基于微信平臺的個性化學習學生個體差異分析與應用

孫玉榮 黃慧華 葉萍

【摘要】? ? 微信平臺憑借其優秀的社交內涵為個性化學習提供了新的途徑。應用相關性分析，研究了微信平臺支持下的個性化學習學生個性的差異性導致的原因，給出了關鍵的影響因素，應用四象限分析原理將學生個體數據分成了內驅型、協作型、自主型與被動型四類，并為教師的教學策略提出了相關建議。

【關鍵詞】? ? 微信平臺? ? 個性化? ? 個體差異

《教育信息化“十三五”規劃》指出要大力推進網絡學習空間人人通，以促進學習型社會的發展。微信是一款使用簡單方便的信息化支撐服務軟件，作為優秀的社交平臺，吸引了龐大的使用群體，催生了各類應用的開展，更是憑借其信息的組織與傳播方式得到了教育界的青睞，依靠微信平臺展開的各類學習應用研究取得了豐碩的成果。學習效率問題是一個經典的但又恒久地吸引學者們關注的問題。現有研究多集中在學習者行為與學習成績間的關系，微信作為一個新的教輔平臺，體現學生個體差異性的應用還較少，因此有必要對這種差異產生的機理進行探討。本文研究微信平臺支持下的個性化學習者個體差異及產生的原因，在此基礎上將學生進行分類，研究成果可作為教師教學策略調整的依據。

一、相關研究

有研究表明學生的學習投入影響學習效果[1]。Fredericks[2]認為學習投入涉及到行為投入、情感投入與認知投入三個維度。圍繞著這三個維度，展開了相應地研究。胡敏[3]，沈欣憶[4]，研究了學習者參與度與學習效果的關系，構建模型提出了相應的應用策略;朱珂[5]研究了學習者的交互意愿與沉浸感對學生學習產生的個體差異性;Huang[6]等通過數據挖掘技術以學生者行為進行挖掘，探究其活動的模式，以此為基礎對學生的成績進行預測;Ferguson[7]等應用聚類分析方法將學習者的行為進行分類，總結出十種典型的學習模式。這些研究成果都為教學組織者提供了制定策略的依據，但研究還需深化，要更好地調整策略，以達到課程教學目標，那么個體差異性產生機理研究是教學中首先要解決的問題之一。個體差異主要表現在智力類型差異性、智力水平差異性、知識結構差異性、性格差異和興趣差異等方面。本文在現有學習者行為研究的基礎上，剔除先天條件產生的個性差異，包括智力類型、智力水平差異和性格差異，著重從學生的興趣差異和知識結構差異三個方面研究基于微信平臺的個體差異產生的原因及并對其進行分類。

二、個體差異性指標體系、各指標的度量與分析方法

2.1指標體系

學習者個體差異性因素的采集和度量是進行個體差異性產生的原因分析的前提。受學習者興趣與知識結構兩個方面的差異影響，學習者在學習過程中表現出強烈的個體差異性。首先，興趣是學習最好的老師，是學生學習的最原始驅動力，對課程學習的興趣不同，其學習的投入也不同，最明顯直接的表現表現在當學習遇到困難時的本能反應，有的迎難而上、有的臨陣退縮。這里所說的興趣是指情境興趣，這是一種持續時間不長的需要外界不斷刺激的興趣。好的學習環境可以激發學習者的興趣，如果學生在學習過程中能不斷地獲得進步所帶來的成就感會明顯地增強學生的學習興趣，最終將之轉化為一種持久性、穩定狀態----個人的興趣，從而形成學生堅持學習的支撐。因此可以通過考量學習者參與學習活動、完成學習任務的態度和意志力來反映學生興趣的差異。研究中選用參與討論次數、每天在線學習總時間等與表征穩定的學習狀態相關聯的行為因素度量;

合理的知識結構，就是指既要有精深的專門知識，又要有廣博的知識面，反映在課程的學習上，則體現了學習認知能力的不同，它是與學習者對學習的理解相關的因素。一般認為學習理解能力強的學生，其學習效率也會高，因此可以從反映學生學習效率因素考查知識結構導致的差異，包括各知識點內容的學習時間之和、已完成作業數量、參與討論的次數、資源瀏覽次數等因素。

綜上，得到反映學生個體差異性的度量指標，見表1。

2.2分析方法

研究學生的個性差異性，需要明確導致各差異性的因素及其之間的關系，因此在研究中首先要對指標體系中的典型行為進行相關性分析，從不同要素之間相關性強弱確定導致學生個性差異的核心要素，從而更深層次地理解學生學習興趣與學生的知識結構之間的關系;然后基于指標體系，應用四象限法則分析原理從學生的學習興趣和知識結構兩個方面考慮學生個體的差異并進行分類，以發現學生個體性差異中隱藏的規律，為教師發現個性化學習中可能存在的問題提供依據，使其有針對性地進行引導學生進行狀態調整，加速學習進程并提高學習效率。

三、應用分析

獲取中南林業科技大學學生基于微信平臺學習《數據挖掘》課程某章節學習的相關數據，對學生學習的個體差性異展開研究。參與學生82人，采集到的數據包括學生的作業提交次數，統計學生在線時長，瀏覽資源的次數等數據。

