學習分析視域下慕課學習者學習時間分配

陳長勝　孟祥增　劉俊曉　徐振國

摘要：時間是認知活動的重要維度，學習時間分配不僅影響個體對學習任務的理解，還表征心理資源的管理和控制水平。研究慕課學習時間分配，有助于揭示慕課學習者學習狀態和行為規律，提高慕課學習者心理資源管控水平， 為慕課開發和學習支持服務提供決策依據。以中國大學MOOC平臺中7967名學習者的學習行為記錄為對象的研究發現：慕課學習者在線學習行為時間序列呈現非平穩特征，課程周期內學習者學習時間分配存在三段式節奏;學習者資源交互行為的時間分配存在顯著差異，學習者對間接分值項目（課件資源）與分值項目（測驗、考試、作業和論壇）廣泛關注;不同成績等級的學習者群體的資源交互行為與學習時間分配存在顯著差異，優秀組學習者的行為頻次與時間投入均保持較高水平。慕課課程團隊要重視慕課的考核設計，根據課程節奏和學習者行為的階段特征給予不同的學習支持和服務，尤其要在課程運行中及時關注“低訪問頻次低時間投入”和“高訪問頻次低時間投入”兩類學習者，開發和利用平臺的學習過程監控模塊，在課程周期的全過程及時監控、預測并干預學習者的學習行為。

關鍵詞：慕課;學習時間分配;學習行為;時間序列分析;學習節奏

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2020）03-0081-13? doi10.3969/j.issn.1009-5195.2020.03.010

*基金項目：國家自然科學基金青年項目“多場景網絡學習中基于行為-情感-主題聯合建模的學習者興趣挖掘關鍵技術研究”（61702207）;山東省高校科研計劃項目“混合式學習視角下大學生個人學習環境模型構建及實證研究”（J18RA144）。

作者簡介：陳長勝，博士研究生，山東師范大學教育學部（山東濟南 250014）;講師，山東青年政治學院（山東濟南 250103）。孟祥增（通訊作者），教授，博士生導師，山東師范大學新聞與傳媒學院（山東濟南 250014）。劉俊曉，副研究館員，山東師范大學圖書館（山東濟南 250014）。徐振國，講師，博士，曲阜師范大學傳媒學院（山東日照 276826）。

一、引言

在線課程是當前重要的學習場域，慕課在重塑學習生態和促進教育公平方面發揮著重要作用。利用學習分析方法挖掘隱藏在學習行為背后的認知規律，有助于課程團隊掌握學習者學習狀態，為促進學習者自我調節學習提供參考。學習時間是描述學習行為不可或缺的要素（彭文輝，2014），學習時間分配作為學習行為投入的關鍵指標，對于在線、異步學習環境（如慕課）的成功至關重要（Baker et al.，2016）。一方面，學習時間分配是調節認知操作的重要策略工具。學習者的項目選擇和自定步調學習過程受元認知監測的影響（Nelson et al.，1994），當學習者感知到項目學習程度未達到主觀期望時，會主動調整學習決策。另一方面，學習時間分配是學習行為投入的外化，代表了學習者的努力管理水平。學習者對自己的關注和主觀努力將反映到學習時間維度（Perfect et al.，2002）。學習者能否有效地分配和利用學習時間是影響學習效率的重要因素（楊曉娟等，2012）。

因此，學習時間分配能夠體現學習者行為決策和努力管理的內在關聯，是權衡學習者行為投入和資源偏好的重要指標。然而，當前有關慕課學習的研究多關注學習者建模與應用、行為投入與產出的關聯，對影響慕課學習者學習結果的努力管理缺乏洞察，對慕課學習者認知機理的挖掘和闡釋不夠充分，用以指導慕課教學和學習者學習的策略亟待豐富（Macfadyen et al.，2012）。本文通過多元統計方法和可視化技術研究教師教育慕課學習者學習時間分配（Allocation of Study Time）特征和群體差異，旨在為教師教育慕課開發和學習支持服務提供決策依據。

二、學習時間分配的相關研究

時間是認知活動的重要維度，學習時間分配不僅影響個體對學習任務的理解，還表征心理資源的管理和控制水平（Nelson et al.，1994;Son et al.，2000）。從現有文獻看，研究者對課堂情境下的學習時間分配研究多于在線場景，并且主要關注學習時間分配的內涵與意義、影響因素和教育應用等三個方面。

內涵與意義。關于學習時間分配的內涵，有研究認為，學習時間分配是元認知控制的一個成分（Metcalfe et al.，1994），學習者會首先關注作為一個整體的學習進行方式，然后關注對各個項目的時間分配（Thiede et al.，1999）。在學習過程中，學習時間分配體現了學習者對顯性或隱性學習規則的遵循情況（Kovanovi? et al.，2015）。關于學習時間分配的意義，有研究認為，學習者的學習時間管理具有較高的效用價值（Barnard et al.，2008; Broadbent，2017），時間投入能夠代表學習者的主觀努力（Breslow et al.，2013;蔣卓軒等，2015）。學習持續時間和資源訪問頻次能夠體現學習者對完成協作學習任務的努力程度或投入水平（Kovanovi? et al.，2015;毛剛等，2016a;江波等，2017）。網上學習頻次表征學習的持久性和穩定性，網上發帖數量反映互動交流的積極程度等（魏順平，2013）。

