沈欣憶 劉美辰 吳健偉 董現(xiàn)壘

【摘要】? MOOC的自主性和靈活性特征，使得學(xué)習(xí)者具有多樣化的學(xué)習(xí)行為模式，很多研究指出學(xué)習(xí)者在線學(xué)習(xí)行為模式與學(xué)習(xí)成果具有高度相關(guān)性。線上授課的教學(xué)方式因?yàn)槠浔憬莸雀鞣N優(yōu)點(diǎn)，廣泛被學(xué)生群體所接受，雖然線上授課彌補(bǔ)了傳統(tǒng)教學(xué)的不可重復(fù)性等缺陷，但是由于每個(gè)學(xué)生的在線學(xué)習(xí)行為不同，其教學(xué)效果也因人而異，本研究嘗試從國(guó)內(nèi)最早的MOOC平臺(tái)“學(xué)堂在線”上獲取學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，建立學(xué)生在線學(xué)習(xí)行為與在線學(xué)習(xí)績(jī)效評(píng)估模型，并進(jìn)行抽樣逐步回歸，以了解學(xué)生在線學(xué)習(xí)行為對(duì)其學(xué)習(xí)成績(jī)的影響。結(jié)果表明，學(xué)生某些在線學(xué)習(xí)行為，如作業(yè)完成比例、視頻完成率等對(duì)其學(xué)習(xí)效果產(chǎn)生重要的正面影響，反之部分在線學(xué)習(xí)行為對(duì)學(xué)習(xí)效果會(huì)產(chǎn)生不良影響。因此，根據(jù)本研究結(jié)果對(duì)教師設(shè)計(jì)在線學(xué)習(xí)、對(duì)學(xué)生開(kāi)展線上學(xué)習(xí)提供意見(jiàn)和建議，將有效提高在線學(xué)習(xí)的效率和效果。

【關(guān)鍵詞】? 在線學(xué)習(xí)行為;學(xué)習(xí)績(jī)效評(píng)估模型;在線學(xué)習(xí)者;教育大數(shù)據(jù);數(shù)據(jù)挖掘;學(xué)堂在線;Python

【中圖分類(lèi)號(hào)】? ?G434? ? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2020）10-0001-08

一、引言

“互聯(lián)網(wǎng)+”時(shí)代，在線學(xué)習(xí)已經(jīng)被應(yīng)用于各個(gè)教育階段，是學(xué)習(xí)者不可或缺的學(xué)習(xí)方式。在線學(xué)習(xí)因其不受時(shí)空分離的影響，學(xué)習(xí)方式變得更加靈活，信息化時(shí)代所具有的精細(xì)化、碎片化和去權(quán)威化的特征更加凸顯（夏青， 2018）。MOOC（Massive Open Online Course，MOOC）的自主性和靈活性特征，使得學(xué)習(xí)者具有多樣化的學(xué)習(xí)行為模式，很多研究指出學(xué)習(xí)者在線學(xué)習(xí)行為模式與學(xué)習(xí)成果具有高度相關(guān)性（Johnson & Sinatra， 2013; 高潔， 2016; 李爽， 2016）。在“互聯(lián)網(wǎng)+”背景下，大數(shù)據(jù)迅速充斥著各行各業(yè)，教育領(lǐng)域也不例外，隨著學(xué)習(xí)分析和人工智能技術(shù)等的發(fā)展，利用學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)來(lái)評(píng)估學(xué)生的學(xué)習(xí)表現(xiàn)以為學(xué)生提供更好的服務(wù)已經(jīng)成為不可阻擋的趨勢(shì)（Francisco， García， ?ngel， & María， 2018; Tsai， Lin， Hong， & Tai， 2018），數(shù)據(jù)挖掘成為深入探究在線學(xué)習(xí)行為以及行為數(shù)據(jù)背后隱藏的行為模式和學(xué)習(xí)績(jī)效的關(guān)聯(lián)性的重要方法 （Jesús， Alejandro， & Manuel， 2017; Elena， Zhang， Cristina， & Francisco，2018; Manuela， Tiago， Fernando， & Marco， 2018）。

