基于學生在線學習行為特征的混合課程分類研究

羅楊洋 韓錫斌

關鍵詞：混合課程;課程分類;聚類分析;在線學習行為;機器學習算法

一、引言

課程分類是課程本質屬性的一部分，對于課程評價，課程設計和課程實施具有重要意義[1]。混合課程融合了在線與面授兩種授課場景[2][3]，課程設計和實施過程更加靈活復雜，為混合課程分類研究帶來了較大挑戰。現有混合課程分類研究主要從混合課程的技術應用、學習經歷、課程目標、實施環境、實施主體以及活動組織形式等視角進行了探索[4-8]，然而這些分類都無法為教師依據客觀數據動態優化和管理教學提供幫助。混合課程的教學策略動態調整、個性化評價和教學預警等研究中關鍵問題的解決方法均指向數據驅動的混合課程分類[9-12]。本文旨在研究學生的在線學習行為聚類特征，據此提出混合課程的分類方法，分析該方法的穩定性，為幫助教師動態調整教學策略，個性化混合課程評價和學習預警奠定基礎。

二、文獻綜述

課程分類是分析課程的本質特征，以一定的標準和方法將課程分類有助于發現課程某一方面的特點，在幫助教學設計、實施、管理、評價等方面具有重要意義[13]。混合課程是一種課程形式，已有文獻從不同方面對混合課程分類開展研究，如：依據技術融入教學的程度將混合課程分為使能型、增強型、轉換型;依據在線與面授的內容及方式分為面授講解與在線學習結合型、在線講解與面對面討論結合型、虛擬現實模擬與結構化面授結合型、現場實習與在線引導結合型、現場培訓與線上培訓結合型;依據課程目標分為面向任務型、面向產品型、面向項目型等，然而上述研究都沒有依據學生在線學習行為進行混合課程分類。有學者提出學生在線學習行為可作為混合課程分類的依據，當一門課程中主要學生群體的在線學習行為都屬于某一類時，這類學生群體的學習行為特點就可代表該門課程的特征，據此將混合課程分為四類：很少使用學習平臺類、在線協作類、在線討論類和提交在線作業類[14]，為本文探究基于學生在線行為數據的混合課程分類方法提供了借鑒與啟示。目前基于學生在線學習行為進行混合課程分類的研究涉及三個方面：學生在線學習行為聚類研究、基于學生在線學習行為的混合課程分類研究和基于數據的分類穩定性研究。

（一）學生在線學習行為聚類研究

學生在線學習行為聚類研究的目標是采用某種聚類方法提取學生在線學習行為的典型特征，為下一步研究提供依據[15]。使用機器學習聚類算法開展聚類分析是一種無監督學習過程，其特點是無需數據的類別標識，通過學習樣本之間的數據特征將樣本劃分為不同組別[16]。算法的選擇是聚類研究的關鍵問題，K-means算法是目前進行學生在線學習行為聚類研究的常用算法，如有研究分析了學生的研究型學習行為記錄，發現了4類不同能力水平的學生群體[17]。K-means算法雖然簡單易實現，但不能保證在任何研究情境中都能獲得最佳的學生行為聚類結果。因此需要圍繞特定問題嘗試不同算法，采用評價指標對比分析聚類結果的優劣，以求獲得最佳聚類結果。使用聚類算法開展研究時所得結果的有效性對研究結論是否具有偏誤具有重要影響[18]，但在已有文獻中極少報告聚類結果的評價指標[19]。本文將嘗試不同機器學習算法對學生在線學習行為進行聚類，依據相關評價指標對比各種算法，獲得最優的聚類結果，并分析不同類型學生在線學習的典型行為特征，為混合課程的分類提供依據。