影響因素。Thiede等在研究項目難度對學習時間分配的影響時發現，繼時呈現比同時呈現占用更多的認知資源（Thiede et al.，1999;Finn，2008）。李偉健等（2013）的研究也發現，學習項目繼時呈現會削弱項目難度對學習時間分配的影響。Ariel等（2009）分析了任務獎勵結構和習慣性反應對學習時間分配的影響，認為任務獎勵結構對學習時間分配的影響超越了項目難度。隨后的研究發現，單維度因素難以解釋學習時間分配的變異，故將項目難度、獎勵結構、認知資源和習慣性反應等因素進行綜合考察（Ariel et al.，2013）。研究者先后提出了多種學習時間分配影響因素模型。例如，差異縮小模型（Dunlosky et al.，1998）、層次模型（Thiede et al.，1999）和最近學習區模型（Metcalfe，2002）。上述模型均假設學習者首先監測項目學習程度，然后利用監測的結果來調節和控制學習過程。隨著研究的深入，更多的證據表明學習時間分配的驅動力并不是項目難度，而是學習者建構的議程（Ariel et al.，2009;謝瑞波等，2016）。

教育應用。在教育應用研究方面，學習時間往往作為獨立變量或由其構建高維變量，用以解釋各種學習行為與現象。Thompson（1997）認為，學習時間不夠充裕是導致遠程學習者輟學的重要因素。不好的時間管理行為（如不能正確合理地分配時間、考試前臨時突擊等）是大學生學業成績不理想的主要原因（Britton et al.，1991;Eilam et al.，2003）;借助時間屬性可以甄別高參與者和學習逃離者，進而開展個性化學習指導（Filvà et al.，2014）。多項研究還證實，學習時間管理不當是導致網絡學習中交互模式不佳、認知疲勞、學習厭倦、拖延癥和學業失信等系列問題的重要原因（Vergidis et al.，2002;孫洪濤等，2016;Michinov et al.，2011;陳長勝等，2018）。在數字閱讀研究中，Crabtree等（2010）發現，對學生融入時間屬性的自我監控訓練可提高其閱讀理解成績。毛剛等（2016b）的進一步研究發現，時間屬性反映學生閱讀的認知投入和項目偏好等行為特征，以此可以糾正學生的閱讀中斷和時間管理問題。

國內外已有研究表明，學習時間分配研究能揭示學習者學習狀態和行為規律，是提高學習者心理資源管控水平的重要途徑。然而已有研究還主要集中在學習時間分配的內涵與意義、影響因素和教育應用等方面，較少關注教師教育群體，聚焦慕課學習者學習時間分配特征的專門研究更少，尤其對學習節奏及其與學習結果的關系分析不夠。本研究以中國大學MOOC平臺為例，在現有文獻研究的基礎上，綜合運用時間序列分析方法、教育統計方法和可視化技術，多維度分析和挖掘慕課學習者的學習時間分配特征，探討不同成績群體的學習節奏、努力管理和行為投入差異。

三、研究設計

1.研究問題

本研究旨在對中國大學MOOC平臺中學習者在線學習行為進行整理和分析，挖掘學習者學習時間分配特征及其在不同成績等級群體間的差異。基于上述研究目的，本文提出以下三個研究問題：（1）課程周期內學習者學習時間分配具有怎樣的節奏？（2）影響學習結果的關鍵行為有哪些？課程周期的不同階段，學習者資源交互行為的時間分配具有怎樣的特征和差異？（3）不同成績等級的慕課學習者群體在學習時間分配上具有怎樣的特征和差異？

2.研究對象與數據來源

中國大學MOOC是國內優質的中文慕課學習平臺，由愛課程網攜手網易云課堂打造。該平臺采用云計算架構，提供多元互動學習模式，為有意提升個人學業水平的學習者提供多樣化服務。平臺設置評分標準、教學安排、課件（視頻、文稿等）、測驗與作業、考試、討論區、分享等7個模塊。2015年以來，平臺啟動了“教師教學能力提升MOOC項目”，旨在搭建一線教師、教研人員、學科專家、教育教學專家共同對話、協同發展的平臺。該項目涵蓋教學工具應用、教學理論與方法、教學設計、教師素養、教學資源與環境和學科教學等6種類型30余門課程，學習者累計超過108萬人次。

本研究選取中國大學MOOC平臺“教師如何做研究”課程的8期共7967名學員為研究對象。其中，學業不及格者4205人，占比52.8%，及格者3762人，占比47.2%。研究數據來自課程平臺上注冊學員的鼠標點擊流數據，所提取的學習行為數據集主要包括慕課學習者產生的信息瀏覽、資源交互和評價參與等數據。數據采集時間為2016年3月4日至2018年1月29日，有效行為記錄318678條，人均行為記錄約40條。

數據分析之前，首先進行數據預處理工作。為減少學習者離開學習任務而處于非學習狀態的干擾（牟智佳等，2017），研究借鑒Wise等（2013）和Liu等（2015）有效學習狀態時間閾值的設定，將超過60分鐘的微視頻瀏覽和論壇參與行為替換為60分鐘，將超過20分鐘的文本瀏覽行為替換為20分鐘。此外，由于該慕課平臺在考核結束后一段時間內，允許學員繼續訪問課程但不能再參加考核，導致同一門課的多期日志數據時間跨度不一致。本研究所選的課程的數據時間跨度為5.9～6.7周，為了便于數據量化和挖掘，統一按每期6周共計42天來提取研究數據。

3.研究方法

行為頻次和持續時間變化都是元認知對個體認知行為的調節與控制結果。因此，本研究采用瀏覽頻次（Behavior Frequency，BF）和時間投入（Behavior Duration，BD）作為觀測慕課學習者學習時間分配的維度，并作如下界定：當學員在課程平臺點擊了資源、活動模塊的鏈接時，記為一個行為頻次，單位為次;學習者前后兩次點擊行為的時間間隔，記為一個行為時長，單位為秒。