本研究選取“學(xué)堂在線”的一門(mén)課程，運(yùn)用Python技術(shù)對(duì)學(xué)生在線學(xué)習(xí)行為數(shù)據(jù)進(jìn)行整理加工，建立學(xué)生在線學(xué)習(xí)績(jī)效評(píng)估模型，最后利用Stata進(jìn)行抽樣逐步回歸，形成學(xué)生學(xué)習(xí)行為對(duì)學(xué)習(xí)績(jī)效的貢獻(xiàn)模型，分析和發(fā)掘有利于提高學(xué)生學(xué)習(xí)績(jī)效的在線學(xué)習(xí)行為，助力在線學(xué)習(xí)過(guò)程性評(píng)估的研究，同時(shí)也為MOOC學(xué)習(xí)績(jī)效提升提供實(shí)質(zhì)性建議。

二、MOOC在線學(xué)習(xí)行為和學(xué)習(xí)績(jī)效研究現(xiàn)狀

（一）在線學(xué)習(xí)行為和學(xué)習(xí)績(jī)效的關(guān)系研究

隨著現(xiàn)代信息技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)技術(shù)在教育中的應(yīng)用日益廣泛和深入，研究學(xué)生在線學(xué)習(xí)行為和學(xué)習(xí)績(jī)效的關(guān)系成為新的研究熱點(diǎn)。郎波等 （2019）利用學(xué)習(xí)向量化方法將在線學(xué)習(xí)行為數(shù)據(jù)分類(lèi)，并通過(guò)遺傳算法預(yù)測(cè)在線學(xué)習(xí)成績(jī)。孫發(fā)勤等（2019）利用數(shù)據(jù)和模型，通過(guò)機(jī)器學(xué)習(xí)相關(guān)知識(shí)研究了影響在線學(xué)業(yè)成就的主要因素、次要因素以及無(wú)關(guān)因素。趙西粉等（2019）以北方民族大學(xué)為例研究了在線學(xué)習(xí)效果的主要影響因素。吳林靜等（2018）提出了一種基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為分析模型，并根據(jù)分析結(jié)果為網(wǎng)絡(luò)學(xué)習(xí)中的各類(lèi)利益相關(guān)者提供了教學(xué)參考。郭芳俠等（2018）研究了學(xué)習(xí)者的在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的相關(guān)性，以及男女生的在線學(xué)習(xí)行為與學(xué)習(xí)效果的差異。胡藝齡等（2014）建立了學(xué)習(xí)者在線學(xué)習(xí)行為模型并對(duì)學(xué)習(xí)數(shù)據(jù)進(jìn)行了模式分類(lèi)與解析。魏順平等（2012）以江蘇電大新生為研究對(duì)象，分析了某一課程的在線學(xué)習(xí)行為數(shù)據(jù)，研究了學(xué)生在線學(xué)習(xí)行為特點(diǎn)及其影響因素。陳圓圓等（2019）基于數(shù)據(jù)挖掘進(jìn)一步分析了成人學(xué)習(xí)者的在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系。

在線學(xué)習(xí)行為已被證實(shí)與學(xué)習(xí)績(jī)效有著緊密的聯(lián)系，學(xué)習(xí)行為可以作為預(yù)測(cè)學(xué)生學(xué)習(xí)績(jī)效的重要表征，通過(guò)對(duì)學(xué)習(xí)行為的監(jiān)控引導(dǎo)學(xué)生進(jìn)行有益的學(xué)習(xí)行為，從而提升學(xué)生的有效學(xué)習(xí)比率。

（二）學(xué)習(xí)行為指標(biāo)研究

MOOC學(xué)習(xí)的自主性導(dǎo)致學(xué)生的學(xué)習(xí)行為多種多樣，研究者從不同的視角對(duì)學(xué)習(xí)行為進(jìn)行選取和分類(lèi)。

