混合學習視域下在線開放課程學習行為數據模型研究與應用*

成亞玲　譚愛平

摘? ?要：文章基于學習者線上/線下學習全過程學習數據，構建了混合學習視域下在線開放課程學習行為數據模型，并進行了實證研究。研究發現：根據學習特征，學習者分為高沉浸型、較高沉浸型、中沉浸型和低沉浸型四類學習群體;社交網絡學習行為對認知投入度、情感投入度、學業成績都產生積極顯著影響，而個體學習行為對認知投入度、情感投入度無顯著相關。最后，從學業預警等方面提出了建議。

關鍵詞：在線開放課程;學習行為;數據模型;數據挖掘;聚類分析;關聯分析

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2020）19-0037-05

一、問題提出

在“互聯網+”教育背景下，新一代信息技術與教育教學的深度融合，催生了課程形態與學習方式的不斷變革。當前，在線開放課程無疑是適合學習者進行知識技能提升的有效路徑之一。然而，在線開放課程學習過程中存在輟學率高、用戶粘度低、學習進度拖后、學習互動不高、學習效果有待提高等困境;同時學習過程中產生了海量數據信息，如何從海量數據中挖掘出有價值的數據信息，如何有效地利用這些數據信息改善學習、提高學習者的學習效能，針對以上困境，本文對混合學習視域下在線開放課程學習者的學習行為數據進行深度研究，對學習者數據建模并進行挖掘分析，探究學習行為背后隱藏的教、學規律，以改進教學提升質量。

二、文獻綜述

近年來，在線開放課程得到了快速發展，同時也產生了大量的師生行為數據、教學評價數據、師生情感數據、課堂管理數據。已有研究表明：學習者的學習行為是學習效果預測的重要影響因素，對學習者提高個性化的教學干預具有重要指導意義。[1]

1.行為基礎理論研究

在線行為理論的研究主要集中于學習行為的模型構建、評價指標、影響因素等方面。如彭文輝等人以概念圖的形式，構建了網絡學習行為系統的概念模型，該模型將網絡學習行為分為操作、認知、協作和問題解決等四類。[2]李爽等人基于在線學習行為數據，從學習行為投入指標維度進行了研究。[3]SunM等人探究了學習者的網絡行為與群體協作、學習風格之間的相關關系。[4]王錢永等通過UTAUT模型探究了影響MOOC學習行為各因素之間的關系。[5]

2.行為分析技術研究

隨著教育數據的海量增長，在線學習行為分析日益受到研究者的強烈關注，其主要體現于在線學習行為數據模型、分析技術兩個方面。在學習行為數據方面，如Ochoa Xavier等人認為學習是多通道的活動，從多維度收集數據進行學習分析。[6]魏順平在資格框架的指導下結合Moodle學習平臺數據表結構，構建了學習分析數據模型。[7]在學習行為分析方面主要包含各類數據挖掘算法，比如聚類分析[8]、內容分析法[9]等。

3.行為分析應用研究

學習分析應用研究主要聚焦學習者特征分析、行為建模、學業分析等方面。如Andrade Alejandro通過對學生細粒度的行為數據及注釋數據的采集，映射行為數據與學習表現水平之間的關聯。[10]戴心來等人對課程論壇交流區的數據，通過社會網絡分析法和學習分析工具，將學習群體分為四種類型。[11]楊現民[12]、李爽[13]等人通過序列分析法的應用對學習者行為進行了深入研究。

綜上所述，現有相關研究大多聚焦于在線學習行為理論模型、學習行為分析技術及應用領域。對混合學習視域下在線開放課程學習行為數據模型的研究較少。本研究將在混合學習理論指導下，全程全息采集學習者線下、線上的多模態行為數據，在此基礎上構建學習行為數據模型并進行實證應用，以期為學校、教師、研究者進行學習行為分析與應用提供參考。

三、混合學習視域下在線開放課程學習行為數據模型構建

1.學習要素分析及學習行為分類

行為科學理論認為在動機的支配下，為滿足學習需求與實現目標而進行的行為活動稱之為學習行為。[15] 有關學習行為的現有研究大多是指在線學習行為，如“遠程學習行為”、“在線學習行為”等。本文研究的學習行為是指混合學習視域下既包含在線學習行為，也包含線下面對面的學習行為。著名的美國教育心理學家加涅（Robert Mills Gagne）從學習過程、學習結果以及學習層次等角度認為，學習要素包含學習者、動作、記憶內容、刺激情境（學習環境）四個方面。[14]國內學者魏順平等人從學習行為主體、行為客體、發生場所、發生時間維度構建了學習行為要素框架。[15]建構主義理論認為學習是學習者重新構建自身知識結構的過程;[16]行為主義理論則認為學習是刺激與行為的聯結;[17]認知主義學習理論認為學習不僅是刺激和反應的聯結，更側重于學習者內部認知結構的改變。[18]誠然不同理論對學習的定義有所不同，但其共同點都表述了學習是一個過程，是學習者在適當的學習環境和媒介下產生了一系列的學習行為。綜合上述觀點并結合線上學習和線下學習特點，本文提出學習要素包含學習者/學習同伴、學習目標與內容、學習媒介（線上學習平臺/線下智慧教室）、學習行為（線上/線下）和學習成果五個方面。

