楊慧

（中國海洋大學計算機基礎(chǔ)部，.66100）

0 引言

互聯(lián)網(wǎng)的飛速發(fā)展，為高校的教育改革帶了新的機遇。當前，大部分高校都采用混合學習、翻轉(zhuǎn)學習等以“學”為導向的教育模式，學習的各個環(huán)節(jié)都離不開互聯(lián)網(wǎng)的支持。然而，這些基于網(wǎng)絡(luò)的教育方式是否提升了學習者的學習效果，很大程度上是直接取決于學習者在互聯(lián)網(wǎng)環(huán)境下的深度學習水平。

1 深度學習理論

在學習科學領(lǐng)域中，深度學習的概念由美國學者Marton和Saljo在1976年的《學習的本質(zhì)區(qū)別：結(jié)果和過程》一文中首次提出，認為深度學習是在理解學習的基礎(chǔ)上相對于淺層學習的一種學習方式[1]。Biggs、Entwistle和McCune指出深度學習包含高水平或者主動的認知加工，而淺層學習則采用諸如機械記憶等低水平認知加工。我國學者何玲和黎加厚認為深度學習強調(diào)學習者能夠批判性地學習新的思想和事實，并將它們?nèi)谌朐械恼J知結(jié)構(gòu)中，并能夠?qū)⒁延械闹R遷移到新的情境中，從而幫助決策和解決問題[2]?；ヂ?lián)網(wǎng)環(huán)境下的深度學習，是學習者在網(wǎng)絡(luò)情境下面對海量的網(wǎng)絡(luò)信息資源，進行主動地探索與整合以建構(gòu)知識，進而反思與遷移，并應用到問題解決中的學習。同時，網(wǎng)絡(luò)還為學習者提供了豐富的互動交流工具，為他們相互探討，分享提供了條件，有利于學習者之間思維的碰撞，發(fā)展學習者的創(chuàng)新性思維和溝通合作能力。

借助計算機數(shù)據(jù)挖掘技術(shù)對互聯(lián)網(wǎng)環(huán)境下大學生深度學習水平現(xiàn)狀以及相關(guān)影響因素進行研究，是教育領(lǐng)域新的突破，有助于促進學生在網(wǎng)絡(luò)環(huán)境下的認知深度，進而提高教學過程與學習活動的質(zhì)量，實現(xiàn)高效深層次的網(wǎng)絡(luò)學習。

2 數(shù)據(jù)來源及抽樣方法

學習者在進行網(wǎng)絡(luò)學習時，其網(wǎng)絡(luò)學習行為非常復雜多樣。本研究參考了布魯姆的教育目標分類，借鑒了“美國信息加工心理學的發(fā)展理論評介”文中網(wǎng)絡(luò)學習的一般模型[4]，在大量查閱文獻和訪談專家之后，編制了《互聯(lián)網(wǎng)環(huán)境下大學生深度學習調(diào)查問卷》。問卷采用Likert量表，由非常符合到完全不符合分為五個等級，分別賦值 5、4、3、2、1 分，分值越高，表明程度越好。為了保證調(diào)查問卷的合理性，本研究在正式投放問卷之前進行了預測，并根據(jù)多次因子分析的結(jié)果，最終得到潛變量因子4個，分別為信息素養(yǎng)、知識建構(gòu)、深度加工和溝通，各相關(guān)測量指標共27個。同時為了更好地進行比較,本研究還將學生個體特征，即性別、學科和年級，帶入模型探究這些相關(guān)因素的影響情況。

圖1 網(wǎng)絡(luò)學習的一般模型

本調(diào)查在某高校C語言程序設(shè)計課程范圍內(nèi)進行隨機抽樣，共發(fā)放了720份問卷，在刪除掉部分不合格問卷之后，共回收和使用有效問卷681份。調(diào)查樣本中74.6%為理工科學生。男女生比例約為3:1，而大一及大二學生占比約為80%。

3 基于計算機數(shù)據(jù)挖掘的互聯(lián)網(wǎng)環(huán)境下大學生深度學習影響因素分析

3.1 適用性檢驗

本研究通過KMO和巴特利球形檢驗顯著性概率值分析，比較了變量間偏相關(guān)系數(shù)和變量間相關(guān)性的指標，得出的KMO值為0.891，大于0.7，說明問卷符合要求，即效度可以，適合進行因素分析；巴特利特檢驗P值為0.000，小于0.001，說明因子的相關(guān)系數(shù)矩陣非單位矩陣，即變量前存在相關(guān)關(guān)系，可以通過進一步分析提取最少的因子同時又能解釋大部分的方差。

