王堅 張媛媛 柴艷妹

摘 ?要 對學(xué)生的網(wǎng)絡(luò)行為進(jìn)行研究，首先獲取具有典型意義的觀測指標(biāo)構(gòu)成原始數(shù)據(jù)集，通過因子分析，提取出能夠客觀反映學(xué)習(xí)特征的兩個公共因子，并依據(jù)不同學(xué)生的因子得分進(jìn)行聚類分析，通過分析結(jié)果可以看出，學(xué)生網(wǎng)絡(luò)學(xué)習(xí)具有群體性的特征。此外，重點(diǎn)討論未來的改進(jìn)重點(diǎn)和實施依據(jù)。

關(guān)鍵詞 學(xué)習(xí)分析;因子分析;聚類分析;網(wǎng)絡(luò)學(xué)習(xí)行為

中圖分類號：G645 ? ?文獻(xiàn)標(biāo)識碼：B

文章編號：1671-489X（2019）18-0003-03

Analysis of Students Online Learning Behavior based on Factor Analysis and Cluster Analysis//WANG Jian， ZHANG Yuanyuan， CHAI Yanmei

Abstract In this paper， the network behavior of students is studied. Firstly， the original data set is made up of typical observation indi-

cators. Through factor analysis， the common factors that can objec-

tively reflect the characteristics of learning are extracted. According to the factor scores of different students， clustering analysis is

carried out. Through the analysis results， it can be seen that students

network learning has the characteristics of group. This paper also

focuses on discussing the future improvement emphasis and imple-mentation basis.

Key words learning analysis; factor analysis; cluster analysis; on-line learning behavior

1 引言

通過網(wǎng)絡(luò)平臺進(jìn)行學(xué)習(xí)，具有學(xué)習(xí)資源豐富、學(xué)生主體性強(qiáng)、交互獨(dú)特及學(xué)習(xí)時空靈活的特點(diǎn)[1]。與傳統(tǒng)教學(xué)模式面對面的交流不同，學(xué)生的學(xué)習(xí)行為更多是源于自發(fā)，學(xué)習(xí)過程由學(xué)生自主確定學(xué)習(xí)步調(diào)。學(xué)生由于個性特征、學(xué)習(xí)背景、對待課程態(tài)度、網(wǎng)絡(luò)學(xué)習(xí)認(rèn)知以及與其他學(xué)生互動程度的不同，其學(xué)習(xí)行為表現(xiàn)也有較大的差異性。在不同情境下，同一學(xué)生個體受到個人興趣、狀態(tài)等多方面特征的影響，獲得感也有所不同，有時甚至?xí)a(chǎn)生惰性心理，這些都對自身的適應(yīng)能力和自控能力提出較高的要求，也對教學(xué)的組織和引導(dǎo)有著更大的期待。

學(xué)習(xí)分析是近年來教育技術(shù)領(lǐng)域迅速崛起的熱點(diǎn)問題，它的出現(xiàn)也推動了教育信息化的浪潮[2]。它從網(wǎng)絡(luò)入手學(xué)習(xí)的過程數(shù)據(jù)，特別是學(xué)生的行為數(shù)據(jù)，采用先進(jìn)的分析方法和分析工具，如數(shù)據(jù)挖掘和可視化方法等，對學(xué)生在學(xué)習(xí)過程中遇到的問題進(jìn)行診斷，并對學(xué)習(xí)結(jié)果做出預(yù)測，從而有針對性地優(yōu)化和增強(qiáng)教學(xué)效果[3-4]。

學(xué)生的網(wǎng)絡(luò)學(xué)習(xí)行為所產(chǎn)生的行為數(shù)據(jù)間往往具有很強(qiáng)的相關(guān)性，運(yùn)用因子分析方法，可以從多維的特征數(shù)據(jù)中抽取出因子組合，這些因子不能直接從原始數(shù)據(jù)中獲取，但可以通過轉(zhuǎn)換矩陣等工具計算得到[5]。本文采用因子分析的方法來客觀反映學(xué)生學(xué)習(xí)行為特征和本質(zhì)，并利用因子分析的結(jié)果對學(xué)生行為進(jìn)行聚類分析[6-7]，對學(xué)生樣本按照其行為的近似程度，實施無監(jiān)督的分類過程，對聚類結(jié)果進(jìn)行判別，可以進(jìn)一步確定導(dǎo)致不同學(xué)習(xí)行為特征的關(guān)鍵要素，關(guān)注學(xué)生切實需求，改進(jìn)教學(xué)方法。