3.1相關性分析

對采集到的指標數據（1）主動上網學習時長;（2）參與討論次數;（3）提交作業次數;（4）瀏覽資源次數;（5）知識學習時長等應用SPSS進行Pearson相關系數分析，找出這些指標間的相關性，得出的相關系數矩陣見表2。

表中可以看出，（1）與主動上網時長存在顯著相關的因素有知識點學習時長及瀏覽資源次數，其值都超過3，說明這些因素間存在著強相關性，可以作為教師調節學生學習的指標，主動上網時間與提交作業次數呈現弱相關性表明學生的學習與是否提交作業之間有一定的聯系，但不是主要的因素;（2）知識點學習時長與瀏覽資源次數強相關，說明學習時間越長，資源的瀏覽量也越大，反映了學生對知識點擴充意愿強烈;（3）參與討論次數與知識點學習時長有弱相關性，但與其他因素不相關，說明是否學生參與討論與其學習并無必然的聯系，究其原因，學生學習過程中的交互愿意不強，也許與長期傳統教學模式下形成的學習習慣有關。（4）提交作業次數與瀏覽資源次數弱相關，說明輔助學習資源對學生的理解有一定的幫助。

3.2四象限分析

根據美國管理學家的時間管理四象限法理論，本文對學生的學習興趣和知識結構進行劃分，以進一步分析學生學習興趣與其知識結構之間的關系，在不影響研究結果的前提下將表示興趣度和知識結構的各因素進行了相關處理以簡化運算：先將各指標做最大最小化歸一化，然后分別得到興趣度量值（興趣度=主動上線學習時間與討論次數歸一化值乘積），表征知識結構完 整度的量值（知識結構=知識點學習時長、提交作業次數及瀏覽資源次數歸一化值的乘積），以82位同學的（興趣度，知識結構）數據運用Excel作出四象限圖，見圖1。中心點分別取的平均值（0.55，0.61）。

參考文獻[1]研究將學生分為以下四類：圖中第Ⅰ象限的數據表示學生的興趣度濃厚，知識結構完整，這類學生可以歸為內驅型學生;第Ⅱ象限表示興趣度濃厚但知識點結構不完整，這類學生可以歸為協作型學生;第Ⅲ象限表示知識結構完整，但興趣度較欠缺，這類學生可以歸為自主型學生;第Ⅳ象限表示沒有學習興趣，知識結構不完整，這類學生可以歸為被動型學生。該圖反映出兩個方面的問題：（1）對該課程表現出無興趣并且沒有形成該課程知識結構的學生所占比例較大，老師需采取措施在提高學生的興趣，即從如何促使學生自覺上網，設置討論問題上入手;（2）Ⅲ象限的數據占比近1/3，這部分學生的知識結構尚可，但興趣有待于提升，可以從幫助學生認識課程設置要達成的目的入手，使學生明確學習目標（3）第Ⅱ象限的數據是實際教學中出現的比較特殊的一類學生，這類學生人數較少，表示既使學生表現出對課程的興趣度較高，但對知識的理解能力不足，需要加強知識深度的理解，完全依賴碎片化的微信信息學習遠遠不足以幫助學生理解知識，需加強課本知識的系統的學習。（4）第Ⅰ象限的數據超過1/3，這與人們的認知也是一致的，對所學知識感興趣的學生一般都會建立起完備的知識結構體系。

四、結論與討論

研究結果表明學生的主動上網時長會影響學生對知識點的學習時長、瀏覽資源的次數也會增加，但對作業的影響較小;學生提交作業的主動性會隨著瀏覽資源數目的增加而增強，表明其對知識的理解與接收增強了;網上參與討論的次數與各因素的相關性不強，研究認為與傳統教學下養成的學習習慣有關。四象限圖有助于從宏觀上了解學生課程的學習興趣和知識結構間的關系，教師在教學中可以根據每個學生的實際歸類，確定對學生的學習督促策略。

參? 考? 文? 獻

[1] 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（1）：40-44.

[2] FREDERICKS J A，BLUMENFELD P C，PARIS A H.School Engagement：Potential of the Concept，State of the Evidence[J]. Review of Educational Research（S0034-6543），2004，74（1）：59- 109.

[3] 胡敏.在線學習中學生參與度模型及應用研究[D]. 武漢：華中師范大學，2015：8-13.

[4] 沈欣憶，李爽，丹尼爾，等. 如何提升MOOCs的學生參與度與學習效果--來自BOOC的經驗[J].開放教育研究，2014，（3）：63-70.

[5]朱珂.網絡學習空間中學習者交互分析模型及應用研究[J].電化教育研究，2017，（5）：43-48.

[6]Hung J，Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching，2008，（4）：426-436.

[7]Ferguson R，Clow D. Examining engagement：Analysing learner subpopulations in massive open online courses（MOOCs）[A]. ACM，Proceedings of the Fifth International Conference on Learning Analytics and Knowledge[C]. ACM，2015：51-58.