庫爾特·勒溫的行為分層理論[19]認為學習行為與人類行為同樣具有分層特性，即學習行為是由一系列簡單行為組成的，其程度從低層次到高層次不斷加深。同時，學習行為可以分為外顯學習行為和內顯學習行為兩大類。外顯學習行為是指能夠被網絡學習平臺和智慧教室物聯網設備記錄的行為，如登錄平臺、瀏覽資源、編輯資源、視頻點播拖放、線下課堂討論與交流等;而與學習者的學習動機、反思、學習滿意度等心理活動相關的行為則屬于內顯學習行為。學習行為的發生受到學習者自身的信息素養、學習動機、已有知識基礎、學習風格等內在因素影響，同時也受到學習資源、學習模式、學習環境等外在條件的影響。

本文結合學習行為要素，學習發生的內外影響因素，前面文獻綜述中已有的在線學習行為基礎理論研究、學習行為分析技術研究等內涵，將在線開放課程學習行為分為社交網絡學習、軌跡行為等四類，如表1所示。

2.混合學習視域下在線開放課程學習行為數據采集框架

混合學習視角下的學習行為既包括移動終端的線上活動，又包括應用多種教學模式的線下活動，數據隨著教學活動的開展而不斷生成。同時，由于學習目標、學習內容、學習環境、學習平臺和學習模式的不同，動態生成大量的多元數據使數據的采集更加復雜。本研究在行為科學、系統論及學習分析理論指導下，結合混合學習特點，從“課前導學、課中研學、課后拓學”[20]等環節對學習者學習行為數據進行全方位采集，如圖1所示。

課前導學階段數據采集與分析：教師基于線上學習平臺采集學習者學習軌跡數據、導學學習行為數據、導學測評數據，以及學籍成績管理系統數據庫等數據，應用數據挖掘、學習分析等技術，分析學習者的共性與特性;通過分析學習者個體的知識基礎、學習興趣、學習風格、學習狀態及導學學習情況，得到學情分析報告。根據學情分析報告，教師可以精準地識別學習者的認識水平、學習興趣，預測學習的潛在問題和風險，并調整教學設計和策略;讓學生客觀認識自己、調整學習策略，有效地促進教與學。

課中研學階段數據采集與分析：通過智慧教室物聯感知、視頻錄制、圖像識別等技術采集線下課堂多模態學習行為數據;通過學習平臺工具采集學習者信息的檢索、溝通協作、交互、實時測評等數據。通過對采集的數據進行去重、去噪、轉換、缺失處理等預處理后，應用聚類分析、關聯分析、序列分析等技術對學習行為數據進行深入挖掘。如：應用關聯規則技術挖掘學習者個性特征、學習行為、學習資源三者之間的內在聯系，為學習者推薦個性化的學習資源;應用序列分析技術挖掘出學習者在學習過程中的規律、意愿，根據其個體特性推薦合適的學習路徑，促使教學中教師更加精準地教、學習者更加個性化地學。

3.混合學習視域下在線開放課程學習行為數據模型構建

本文將混合學習視域下在線開放課程學習行為分為軌跡行為、社交網絡學習行為、資源學習行為和評價反思行為四類。其中軌跡學習行為是指學習者在網絡學習平臺中的登錄、退出、網頁的跳轉等行為和線下課堂到課率、問題搶答等行為。社交行為是指學習者在網絡平臺論壇模塊、問答模塊、個人空間模塊的實時性/異步交流、討論式交流等行為，以及線下智慧課堂中師生、生生面對面的交流和溝通，如探究、協同解決問題等行為。資源學習行為是指學習者在網絡學習平臺的資源模塊、論壇模塊中對學習資源進行訪問學習、編輯和發布信息等行為，同時還包含線下課堂中團隊協作完成具體學習任務而進行的系列資源查找、分享等活動行為。評價反思行為屬于隱性的學習行為，是指作業/習題模塊、測評模塊、項目作品展示評價等環節的學習行為。在混合學習視域下在線開放課程學習行為分類屬性基礎上，從軌跡、社交網絡學習、資源學習和評價反思四個維度進行混合學習視域下學習行為數據模型構建，如圖2所示。其中LB指的是學習行為，BD指的是行為維度（BD1為軌跡學習維度、BD2為社交網絡學習維度、BD3為資源學習維度、BD4為評價反思學習維度）。