有的研究從學(xué)生努力程度出發(fā)考察學(xué)生的時(shí)間管理情況，主要以時(shí)間投入長(zhǎng)度、投入頻率和投入規(guī)律為重要指標(biāo)。Joo等人（2007）在研究中發(fā)現(xiàn)學(xué)生在在線學(xué)習(xí)中的表現(xiàn)受其對(duì)學(xué)習(xí)時(shí)間的分配和管理情況的影響。Kwon（2009）認(rèn)為時(shí)間管理是在線學(xué)習(xí)成功的一個(gè)顯著因素，并發(fā)現(xiàn)了學(xué)習(xí)者的行動(dòng)水平、時(shí)間管理和學(xué)習(xí)結(jié)果之間的關(guān)系。Lin等人（2005）對(duì)影響在線學(xué)習(xí)的關(guān)鍵因素進(jìn)行分析，最終得到八個(gè)影響因子，學(xué)習(xí)時(shí)間管理是其中的關(guān)鍵因素之一。Jo、Yoont和Ha（2013）指出學(xué)生的自我調(diào)節(jié)能力，特別是他們的時(shí)間管理策略，是驅(qū)動(dòng)正常參與在線學(xué)習(xí)活動(dòng)的隱性心理特征，會(huì)導(dǎo)致高績(jī)效。Carver等人（2017）對(duì)167名研究生在9門(mén)在線課程中的學(xué)習(xí)數(shù)據(jù)進(jìn)行分析，以了解學(xué)生的學(xué)習(xí)成績(jī)與其在課程各個(gè)模塊中所花時(shí)間之間是否存在關(guān)系，包括課程學(xué)習(xí)總時(shí)長(zhǎng)、課件/教學(xué)視頻學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)資源學(xué)習(xí)時(shí)長(zhǎng)、同步在線會(huì)話時(shí)長(zhǎng)四個(gè)方面。分析發(fā)現(xiàn)，學(xué)生在同步在線會(huì)話中所花時(shí)間越長(zhǎng)，考試成績(jī)獲得A的可能性越大，但是學(xué)習(xí)總時(shí)長(zhǎng)、課件/教學(xué)視頻學(xué)習(xí)時(shí)長(zhǎng)、學(xué)習(xí)資源學(xué)習(xí)時(shí)長(zhǎng)與考試成績(jī)之間不存在這樣的關(guān)系。

有的研究從學(xué)生的學(xué)習(xí)積極性出發(fā)，以參與意識(shí)和互動(dòng)程度為主要指標(biāo)。Bolliger等人（2018）在研究中發(fā)現(xiàn)，在在線學(xué)習(xí)中學(xué)生的參與意識(shí)與其學(xué)習(xí)結(jié)果之間存在必然聯(lián)系，參與意識(shí)越強(qiáng)，在參與學(xué)習(xí)活動(dòng)中投入的時(shí)間越長(zhǎng)，其獲取較高學(xué)習(xí)成績(jī)的可能性越大。Libby 等人（2005）提取345名學(xué)生的在線課程訪問(wèn)日志，將學(xué)生分成完全參與在線學(xué)習(xí)活動(dòng)、不完全參與在線學(xué)習(xí)活動(dòng)、成功學(xué)習(xí)者、不成功學(xué)習(xí)者四種類(lèi)型，采用多元回歸分析方法分析參與頻率、參與持續(xù)時(shí)間等8個(gè)變量與學(xué)習(xí)成就之間的關(guān)系，發(fā)現(xiàn)完全參與在線學(xué)習(xí)活動(dòng)的學(xué)習(xí)者和成功學(xué)習(xí)者在學(xué)習(xí)活動(dòng)中的參與頻率和參與持續(xù)時(shí)間明顯多于其他兩類(lèi)學(xué)生。

有的研究從在線學(xué)習(xí)的某個(gè)要素出發(fā)，專(zhuān)門(mén)研究某個(gè)要素或者學(xué)生的某個(gè)學(xué)習(xí)行為與學(xué)習(xí)績(jī)效的關(guān)系。在Watanabe（2011）的一項(xiàng)關(guān)于在線英語(yǔ)學(xué)習(xí)時(shí)間管理研究中，發(fā)現(xiàn)那些有在作業(yè)提交前臨時(shí)突擊學(xué)習(xí)傾向的學(xué)生往往比那些每周平均分配在線學(xué)習(xí)時(shí)間的學(xué)生在學(xué)習(xí)上投入的時(shí)間少得多，當(dāng)然最終的考試成績(jī)也是比每周平均分配學(xué)習(xí)時(shí)間的學(xué)生差得多。

有的研究從學(xué)習(xí)偏好出發(fā)了解不同學(xué)習(xí)習(xí)慣的學(xué)生行為模式。沈欣憶等（2019）對(duì)MOOC學(xué)習(xí)績(jī)效評(píng)價(jià)指標(biāo)進(jìn)行梳理，構(gòu)建了MOOCAP學(xué)習(xí)績(jī)效評(píng)價(jià)指標(biāo)模型，指出學(xué)習(xí)偏好可以分為時(shí)間偏好、投入偏好、節(jié)奏偏好、序列偏好和交流偏好幾個(gè)類(lèi)型。

