工程與設計，2013，34（5）：1691—1699.

【Abstract】This paper puts forward an online learning engagement evaluation model and specific metrics of the evaluation model. From the cluster analysis of sample data of National Open University by clustering K-means algorithm， the results show that the relationship of online learning engagement and academic performance could be divided into four types. The classification of the relationship between online learning engagement and academic performance is helpful to underst and the learners online learning engagement characteristics. It provides support services for developing personalized learning and data support reference to improve learners learning quality.

【Key words】online learning engagement； K-means algorithm； distance education； academic performance

（編輯/樊霄鵬）