2 研究背景

大學(xué)計算機(jī)基礎(chǔ)作為中央財經(jīng)大學(xué)的計算機(jī)公共基礎(chǔ)課，在培養(yǎng)學(xué)生計算思維、提升學(xué)生數(shù)字素養(yǎng)方面有著重要的作用。在課程教學(xué)實踐過程中引入混合式教學(xué)的理念，即學(xué)生的主要學(xué)習(xí)行為依靠網(wǎng)絡(luò)教學(xué)平臺來完成，包括視頻學(xué)習(xí)、在線練習(xí)、在線測試、在線討論等多個環(huán)節(jié)，同時輔以線下的難點(diǎn)授課、課程答疑、小組討論、作業(yè)評價等項內(nèi)容，如圖1所示。

從圖1中可以看出，網(wǎng)絡(luò)平臺中一系列的教學(xué)內(nèi)容、教學(xué)環(huán)節(jié)和教學(xué)元素，精心組織和建設(shè)后，以包括音視頻在內(nèi)的多種媒介形式展示給學(xué)生，供其自主學(xué)習(xí)。本研究選取2017年參與該混合式教學(xué)的219名學(xué)生作為研究對象，課程開設(shè)周期為15周，以每位學(xué)生初次登錄到最后登錄平臺期間所產(chǎn)生的記錄數(shù)據(jù)為主要分析對象，共設(shè)計八個觀察指標(biāo)，能夠從整體反映學(xué)生學(xué)習(xí)的個性化特征，通過網(wǎng)絡(luò)后臺獲取相關(guān)日志文件，構(gòu)成初步數(shù)據(jù)集，如表1所示。

在網(wǎng)絡(luò)平臺學(xué)習(xí)過程中，對于視頻課件的學(xué)習(xí)是學(xué)生自主掌握有關(guān)知識點(diǎn)的重要環(huán)節(jié)，因此，研究中用學(xué)生觀看視頻的學(xué)習(xí)時長和學(xué)生在線學(xué)習(xí)時長共同來反映每位學(xué)生利用網(wǎng)絡(luò)教學(xué)資源進(jìn)行學(xué)習(xí)的時間長度;登錄平臺頻次、觀看視頻頻次以每周為單位，統(tǒng)計學(xué)生利用教學(xué)資源的次數(shù)，用來反映時間頻度;在交流與協(xié)作類指標(biāo)中，主要包括學(xué)生參與答疑次數(shù)（線上/線下）、參與論壇討論交互次數(shù)等;而階段性檢測指標(biāo)主要考量學(xué)生的階段性學(xué)習(xí)成果，包括練習(xí)完成比、測試完成比等。

3 學(xué)習(xí)行為因子分析

因子分析（Factor Analysis）也稱降維分析，其基本思想是根據(jù)變量之間的相關(guān)強(qiáng)度對變量進(jìn)行分組組合，組內(nèi)變量相關(guān)性較強(qiáng)，組間變量相關(guān)性較弱。每一組變量代表一個不可直接觀測的潛在變量，即公共因子。公共因子可以看作所有指標(biāo)的共同影響因素，通過因子分析，每一個變量都可以表示成公共因子的線性函數(shù)與特殊因子之和，即Xi=ai1F1+ai2F2+…+aimFm+εi（i=1，2，…，n）。其中F1，F(xiàn)2，…，F(xiàn)m為公共因子，εi為指標(biāo)Xi所對應(yīng)的特殊因子，表示原始變量中所特有的部分。在原變量X和因子F可以通過轉(zhuǎn)換矩陣A建立關(guān)聯(lián)，表示為：X=AF+ε。其中：

為了能夠?qū)W(xué)生學(xué)習(xí)行為進(jìn)行綜合分析，采用因子分析對有關(guān)指標(biāo)特征進(jìn)行降維，即學(xué)生的學(xué)習(xí)行為可以通過少數(shù)幾個公共因子來進(jìn)行解釋。表2給出KMO檢驗統(tǒng)計量與Bartletts球形檢驗結(jié)果。KMO統(tǒng)計量等于0.894，Bartletts球形檢驗的值為0.000，這些也都說明本例中的數(shù)據(jù)比較適合進(jìn)行因子分析。