表1 KMO和巴特利特檢驗

3.2 描述與統(tǒng)計分析

（1）網(wǎng)絡(luò)環(huán)境下大學生深度學習水平的現(xiàn)狀

表2 網(wǎng)絡(luò)環(huán)境下大學生深度學習現(xiàn)狀的描述性統(tǒng)計

通過表2的描述性統(tǒng)計我們可以看到，網(wǎng)絡(luò)環(huán)境下大學生的深度學習水平均值約為3.256＞3，向5靠攏，說明大學生具有一定的深度學習水平。但從各維度描述數(shù)據(jù)可以看到C語言學生具備較好的信息素養(yǎng)（M=3.793），而網(wǎng)絡(luò)環(huán)境下知識構(gòu)建能力（M=3.182）存在不足，特別是缺乏遷移、運用等深度知識加工方式的能力（M=2.816）。

（2）網(wǎng)絡(luò)環(huán)境下大學生深度學習水平的性別差異

本研究將文史哲、經(jīng)濟學、法學、教育學、管理學劃分為偏文科類，而將理工農(nóng)劃分為偏理科類。由表3可以看出，網(wǎng)絡(luò)環(huán)境下男女生的深度學習水平不存在顯著差異。男生深度學習水平（M=3.40）略高于女生的深度學習水平（M=3.26）。雖然，男生在計算機素養(yǎng)方面比女生更高，但是女生在反思、整合及認知成熟度上的得分都顯著高于男生。此外，施利成等研究者在2009年的研究中發(fā)現(xiàn)女生更能夠接納不同的意見和問題解決方法，審慎地作出判斷、或暫不下判斷或修改已有判斷。這給出了本研究的部分解釋。

（3）網(wǎng)絡(luò)環(huán)境下大學生深度學習水平的年級差異

為了研究不同年級之間學習者的深度學習水平是否存在差異，我們進行了單因素方差分析，其結(jié)果如表4所示。計算結(jié)果表明，不同年級間學生深度學習水平存在顯著差異。其中大三學生的深度學習水平要顯著高于大一及大二年級的深度學習水平。這可能一方面是因為隨著信息素養(yǎng)的提高和自身學習策略的不斷調(diào)整優(yōu)化，大三學生在網(wǎng)絡(luò)環(huán)境下的深度學習水平也在提高。另一方面，這是由于大三學生課業(yè)壓力相對減少，可以在網(wǎng)絡(luò)學習中投入更多學習的時間和精力，并且專業(yè)課程對知識的深度要求學生更多得使用網(wǎng)絡(luò)檢索、整合和解決實際問題，這間接提升了深度學習能力。

表4 網(wǎng)絡(luò)環(huán)境下不同學科學生深度學習水平方差分析

（4）網(wǎng)絡(luò)環(huán)境下大學生深度學習水平的學科差異

表5 網(wǎng)絡(luò)環(huán)境下不同學科學生深度學習水平獨立樣本t檢驗

本研究將經(jīng)貿(mào)、文史哲、政法、管理學劃分為偏文科類，而將理工、醫(yī)藥、水產(chǎn)劃分為偏理科類。由表5可以看出，網(wǎng)絡(luò)環(huán)境下文理科大學生的深度學習水平并不存在顯著差異。文科生的深度學習水平（M=3.346）略低于理科生的深度學習水平（M=3.362）。這可能是由于理科生習慣于連續(xù)、邏輯思維模式，在網(wǎng)絡(luò)學習環(huán)境中更善于通過深度挖掘各種資源并通過實踐驗證形成深層次的認知。而文科知識需要發(fā)散的思維，往往需要在網(wǎng)絡(luò)中廣泛整合信息，在對各種觀點的討論、反思中構(gòu)建知識。由于高階思維能力、反思與溝通能力都是與深度學習相契合的，且文理科學生在這兩方面的優(yōu)勢程度近乎一致，因而不同學科學生的深度學習水平基本是持平的。

（5）網(wǎng)絡(luò)環(huán)境下大學生深度學習水平影響因素主成分分析

為了全面、系統(tǒng)地分析問題，我們必須考慮了眾多網(wǎng)絡(luò)環(huán)境下影響大學生深度學習的因素，即變量。因為每個變量都在不同程度上反映了所研究問題的某些特征，并且指標之間彼此有一定的相關(guān)性，因而所得的數(shù)據(jù)在一定程度上有重疊，直接納入分析就有可能因多元共線性而無法而出正確結(jié)論。為了追求研究的相對科學性和準確性，本研究采用主成分分析（Principal Components Analysis，PCA）對影響網(wǎng)絡(luò)環(huán)境下大學生深度學習水平的主要因素進行探究，利用線性擬合的思路把分布在多個維度的高維數(shù)據(jù)投射到幾個軸上，用一組新的互相無關(guān)的綜合因子來代替原來的變量，達到數(shù)據(jù)壓縮抽象的目的。