（二）基于學生在線學習行為的混合課程分類研究

混合課程分類對學生評價、學習預警和教學優化都十分重要，然而以往研究的混合課程分類方法或框架未有幫助上述目標實現的功能[20]。當前為混合課程分類的研究主要從混合課程的要素構成和自身屬性出發，有學者從教師在教學設計中融合技術開展混合教學模式改革角度討論了三種課程的混合方式，分別是使能型混合，即將混合的重點放在課程的接入性和學習便利性上，使學習的靈活性最大化。增強型混合，即利用在線課程內容補充面授課程的內容，不從根本上改變課程。轉換型混合，即從根本上變革課程設計，將學習者從信息的接受者變更為一個可通過動態交互自主建構知識的模型。該分類能夠指導教師在混合課程中整合技術，幫助學生更好的學習，但對學習預警沒有幫助。還有學者從學習經歷的角度出發也定義了一種二維的混合課程分類方法。該方法的兩種維度分別是傳遞信息的中介以及課程內容的屬性。在不同的維度下混合課程的核心學習活動會有極大差異。具體來說，為適應教師的教學目標，滿足學生的學習偏好，即使是相同的混合課程也有可能在課程設計的呈現方式和知識偏好上有所不同，從而引導學習者出現相應的學習活動。該分類框架雖然面向學生的學習經歷，但沒有關注學生在混合課程中的學習投入特征，無法為學生評價和課程評價提供幫助。另外還有研究分別從混合課程實施環境、課程實施主體以及課程活動組織形式的視角提出了混合課程分類方法。以上分類方法沒有涉及師生在混合課程實施中的教學活動特征，對教學優化、學習預警、學習評價等研究沒有直接的指導作用。

近年來有學者提出學生在線學習行為可作為混合課程分類的依據，并通過記錄的學生在線學習行為數量進行了標記，區分學生在不同在線學習行為指標中的活動特征，以此劃分不同類別的混合課程。該研究認為基于學生在線學習行為的混合課程分類可反應出混合課程的真實運行狀態，幫助院校管理者干預混合課程的實施狀態，并通過網絡教學平臺為混合學習提供更好的支持。該方法從混合課程實施過程的數據出發，提出了一種將學生在線學習行為特征轉化為混合課程分類方法的思路，且該方法關注不同學生在線學習行為的特征，為后續研究基于客觀數據的動態教學管理、個性化評價和學習預警奠定了基礎。可以看出，以往的混合課程分類研究只有少量從過程數據的視角開展研究，雖有學者基于學生在線學習行為數據對混合課程分類，但該分類方法的穩定性如何尚不清楚。

（三）基于數據的分類穩定性研究

采集學生在線學習行為數據并以此為依據為混合課程分類，是一種依賴數據的分類方法。這種分類的目標是從樣本數據中提取一個分類函數或分類模型，當有新數據時根據已有分類函數或模型將新數據映射到給定類別的某一類中[21]。這種分類方法通常要面臨新數據加入后分類穩定性的問題。好的分類方法應具有良好的穩定性，穩定性是指分類方法可以適用于構建分類方法相似的新數據，并將新數據完整分入每個類別中，且每個類別內部的數據特征類似[22]。機器學習領域的學者指出，在數據集不平衡的情況下，分類器可能出現部分樣本分類準確率高而另一部分樣本準確率較低的情況[23]。從混合課程中提取的學習過程數據一般是不平衡的，然而混合課程樣本各部分分類準確率差異較大的結果則是不可容忍的。類似的問題在數據科學研究中也引起了學者的關注，且一直未取得突破性的進展[24]。

三、研究問題及研究方法

本文根據以上文獻分析提出以下研究問題：

問題1：采用何種算法才能獲得最優的學生在線學習行為聚類結果？每類學生在線學習行為的典型特征什么？

問題2：基于學生在線學習行為特征對混合課程進行分類的結果是什么？

問題3：基于學生在線學習行為特征的混合課程分類方法的穩定性如何？

選擇某高校2018年秋季學期的2456門混合課程和2020年春季學期的1851門混合課程中學生的在線學習行為日志為研究樣本數據。其中，2018年秋季學期的數據用于構建基于學生在線學習行為的混合課程分類方法，2020年春季學期的數據用于檢驗基于學生在線學習行為的混合課程分類方法的穩定性。

研究過程與方法如下：（1）收集數據和預處理階段，收集2018年學生在線學習行為日志，將日志轉換為學生學習行為數據并對行為數據進行預處理;（2）學生在線行為聚類階段，采用聚類分析研究學生在線學習行為，得到不同聚類標簽的學生群體;（3）混合課程分類階段，分析每門課程中的學生在線學習行為，嘗試使用課程中包含的學生聚類標簽為課程分類，取分類準確率最高的標簽作為課程分類結果，將相同分類的課程歸為一類，分析每類課程特征;（4）混合課程分類驗證階段，使用2020年新數據驗證課程分類方法的穩定性。