四、學習行為數據模型實證研究

1.研究實施過程

（1）研究樣本選擇與研究案例描述

本研究以“數據結構”課程為例，對混合學習視域下學習行為數據模型進行實證研究。該課程于2018—2019年度第二學期開設，歷時16周。本研究選取湖南工業職業技術學院489名大一學生為研究對象，其中女生148人、男生341人。該課程學習任務分為八個學習項目，包括數據結構概述與順序表的實現、鏈表的實現、棧的實現、隊列的實現、串的實現與應用、稀疏矩陣的存儲、二叉樹的操作與應用、查找算法應用。該課程線上教學基于智慧職教MOOC學習平臺、線下課堂基于智慧教室開展混合式教學。

（2）研究過程與方法

本研究基于混合學習視域形成在線開放課程學習行為數據采集框架（見圖1），對《數據結構》課程從“課前導學、課中研學、課后拓學”等教學環節對學習者的學習行為數據進行全方位持續采集、存儲。通過數據清洗、數據集成、數據變換等對線上平臺采集的結構化數據和線下平臺采集的半結構或非結構化數據進行原始數據的預處理。本研究選用聚類分析、關聯分析、序列分析等數據挖掘技術對學習者的學習行為進行深入挖掘，發現學習行為背后隱藏的規律，從而為學情分析、學習干預、個性化學習資源推薦等提供科學有效的教學決策支持。

2.研究結果分析

（1）學習者學習類型聚類分析

基于職教MOOC平臺采集數據以及基于智慧教室采集視頻、音頻和圖像監控等數據，本研究將個體學習行為轉化為具體的個體學習行為類別，以此來描述學習者的軌跡行為、社交行為、資源學習行為和評價反思行為。將學習者進行聚類分析，先建立特征數據表，用于描述聚類對象（學習者）的屬性特征并將其數據化。然后根據對象數據類型、結構、數量選擇合適的聚類方法，在本研究中選擇K-means聚類方法，利用SPASS聚類分析軟件，選取“學習時長”、“學習互動次數”、“作業完成次數”、“學習總成績”四個變量，按照相似度進行聚類分析。通過聚類分析將學習者分為高沉浸型等四類，如表2所示。其中，“高沉浸型”學習者具有對線上網絡學習平臺黏度高、參與度高、積極性高、樂于協作學習和自我調控能力強等特點。該類學習者的學習總成績分為兩類：一類是高成績型;另一類是低成績型。對于低成績型，雖然其參與度高也很努力，但學習效果不理想，究其原因可能是學習者自身學習策略不恰當所致。

（2）學習行為與認知投入度、情感投入度的相關性分析[21]

學習行為與認知投入度、情感投入度的相關性分析如表3所示。個體學習行為與認知投入度、情感投入度的相關系數分別為0.262、0.291，研究顯示個體學習行為與情感投入度存在較強正相關，而個體學習行為與認知投入度無顯著相關。社交網絡學習行為與認知投入度、情感投入度的相關系數分別為0.735、0.796，它們均在0.01水平上存在高度正相關。

（3）學習行為與學習成績等方面的相關分析

學習行為與學習成績等方面的相關分析如表4所示。研究顯示社交網絡學習行為與學習滿意度、課程持續使用意向存在強正相關性，與學習成績呈較強相關;然而，個體學習行為與學習成績、滿意度、課程持續使用意向均無顯著相關。

五、結論與啟示

本研究采集學習者學習全過程數據，并進行了學習行為數據建模分析。重點對學習者的學習類型聚類，社交網絡學習行為與認知投入度、情感投入度、學習效果之間的相關性進行了分析。學習者學習類型聚類分析研究結果表明：混合學習視域下在線開放課程學習者聚類分別為高沉浸型、較高沉浸型、中沉浸型和低沉浸型四大類。社交網絡學習行為與認知投入度、情感投入度的相關性分析研究結果表明：認知投入度、情感投入度與社交網絡學習行為產生顯著影響，這一研究結論與學習投入理論中認知投入因素、情感投入因素和社交網絡學習（網絡學習）行為之間的關系相吻合。[22]社交網絡學習行為與學習成績、學習效果的相關性分析研究結果表明：社交網絡學習行為能有效提高學習滿意度和課程持續使用意向，呈現強相關性;同時，社交網絡學習行為與學業成績呈現較強的正相關性。

綜合上述研究結論，課題組從學業預警、調整教學策略、推送適應性服務等方面提出幾點建議：

（1）針對不同學習者類型進行相應的學業預警和干預。如，教學者根據學習者前期、中期學習行為數據及時進行學習效果預測，并基于預測結果動態調整教學策略和教學內容，從而有效進行精準干預：對低沉浸型學習者及時給予恰當的干預使其向高沉浸型、較高沉浸型學習群體轉變;同時，根據學習行為預測其學習效果，及時給予相應的學業預警和干預，以提高其學習效果。

