基于學習行為分析的教學干預在《計算機文化基礎》課程中的應用研究

摘 要：高校計算機基礎教學是通識教育的重要組成部分，在信息素養、創新能力培養等方面發揮著重要作用，如何建設優質的計算機類通識課程是近年來各高校一直努力的目標。為了建設一門計算機類通識教育“金課”，本文以《計算機文化基礎》課程為切入點，分析學生在線學習行為，以提供教學干預為手段，來提高教學質量。實踐表明，在大數據技術的支持下，依據教學干預模型對不同的教學狀況實施不同的干預措施，有助于滿足不同層次學生的需求，能夠有效提高學習效果。

關鍵詞：學習行為分析;教學干預;《計算機文化基礎》;應用研究

中圖分類號：G642 文獻標識碼：B/A

2018年8月，教育部提出“各高校要全面梳理各門課程的教學內容，淘汰“水課”、打造“金課”，合理提升學業挑戰度、增加課程難度、拓展課程深度，切實提高課程教學質量。”目前建設“金課”是國家教育工作的重要任務之一，是進行教學改革的主要方向和目標。《計算機文化基礎》課程是某大學一門面向全體本科生的通識教育課程，采用基于學習通的線上線下相結合的教學模式進行教學，但由于學習該課程的學生計算機水平參差不齊，線上的課程缺乏針對性，課程不能滿足不同層次學生的學習需求;并且學生在線學習行為的自由度較高，師生面對面交流機會減少，教師不能隨時掌握學生的學習狀態。因此，如何滿足不同層次學生的學習需求，如何保持學生學習主動性和及時督促學生學習是本研究主要考慮的問題。

為了達到研究目的，本研究實時關注學生在線學習的行為狀態和學習效果，開展了為期兩年的教學干預研究，最后建立了符合本課程特點的教學干預模型和可應用于解決不同問題的干預策略。

1 國內外研究現狀

依據研究要求，我們主要關注了網絡環境支持的教學干預和教學干預應用方向這兩方面。從應用人工智能技術開發干預輔助工具來看，國外學者Jayaprakash等人提出了學術預警系統，任課教師只需在Sakai網站調取學生的預警報告，就可以此采取不同的干預措施[1];John Baker等開發的學習管理平臺Desire2 Learn 包含靈活的預測模型引擎功能，該平臺利用機器智能和統計技術來預先識別存在學習失敗危險的學生，并通過分解技術設計個性化的干預措施[2];國內學者牟智佳等人并通過Oracle數據庫等技術設計預警系統實現學習過程的動態監控，為開展精準教學和學習干預提供有效依據[3]。

從應用教學干預解決的問題來看，近年來的研究者注目于線上教學產生的各種問題，如：有運用大數據學習分析技術，對在線學習拖延情況進行診斷與干預研究[4];有以促進大學生自我調節為目的干預研究[5]，也有對在線學習參與度、網絡學習適應性等問題進行干預實驗研究。

總體而言，近年來國內外關于教學干預的研究熱點在于：利用先進的智能技術開發學術預警系統;針對學生在線學習時出現的各種問題，建設干預框架和提出干預策略。這些相關的熱點研究對本研究起到幫助作用，但也有許多內容不適用，如：本研究的課程依托于學習通平臺進行，沒有自動生成學生學習報告和自動跟蹤學生并進行反饋的功能;本研究從分析學生的在線學習行為入手，目前的研究較少有從這個方向入手的;另外，據調查發現教學干預的應用學科主要是外語、數學等，其方式不適用計算機課程，因此在研究的過程中，我們會多關注計算機類通識教育的特點，建立合適的干預模型和干預策略。

2 構建基于學習行為分析的干預模型

2.1 構建干預模型

本研究的研究對象是參與通識課程《計算機文化基礎》學習的學生，課程采用在線學習平臺（超星學習通）和線下實體課堂相結合的混合教學模式。研究將對該課程中學生產生的數據進行實時跟蹤和記錄，對這些數據進行預處理，篩選出學生的在線學習行為變量：學習頁面訪問次數、發表討論數、回復討論數、視頻觀看時長、作業提交、提交作業時間、參與線上考試、參與線上考試的時長，將這些數據與學生的期末成績進行整合，使用SPSS對相關的變量進行皮爾森相關分析，結果如圖1所示。

從分析結果中，發現學習頁面訪問次數、回復討論數、視頻觀看時長和提交作業時長這4個變量與成績正向相關，之后的研究都將以這四個變量為主要的參照對象。研究借鑒已有教學干預模型，結合本課程的實際情況，提出教學干預模型，如圖2。該模型要求教師在使用過程中，實時監控學生在線學習行為并獲取相關數據，通過對數據的分析比較了解學生目前的學習狀況是否積極正向，以便及時采取干預措施，幫助學生。若通過數據分析，發現學生當前學習行為異常，就利用數據將學生群體分層，找到問題群體，對照干預池提出干預措施，督促幫助學生學習，得到反饋結果，繼續跟蹤學生;若根據數據分析，發現學生學習正常進行，則跳過干預環節，繼續跟蹤學生。