表3中給出因子分析各個階段的總方差解釋表，根據(jù)特征值大于1的主成分提取原則，可以提取出兩個公共因子。從表3中可以看出，前兩個因子已經(jīng)可以解釋原始變量73.341%的方差，已經(jīng)包含大部分的信息，即所有學(xué)生行為指標(biāo)可以用這兩個公共因子進(jìn)行表征。公因子經(jīng)過旋轉(zhuǎn)后的方差貢獻(xiàn)有所變化，但總的累積方差貢獻(xiàn)率并沒有改變，依然是73.341%，而因子間的差異性有所減小。

表4給出旋轉(zhuǎn)后的因子載荷矩陣，從表中可以看出，第一個公共因子在指標(biāo)X1、X2、X4、X3、X5、X6上有較大載荷，說明這六個指標(biāo)有較強(qiáng)的相關(guān)性，可以歸為一類。從指標(biāo)類型來看，這六個指標(biāo)屬于在線學(xué)習(xí)參與程度，因此可以把第一個因子命名為學(xué)習(xí)參與因子。第二個公共因子在指標(biāo)X8、X7上有較大載荷，同樣可以歸為一類。這兩個指標(biāo)同屬學(xué)習(xí)檢測指標(biāo)，因此可以把第二個因子命名為課程測試因子。

4 學(xué)習(xí)行為聚類分析

聚類分析（Cluster Analysis）是研究指標(biāo)分類問題的一種多元統(tǒng)計方法，不同學(xué)生的學(xué)習(xí)行為具有相似性，通過歸類研究，有助于了解和分析不同分類群體的特征。

K-Means聚類算法是目前常用的一種聚類算法，需要首先確定類別數(shù)和對應(yīng)的初始聚類中心，按最小距離原則將各特征值分配到某一類別中，之后不斷地計算各個類別中心和調(diào)整各特征的類別，以各特征到類別中心的距離平方之和最小作為最終收斂判定依據(jù)[7]。

本文采用K-Means算法進(jìn)行聚類分析，利用進(jìn)行因子分析過程中產(chǎn)生的所有學(xué)生的公共因子作為輸入特征，產(chǎn)生聚類結(jié)果如表6和表7所示，所有學(xué)生被分成三類。

第一類學(xué)生普遍具有在線時間長、學(xué)習(xí)內(nèi)容具有連貫性的特征，其在線學(xué)習(xí)參與度高，具有自我約束機(jī)制，通過測試、練習(xí)積極提升自己的知識掌握能力。還可以判斷出，這部分學(xué)生具有相當(dāng)?shù)闹鲃有?，樂于交流和相互學(xué)習(xí)。同時，這類學(xué)生在所有學(xué)生樣本中占比最高，表明網(wǎng)絡(luò)平臺課程環(huán)節(jié)的設(shè)置能夠與大多數(shù)的學(xué)生需求相匹配。

第二類學(xué)生網(wǎng)絡(luò)學(xué)習(xí)的參與度和自主性最差，對課程學(xué)習(xí)參與程度不能達(dá)到課程基本要求，同時對練習(xí)、測試環(huán)節(jié)的關(guān)注程度也比較低，不能適應(yīng)網(wǎng)絡(luò)學(xué)習(xí)中自我約束、自我激勵的要求，在學(xué)習(xí)主動性上亟待提高，必要時可以通過積極有效的手段進(jìn)行干預(yù)。

第三類學(xué)生通過練習(xí)、測試等環(huán)節(jié)進(jìn)行學(xué)習(xí)的積極性較高，而對在線課程的學(xué)習(xí)投入方面相對不足。這部分學(xué)生喜歡有激勵的學(xué)習(xí)環(huán)節(jié)，更愿通過做題的方式來快速提升自己;對在線學(xué)習(xí)的其他環(huán)節(jié)重視度不高。對于這部分學(xué)生，著重需要通過增強(qiáng)網(wǎng)絡(luò)教學(xué)的吸引力，以更加靈活多樣的方式來鼓勵他們重視學(xué)習(xí)過程。