（一） 收集數據和預處理階段

本研究中的學生采用優慕課?綜合教學平臺V9開展混合課程的在線學習活動。網絡教學平臺中存儲的日志數據記錄了學生的學習行為，按照學習者對網絡課程各模塊的操作方式分離日志中的行為數據，再按頻次和時長累積計數[25][26]。據此得到的一條數據包含一名學生在一門課程中一個學期的歷史在線學習行為。為使用機器學習算法識別上述數據項，對每項數據進行編碼，形成的學生在線學習行為數據集編碼如表1所示。

從表1中可以發現當學生使用網絡教學平臺時，數據項都具有不同的量綱。且數據項內部存在嵌套關系，如，生生交互學習活動中，若學生課程討論區中被回復的計數，則在課程討論區中發表話題計數至少有1，但反之則不然。為消除數據項之間量綱的差異及數據項之間的嵌套問題，在聚類分析前需對每一個在線學習行為數據字段進行最大值最小值歸一化處理。通過最大值最小值歸一化操作后，各項數據都在保留其代表學生在該操作中與其他學生差異特征的前提下，減小了數據的離散化程度，增加了數據的內聚性。經過簡單探索發現，雖經過歸一化處理，樣本集中仍然存在大量極值，這些具有極值的學生并非均勻分布在每一門課程中，且極值也不是簡單聚集在某幾項行為中，因此在預處理時沒有刪掉樣本集中具有極值的學生行為數據。經過上述數據處理后，將2456門混合課程中的學生行為日志處理為229796條行為數據。

（二） 學生行為數據聚類階段

為識別學生的在線學習行為特征，聚類分析將在線學習行為數據作為輸入項，聚類分析流程如圖1所示。

為獲得學生在線學習行為最優聚類，研究分別選取了三類聚類方法中最具代表性、應用最多的典型算法：K-means聚類算法（KM）、GMM實現的EM聚類算法（EM）和DBSCAN算法。研究采用python語言中的scikit-learn數據挖掘工具包開展聚類分析處理。雖然EM算法和DBSCAN算法都無需設定聚類個數，但通過設定聚類個數可比較不同聚類算法聚類結果的優劣，因此每項聚類算法的起始聚類個數從2開始并逐漸增加聚類個數（設為N），直到聚類的傾向指標霍普金斯統計量（Hopkins Statistic Index，HSI）顯示聚類分離明顯，無需繼續劃分聚類為止。完成三種聚類算法的參數設定后，為得到不受樣本順序影響的聚類偏差，每種聚類算法在完成參數設定后都會重復運行當前聚類設定的兩倍加一次（2N+1），每次運行聚類算法前樣本順序會進行隨機變換。每次聚類算法執行后，記錄聚類結果和聚類評價指標。在重復聚類完成后樣本點的聚類標簽以標記標簽占多數的情況決定，如某學生的學習行為在KM算法設定為2個聚類時，重復5次有3次為第一類，其余2次為第二類時將該學生記錄為第一類。對聚類結果的評價指標則以所有重復次數完成后的平均值表示。

（三）混合課程分類階段

使用混合課程的學生在線學習行為及每類學生的聚類標簽為混合課程分類的基本思路是：首先，將學生的行為數據表與學生的聚類標簽連接，得到每一門課程中包含的各類學生。然后分析每一門課程中各類型學生的聚類特征，去除只包含不活躍類型學生的課程。最后以課程中包含的學生類型依此為課程標記類型，用分類算法確定分類準確率最高的類型作為該課程的類型（如圖2所示）。

課程的分類流程銜接和其中的每一步都可以使用程序自動完成。在具體流程中刪除只包含不活躍型學生課程。在將學生類型作為標簽對課程進行標記時，執行步驟是首先以課程中其中一類學生的類型作為標簽進行課程標記。然后采用分類算法，以該課程中標記的學生行為數據和聚類標簽為輸入項對當前標記的課程進行分類，并記錄分類準確率。分類準確率以標記正確的個數占課程標記的總數百分比計算，每次選出不同的學生類型標記課程，并記錄分類準確率，直到課程中不再有其他學生類型。比較每種類型標記課程得到的分類準確率，以準確率最高的類型記錄課程分類。對課程進行分類時采用隨機森林算法，并采用5折交叉檢驗。為保證課程分類不受課程中學生數據的順序影響，每門課程采用隨機森林算法完成分類后會通過重新亂序排列課程中的學生數據并重復10次。最終獲得混合課程分類結果。