首先，基于對數據編碼便捷性、完整性與一致性的考慮，研究采用點擊流編碼規則對行為數據編碼，將學習者學習行為界定為瀏覽行為和參與行為兩種類型。然后，研究邀請4位從事學習行為分析的專家對以上行為進行總結，最終抽取關鍵的9個行為進行編碼解釋，編碼方法如表1所示。瀏覽行為的對象是課程課件（視頻、文稿等）、通知公告、評分標準、定制文本、單元測試列表、考試列表;參與行為的對象為單元測試、作業和論壇。之所以將作業歸為參與行為，緣于作業能反映學生所進行的學習活動和學習過程（柏宏權，2017），并且學習者查看作業信息的操作可以體現其學習活動參與度（劉智等，2017）。根據上述原則，研究數據中所有行為日志被自動編碼為9個行為類別，并請課程團隊和教學技術專家確認分類結果的有效性。最后，在完成行為編碼的基礎上進行多元分析和可視化。利用時間序列分析法（Time Series Analysis，TSA）對學習行為時間序列進行平穩性檢驗和參數估計;利用多元回歸分析探索影響學習成績的關鍵行為指標;利用組內方差分析和t檢驗，分析在課程周期的不同階段學習者學習時間分配的差異;采用組間方差分析法，比較不同成績等級學習者群體在學習時間分配上的差異。

四、研究結果與分析

1.課程周期內學習者學習時間分配節奏

研究以時間序列分析法探索課程周期內學習者學習行為的階段特征。首先通過繪制觀測值散點圖、自相關圖和偏自相關圖檢驗學習行為時間序列的平穩性。結果顯示，序列具有明顯的線性增長趨勢，表明課程周期內學習者的學習行為時間序列是非平穩的。為從行為時間序列中提取有價值的信息，研究采用差分法，分別對序列7步差分和14步差分，然后進行單位根（Augmented Dickey-Fuller，ADF）檢驗，結果如表2所示。兩種方法均可使行為時間序列平穩，但相比7步差分，14步差分序列的方差和季節模型擬合的赤池信息準則（Akaikes Information Criterion，AIC）更小，說明以14天為周期的模型擬合更加優良，更能保留學習行為時間序列蘊含的意義，更能反映行為時間序列的真實過程（Cryer et al.，2011）。以上初步表明，課程周期內學習者學習時間分配具有以14天為間隔的節奏。

為進一步驗證上述結論，將學習者行為時間序列重新切分為期初（Beginning of Period，BP）、期中（Middle of Period，MP）和期末（End of Period，EP）三個階段，每個階段持續14天，通過組內方差分析驗證學習者在三個階段的學習時間分配差異，結果如表3所示。學習者在三個階段的行為頻次存在顯著差異，Greenhouse-Geisser調整F（1.999，277.859）=61.823，p<0.05，偏η2=0.308。然后對各組進行配對樣本t檢驗，結果表明，學習者期末在線學習頻次（M=26.403，SD=6.205）顯著高于期中（M=21.916，SD=6.245）和期初（M=19.286，SD=6.233），行為頻次呈現“階梯式”增長特征。學習者三個階段的時間投入也同樣存在顯著差異，Greenhouse-Geisser調整F（1.774，246.567）=41.495，p<0.05，偏η2=0.230。然后對各組進行配對樣本t檢驗，結果如表3所示。t檢驗結果表明，在線學習時間投入期初（M=2370.579，SD=765.386）顯著低于期中（M=3018.625，SD=913.990）和期末（M=3225.246，SD=938.046），但期中和期末在線學習時間投入并沒有顯著差異，t=-1.947，p=0.054>0.05，時間投入呈現“初低中末平穩增長”特征。

以上結果與時間序列分析結果基本一致。由此可見，盡管慕課開設在虛擬網絡空間且周期較短，對學習者的學習時間和步調也沒有嚴格的要求，但課程周期內學習者的學習時間分配具有14天為間隔的三段式節奏。下文將據此分析慕課學習者資源交互行為的時間分配特征。

2.課程周期內學習者資源交互行為的時間分配特征和差異

在慕課學習中學習行為的對象主要為數字化學習資源和相關活動，研究課程不同階段內學習者的資源交互行為及其時間分配特征，有助于發現學習者認知策略和努力管理規律。為此，本研究首先將9個行為解釋變量和學習成績因變量進行相關和多元回歸分析，探討影響學習者學習成績的關鍵行為類型。相關分析結果表明，所有行為變量與學習成績之間的相關系數（r=0.262～0.645）均達到了統計學上1%的顯著水平。多元回歸分析的結果如表4所示，構建的回歸模型是顯著的，F（18，7948）=548.325，p=0.000<0.01，R2=0.553，可以看出，整個模型可以解釋學習成績的55.3%變異。從行為的時間投入看，瀏覽課程公告、瀏覽定制文本、瀏覽考試列表、瀏覽評分標準（p<0.01）、瀏覽測驗列表（p<0.01）、參與論壇、參與作業（p<0.001）和參與測驗（p<0.05）對學習成績具有正向預測力，但瀏覽課件資源（p<0.001）負向預測學習成績。從行為的頻次看，瀏覽課程公告、瀏覽課件資源（p<0.05）、參與作業（p<0.001）、瀏覽評分標準、瀏覽測驗列表正向預測學習成績，但瀏覽定制文本（p<0.01）、瀏覽考試列表（p<0.001）、參與論壇和參與測驗（p<0.001），都不同程度地負向預測學習成績。統計發現，兩個維度上共有5個對應變量對學習成績的預測效應相反。因此，我們要審慎評價學習者的行為頻次對學習結果的負向影響，引導學習者保持良好的專注力，保持適當的時間投入。此外，課件作為慕課學習的重點資源，學習者瀏覽該類資源的時間投入對學習成績的影響是負向的，這必須引起高度重視。