從聚類整體結(jié)果可以看出，當(dāng)學(xué)生處于第一類別時，能夠很好地利用現(xiàn)有網(wǎng)絡(luò)平臺的教學(xué)資源，其學(xué)習(xí)效果整體較好，可以考慮引入適當(dāng)?shù)募畲胧?，保持其對網(wǎng)絡(luò)平臺參與的熱情和自我把控;當(dāng)學(xué)生處于第二類和第三類時，應(yīng)及時給予相應(yīng)的輔助手段，如增強(qiáng)定向輔導(dǎo)或?qū)崟r溝通，促進(jìn)學(xué)習(xí)態(tài)度和學(xué)習(xí)行為的有效轉(zhuǎn)換;特別是對處于第二類別學(xué)生，要及時發(fā)出學(xué)業(yè)預(yù)警，進(jìn)行關(guān)注。

5 研究結(jié)論

本文應(yīng)用統(tǒng)計方法，通過對不同類型學(xué)生群體的行為特征進(jìn)行分析，可以看出，學(xué)生大多能夠適應(yīng)和參與網(wǎng)絡(luò)學(xué)習(xí)過程的構(gòu)建，但仍然有部分學(xué)生興趣不足，需要給予他們更好的沉浸式體驗、更多的學(xué)習(xí)獲得感，在平臺的建設(shè)和設(shè)置過程中也需要增強(qiáng)靈活性和自適應(yīng)能力。未來的工作重點(diǎn)將是以學(xué)生興趣為著眼點(diǎn)，改善學(xué)習(xí)環(huán)境，幫助學(xué)生獲得感的增強(qiáng)。

同時，本文所使用的學(xué)習(xí)行為特征，還是以學(xué)生的學(xué)習(xí)過程為主，但學(xué)生的學(xué)習(xí)習(xí)慣的養(yǎng)成和學(xué)習(xí)成績的獲得往往還受到學(xué)生的個性化因素的影響，如學(xué)生的學(xué)習(xí)態(tài)度、接受能力、情緒因素等，將這些因素結(jié)合起來，有助于更好地對學(xué)生群體進(jìn)行分析。此外，本文中采取的聚類方式是事先確定了學(xué)生類別的，但實際中學(xué)生群體的劃分是動態(tài)變化的，捕捉這種動態(tài)，有助于對實際學(xué)習(xí)過程的評判。而且單個學(xué)生群體的構(gòu)成和演化有著一定的內(nèi)在規(guī)律，個體的學(xué)習(xí)行為和群體的學(xué)習(xí)表征存在某種聯(lián)系，對每一個群體，需要分析哪一個學(xué)生或者哪一些學(xué)生構(gòu)成了核心，每一個人的學(xué)習(xí)行為是如何影響整個群體的學(xué)習(xí)過程的。

從增強(qiáng)學(xué)習(xí)效果的角度，因子分析和聚類分析等方法僅僅是提供了入口，除了及時了解和分析學(xué)生行為特征外，還要根據(jù)其學(xué)習(xí)記錄，如觀看視頻情況、作業(yè)情況和測試情況，針對不同群體學(xué)生的學(xué)習(xí)規(guī)律做好資源服務(wù)和內(nèi)容推送，滿足其階段性需求，同時對未來的學(xué)習(xí)路徑和學(xué)習(xí)效果進(jìn)行預(yù)測，實現(xiàn)智能追蹤，創(chuàng)建自適應(yīng)的學(xué)習(xí)系統(tǒng)。

參考文獻(xiàn)

[1]邱曉輝.網(wǎng)絡(luò)學(xué)習(xí)者信息加工學(xué)習(xí)行為的分析及研究[D].武漢：華中師范大學(xué)，2008.

[2]劉清堂，王洋，雷詩捷，等.教育大數(shù)據(jù)視角下的學(xué)習(xí)分析應(yīng)用研究與思考[J].遠(yuǎn)程教育雜志，2017，35（3）：71-77.

[3]郭炯，鄭曉俊.基于大數(shù)據(jù)的學(xué)習(xí)分析研究綜述[J].中國電化教育，2017（1）：121-130.

[4]EDUCAUSE， The New Media Consortium. Learning Analytics[R].The Horizon Report 2011 edition.

[5]賈麗艷，杜強(qiáng).SPSS統(tǒng)計分析標(biāo)準(zhǔn)教程[M].北京：人民郵電出版社，2010：299.

[6]常浩，逯紀(jì)美.多元統(tǒng)計分析在大學(xué)生綜合素質(zhì)評價中的應(yīng)用[J].數(shù)理統(tǒng)計與管理，2010，29（4）：754-760.

[7]孫吉貴，劉杰，趙連宇.聚類算法研究[J].軟件學(xué)報，

2008，19（1）：48-61.