基于ISM的在線學習參與度影響因素模型研究

摘 ?要： 學習參與度不高是導致在線學習輟學率高和結業率低的重要原因，探究在線學習參與度影響因素對提高在線學習質量具有重大價值。首先采用文獻分析法和訪談研究法確定在線學習參與度的18個影響因素。然后分析各因素之間的邏輯關系，建立鄰接矩陣，計算可達矩陣，通過層級分解，繪制在線學習參與度影響因素的結構模型。研究發現，學習動機、學習氛圍是影響在線學習參與度的直接原因;知識呈現方式、平臺易用性、課程難度、課程時長以及活動安排是最基礎因素;其余因素作為間接因素發揮作用。最后，嘗試提出改善在線學習參與度的建議，以期為后續在線課程建設提供新思路。

關鍵詞： 在線學習;學習參與度;影響因素;ISM

中圖分類號： G434 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.034

本文著錄格式：胡凡迪，張大為. 基于ISM的在線學習參與度影響因素模型研究[J]. 軟件，2019，40（12）：153157

Research on Influencing Factors Model of Online Learning Participation Based on ISM

HU Fan-di， ZHANG Da-wei

（Liaoning Normal University， College of Computer and Information Technology， Dalian 116000， China）

【Abstract】： Low participation rate is an important reason for the high dropout rate and low completion rate of online learning. It is of great value to explore the influencing factors of online learning participation to improve the quality of online learning. Firstly， literature analysis and interview research were used to determine 18 influencing factors of online learning participation. Then， analyze the logical relations among the factors， establish the adjacency matrix， calculate the accessible matrix， and draw the structure model through hierarchical decomposition. Finally， some Suggestions are proposed to improve the participation of online learning in order to provide new ideas for the construction of online courses.

【Key words】： Online learning; Learning participation; Influencing factors; ISM

0 ?引言

在教育信息化時代背景下，在線學習已成為教育領域中重要的學習方式。盡管在線課程學生注冊數量龐大，但實際參與以及持續學習的人數并未顯著增加[1]。輟學率高、結業率低、難以深入學習的現象嚴重影響在線學習效用，導致優質資源浪費。如何促使學習者積極投入課程，使在線學習的優勢得以真正發揮成為在線教育領域中迫在眉睫的問題。

學習者主動參與是在線學習發生的必要條件，參與度的高低成為在線學習有效性的顯著標志。參與度研究的代表人物Astin，A.W表明，學生參與不僅有助于提高教學質量，增強教學的社會性，同時可以讓課堂充滿活力，使學生真正成為教學的主人[2]。因此提高學生的學習參與度成為在線課程中實現高質量教學的一個重要切入點。然而在線學習環境下，哪些因素直接影響在線學習參與度以及如何厘清在線學習參與度影響因素之間的結構關系成為提高在線學習參與度的關鍵所在。為此，本文結合我國在線課程發展的實際情況，以某高校學生作為研究對象，將繁雜的在線學習參與度影響因素通過解釋結構模型法（ISM）逐步形成具有良好結構關系的層級模型，以此了解影響在線學習參與度的關鍵因素與各要素之間的層級結構，對后續在線課程的建設與發展、學生提高學習成績以及在線學習質量具有舉足輕重的意義。

1 ?在線學習參與度影響因素文獻回溯

眾多研究者對在線學習參與度影響因素做了大量探索。從學習者基本信息的角度出發，文書鋒等人認為不同性別、專業、學齡、學習層次、年齡的學生群體在學習參與度上存在差異[3]。在學習者與學習者之間的交互層面，朱文輝、靳玉樂結合兩輪的行動研究得出網絡化合作活動學習顯著提升了學員在線學習參與度，保障了學員在分散學習期間的學習時間和學習質量[4];沈欣憶和Daniel Hickey等人研究得出基于知識情境化理論和同伴評價的方式，認為認可作業、同伴推薦、提出問題以及支持在線討論區等因素會影響學習者的在線參與度[5]。Tucker等人在師生之間的關系方面對參與度進行研究，認為教師的態度、師生關系等都對學習參與度產生顯著的影響[6]。Chi-Cheng Chang等人在課程層面認為不同程度的學習者參與對課程體系建設的影響是不同的，其中重點強調系統質量和在線交互是低參與率和高參與率之間存在差異的重要因素。針對參與在線學習的高輟學率、低結業率等問題進行研究，Freitas S I、Hone K S、LittleJohn A等人發現內容設計、學習動機、師生交互、學習反饋是影響學生參與和持續學習的關鍵因素[7-10];牟智佳采用多元回歸分析法研究得出教師支持、教師反饋、課程內容、課程結構、感知有用和內在動機對提高MOOC學習參與度具有重要意義[11]。Selma Vonderwell和Sajit Zacharia研究表明網絡學習參與和參與模式受技術、界面特征、內容領域體驗、學生角色、學習風格、教學任務、信息過載等因素的影響，通過密切監控學生的參與度與參與模式，可以幫助教師識別學生的需求[12]。劉斌等人從學校、課程、學習者和教師四個方面對在線學習參與度進行分析，研究認為政策與規定、學校支持、平臺的功能設計、課程規模、課程要求、評價方式、學習風格、信息素養、教學設計、教學方法等因素對在線學習參與度具有重要影響[13]。