也有一些研究關(guān)注學(xué)習(xí)過(guò)程的動(dòng)態(tài)，研究不同的學(xué)習(xí)階段學(xué)生的學(xué)習(xí)行為特征。Huei-Tse Hou等人（2011）對(duì)基于項(xiàng)目的學(xué)習(xí)環(huán)境中學(xué)生交互的時(shí)間管理模式進(jìn)行了研究，研究發(fā)現(xiàn)在不同的學(xué)習(xí)階段學(xué)生在不同的交互行為上投入的時(shí)間不同：學(xué)習(xí)初期，學(xué)生之間的交互更多的是收集和分享信息，學(xué)習(xí)中后期則以問(wèn)題分析和討論為主。這說(shuō)明，學(xué)習(xí)初期學(xué)生會(huì)在信息的收集與分享上投入較多的時(shí)間，而隨著時(shí)間的推移，學(xué)生在問(wèn)題分析和討論上投入的時(shí)間會(huì)逐漸增多。Laurie等人（2010）對(duì)學(xué)生在線開(kāi)放式話題（沒(méi)有教師規(guī)定的特定截止日期的話題）中的時(shí)間投入變化趨勢(shì)進(jìn)行了研究，研究發(fā)現(xiàn)學(xué)生在一個(gè)開(kāi)放式話題中的時(shí)間投入集中爆發(fā)在21～28天之間，31天之后基本趨于穩(wěn)定;一周中，學(xué)生在話題中的時(shí)間投入傾向于前半周;一天中學(xué)生在話題中的投入變化趨勢(shì)不明顯。

很多關(guān)于在線學(xué)習(xí)參與的研究都將時(shí)間維度作為對(duì)學(xué)習(xí)者參與程度的詳細(xì)描述，并報(bào)告說(shuō)時(shí)間管理和分配對(duì)于描述學(xué)習(xí)者和預(yù)測(cè)學(xué)習(xí)效果具有重要意義（Macfadyen & Dawson， 2010; Wong， 2013; Hamane， 2014）。另外，在線學(xué)習(xí)的一些習(xí)慣和偏好也可以作為預(yù)測(cè)學(xué)習(xí)績(jī)效的重要指標(biāo)。本研究將結(jié)合學(xué)習(xí)形式（視頻、作業(yè)、論壇）、時(shí)間偏好等重要指標(biāo)，系統(tǒng)梳理在線學(xué)習(xí)的學(xué)習(xí)行為，以全面分析和挖掘哪些學(xué)習(xí)行為對(duì)績(jī)效有正面影響，希望有助于探索學(xué)生學(xué)習(xí)投入的特點(diǎn)和規(guī)律，為MOOC課程的設(shè)計(jì)和支持提供依據(jù)，進(jìn)一步降低MOOC課程的輟學(xué)率。

三、研究設(shè)計(jì)

（一）數(shù)據(jù)來(lái)源

獲取16，000多名學(xué)生在2018年于“學(xué)堂在線”網(wǎng)站學(xué)習(xí)課程“財(cái)務(wù)管理”的學(xué)習(xí)行為數(shù)據(jù)和本學(xué)期個(gè)人期末考試成績(jī)，利用學(xué)生在線學(xué)習(xí)績(jī)效評(píng)估模型分析學(xué)生在線行為對(duì)學(xué)習(xí)成績(jī)的影響，并根據(jù)學(xué)生在線學(xué)習(xí)行為預(yù)測(cè)其學(xué)習(xí)成績(jī)。

