基于Mood le混合教學的學習行為分析*
——以“網上支付與電子銀行”為例

張 仙，劉云華，張媛媛，周 鋁

（1.云南農業大學 經濟管理學院，云南 昆明 650201；2.云南農業大學 基礎與信息工程學院，云南 昆明 650201）

基于Mood le混合教學的學習行為分析*
——以“網上支付與電子銀行”為例

張 仙1，劉云華2，張媛媛1，周 鋁1

（1.云南農業大學 經濟管理學院，云南 昆明 650201；2.云南農業大學 基礎與信息工程學院，云南 昆明 650201）

Moodle是一款開源軟件，現已被很多教育機構用來進行混合式教學,其強大的功能不僅能為學習者提供大量的學習資源及交流空間，還能記錄學習者學習行為的數據。本文通過數據挖掘工具，挖掘M oodle系統中存在的大量數據，分析其行為，重構學生學習活動，總結其取得的成績和存在的不足，為進一步提高教學質量提供參考意見。

數據挖掘；Moodle；混合教學

一、引言

Moodle是一款開源軟件，現已被很多教育機構用來進行混合式教學，其強大的功能不僅能為學習者提供大量的學習資源及交流空間，還能記錄學習者學習行為的數據。[1]如何更好地根據學習者學習行為數據，重構學習活動，分析其取得的成績和存在的不足，進一步提高Moodle使用質量，這是值得研究的問題。

二、研究現狀

當前，利用Moodle開展網絡教學已成為國內外高校教學應用的重要形式。[2]在過去的幾年里，有學者從如何構建更適合網絡教學的Moodle平臺進行了研究；有學者從Moodle網絡課程設計及建設的角度進行了研究；有學者從Moodle網絡教學的策略、模式進行了研究；還有學者對利用Moodle平臺開展的混合教學實踐進行了研究。[3-6]但這些主要是從教的角度進行研究，從學習者的角度進行研究的比較少。

近年來，有許多學者采用不同的數據挖掘方法去幫助教學人員改善教學及管理。[7]但利用數據挖掘工具，來研究Moodle網絡教學過程，特別是研究學習者行為的，當前并不多見。本研究根據Moodle網絡課程中的“網上支付與電子銀行”的日志及數據，進行分析及數據挖掘，對如何提高教學質量進行了思考。

三、研究方法

1.研究工具

本研究主要采用Moodle提供的工具及Weka（Waikato Environment for Knowledge Analysis）系統來進行數據統計及挖掘分析。

2.研究對象

本研究選擇了“網上支付與電子銀行”這門課程進行個別化教學的實踐。本門課程的使用者人數是60人。選這門課程主要是由于筆者在教學中使用了Moodle的大多數活動和資源（教學內容、作業、論壇、測試等），而且最終的成績也能獲得。

3.數據來源

本研究的數據主要來源于Moodle課程提供的日志及各類報表，如學習者活動報表、訪問報表和測試情況報表等。

四、研究過程及分析

1.統計

為了更好地重構學習活動，本研究主要從學生學習狀況、課程資源訪問情況、學習成績分析等方面進行統計分析。

（1）學生學習狀況

Moodle活動報表詳細記錄了學生學習活動情況，根據活動報表，本研究統計出了學生上網學習的頻次,如表1所示。從表1中可以看出，不同的學生訪問次數存在顯著差別。由于本網絡課程是配合傳統教學開展的，所以存在一部分學生在老師強制的情況下才會登錄Moodle，完成老師的教學要求。當然，根據不同學生的訪問情況，教師可以對學習積極性差的學生進行督促，以便達到教學目標。

表1 Moodle學習者活動情況統計表

（2）課程資源訪問情況

為了獲得學生對本課程不同主題相關內容的訪問情況，本研究根據訪問報表，統計了每一主題、每一內容的訪問情況，其結果如表2所示。

表2 課程訪問情況

表2表明，不同的主題、不同內容的訪問情況不一樣。在每一個主題中，不同內容的訪問情況也不一樣，其中，測驗訪問量最高，教學課件其次，教學內容、參考資源及討論區訪問量都較低。這表明本課程的混合教學中，學生最關心與考試密切相關的內容，這和我國的應試教育有一定的關系。當然，根據本課程主題的訪問情況，可以獲得整個主題受歡迎的程度，在此基礎上，進一步修改和完善相關內容和教學策略，使教學內容更受歡迎，使學生更積極主動地進行學習。