（2）針對不同學習者類型調整制定教學策略，實現因材施教。聚類分析結果有助于教學者根據學情進行科學的教學決策。如，對低沉浸型學習者，教師可以深究學業困難原因調整指導學習策略并重點對其進行監督，提高其學習興趣與參與度，督促學習進度;同時，教師還可以通過提高注意力、同伴激勵等多種途徑提高學習者的學習動機，提供學習者感興趣的資源，最終使其向高沉浸型學習群體轉移。

（3）針對不同學習者類型推送適切的個性化服務，包括適切的學習資源、適切的學習路徑、不同的評價等。如，對高沉浸型學習者可以推送一些拓展性資源;針對低沉浸型學習者，及時預警并推送難度較低且感興趣的資源和適宜的學習路徑，同時設置獎勵性的闖關項目來激發其學習動機，從而達到提高學習效果的目的。

研究還存在不足，如本研究樣本數據僅僅來源于一門課程數據，研究結論的信度有待進一步驗證。

參考文獻：

[1]張紅艷，梁玉珍.遠程學習者在線學習行為的實證研究[J].遠程教育雜志，2013（6）：42-48.

[2]彭文輝，楊宗凱，劉清堂.網絡學習行為系統概念模型構建研究[J].中國電化教育，2013（9）：39-46.

[3]李爽，王增賢，喻忱等.在線學習行為投入分析框架與測量指標研究——基于LMS數據的學習分析[J].開放教育研究，2016（2）：77-88.

[4] Sun M，Luo J T，Qian D M，et al.Making sense of online learning behavior： A research on learning styles and collaborative learning data[J].2014（23）：25-31.

[5]王錢永，毛海波.基于UTAUT模型的MOOC學習行為因素分析[J].電化教育研究，2016（6）：43-48.

[6]Ochoa X，Worsley M，Weibel N，et al.Multimodal learning analytics data challenges[C].Proceedings of the Sixth International Conference on Learning Analytics & Knowledge，ACM，2016：498-499.

[7]魏順平.學習分析數據模型及數據處理方法研究[J].中國電化教育，2016（2）：8-16.

[8]Hartigan J A，Wong M A.Algorithm AS 136：A K-Means Clustering Algorithm[J].Applied Statistics，1979，28（1）：100-108.

[9]Pedro M O，Baker R，Bowers A，et al.Predicting college enrollment from student interaction with an intelligentring system in middle school[C].Education Data Mining 2013，2013.

[10]Andrade A.Understanding student learning trajectories using multimodal learning analytics within an embodied-interaction learning environment[C].Proceedings of the Seventh International learning Analytics & Knowledge Conference ACM，2017：70-79.

[11]戴心來，王麗紅，崔春陽等.基于學習分析的虛擬學習社區社會性交互研究[J].電化教育研究，2015（12）：59-64.

[12]楊現民，王懷波，李冀紅.滯后序列分析法在學習行為分析中的應用[J].中國電化教育，2016（2）：17-23.

[13]李爽，鐘瑤，喻忱等.基于行為序列分析對在線學習參與模式的探索[J].中國電化教育，2017（3）：88-95.

[14]楊金來，洪偉林，張翼翔.網絡學習行為的實時監控研究與實踐[J].開放教育研究，2008（4）.

[15]魏順平，韓艷輝，王麗娜.基于學習過程數據挖掘與分析的在線教學反思研究[J].現代教育技術，2015（6）：89-95.

[16]王竹立.新建構主義：網絡時代的學習理論[[J].遠程教育雜志，2011（2）：11-18.

[17]劉丹丹.基于在線學習平臺的學習行為數據模型研究[D].武漢：華中師范大學，2017.

[18]潘麗佳.MOOC設計、學習者參與度和學習績效的關系研究[D].杭州：浙江大學，2015.

[19]（德）庫爾特·勒溫著;高覺敷譯.拓撲心理學原理[M].北京：商務印書館，2003.12.

[20]成亞玲，譚愛平.基于慕課的混合學習教學設計探討[J].成人教育，2018（7）：35-39.

[21]馬志強，蘇珊，張彤彤.基于學習投入理論的網絡學習行為模型研究——以“網絡教學平臺設計與開發”課程為例[J].現代教育技術，2017（1）：74-80.

[22]Schaufeli W B，Martinez I M，Pinto A M，et al.Burnout and engagement in university students： A cross-nationalstudy[J].Journal of Cross-Cultural Psychology，2002（5）：464-481.

（編輯：王天鵬）