楊孟嬌，高亞濤

（內蒙古開放大學，內蒙古 呼和浩特 010011）

一、引言

“互聯網＋”時代的技術進步促使教育環(huán)境發(fā)生了顯著變化，在線學習變得越來越普遍。截至2021年12月，我國在線教育用戶規(guī)模達10.32億，較2020年12月增加4296萬人。隨著技術的不斷發(fā)展和在線教育的日益普及，如何促使在線測評與傳統(tǒng)測評方式一樣有效，如何對互聯網技術所催生的MOOCs、Micro-Lecture、Flipped Learning等新型學習方式進行在線學習測評，這類研究受到關注。

早在1979年英國開放大學就已經對學生學習進行了監(jiān)測與分析。美國2016年對學習分析技術的發(fā)展趨勢做出預測。美國圣莫妮卡學院通過收集、分析在線師生學習數據，完善教師教學計劃；美國普渡大學研發(fā)課程警示系統(tǒng)，判斷學生是否處于學習懈怠并及時給予“預警”。英國開放大學開發(fā)的“數據牧人”項目，進行在線學習分析。Bienkowski認為對學習者的學習行為表現進行測評的同時，也要為其學習提供適應性的反饋支持。Rossano基于項目反應理論構建適應性測試模型。在國內，王苗[1]、彭文輝[2]等利用學習分析技術，分析學生在線行為數據及與資源之間的交互關系，將分析結果反饋到課堂。魏順平[3]歸納學習分析的關鍵技術與分析模式并應用到實踐教學中。張濤[4]分析總結在線學習現狀，提出網絡學習分析模型。王曉宇[5]構建了深度學習測評指標體系。現有研究中，測評體系的數據多為結構化數據（如在線時長、點擊次數），非結構化數據（如在線提問、互動討論）不足，導致測評結果分析深度不足，測評體系框架和分析方法的實踐應用性不足。

本文基于學習投入、主動性學習、自我調整、學習認知、聯通主義等學習理論，構建遠程教育學生在線學習測評理論模型，基于在線學習平臺學生的在線學習行為數據，分析在線學習行為特征，構建在線學習測評數據模型，為遠程教育學校提供學習測評的方法，應用測評數據模型進行實踐，對在線學習學生進行學習測評，從而提供最直接、最有效的學習診斷和測評，為學習者、教師、教育管理部門提出提升學習效率和效果的建議，從而實現為學生提供有針對性的教育增值服務，為提升學習效率、提高教學質量策略的制定提供參考。

二、遠程教育學生學習測評模型理論研究

加涅的認知學習理論認為，不同的學習目標和過程，會產生不同的學習結果，對每種學習結果進行測評所采取的方式也會不盡相同。他將學習結果進行了分類，分別是智慧技能、言語信息、動作技能、認知策略、態(tài)度[6]。對于基于互聯網學習的遠程教育學生而言，動作技能的教學目標要求較低。結合其他學習結果、學習目標及遠程教育學生學習行為特點，基于文獻研究與專家訪談，從投入度、主動性、調控性、完成性、活躍性等五個維度，構建遠程教育學生在線學習測評理論模型。

（一）投入度

最早提出工作投入的是美國印第安那大學的庫恩，他將工作投入定義為“員工自我與工作中的角色的積極結合”，這也是“學習投入度”一詞的來源。不少學者從心理學角度出發(fā)，認為可以從認知、行為和情感這三個維度進行學習投入分析[7]。區(qū)別于傳統(tǒng)的線下學習，在遠程教育線上學習過程中，學生與教師、學生與學生、學生與教學資源之間的交互很大程度上能體現學生的投入度。因此，本文認為學習投入度是指學生在使用在線學習平臺進行學習時，其認知、行為、情感的投入。主要通過考察學生的在線學習時長和行為總數來評價學生的投入度，也是對在線學習過程的評價。

（二）主動性

學習主動性是學生學習動機、學習目的的重要體現[8]。本文學習主動性主要是指，在遠程教育學習平臺上，學生在自我意識的支配下，積極、主動、自覺地參與教學活動，主要包括線上資源的自學、完成教學任務的主動性、與教師進行的學習交流互動等。態(tài)度是指有傾向性的選擇，因此用主動性來體現態(tài)度方面的教學目標，主要考察學生對學習資源、學習活動的瀏覽情況。