以上研究從不同角度探索了在線學習參與度影響因素，但對多個層面、多個因素之間的系統分析以及相互影響關系程度的研究并為提及。為此，本文通過繪制在線學習參與度影響因素的解釋結構模型，對各要素的系統結構進行深入研究。

2 ?在線學習參與度影響因素解釋結構模型建構

解釋結構模型法最早由美國J·華費爾特教授在1973年提出[14]，是復雜網絡的一種建模方法。它通過把復雜系統分解為若干子系統或多種要素，運用人類的實踐知識與經驗，從關系模型→鄰接矩陣→可達矩陣→層級分級→建立解釋結構模型等步驟分析各要素之間的關系以及在系統中發揮的作用。

2.1 ?確定要素

根據國內外有關文獻的分析與總結，從中歸納出了在線學習參與度影響因素，這些因素主要集中在學生、教師、課程以及技術四個維度，并且每個維度又包括若干個因素。為確保這些因素的準確性和全面性，抽取115名參與過在線課程的學生進行訪談。將訪談問題以試卷的形式下發給受訪者，重點征詢的問題為你是否同意已給因素對你的學習參與度造成影響和你還認為哪些因素對你在線學習參與度造成影響。結合訪談對象的回答對已有的因素進行匯總與修改，共獲得20個影響因素，得出的訪談數據結果如圖1所示。

圖1 ?在線學習參與度影響因素認同感分布

Fig.1 ?the distribution of identity of factors

influencing online learning participation

根據訪談結果顯示，115名學生中認同“教學質量”的人數占26.9%，認同“課程論壇”的人數占18.2%，這兩個因素的同意人數不到調查總數的1/2。因此將“教學質量”、“課程論壇”刪除，不作為在線參與度的影響因素，最終確定18個影響因素如表1所示。

2.2 ?建立鄰接矩陣和計算可達矩陣

根據文獻研究以及對在線課程學習者的調查分析初步確定在線學習參與度影響因素之間的邏輯關系。然后邀請專家小組對影響因素關系進行分析與校對，經過兩輪的修改，直至達成一致意見，確定在線學習參與度影響因素之間的關系，將已確定的

表1 ?在線學習參與度的影響因素

Tab.1 ?Factors Influencing online learning participation

維度 影響因素S 因素描述 來源

學習者 學習動機S1 學習本節課程的興趣、愛好、意愿等 ShinYiL（2015）

學習風格S2 學習者特有的學習方法，學習策略等 HoneK S（2016）

學習興趣S3 學習者個人對學習課程與內容是否感興趣 分析/訪談

自我效能感S4 學生對自身高質量完成本節課的自信程度 顧小清（2016）

同伴互動S5 學生之間的交流討論，合作分享等活動 汪雅霜（2013）

感知有用S6 學生主觀認為在線學習能幫助提升學習 牟智佳（2017）

教師 活動安排S7 教師對課程的安排，如：主題討論、互評等 分析/訪談

教學技能S8 教學方法，對教學內容的掌握情況等 SajitZachari（2005）

教師反饋S9 解決學習者的問題并對近期學業做出總結 LittleJohnA（2016）

師生互動S10 教師與學習者的在線交流互動情況 FreitasSI（2015）

課程 課程便捷性S11 在線課程隨時空的改變而做出彈性的調整 分析/訪談

課程難度S12 課程內容有否有難度，是否具有普適性 分析/訪談

知識呈現方式S13 資源以視頻圖片等形式呈會影響學生興趣 李明輝（2010）

課程時長S14 在線課程時間長短適合學習者學習 分析/訪談

在線激勵機制S15 對優秀的學生給予證書積分等形式的獎勵 張薔（2011）

評價機制S16 課程作業，階段性及期末考試等 沈欣憶（2015）

技術 平臺易用性S17 平臺是否支持在線討論區域等支持學習服務功能. Selma（2005）

學習氛圍S18 在線學習環境的學習氛圍是否優越 Simona（2013）

邏輯關系將其轉換成鄰接矩陣A。通常鄰接矩陣表達方式為：若要素與要素之間有關系，取值為1，反之則為0。最終確定在線學習參與度的鄰接矩陣A如下所示。

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0

1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 1 0 1 1 1 0 0 0 0 0 1 0 1

0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 1 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