（二）構(gòu)建學(xué)生在線學(xué)習(xí)績(jī)效評(píng)估模型

梳理MOOC平臺(tái)“學(xué)堂在線”網(wǎng)站上“財(cái)務(wù)管理”課程中的學(xué)生行為，將學(xué)生在線學(xué)習(xí)行為變量分成以下五類(lèi)（如圖1所示）：①視頻（Video）學(xué)習(xí)行為：學(xué)生看視頻總數(shù)、視頻完成率、視頻觀看總時(shí)長(zhǎng)、視頻觀看間隔、視頻觀看跳數(shù)、學(xué)生是否按順序觀看視頻、視頻復(fù)看率等;②作業(yè)（Classwork）學(xué)習(xí)行為：學(xué)生的作業(yè)得分率和作業(yè)完成比例等;③論壇（Forum）學(xué)習(xí)行為：學(xué)生在討論區(qū)的活躍程度，如學(xué)生在討論區(qū)的發(fā)帖數(shù)、回帖數(shù)、發(fā)帖字?jǐn)?shù)以及發(fā)帖回復(fù)數(shù);④學(xué)習(xí)時(shí)間偏好（Time preference）：學(xué)生習(xí)慣在凌晨、上午、下午、晚上四個(gè)時(shí)間段中的哪一個(gè)時(shí)間段進(jìn)行在線視頻學(xué)習(xí)，學(xué)習(xí)多長(zhǎng)時(shí)間、多少次;⑤頁(yè)面訪問(wèn)情況（Page visits）：學(xué)生在線訪問(wèn)與課程相關(guān)頁(yè)面的次數(shù)，如課程公告訪問(wèn)次數(shù)、課件訪問(wèn)次數(shù)、其他頁(yè)面訪問(wèn)次數(shù)。

構(gòu)建學(xué)生在線學(xué)習(xí)績(jī)效評(píng)估模型，如下所示：

表1列出了用于衡量學(xué)生在線學(xué)習(xí)績(jī)效的每個(gè)子因素的25個(gè)具體數(shù)據(jù)項(xiàng)，每個(gè)數(shù)據(jù)項(xiàng)都表示學(xué)生在線學(xué)習(xí)績(jī)效評(píng)估模型中的獨(dú)立變量。

（三）抽樣逐步回歸

逐步回歸的基本思想是將自變量逐個(gè)引入模型，每引入一個(gè)解釋變量后都進(jìn)行F檢驗(yàn)，同時(shí)對(duì)已經(jīng)選入的解釋變量逐個(gè)進(jìn)行t檢驗(yàn)，當(dāng)原有的解釋變量由于后面的解釋變量被引入后變得不顯著時(shí)，將其刪除。這樣每次引入新的變量之前回歸方程中只包含統(tǒng)計(jì)顯著的變量。反復(fù)進(jìn)行該過(guò)程，直到既沒(méi)有顯著的解釋變量被選入回歸方程，也沒(méi)有不顯著的解釋變量從回歸方程中被剔除為止。逐步回歸常常被用來(lái)解決自變量間的多重共線性問(wèn)題。

求解該模型需要估計(jì)26個(gè)參數(shù)：表1中25個(gè)自變量的參數(shù)（[β25×1]）和截距項(xiàng)（[α]）。除了完全對(duì)學(xué)習(xí)績(jī)效不產(chǎn)生影響的變量以及完全共線性的變量，我們希望所有其余變量均被包含在模型中。本研究嘗試通過(guò)結(jié)合逐步回歸和基于大數(shù)定律的抽樣來(lái)進(jìn)行建模。

一般地，可以主觀先驗(yàn)設(shè)置[πk]。例如，對(duì)于模型中每次逐步回歸的迭代，如果希望包含大約[M]個(gè)在線學(xué)習(xí)行為變量，可以初始化[πk=Mk]。其中，[k=25]表示在線學(xué)習(xí)行為變量的總數(shù)，[M]表示在每次逐步回歸中期望的抽樣個(gè)數(shù)。

四、結(jié)果分析與討論

使用 Stata/MP 14.0，運(yùn)行程序10，000次獲得收斂的運(yùn)算結(jié)果。模型估計(jì)的擬合優(yōu)度R2為0.398，說(shuō)明模型擬合效果較好。將每位學(xué)生擬合得到的期末成績(jī)與其真實(shí)期末成績(jī)進(jìn)行比較，如圖2所示，可以發(fā)現(xiàn)，通過(guò)模型得到的期末成績(jī)曲線與真實(shí)期末成績(jī)曲線趨勢(shì)走向一致，該模型精確度相對(duì)較高。也就是說(shuō)，學(xué)生的在線學(xué)習(xí)行為能夠在一定程度上預(yù)測(cè)學(xué)生的學(xué)習(xí)績(jī)效。