（3）學習成績分析

對于學生的測試，Moodle提供測試情況報表,如表3所示。

表3 部分測試情況報表

測試報表描述了測驗數據處理狀況，主要包括正確率、標準差、區分度、區分系數等。根據這些數據，可以看到哪些題目比較困難，哪些題目比較簡單，哪些問題具有高區分度。根據表3，如果題目太容易、太困難或沒有區分度，教師能刪除或修改問題。

2.簇

簇是將一個群體根據特征劃分為相似團體的過程。在本研究中，簇被用來尋找具有相似學習特征的學生，在此基礎上進行群體性的指導和協作學習。同時，對不同群體，有針對性地提供學習內容和提出相應的改進意見。

為了找出具有相似學習特征的學生，本研究采用了Weka中KMean算法，使用屬性k的3族劃分數目，來簇化學生群。表4顯示每個簇的質心點，每個簇中案例的數目。

表4 學習族劃分表

從表4中可以看出，有三個學生簇。簇0是積極上網學習課程內容，按要求完成作業，積極參加討論的學生，這是非常活躍的學生；簇1是比較活躍的學生；簇2是不活躍的學生。根據這些信息，教師能把學生劃分為不同的群體，在此基礎上進行分類指導。當然，教師也可以根據新來的學生的特征，將其歸入不同的簇。

3.關聯規則挖掘

Weka系統有一些可以被用來處理關聯法則的算法。本研究使用最小支持度0.3和最小可信度0.9作為參數，利用Apriori算法去查找課程“網上支付與電子銀行”的離散概況。通過挖掘，Weka找到了很多規則，如表5所示。

表5 學習規則挖掘

這些規則可以分為兩類，第一類是常規經驗，第二類是非常規經驗。第一類中得到的一些規則，根據教學經驗和學習經驗較容易得到，比如規則1、2、3、6、8、9、10。如規則1表明，很少上論壇（total_time_forum=low）的學生，也很少閱讀教學內容（n_read_l=low）；規則6表明，如果學生平時成績不錯 (n_assignment=good），那最終成績也會很優秀(mark=good)；規則9表明，測驗成績很低（n_quiz=low），并且很少給向教師發送信息（n_messages_t=low）的學生，最終成績也很低（mark=low)）。第二類中得到的一些規則，是平時教學中沒注意到的，比如規則4、5、7。如規則4表明，經常閱讀教學內容（n_read_l =medium），但很少和教師交流的（n_messages_t=low），最終成績也很低（Mark=low）；規則7表明，很少閱讀課件（n_read_p=low）,但作業完成的很好的同學(n_assignment =good），會積極參加討論區的討論（n_read_b）。根據這些非常規經驗，可以幫助教師改進教學行為以及監測學生的學習情況。

五、結束語

通過Moodle提供的學習行為日志及活動報表的統計、聚類及關聯規則分析，可以看出本混合教學中的Moodle網絡教學對學生學習比較有幫助的是習題和測驗，其次是教學內容。這也表明，本課程還需要進一步完善，改革考核方式，加強學生學習活動設計及引導，調動學生網上自主學習的積極性，培養學生自主學習、自主探索的能力，從而使其形成良好的學習習慣，為學生終生學習奠定基礎，而不僅僅是為了完成考試而學習。☉

[1]黎加厚.課程管理系統Moodle在中國的發展[EB/OL]. http://blog.sina.com/shnuli.2011.2.1.

[2]趙國棟,原帥.混合式學習的學生滿意度及影響因素研究[J].中國遠程教育,2010（6）:32-38.

[3]葉海松,季雋.Moodle的二次開發與設計[J].電化教育研究，2007（4）:50-55.

[4]王潤蘭,李錚錚,唐洛等.論Moodle網絡教學平臺與“教學設計”課程整合教學的優勢[J].電化教育研究, 2009（9）:96-99.

[5]楊麗君，陳波.基于Moodle學習平臺的中小學校長培訓新模式初探[J].電化教育研究,2008(10)：53-60.

[6]周躍良,唐小娟.利用混合式學習改革高校教學的策略[J].電化教育研究,2007(11):56-59.

[7]Rossett,A.,Douglis,F.&Frazee,R.V.Strategies for Building Blended Learning[J].Learning Circuits,2003(7):1-6.

(編輯：楊馥紅)

G434

B

1673-8454(2011)23-0077-03

云南農業大學第七批校級一類課程建設項目“網上支付與電子銀行”資助。