采集上述高校2020年春季學期的1851門混合課程中的學生行為日志，重復收集數據和預處理階段、學生行為數據聚類階段和混合課程分類階段的所有操作，分析混合課程分類方法對新數據分類的穩定性。

四、研究結果與討論

（一）學生在線學習行為聚類的算法選擇及其結果分析

本研究采用4個指標評價聚類結果：聚類輪廓系數（Silhouette Score，SI），聚類緊密度（Calinski-Harabaz Index，CH），戴維森堡丁指數（DaviesBouldin Index，DBI）和霍普金斯統計量（HopkinsStatistic Index，HSI）。SI度量聚類中同類樣本之間的距離與該類樣本和其他類樣本之間的距離的比值，該值越接近1則聚類結果越好;CH度量聚類中心點和全部樣本的中心點平方和（分離度）與聚類中的樣本和聚類中心的平方和（緊密度）的比值，數值越大則聚類結果越好;DBI量化每個聚類之間的最大相似度均值，該指標越接近0則聚類結果越好。HSI用于評價聚類個數是否最優，該指標使用數據樣本所構成的向量空間判斷其中的數據分布類型，當該指標越接近1時則樣本聚類個數越趨近于最優[27]。

使用三種聚類算法對2018年混合課程和2020年混合課程中學生在線學習行為數據進行聚類，每項聚類算法的起始聚類個數從2開始逐漸增加，當個數達到8時，傾向指標HSI顯示樣本隨機化明顯，無需繼續增加。表2呈現了三種聚類算法聚類個數為5時所得結果在4個評價指標上的取值。表中第1列是三種算法，如KM5即代表采用KM算法將學生在線學習行為數據聚類為5類;第2—5列顯示的是某種算法將2018年混合課程中學生在線學習行為數據聚類在4個評價指標的值，而6—9列則是2020年數據聚類的評價指標取值。

觀察表2可知，2018年與2020年的混合課程學生數據都在聚類為5類時，結果最佳。且EM算法和KM算法的聚類結果在4項評價指標的數值上差異不大。因此選擇這兩種算法將在線學習行為分為5類是最優結果。

根據上述聚類結果將2018年混合課程中的學生分為五個類別，每個類別學生的20項在線學習行為指標的均值和標準差如表3所示。

從圖3中可以看出五類學生在線學習行為有非常明顯的區別，其典型特征如下：

（1）聚類編號為0的學生在線活動非常少，在表征學生在線學習行為的20項指標中，有17項均值為0，只有3項指標均值大于0.001。據此將該聚類編號的學生命名為“不活躍型學生”。

（2）聚類編號1的學生相比聚類編號0的學生活躍，但沒有一項在線學習行為指標數據的均值高于其他類，有12項指標的均值小于0.01，其中8項為0。據此將該聚類編號的學生命名為“低活躍型學生”。

（3）聚類編號2的學生在線學習行為集中在兩項活動上，他們的上交課程作業（LBS17）和保持在線活動（LBS11）兩項指標均值是最高的，同時該類學生幾乎沒有其他在線學習行為，有13項小于0.001。據此將該聚類編號的學生命名為“任務型學生”。

（4）聚類編號3的學生更加關注視頻材料的學習，點擊進入播課（LBS6），參與播課學習（LBS7）、視頻觀看時長（LBS12）、記錄學習筆記（LBS16）和提交在線測試（LBS20）等指標均值是所有類別中最高的，其他指標中只有3項均值小于0.01。據此將該聚類的學生命名為“閱覽型學生”。

（5）聚類編號4的學生在線學習行為特征是其大多數行為指標均值最高，在21項指標中的12項均值是最高的。據此將該聚類的學生命名為“高活躍型學生”。

各類型學生在所有學生中的占比分別為，“不活躍型學生”77%，“低活躍型學生”15%，“任務型學生”6%，“閱覽型學生”1%，“高活躍型學生”1%。

（二）基于學生聚類結果分類的混合課程特征

采用第三節中所述方法將所有課程進行分類后，基于學生在線學習行為典型特征，可獲得每門課程按照其包含學生類型標簽的準確率列表。表3顯示部分課程通過分類后得到在五種學生分類標記下的結果準確率。

從表3中可見采用分類算法對不同課程依據學生典型行為標記為五種類型后，其準確率存在差異，將準確率最高的類別作為該課程的類別標記。將每門課程標記完成后，同樣標記的課程歸為一類，可得到每個課程類型包含學生的占比分布圖（如下頁圖4所示）。