在回歸分析的基礎上，研究繼續從學習者資源交互行為的頻次和時間投入著手，分析其在瀏覽行為和參與行為上的時間分配特征。

（1）瀏覽行為的時間分配特征

對學習者瀏覽行為數據進行組內方差分析和配對樣本t檢驗的結果如表5所示。首先，學習者瀏覽各類課程資源的頻次均存在顯著差異（p<0.01）。進一步比較資源的單日人均瀏覽量后發現，頻次較高的是課件資源（M=15.164，SD=5.164）和評分標準（M=3.321，SD=1.442），其次為測驗列表（M=2.895，SD=0.980）、通知公告（M=2.107，SD=0.524）和定制文本（M=1.815，SD=0.338），最低為考試列表（M=1.479，SD=0.495）。其次，學習者瀏覽課程資源的時間投入方面，除瀏覽定制文本、通知公告的時間投入與瀏覽考試列表的時間投入無顯著差異外，其他行為時間投入間均存在顯著差異（p<0.01）。進一步比較資源的單日人均時間投入后發現，瀏覽課件資源（M=2191.845，SD=780.953）的時間投入最高，瀏覽評分標準（M=458.648，SD=246.643）和測驗列表（M=161.775，SD=86.001）的時間投入一般，而瀏覽定制文本（M=92.478，SD=51.986）、通知公告（M=83.685，SD=35.919）和考試列表（M=82.232，SD=145.188）的時間投入較低。

以上說明，在課程周期內學習者的資源交互頻次及其時間投入存在差異，且兩者并非是正比關系。相比通知公告、定制文本和考試列表等提示性信息，學習者更加關注課件資源、評分標準和測驗列表等考核評價類資源，會在這些模塊消耗更多的認知資源，為此分配的學習時間也較多。同時也要看到，學習者對課件資源的訪問頻次和時間投入都是最高的，但學習效果卻不一定好。要注意培養學習者專注水平，合理分配學習時間。

（2）參與行為的時間分配特征

對學習者參與行為數據進行組內方差分析和配對樣本t檢驗的結果如表6所示。可以看出，學習者參與各類課程活動的頻次存在顯著差異（p<0.05）。進一步比較活動的單日人均參與頻次后發現，最高的是論壇（M=8.23，SD=4.005），其次是測驗（M=2.816，SD=0.855），最后是課程（M=0.67，SD=0.975）。學習者參與各類課程活動的時間投入也存在顯著差異（p<0.05）。進一步比較活動的單日人均時間投入后發現，學生參與測驗（M=1071.119，SD=411.054）、論壇（M=405.41，SD=238.54）、作業（M=130.36，SD=217.595）的時間投入呈現依次降低的趨勢。

由上可知，學習者參與論壇和單元測驗頻次較高，時間投入也較多，說明思想碰撞和自我評價類活動更受學習者歡迎。從課程的任務獎勵結構來看，學習交互和自我評價是重要的過程性評價方式，學習者分配的學習時間往往比較多。鑒于參與作業行為可以正向預測學習成績，有必要發揮作業任務對學生高階思維能力的啟發與引導功能。

3.不同成績等級學習者群體的學習時間分配特征和差異

為深入探討學習時間分配在不同學習者群體間的差異，對各成績等級學習者群體與課程階段進行3×3交叉分析，如表7所示。首先，將學習者按照課程成績等級劃分為不及格組（低于60分）、中等組（60～79分）和優秀組（80分及以上）;然后利用組間方差分析檢驗各組學習者學習時間分配差異;最后利用組內方差分析各組學習者的資源交互頻次與時間投入差異。結果發現，各組均通過了Levene檢驗（p>0.05）和Greenhouse-Geisser檢驗（p<0.05），說明各成績等級學習者群體的學習時間分配存在差異，可繼續分析其不同之處。

（1）不同學習者群體的學習時間分配節奏

研究發現（如表8所示），不及格組學習者的期末行為頻次（M=23.029，SD=7.743）與期初（M=18.995，SD=5.336）、期中（M=18.839，SD=5.289）存在顯著差異，但在期初與期中無顯著差異。該組的時間投入在期初（M=2440.246，SD=637.931）、期中（M=2664.614，SD=704.536）和期末（M=3026.518，SD=981.830）三個階段存在顯著差異。這說明不及格組學習者會選擇在課程即將結束的期末高頻地訪問課程資源，學習積極性較強;當適應課程節奏后，他們學習的專注水平也不斷提高，時間投入會隨著課程推進而逐漸增加。

中等組學習者的行為頻次在期末（M=27.639，SD=8.469）與期初（M=21.389，SD=8.204）、期中（M=22.918，SD=7.297）存在顯著差異，但在期初與期中不存在顯著差異。這一特征與不及格組類似，但該組的均值較高。該組的時間投入在期初（M=2734.001，SD=1087.766）與期中（M=3175.208，SD=1077.568）、期末（M=3432.711，SD=1210.074）存在顯著差異，期中和期末不存在顯著差異。以上說明，中等組的學習積極性高于不及格組，但也存在積極性動態變化的過程。此外，與不及格組相比，該組學習者從期中開始就保持了較高的時間投入，具有較好的專注水平和穩定性。

優秀組學習者的行為頻次在期末（M=30.070，SD=8.070）與期初（M=24.349，SD=9.793）、期中（M=26.136，SD=8.917）存在顯著差異，但在期初與期中不存在顯著差異。這一特征與上述兩組類似，但該組的均值最高。該組的時間投入在期初（M=3027.456，SD=1259.096）與期中（M=3524.722，SD=1268.351）、期末（M=3474.010，SD=1280.743）存在顯著差異，期中與期末不存在顯著差異，這一特征與中等組類似，但該組的均值最高。以上說明，優秀組學習者相比其他兩組，學習積極性普遍較高，持久性也更強，在課程各階段均投入了更多的時間。