鄰接矩陣僅反應各要素的直接影響關系，為了解析各要素之間的層級關系，需求算鄰接矩陣A的可達矩陣R。計算方法為：原始矩陣A加單位矩陣I，即對角線都加上1得到相乘矩陣，對相乘矩陣連乘直到矩陣不發生變化時，即可得到可達矩陣R。公式為：（A+I）（k–1）≠（A+I）k=（A+I）（k+1）=R（K≥2）。本研究選用MATLAB數學軟件計算可達矩陣R，如下所示。

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 0 1

1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 1 0 0 0 0 0 1

1 1 1 1 1 1 0 0 0 1 0 0 1 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1

1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 1

1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

2.3 ?層級分解

通過可達矩陣繪制出有向圖，從而清楚地展現出各要素之間的相互關系，需對各要素進行層級分解。分解時需要定義兩個集合R（Si）和A（Si）。R（Si）表示從矩陣中某一個Si出發可到達全部要素的集合，簡稱為可達集合（即與Si對應行中包括“1”的所有因素）;A（Si）表示從矩陣中其他要素出發都能到達某一個因素的要素Si的全部要素的集合，簡稱為前因集合（即與Si對應列中包括“1”的所有因素）。層級分解方法為：當滿足R（Si）∩A（Si）=R（Si）時，則Si為最高層級要素。然后，將這些要素在可達矩陣中刪除，重新列出要素集合表，根據相同判斷條件確定下一級要素，直至將最后一層要素分層。最終劃分結果為：第一層級有S1、S18;第二層級有S5、S6、S9、S10、S15;第三層級有S2、S3、S4、S8、S11、S16;第四層級有S7、S12、S13、S14、S17。

2.4 ?構建解釋結構模型

根據可達矩陣以及要素所處層級，可建立解釋結構模型。建模的方法為：根據層級劃分結果可判斷該模型可分四個層級;通過可達矩陣可判斷兩個因素之間是否存在關系。如L1和L2之間的關系，從可達矩陣可以看出，S1和S18相互等價，S15、S6、S5、S10、S9和S1有關系，即可畫出從S15、S6、S5、S10、S9到S1的有向邊。以此類推，畫出每一個要素的直接關系（本模型未標記跨層因素之間的影響關系），繪制結果如圖2所示。

圖2 ?在線學習參與度影響因素的ISM模型

Fig.2 ?ISM model of factors influencing online learning participation

3 ?結論

從圖2的ISM模型可以看出，學習動機、學習氛圍處于模型最高層，是影響在線學習參與度的直接因素;知識呈現方式、平臺易用性、課程時長、課程難度以及活動安排處于最底層，是所有影響因素中最基礎的因素;其余為第二、三層級因素，間接影響在線學習參與度。結合在線學習參與度影響因素的ISM模型，在提高在線學習參與度時，應注意以下三方面：

3.1 ?注重課程設計

在線內容展示形式的多樣性以及這些多樣性 對學生的吸引力為在線內容的設計提供了巨大的空間[15]。基于此在線課程內容形式盡量短小精悍，知識點控制在90秒以內，完整的內容講解控制在15分鐘以內，保證學習者在高度集中的狀態下完成學習。課程內容注重挑戰性和成就感，趣味性，知識性和豐富性。強調知識的整體性、復雜性和邏輯性進行合理的分解和控制，達到寓教于樂，深入淺出，環環相扣，引人入勝的目標。

3.2 ?加強交互與反饋

在線課程學習時，教師與學習者、學習者與學習者之間處于時空分離的狀態，這種狀態如果處理不佳，容易讓學習者感到學習孤獨甚至是厭學的心理[16]。教師應引導學習者充分利用平臺技術的支持，進行交流與討論、點贊與評論、分享學習資源等活動共同完成一定的學習任務，打破在線學習時空分離的孤島。使學習者彼此獲得尊重與信任，擁有一種情感上的成就感和依賴感