分析每類混合課程中的學生占比構成，可發現每類課程的典型特征如下：（1）有1403門課程被分類為不活躍型課程中，該類課程中不活躍的學生占83.2%，任務型學生中占13.5%，而剩余的3.3%學生則分布在低活躍型，閱覽型和高活躍型三類學生中。說明不活躍型課程中，不活躍型學生都占大多數。不活躍型課程在每個學院中均有出現，且在體育學院和外國語學院開設課程中占比較高。

（2）有113門課程被分類為低活躍型課程中，該類課程中有58.1%的學生是低活躍型，17.1%的學生屬于任務型，不活躍型學生占12.2%，高活躍型學生占10.8%，閱覽型學生占1.7%。低活躍型學生占大多數。低活躍型課程只在全校27個開課學院中的10個學院中出現，同樣在外國語學院開設課程中占比較高。

（3）有880門課程被分類為任務型課程，該類課程中有73.7%的學生屬于任務型，15.5%的學生屬于不活躍型，低活躍型學生占5.1%，高活躍型學生占4.3%，閱覽型學生占1.3%。任務型學生占大多數。任務型課程分布在22個開課學院中，且在計算機科學與技術學院開設課程中尤為集中。

（4）有38門課程被分類為閱覽型課程，該類課程中有56.7%的學生屬于閱覽型，有19.2%的學生屬于低活躍型，12.2%的學生屬于任務型，10.9%的學生屬于高活躍型，1.1%的學生屬于不活躍型。閱覽型學生占大多數。閱覽型課程只出現在3個開課學院中，且主要屬于建筑工程學院開設的課程。

（5）有22門課程被分類為高活躍型課程，該類課程中有高活躍型學生72.9%，有15.7%的學生為低活躍學生，4.5%的任務型學生，3.88%的閱覽型學生，3.55%的不活躍型學生占比。高活躍型課程主要集中在生命科學院、電氣與電子工程學院和法學院開設課程中占比較高。

本研究結果與以往研究者的結論相比，分類結果同樣發現了有大量混合課程屬于不活躍型，但從方法上來看，本研究實現了無需人工干預的自動化混合課程分類。

（三）基于學生在線學習行為聚類特征的混合課程分類方法的穩定性

在采用學生在線學習行為聚類結果為混合課程分類時，學生行為聚類結果的穩定性也會影響混合課程分類的結果。好的分類方法應具有良好的穩定性，穩定性是指分類方法可以適用于構建分類方法相似的新數據，并將新數據完整分入每個類別中，且每個類別內部學生學習行為特征類似。本文對比分析了2018秋季和2020春季兩學期學生行為的聚類結果，結果發現2018年與2020年的混合課程中各聚類編號下的學生在線學習行為特征相似。說明依據學生在線學習行為聚類特征對混合課程分類時兩學期的聚類特征較為穩定，為混合課程分類方法的穩定性奠定了基礎。依據2020年學生在線學習行為聚類特征為混合課程分類后，可獲得不活躍型課程（841門），同樣在每個學院中均有出現，主要集中在體育學院中;低活躍型課程（232門），該類課程較為平均的分布在每個學院中;任務型課程（314門）該類課程分布在16個開課學院中，同樣在計算機科學與技術學院開設課程中尤為集中;閱覽型課程（413門）該類課程分布在18個學院中，除建筑工程學院外，還集中在材料科學與工程學院及交通與車輛工程學院開設的課程及高活躍型課程（51門）該類課程除集中在2018秋季學期的三個學院外還新增了管理學院和數學與統計學院。研究進一步對比了2018年混合課程各類學生構成與2020年混合課程各類學生（如圖5所示）。

對比圖4和圖5可知，依據學生在線學習行為聚類特征分類后依然可將2020年的全部混合課程分類到五類課程中，且每類課程的典型特征一致。

由此可見，基于學生聚類特征的混合課程分類方法完整的將某高校2018年秋季學期的混合課程與2020年春季學期的混合課程分入了五個類別之中，每個類別的典型特征相同，分類標準和結果并未因樣本數據不同而變化。本研究首次通過相同學校的不同學期數據驗證了基于學生在線學習聚類特征的混合課程分類方法的穩定性。