整體來看，隨著課程的推進，三組學習者在行為頻次上具有相似的增長趨勢，期初與期中沒有顯著差異，一般會在期中出現顯著增長，但高分組學生的行為頻次在不同階段均高于低分組學生。三組學習者在時間投入上具有不同的趨勢特征，優秀組和中等組學習者在期中和期末持續保持較長且穩定的時間投入，優秀組這一特征更加突出。從各項指標看，不及格組學習者在課程周期的三個階段呈現出低水平的遞增趨勢，但行為頻次和時間投入的增量十分有限，高分組學習者的時間投入普遍高于低分組。

（2）不同學習者群體的資源交互行為時間分配特征與差異

第一，不及格組學習者的資源交互頻次與時間投入特征。從不及格組學習者的行為頻次看（見圖1），學習者瀏覽課程公告、評分標準和參與測驗的頻次在三個階段存在顯著差異（p<0.001），均呈現依次增長的趨勢;學習者瀏覽課件資源、瀏覽考試列表、瀏覽測驗列表和參與論壇的頻次在期初與期中沒有顯著差異，但以上指標在期末高于期初與期中。這說明該組學習者的資源交互頻次基本呈現“階梯式”增長趨勢，期末時達到最高，但瀏覽課件資源、參與論壇等行為的頻次僅在期末有顯著的增加，在期初、期中階段的頻次很低。進一步分析該組學習者的時間投入（見圖2），結果表明，學習者瀏覽定制文本和參與論壇的時間投入在三個階段無顯著差異，時長普遍很低。學習者瀏覽課程公告的時間投入在期初與期末均顯著高于期中（p<0.05），瀏覽課件資源的時間投入期中與期末顯著高于期初（p<0.001），瀏覽考試列表的時長期末顯著高于期初與期中（p<0.001），瀏覽評分標準、測驗列表和參與測驗的時間投入在三個階段有顯著差異（p<0.001），呈現不斷增長的趨勢，期末時達到最高。這說明該組學習者喜歡從期中開始增加瀏覽課件資源和參與測驗的時間投入，但他們參與課程論壇的時間投入一直保持在較低水平。

圖1 不及格組學習者的資源交互頻次差異

圖2 不及格組學習者資源交互的時間投入差異

第二，中等組學習者的資源交互頻次與時間投入特征。從中等組學習者的行為頻次看（見圖3），學習者瀏覽課程公告、考試列表、評分標準、測驗列表和參與論壇的頻次在期初與期中無顯著差異，期末顯著高于前兩階段（p<0.05）;學習者瀏覽課件資源的頻次在期初與期中期末存在顯著差異，期初顯著低于期中期末（p<0.001）;學習者參與測驗的頻次在課程周期的三個階段呈現依次增長的趨勢（p<0.001）。這說明該組學習者瀏覽課程信息和參與論壇的頻次在期初期中比較平穩，期末有顯著增加，但學習者從期中開始訪問課件資源的頻次有顯著增加，并保持這種較高的行為頻次，參與測驗訪問的次數呈現緩慢增長趨勢。進一步分析該組學習者的行為時間投入（見圖4），結果表明，學習者瀏覽定制文本和參與論壇的時間投入在課程的三個階段沒有差別。學習者瀏覽課程公告的時間投入在期初期末顯著高于期中（p<0.001），瀏覽課件資源的時間投入在期中與期末顯著高于期初（p<0.001），期中最高，期末出現回落;學習者瀏覽考試列表的時間投入期末最高;學習者瀏覽評分標準的時間投入在期初期中顯著高于期末（p<0.001）;學習者瀏覽測驗列表和參與測驗的時間投入均呈現緩慢增長趨勢（p<0.001）。這說明與不及格組學習者相比，中等組學習者能夠堅持瀏覽定制文本并參與課程論壇，積極參與測驗，但期初對課件資源的學習不夠，期末沒有保持期中的時間投入狀態。

圖3 中等組學習者的資源交互頻次差異

圖4 中等組學習者資源交互的時間投入差異

第三，優秀組學習者的資源交互頻次與時間投入特征。從優秀組學習者的行為頻次看（見圖5），學習者瀏覽課程公告、考試列表、測驗列表和參與論壇的頻次在期初與期中無顯著差異，期末高于期初期中（p<0.001）;學習者瀏覽課件資源的頻次在期中與期末無顯著差異，均顯著高于期初（p<0.05）;學習者瀏覽定制文本的頻次在期初與期中存在顯著差異（p<0.05），且期初高于期中期末;學習者瀏覽評分標準和參與測驗在三階段存在顯著差異（p<0.001），呈現依次增加的趨勢。這說明該組學習者瀏覽課程信息和參與論壇的頻次在期初期中比較平穩，關注定制文本期初最高，之后呈現下滑趨勢;學習者瀏覽課件資源的頻次保持穩定的高水平狀態，期末略有回落，學習者參與論壇和瀏覽評分標準的頻次均呈現“階梯式”增長趨勢。進一步分析該組學習者的時間投入（見圖6），結果表明，學習者瀏覽課程公告的時間投入在期初和期末無顯著差異，期中顯著低于期初期末（p<0.001）;學習者瀏覽課件資源的時間投入在期中顯著高于期初和期末（p<0.001），期初最低，期中最高;學習者瀏覽定制文本的時間投入在期初期中顯著高于期末（p<0.001），瀏覽評分標準和測驗列表的時間投入隨課程周期推進不斷增長（p<0.001）;學習者參與測驗在期中與期末無顯著差異，但期初時最低。這說明該組學習者喜歡在期中增加瀏覽課件資源的時間投入，但不太關注課程公告等信息;從期中階段瀏覽考核信息和參與考核（論壇、測驗）的時間投入會出現顯著增加。整體來看，優秀組的學習頻次與時間投入均高于中等組和不及格組，這進一步說明對慕課重點資源和活動的持續關注和時間投入，是保證慕課學習者獲得較好學習成績的關鍵因素。