PCA算法一般通過以下4步驟實現(xiàn)[5]：

①對原來的p個指標數(shù)據(jù)進行標準化。

②根據(jù)公式（1），計算標準化數(shù)據(jù)矩陣的協(xié)方差矩陣C。

③求出協(xié)方差矩陣的特征根和特征向量。令協(xié)差陣的特征值為 λ1≥λ2≥…≥λp，向量 l1,l2,….,lp為相應的特征量，則第j個主成分為：

④確定主成分個數(shù)m，計算主成分方差貢獻率和累積貢獻率。這里我們采用了特征根＞1的方法確定了主成分個數(shù)。

⑤結(jié)合研究的問題，解釋主成分蘊含的信息。

我們通過對圖1主成分特征值的觀察，可以發(fā)現(xiàn)在第六個主成分之后，特征值明顯降低，表示對應的主成分包含的信息明顯減少，影響較弱。表6反映了各成分的方差貢獻率和累積貢獻率。由于前6個主成分累計方差貢獻率已經(jīng)達到75.385%，且特征根均滿足大于1的要求，我們有理由認為提取前6個主成分代替原來的27個變量是合理的。

為了進一步明晰各因子所表示的含義，我們對初始因子載荷矩陣進行旋轉(zhuǎn)，并通過鎖定在各個公因子上載荷較大的變量來解釋各公因子。其中第一主成分與各個變量“整合”、“下載”、“瀏覽平臺”、“點播網(wǎng)上資料”的各個系數(shù)分別為 0.73、0.69、0.67、0.66，說明第一主成分主要體現(xiàn)了學生對網(wǎng)上資料收集整合的行為對深度學習水平的影響；而第二主成分與各個變量的系數(shù)中“上傳”、“SNS分享”、“群組共享”三個變量載荷加大，分別為0.71、0.69和0.68，說明在網(wǎng)絡(luò)上進行知識分享對深度學習影響也比較強烈；以此類推，再觀察與第三個、四、五、六主成分載荷較大的變量，發(fā)現(xiàn)可以將他們解釋為“反思自我”、“參與論壇話題討論”、“批判性學習”、“通過聊天工具或者Email向他人求助”的影響因素。

圖2 主成分分析碎石圖

大學生有意識地瀏覽網(wǎng)絡(luò)網(wǎng)絡(luò)并進行整合，表明他們具備了利用網(wǎng)絡(luò)工具來獲取信息的素養(yǎng)，同時在學習主觀能動性方面有了一定突破，對信息進行整合是從淺層學習通向深度學習的階梯。而研究同時發(fā)現(xiàn)論壇、社交媒體和群組已經(jīng)成為大學生分享學習資料的一個重要方式，正逐漸成為大學生學習時不可或缺的手段。同時在知識建構(gòu)領(lǐng)域，如果大學生能夠自發(fā)地找出新舊知識的聯(lián)系，在反思的基礎(chǔ)上通過觀察、討論和實踐的方式驗證形成新觀點，就能夠達到對知識的深度建構(gòu)。在溝通方面，網(wǎng)絡(luò)彌補了傳統(tǒng)課堂的時空域限制，學習者可隨時問詢同類學習者或者教師的見解和立場觀點，并得到來自他人的幫助和反饋，給予了學習者持續(xù)有力的支持，激勵學生更深入地反思和學習。

4 結(jié)語

綜上，我們得到在網(wǎng)絡(luò)環(huán)境下對學習者深度學習起關(guān)鍵作用的6個因子，他們按其影響程度自大到小分別是“瀏覽并整合網(wǎng)絡(luò)資源”、“網(wǎng)絡(luò)分享”、“反思自我”、“參與論壇話題討論”、“批判性學習”、“通過聊天工具或者Email向他人求解”，也就是說學習者在這6個因子上的得分表現(xiàn)直接影響他們的深度學習的有效性。對于以上研究結(jié)果，下文試圖做出較為合理的解釋。

本研究借助計算機數(shù)據(jù)分析方法和問卷調(diào)查，通過描述性分析，從四個維度概括了網(wǎng)絡(luò)環(huán)境下C語言學生深度學習的現(xiàn)狀；通過差異分析，探究了性別、年級和學科因素的影響情況；通過主成分分析，提取了網(wǎng)絡(luò)環(huán)境下影響大學生深度學習的六個主因子；通過計算旋轉(zhuǎn)后的因子載荷矩陣，進一步明晰了六個主因子的內(nèi)涵，并做出了合理解釋，旨在為進一步提升互聯(lián)網(wǎng)下環(huán)境下教學過程和學習活動的質(zhì)量帶來一些參考。

表6 主成分分析結(jié)果