2.2提出干預策略

本研究構建的干預模型的核心：干預池，是根據該課程實際需求和現實情況，結合RTI模型制定，根據干預群體的不同，提出相應的干預措施，以便能夠幫助教師精確定位，面對不同的狀況提出最優的干預策略，具體內容如表1。由教學干預模型（圖2）可以發現，在進入干預池之前，教師需要找到問題群體，在本研究中，問題群體定義為：較上一次學生在線學習數據相比，在本次的學習階段檢查中學生學習數據沒有產生變化或者變化較少，甚至出現虛假信息的情況稱為問題群體。根據問題群體的具體情況在干預池中對照得到相應的干預策略。

3 實證研究效果評估

3.1 研究設計

團隊就《計算機文化基礎》課程，對2017級和2018級的大一學生進行了基于學習行為分析的教學干預實踐，采用縱向對照組實驗開展研究。17級學生作為對照組采用線上線下相結合的教學模式，研究者沒有根據學習行為分析進行教學干預，經過一學期的追蹤，利用學生產生的數據進行處理形成教學干預模型，提出教學干預策略。18級學生作為實驗組，在進行學習行為分析的基礎上采用實施教學干預的線上線下相結合的教學模式。課程前4周為觀察周，后面的14周為實驗周。在研究過程中，將當前階段產生的學習數據與前一階段的數據進行對比，觀察整個學習趨勢，判斷當前學生的學習狀況和未來發展趨勢，若學生學習狀況正向積極，則繼續進行教學，繼續觀察;若學生學習狀況不理想存在問題，則根據數據分析發現學生問題，結合干預池提出合適的干預策略，進入下一段教學和監控，如此循環操作，時刻監督學生學習情況。

3.2 效果分析

下表中數據是研究兩年級學生學習數據的對比。對兩級學生成績對比發現，18級的優秀學生人數占比67.30%，較17級明顯增多54.78%，另外17級不及格人數為24人，18級無學生不及格;表3學生學習行為對比，從表3中可以看出，2018級學生的各項學習數據較2017級有很大的進步，最顯著的表現是18級學生視頻觀看時長人均增長300分鐘，作業提交超時人數大大減少。

這些數據均表明，基于學習行為分析的教學干預能提升教學效果。學生自主反復觀看教學視頻充分利用學習資源，學習積極性提高;主動發表言論提交作業，形成良好的線上學習習慣;教師提供針對性的教學使學生成績的總體水平顯著提高，對教學有明顯的促進作用。

4 結語

本文以《計算機文化基礎》課程為研究主體，對學生的在線學習行為進行分析，提出一套教學干預模型和干預策略。在進行實證研究時，利用提出的策略進行教學干預，結果表明學生的學習成績明顯的提高，學習行為向積極主動轉變。研究提出的模型和策略符合《計算機文化基礎》課程的特點和需求，可以幫助教師更好地改善教學，做到因材施教。當然本研究也存在不完善的地方。因為研究條件的限制，實證研究僅用時一年，不能排除實驗結果具有偶然性的可能;其次，實證研究中有些干預措施的反饋效果不太理想，這樣的結果表明采取的干預措施需要改進，后期會繼續在教學活動中應用此干預策略，發現問題解決問題，使其在實踐中不斷優化。

在研究過程中，我們持續關注學生的學習情況，進行階段性總結與反思。通過教師評價與學生反饋的雙邊活動發現課程中存在的問題，就問題提出解決方案并付諸實施，最終提出行之有效的干預模型與干預策略，希望該策略與模型能對廣大教師提供有益幫助，為混合式教學活動展開提供一定的思路。

參考文獻

[1] Jayaprakash，S. M.，& Sandeep，M. Early Alert of Academically At-Risk Students：An Open Source Analytics Initiative. Journal of Learning Analytics，1（1），2014：6-47.

[2] Essa A，Ayad H.Improving Student Success Using Predictive Models and Data Visualisations [J]. Research in Learning Technology，2012，20：58-70.

[3] 牟智佳，李雨婷，嚴大虎. 混合學習環境下基于學習行為數據的學習預警系統設計與實現[J]. 遠程教育雜志，2018，v.36;No.246（03）：57-65.

[4] 楊雪，姜強，趙蔚，等.大數據時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017，38（07）：51-57.

[5] 趙雪飛. 混合學習環境中以學習分析干預框架促進大學生自我調節學習的研究[D].陜西：陜西師范大學，2018.

作者簡介：王雨晗，1996年7月出生，女，漢族，河南省平頂山人，中央民族大學研究生，研究方向為教學模式、虛擬現實。