圖5 優秀組學習者的資源交互頻次差異

圖6 優秀組學習者資源交互的時間投入差異

五、結論與建議

本研究對中國大學MOOC平臺中“教師如何做研究”課程的7967名學員的學習行為數據進行了清洗、編碼和多元分析。通過時間序列分析法、多元回歸分析、組間方差分析、組內方差分析和t檢驗等方法，探究了慕課學習者學習時間分配特征和不同成績等級群體的特征差異。

1.課程周期內學習者學習時間分配存在三段式節奏

慕課學習者的在線學習行為時間序列是一個非平穩序列，通過數理變換后呈現出期初、期中和期末三個階段。學習者在線學習行為頻次隨著課程推進呈現“階梯式”增長趨勢，而在行為時間投入上呈現“初低中末平穩增長”趨勢。這一結論與Britton等（1991）的研究發現基本一致。如果將此特征視為慕課學習者的學習節奏，那么這種學習節奏與慕課教學節奏并不十分契合，因為通常教師更希望學習者能夠把對課程的關注和時間投入“用在平時”，而不是“臨時突擊”（Michinov et al.，2011）。因此，本研究建議課程團隊根據課程節奏和學習者行為的階段特征給予不同的學習支持和服務。例如，期初要重視“吸引”學習者，可以通過增加學業提醒、邀請主講教師互動和激勵同儕交流等方式促進學習活動的“冷啟動”;期中要重視“黏住”學習者，針對該階段學習者行為頻次較低的情況，可以采取豐富線上活動、及時反饋學習者過程性評價結果，創設利于學習者反思的機制和情境等措施;期末要重視總結性評價設計，特別要關注答疑解惑和考核信息的反饋。

2.課程周期內學習者資源交互行為的時間分配存在顯著差異

在課程周期內學習者的資源瀏覽偏好與時間分配存在差異，相比通知公告、定制文本和考試列表等提醒信息，學習者更加關注課件資源、考核信息等關系學習評價結果的資源;學習者參與論壇和單元測驗的頻次較高，時間投入也較多，這反映出課程設定的分值項目更容易讓學習者關注。這一結果支持ABR模型（Ariel et al.，2009），與傅鋼善、賈積有等的研究發現比較一致（傅鋼善等，2014;賈積有等，2014）。Bandura認為，期待是知識與行為的中介，是行為的決定因素，可以把期待分為結果期待和效能期待（Bandura，1977）。在本研究中，學員對間接分值項目（課件資源）與分值項目（測驗、考試、作業和論壇）的廣泛關注，一方面體現了學習者通過課程學習實現自我提升的結果期待，另一方面也反映了學習者融入學習活動的效能期待。鑒于學習者十分關注評價信息與考核活動的情況，建議課程團隊重視慕課的考核設計，構建適應慕課未來發展需要的評價體系，突出評價的導向激勵作用;實現量化評價與質性評價的整合。這方面可以借鑒項目反應理論和績效評價方法。

3.相比行為頻次，行為的時間投入更能正向預測學習成績

該結論部分支持已有研究（孫月亞，2015;牟智佳等，2017）。本研究認為，慕課學習是學習者認知資源和行為投入的動態調節過程，在此過程中，學習者內部心理和外顯行為會發生交互作用。相比行為頻次，持續時間更能夠代表行為投入的堅持性和專注力，是努力程度的重要體現。此外，本研究在變量設計上進一步細分了資源類別，綜合考量行為頻次和時間投入兩個指標，提出了更加詳細的學習結果影響因子，但也得出了一些似乎有違常理的結論。其一，瀏覽課件資源的時間投入負向預測學習成績。吳林靜等人對師范生瀏覽資源時長與學習成績的相關分析也證實了該結論（吳林靜等，2018）。這種結果的出現，可能跟課件資源的類型有關。本研究中課件資源包括課程視頻、演示文稿和富文本等，這些資源的相關度很高，如果學習者連續重復學習相同的知識點，極易增加其認知負荷，并且當學習任務缺乏挑戰性時，學習者專注力也將下降，出現“掛機”和開小差等低沉浸度現象，這將嚴重影響學習成績。其二，瀏覽定制文本、考試列表、參與論壇和參與測驗的頻次負向預測學習成績。這與陳云帆等的研究結論不同（陳云帆等，2014）。這可能是定制文本和考試列表代表了課程中的一種提示信息，本身與知識點無關，過多的關注只能消耗較多的認知資源，難以對學習成績的提高發揮作用。此外，當學習者瀏覽帖子的頻次多而深層互動少，以嘗試的心態參與測驗和論壇時，參與行為的效果會較差，對學習成績提升無益。

4.不同成績等級群體的學習時間分配存在明顯差異

以上發現與田娜等人的研究結論不一致（田娜等，2014）。從行為頻次看，三組學習者在課程周期的行為頻次上具有相似的增長趨勢，但優秀組學生在行為頻次上均高于中等組和不及格組，三組學習者在期初和期中的行為頻次無顯著差異。從時間投入看，優秀組和中等組學習者在期中和期末保持了較高水平的穩定時間投入，優秀組這一特征更加突出;不及格組學習者在課程周期的三個階段呈現出低水平的遞增趨勢，但行為頻次和時間投入的增量十分有限。與不及格組相比，盡管優秀組和中等組在期初期中的行為頻次上無顯著差異，但在時間投入上顯著高于不及格組，這說明行為頻次對學習成績的影響要低于時間投入的影響。Richardson等的元分析發現，學習者的認知需求和努力調節是影響學習成績的中等相關因素（Richardson et al.，2012）。為此，建議慕課團隊在課程運行中及時關注“低訪問頻次低時間投入”和“高訪問頻次低時間投入”兩類學習者，開發和利用平臺的學習過程監控模塊，在課程周期全過程及時監控、預測并干預學習者行為，對低參與度的學習者進行學業預警和路徑引導，以增加關鍵行為的時間投入;針對“高訪問頻次高時間投入”學習者，建議慕課團隊在向他們提供更多增值學習服務的同時，激勵其分享學習收獲，在論壇答疑中發揮積極作用，保持較高的效能期待。