五、研究結論及教育意義

混合課程情境下，如何依據學生在線學習行為進行分類，是解決混合課程動態優化、管理，個性化評價及教學預警的基礎問題。本文提出了一種依據學生在線學習行為特征對混合課程進行分類的方法，結果表明：（1）該方法首先通過機器學習算法對混合課程中的學生在線學習行為進行聚類并分析每類學生的典型特征，依據學習行為的典型特征將混合課程分為可以自動識別的五種類型：不活躍型課程、低活躍型課程、任務型課程、閱覽型課程和高活躍型課程;（2）采用該方法對同一個高校兩個學期的混合課程進行分類，結果都歸入了五個類別之中，且每類課程中學生學習行為的典型特征相同，由此驗證了該方法具有良好的穩定性;（3）該方法不依賴人工事先標注，便于計算機自動化分類，能發現課程中的學生群體行為特征，分析學習過程差異，為教師動態設計、管理混合課程，及時預警學生，實現個性化混合課程評價奠定基礎。

本研究將學生行為特征轉換為混合課程的分類依據，獲得了五個類型的混合課程，具有良好的通用性，適用于不同院系、不同學科、不同教師、不同規模的課程，對教學實踐具有以下指導意義：

（一）精確指導混合課程建設和實施

本研究發現在案例院校4307門混合課程中有大量課程仍屬于不活躍型（52.1%），這些課程還處于混合教學實施的早期階段[28]。從開課學院來看，體育學院并不適用于傳統線上線下結合的混合課程，學院需進一步分析體育類課程的特點，建設適合的線上教學內容，探索適用于體育類課程特點的線上教學形式。低活躍型課程則顯示出傳統面授課程向混合課程改革過渡的特征，說明這些課程中的師生正在積極嘗試混合課程。院校管理者需加強這類課程的管理，防止師生因片面理解混合課程的意義，將教學撕裂為線上和線下互相獨立的活動，導致教學效果降低的問題。閱覽型和任務型課程則幾乎全部出現在工科學院開設的課程中，說明工科學院將混合課程的線上內容更多理解為課程呈現和任務完成的環境，還需進一步挖掘混合課程的潛力，以促進學生協作和反思能力的培養。對于高活躍型課程，管理者可以分析課程特點，總結典型經驗，探索推廣方式，構建教師互助體系，全面推進混合教學改革。

（二）構建更有效的學習預警體系

構建學生成績預測模型是實現學習預警重要方法，以往研究指出不存在一種適用于所有混合課程的成績預測模型，構建具有較高預測結果準確率的混合課程成績預測模型前提是對混合課程分類。本文提出的混合課程分類方法依據學生的學習過程特征，構建了分類混合課程的依據，可成為按類型構建混合課程成績預測模型，提升預測結果準確率的基礎。從而幫助混合課程中對大規模學生實時預警系統的構建，提升教師和教學管理者學情分析的效率和準確率。

（三）有利于為教師動態優化教學提供依據

在混合教學實施過程中，學生的學習行為特征通常具有階段性差異[29]。以往教師只能基于學生的歷史學習過程和學習成績，在學期末反思自己的教學過程，優化下一學期的教學。本文提出的混合課程分類方法可隨時收集學生數據，發現課程中大多數學生線上學習的偏好，幫助教師動態調整混合教學策略，改變學生的線上學習狀態，促進學生增加某類活動中的學習投入，按教學設計完成混合課程目標。

（四）有利于為混合課程提供個性化評價依據

以往研究指出，欠缺數據驅動課程分類方法是研究混合課程個性化評價中的瓶頸問題。分析學生學習過程數據，獲取個性化評價依據有助于以評促學[30]。本文提出的混合課程方法可發現課程中存在的差異化學生行為特征，幫助研究者了解學生群體在混合課程中學習行為特征差異，發現學習群體特性，對不同學習群體開展精準的個性化評價提供基礎。如對不活躍型和低活躍型混合課程，評價應重點關注線下學習過程;對任務型和閱覽型混合課程，評價應關注某類學習活動的質量;對高活躍型混合課程，評價應全面覆蓋學生在線學習活動。另外，本文提出的課程分類方法可幫助院校管理者分析全校混合課程的真實運行狀態，在開展課程評價時，比對教學設計中在線學習的安排與課程類型的差異，從而形成數據驅動的個性化混合課程評價。

本研究結論從一所學校兩個學期的數據中獲得，提出的方法是否能夠實現跨學校、跨平臺的混合課程穩定分類還有待進一步驗證。另外，基于這種分類構建的學習成績預測模型是否具有更好的準確率也需要開展研究。