為了營造良好的學習氛圍，教師需激發學習者的學習動機與熱情，高度重視學習者的意愿與感受。適當給予學習者鼓勵或獎勵，讓學習者產生一種自信心，認為有能力解決未來的學習任務。此外還需及時反饋學習意見，定期總結學生在階段性學習中出現的問題，為學生提供答疑視頻，增強學習者在虛擬空間中所缺乏的歸屬感。

3.3 ?大力開發技術平臺

由于學習者特征不同，學習者對知識的需求也會不同。利用平臺技術跟蹤收集大量有關學習者的學習數據，包括隨堂測試和期末考試成績等，對學習者的個性化學習需求進行預測。實現在線學習個性化評估與診斷，判斷學習者存在的優勢與不足，設計出符合學習者個性化需求的課程和推送個性化資源。

目前情感參與相比認知和行為參與研究比較薄弱，尤其是如何真實的測量學習者的在線學習情感還有一些困難[17]。隨著智能識別技術不斷提高，眼動儀（視覺記錄儀）[18]、瞬間顯示器[19]、生物電波測試等設備可充分運用到在線學習中，識別學習者在學習過程中細微的表情變化，從而對在線學習情感參與度進行更精準的測量。

參考文獻

[1]HOOD N， LITTLEJOHN A， MILLIGAN C. Context counts： how learners'contexts influence learning in a MOOC[J]. Computers &education， 2015， 91（12）： 83-91.

[2]Astin， A. W. Student involvement： A development theory for higher education[J]. Journal of College Student Personnel， 1984， （25）： 297-308.

[3]文書鋒， 孫道金. 遠程學習者學習參與度及其提升策略研究——以中國人民大學網絡教育為例[J]. 中國電化教育， 2017（09）： 39-46.

[4]朱文輝， 靳玉樂. 網絡化合作活動學習對教育碩士在線學習參與度影響的行動研究[J]. 中國電化教育， 2013（08）： 48-53.

[5]沈欣憶， 胡雯璟， Daniel Hickey. 提升在線學習參與度和學習效果的策略探究及有效性分析[J]. 中國電化教育， 2015（02）： 21-28.

[6]Tucker C M， Zayco R A， et al. Teacher and child variables as predictorsof academic engagement among low-income African Americanchildren[J]. Psychology in the Schools， 2010， 39（4）： 477-488.

[7]Chi-Cheng Chang， Chaoyun Liang， Kuen-Ming Shu， et al. lteration of Influencing Factors of e-Learning Continued

Intention for Different Degrees of Online Participation [J]. International Review of Research in Open and Distributed

Learning， 2015（4）： 33-61.

[8]Freitas S I， Morgan J， Gibson D. Will MOOCs transform learning and teaching in higher education？ Engagement and course retention in online learning provision [J]. British journal of educational technology， 2015， 46（3）： 455-471.

[9]Hone K S， EL Said G R. Exploring the factors affecting MOOC retention： a survey study [J]. Computers & education， 2016， 98（3）： 157-168.

[10]LittleJohn A， Hood N， Milligan C， et al. Learning in MOOCs： motivations and self-regulated learning in MOOCs [J]. Theinternet and higher education， 2016， 29（4）： 40-48.

[11]牟智佳. MOOCs學習參與度影響因素的結構關系與效應研究——自我決定理論的視角[J]. 電化教育研究， 2017， 38（10）： 37-43

[12]Selma Vonderwell， Sajit Zachariah. Factors that Influence Participation In Online Learning [J]. Journal of Research on Technology in Education， 2005（2）： 213-230.

[13]房萌萌， 劉斌. 在線學習投入的影響因素及提升策略[J]. 數字教育， 2018， 4（01）： 40-44

[14]Warfield John N. Binary matrices in system modding[J]. IEEE Trans. on Systems Man&Cyberneties， 1973（9）： 441- 449.

[15]尹航， 楊歡， 崔海斌， 等. 基于大數據應用的虛擬化云平臺建設方法研究[J]. 軟件， 2018， 39（4）： 201-207.

[16]孫吉鵬， 袁郭苑， 杜澤林. 學習行為分析的段落粒度在線教程系統[J]. 軟件， 2018， 39（4）： 137-141.

[17]李秋雨， 李玉斌， 姚巧紅. 在線學習投入的研究現狀——基于WoS數據庫近十年文獻的分析[J]. 軟件， 2019， 40（02）： 16-22.

[18]陳雁， 卿濟民， 林必毅. 大數據技術在視頻監控中的應用[J]. 軟件， 2018， 39（11）： 72-76.

[19]葉詩韻， 黃志成. 基于人臉識別的考生身份識別應用研究[J]. 軟件， 2018， 39（12）： 37-39.