5.不同等級群體的資源交互行為時間分配存在顯著差異

本研究再次證明，好的時間規劃者和管理者往往能夠更多運用自我管理的技巧取得優異的學業成績（Eilam et al.，2003）。從各組學習者的資源交互時間分配看，不及格組學習者在各學習行為上的頻次基本呈現“階梯式”增長趨勢，學習者喜歡從期中開始增加課件資源瀏覽和測驗參與的時間，但他們參與課程論壇的時間投入一直保持在穩定的低水平狀態，期末出現顯著增加。與不及格組學習者相比，中等組從期中開始訪問課件資源的頻次有顯著增加，課程內參與測驗的頻次持續增加，能夠持續瀏覽定制文本并參與課程論壇。相比其他兩組，優秀組學習者的行為頻次與時間投入均保持較高水平，特別傾向在期中開始增加瀏覽課件資源、考核信息和分值項目（論壇、測驗）的時間投入，期中期末保持這種增長趨勢，但他們在期初期中瀏覽課程信息和參與論壇的頻次比較少。鑒于以上結論，建議課程團隊持續提高課件資源質量、豐富資源類型，除了提供講授必需的課件、參考文獻等資源外，提供并引導學習者收集更多課程拓展資料，激勵學生開展深度學習。建議平臺嵌入多元化測驗評價模塊，通過評價反饋的數值化、學業指導的可視化強化學習者反思意識，培養他們的高階思維能力。

致謝

感謝愛課程網“教師如何做研究”MOOC課程團隊提供研究數據。

參考文獻：

[1]柏宏權（2017）.基于同伴互評的移動作業展評系統的建構及實踐分析[J].電化教育研究，（3）：75-79.

[2]陳長勝，孟祥增，徐振國等（2018）.大學生網絡學習中失信行為意向的影響因素研究[J].現代遠距離教育，（6）：3-12.

[3]陳云帆，張銘（2014）.MOOC課程學生流失現象分析與預警[J].工業和信息化教育，（9）：30-36.

[4]傅鋼善，王改花（2014）.基于數據挖掘的網絡學習行為與學習效果研究[J].電化教育研究，（9）：53-57.

[5]賈積有，繆靜敏，汪瓊（2014）.MOOC學習行為及效果的大數據分析——以北大6門MOOC為例[J].工業和信息化教育，（9）：23-29.

[6]江波，高明，丁繼紅等（2017）.虛擬仿真實驗學習行為分析[J].中國遠程教育，（9）：11-18.

[7]蔣卓軒，張巖，李曉明（2015）.基于MOOC數據的學習行為分析與預測[J].計算機研究與發展，52（3）：614-628.

[8]李偉健，蔡任娜，陳海德等（2013）.不同呈現方式下項目難度與分值對自定步調學習時間的影響[J].心理科學，（6）：1363-1368.

[9]劉智，王亞妮，鄭年亨等（2017）.高校SPOC環境下學習者行為序列的差異性分析研究[J].中國電化教育，（7）：88-94.

[10]毛剛，劉清堂，吳林靜（2016a）.基于活動理論的小組協作學習分析模型與應用[J].現代遠程教育研究（3）：93-103.

[11]毛剛，劉清堂，李鶴等（2016b）.網絡學習環境下問題學習行為分析模型的研究與應用[J].電化教育研究，（11）：32-37.

[12]牟智佳，武法提（2017）.MOOC學習結果預測指標探索與學習群體特征分析[J].現代遠程教育研究，（3）：60-68，95.

[13]彭文輝（2014）.網絡問題學習行為研究[J].中國電化教育，（2）：40-45.

[14]孫洪濤，鄭勤華，陳麗（2016）.中國MOOCs教學交互狀況調查研究[J].開放教育研究，（1）：72-79.

[15]孫月亞（2015）.開放大學遠程學習者在線學習行為的特征分析[J].中國電化教育，（8）：64-71.

[16]田娜，陳明選（2014）.網絡教學平臺學生學習行為聚類分析[J].中國遠程教育，（21）：38-41.

[17]魏順平（2013）.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， 23（2）， 5-11.

[18]吳林靜，勞傳媛，劉清堂等（2018）.網絡學習空間中的在線學習行為分析模型及應用研究[J].現代教育技術，（6）：47-54.

[19]謝瑞波，路璐，李偉健（2016）.學習時間分配的基于議程調節模型[J].心理與行為研究，（2）：283-288.

[20]楊曉娟，王廣新（2012）.網絡遠程學習者時間監控的特點與策略選擇[J].中國電化教育，（1）：38-42.

[21]Ariel， R.， & Dunlosky， J. （2013）. When Do Learners Shift From Habitual to Agenda-Based Processes When Selecting Items for Study？ [J]. Memory & Cognition， 41（3）：416-428.

[22]Ariel， R.， Dunlosky， J.， & Bailey， H. （2009）. Agenda-Based Regulation of Study-Time Allocation： When Agendas Override Item-Based Monitoring[J]. Journal of Experimental Psychology： General， 138（3）：432-447.