（三）調控性

認知策略是指控制自身學習方式的特質，引入學習調控性和活躍性對學生的認知策略進行評價。學習調控性也就是學生的自我調節(jié)，這一概念源于Bandura提出的社會認知學習理論[9]。本文學習調控性主要是指遠程教育學生根據學習要求、自身的學習能力，對整個學習內容、學習過程、學習時間等的自我調控。調控性是學生學習認知、自學能力、制訂學習計劃和學習策略的重要表征。主要通過學生主動發(fā)帖與回帖等學習行為，來評價學生自主學習的能力。

（四）完成性

智慧技能是指與環(huán)境互動的能力，在遠程教育學生在線學習測評模型構建過程中，用完成性來體現智慧技能教學目標的完成情況。這里所指的完成性，主要是指對標教學目標，學生學習的實際完成情況，可以是作業(yè)、測評或者是活動的完成情況。注重學習過程是在線學習的一個特點，將體現學習過程的形成性考核作業(yè)的完成率和及格率作為主要觀測點，主要對學習質量進行評價。

（五）活躍性

學習活躍性主要是學生積極、踴躍參與在線學習的主要體現，是認知策略的另一個重要體現，一般可以用學生的在線時長以及登錄頻次等指標進行評價。本文主要通過學生學習平臺登錄次數和學習平臺在線天數來評價學生的學習活躍性。

三、遠程教育學生學習測評數據模型構建

（一）原始數據

本文基于國家開放大學學習網這一遠程教育學習平臺，對開放大學體系內學生的學習行為進行評價?；趪议_放大學學習網，學生主要的學習行為、活動對象及原始指標見表1。

表1 學生學習行為中的一些屬性

（二）測評指標

從原始數據中可以獲取與測評模型可能相關的變量即為潛在變量，經過統(tǒng)計分析后從潛在變量中就可以選取特征變量。選取的特征變量中，有些變量可以直接作為測評指標，比如學生的選課數、學習平臺登錄次數，有些變量需要經過一定的計算，比如形考完成率、形考及格率。本文以遠程教育學生學習測評指標體系為目標層，以投入度、主動性、調控性、完成性、活躍性5個指標為二級指標，以學習時長等12個指標為三級指標（測評指標），構建遠程教育學生學習測評指標體系（見圖1）。

圖1 遠程教育學生在線學習測評指標體系

（三）指標評價標準及等級

選取國家開放大學學習網中內蒙古分部的32萬多條學習者學習行為數據，對遠程教育學生學習情況進行分析，借鑒楊孟嬌等對開放教育學習者學習行為的聚類分析方法[10]，采用K均值聚類算法對各測評指標進行聚類，取K值為4，確定指標的評價等級，最終結果見表2。

表2 測評指標評價等級劃分

（四）指標權重

本文采用層次分析法和熵權法主客觀結合的方式，確定遠程教育學生學習測評指標權重。

1.層次分析法賦權

應用層次分析法確定指標權重的具體流程是：首先構建層次結構模型，也就是遠程教育學生學習測評指標體系，然后采用專家打分的方式，對所有測評指標的重要度進行比較，打分得到判斷矩陣，再通過計算確定測評指標對二級指標和目標層的相對重要度，也就是指標權重。

2.熵權法賦權

應用熵權法確定指標權重的原理是，對于某個測評指標，可以用熵值來判斷這個測評指標的離散程度。其信息熵值越小，測評指標的離散程度越大，該測評指標對遠程教育學生學習綜合評價的影響（也就是權重）就越大。反之，信息熵值越大，測評指標的離散程度越小，該測評指標對遠程教育學生學習綜合評價的影響（也就是權重）就越小。具體流程是首先構建評價矩陣，然后計算各個指標的熵值，最后計算各個指標的權重。

3.博弈論組合賦權

基于博弈論的思想，將層次分析法和熵權法確定的測評指標權重進行組合，最終得到最優(yōu)組合權重。

具體計算如下：

（1）構造權重向量集wk={wk1，wk2，…，wkn}（k=1，2，…，L），式中L表示賦權方法數量，則L個不同向量的任意線性組合是：

式（1）中W為L種權重集組合賦權的綜合權重向量，ak為各賦權法的權重系數。

（2）運用博弈論思想對權重系數進行優(yōu)化，使得W與各個Wk的離差極小化：

按照矩陣微分性質，取式（2）的最優(yōu)化一階導數，可轉化為：

求解式（3），得到（a1，…，aL），應用式（4）進行歸一化處理：

（3）計算組合權重為：

（五）綜合測評法

本文采用逼近理想解排序法（TOPSIS法）對學生學習行為進行測評，通過比較被測評學生與理想解的距離大小，確定學生行為的測評結果。具體而言就是被測評學生行為越是靠近正理想解，測評結果越高，反之測評結果越低。具體流程是構造初始決策矩陣，對評價對象的各指標進行無量綱化處理，構造標準化決策矩陣，然后計算收益性指標集和損耗性指標集的正理想解和負理想解，接下來計算每個評價對象到正理想點的距離和到負理想點的距離，最后計算各方案與理想解的貼進度。貼近度值越大表明該評價對象與正理想解的距離越近，評價對象越優(yōu)。反之，貼近度值越小表明該評價對象與正理想解的距離越遠，評價對象越差。

四、遠程教育學生學習測評實踐

（一）測評對象

以內蒙古分部五名學生為測評對象，對其在國家開放大學學習網上的學習行為進行測評，五名學生的測評指標值及其對應的等級見表3。從表3可以看出，學生A的在線學習調控性和活躍性較低，其他指標屬于中等水平；學生B的學習完成性較高，但是在線學習活躍性和主動性較低；學生C的在線學習完成性較好，但是投入度很低，是五名學生中的最低水平；學生D在線學習投入度、完成性是五名學生中的最高水平，主動性也較好，調控性和活躍性處于中等水平；學生E的在線學習投入度也是屬于最高水平，并且學習主動性和活躍性也處于較高水平，但是調控性稍顯不足。

表3 測評指標值和評價等級

（二）權重確定

分別應用層次分析法、熵權法，計算遠程教育學生在線學習測評指標權重，再基于博弈論將兩種方法計算得到的權重進行組合，結果見表4。

表4 三種方法確定的權重

對比層次分析法和熵權法確定的權重發(fā)現，“學習時長”“行為總數”“發(fā)帖數”“回帖數”“形考完成率”和“形考及格率”等指標，由兩種方法確定的測評指標權重存在較大差異，“瀏覽活動數”“瀏覽資源數”“教師回帖數”“學習平臺在線天數”等四個指標，由兩種方法確定的指標權重幾乎相等，其余指標權重存在一定程度的差異。

（三）綜合測評結果

首先計算標準化矩陣，再計算確定加權標準化決策矩陣H，如下：

根據加權標準化決策矩陣H，可以得到正、負理想解：H+=[0.093 0.087 0.040 0.050 0.089 0.020 0.020 0.044 0.019 0.024 0.050 0.056]，H-=[0.023 0.022 0.020 0.025 0.022 0.013 0.013 0.022 0.015 0.018 0.017 0.028]。

最后計算五名學生學習行為測評結果與正理想解的貼近度,Gi=（0.500 0.435 0.309 0.714 0.667），從結果可以得到五名學生學習行為測評的結果是：學生D＞學生E＞學生A＞學生B＞學生C。

五、結論

1.基于學習投入、主動性學習、自我調整、學習認知、聯通主義等學習理論，結合在線教育自身的特點，從投入度、主動性、調控性、完成性、活躍性五個維度考慮，建立了遠程教育學生在線學習測評理論模型，為遠程教育學生在線學習測評提供理論參考。

2.采用基于博弈論組合賦權的方式，將主客觀賦權法進行綜合，計算得到最優(yōu)測評指標的組合權重，提高了測評方法的合理性。

3.通過對五名學生的學習行為進行測評，得到的測評結果是：學生D＞學生E＞學生A＞學生B＞學生C。結果表明學生D的學習行為綜合評價結果最優(yōu)，學生C的評價結果相對最差。通過分析學生D的指標值不難發(fā)現，學生D在學習時長、行為總數、瀏覽數、瀏覽資源數、形考完成率、形考及格率這些學習行為方面都有很好的表現，也就是學生D的學習投入度較高、學習積極主動，并且很好地完成了相關任務、測試；而學生C學習缺乏積極主動性、活躍性也不高，尤其是學習的投入度很低。因此要提高遠程教育在線學習學生的學習投入度、主動性和完成性，以提高學生學習效果。