[23]Baker， R.， Evans， B.， & Dee， T. （2016）. A Randomized Experiment Testing the Efficacy of a Scheduling Nudge in a Massive Open Online Course （MOOC）[J]. AERA Open， 2（4）：1-18.

[24]Bandura， A. （1977）. Social Learning Theory[M]. Englewood Cliffs， NJ： Prentice-hall.

[25]Barnard， L.， Lan， W. Y.， & Crooks， S. M. et al. （2008）. The Relationship Between Epistemological Beliefs and Self-Regulated Learning Skills in the Online Course Environment[J]. MERLOT Journal of Online Learning and Teaching， 4（3）：261-266.

[26]Breslow，? L.， Pritchard， D. E.， & DeBoer， J. et al. （2013）. Studying Learning in the Worldwide Classroom Research into edXs First MOOC[J].Research & Practice in Assessment，（8）：13-25.

[27]Britton， B. K.， & Tesser， A. （1991）. Effects of Time-Management Practices on College Grades[J]. Journal of Educational Psychology， 83（3）：405-410.

[28]Broadbent， J. （2017）. Comparing Online and Blended Learners Self-Regulated Learning Strategies and Academic Performance[J]. Internet & Higher Education， 33：24-32.

[29]Crabtree， T.， Alber-Morgan， S. R.， & Konrad， M. （2010）. The Effects of Self-Monitoring of Story Elements on the Reading Comprehension of High School Seniors With Learning Disabilities[J]. Education and Treatment of Children， 33（2）：187-203.

[30]Cryer， J. D.， & Chan， K. S. （2011）. Time Series Analysis： With Applications in R[J]. Journal of the Royal Statistical Society， 174（2）：507.

[31]Dunlosky， J.， & Hertzog， C. （1998）. Training Programs to Improve Learning in Later Adulthood： Helping Older Adults Educate Themselves[M]// Hacker D. J.， Dunlosky， J.， & Graesser， A. C. （Eds.）. Metacognitionin Educational Theory and Practice. Mahwah， NJ： Erlbaum.

[32]Eilam， B.， & Aharon， I. （2003）. StudentsPlanning in the Process of Self-Regulated Learning[J]. Contemporary Educational Psychology， 28（3）：304-334.

[33]Filvà， D. A.， Guerrero， M. J. C.， & Forment， M. A. （2014）. Google Analytics for Time Behavior Measurement in Moodle[C]// 2014 9th Iberian Conference on Information Systems and Technologies （CISTI） . IEEE：1-6.

[34]Finn， B. （2008）. Framing Effects on Metacognitive Monitoring and Control[J]. Memory & Cognition， 36（4）：813-821.

[35]Kovanovi?， V. ， Ga?evi?， D. & Dawson， S. et al. （2015）. Does Time-on-Task estimation Matter？ Implications on Validity of Learning Analytics Findings[J]. Journal of Learning Analytics， 2（3）： 81-110.

[36]Liu， Z.， He， J.， & Xue， Y. et al. （2015）. Modeling the Learning Behaviors of Massive Open Online Courses[C]// IEEE International Conference on Big Data. IEEE： 2883-2885.

[37]Macfadyen， L. P.， & Dawson， S. （2012）. Numbers Are not Enough-Why e-Learning Analytics Failed to Inform an Institutional Strategic Plan[J]. Journal of Educational Technology & Society， 15（3）：149-163.

[38]Metcalfe， J. （2002）. Is Study Time Allocated Selectively to a Region of Proximal Learning？[J]. Journal of Experimental Psychology： General， 131（3）：349-363.

[39]Metcalfe， J.， & Shimamura， A. P. （Eds.）（1994）. Metacognition： Knowing About Knowing[M]. MA： Cambridge：MIT Press.

[40]Michinov， N.， Brunot， S.， & Le Bohec， O. et al. （2011）. Procrastination， Participation， and Performance in Online Learning Environments[J]. Computers & Education， 56（1）：243-252.

[41]Nelson， T. O.， Dunlosky， J.， & Graf， A. et al. （1994）. Utilization of Metacognitive Judgments in the Allocation of Study During Multitrial Learning[J]. Psychological Science， 5（4）： 207-213.

[42]Perfect， T. J.， & Schwartz， B. L. （Eds.）（2002）. Applied Metacognition[M].Cambridge University Press.

[43]Richardson， M.， Abraham， C.， & Bond， R. （2012）. Psychological Correlates of University StudentsAcademic Performance： A Systematic Review and Meta-Analysis[J]. Psychological Bulletin， 138（2）：353-387.

[44]Son， L. K.， & Metcalfe， J. （2000）. Metacognitive and Control Strategies in Study-Time Allocation[J]. Journal of Experimental Psychology： Learning， Memory， and Cognition， 26（1）：204-221.

[45]Thiede， K. W.， & Dunlosky， J. （1999）. Toward a General Model of Self-Regulated Study： An Analysis of Selection of Items for Study and Self-Paced Study Time[J]. Journal of Experimental Psychology： Learning， Memory， and Cognition， 25（4）：1024-1037.

[46]Thompson， E. （1997）. Distance Education Drop-Out： What Can We Do？[J]. Learning Through Teaching， （2）：324-332.

[47]Vergidis， D.， & Panagiotakopoulos， C. （2002）. Student Dropout at the Hellenic Open University： Evaluation of the Graduate Program，“Studies in Education”[J]. The International Review of Research in Open and Distributed Learning， 3（2）：1-15.

[48]Wise， A. F.， Speer， J.， & Marbouti， F. et al. （2013）. Broadening the Notion of Participation in Online Discussions： Examining Patterns in Learners Online Listening Behaviors[J]. Instructional Science， 41（2）：323-343.

收稿日期 2019-12-15責任編輯 汪燕