基于學習分析的高校師生在線教學群體行為的實證研究

[摘 要] 網絡教學中交互行為水平的高低，是影響學習者知識建構水平和學習質量的關鍵因素，其中學生自主學習行為的發生不是自發的，需要教師教學行為的促進，但是這兩者之間具體的作用關系還需要更進一步的探索。本研究選取一所高校，利用網絡教學平臺中師生行為的表征數據，采用基于學習分析的定量方法研究了網絡教學環境中教師群體教學行為與學生群體學習行為的內涵及其之間的關系。結果表明：師生教學交互行為可劃分五種類型，即教師的備課行為、教學指導與協助行為、學生閱讀行為、學習反饋行為以及生師交互行為；教師網絡備課行為直接決定學生的在線閱讀行為，教師網絡指導與協助行為同樣正向影響學生的在線學習反饋行為；教師的備課行為對學生閱讀行為的影響程度要高于教師教學指導行為對學生學習反饋行為的影響。學生的學習反饋對師生交互有正向顯著影響，而學生的閱讀行為與師生交互之間沒有發現統計意義上的直接關聯關系。

[關鍵詞] 網絡教學交互； 教師教學行為； 學生學習行為； 學習分析； 結構方程模型

[中圖分類號] G434 [文獻標志碼] A

一、 研究背景

信息技術在教育中的應用正逐步改變教師和學生教與學的行為、方法和策略。在網絡教學環境中，教師行為與學生行為的內涵及其相互關系如何，是如何相互影響的？對這些問題的探討都有助于從中發現網絡教學環境中教師與學生行為特點及其變化規律，從而為優化教學策略提供理論基礎。目前對師生網絡行為的研究多集中于分析課程中學生個體與教師的關系，或者特定院系師生的網絡教與學行為，[1]校級層面的研究多是基于問卷調查。[2][3]很少有通過大數據的采集，在師生校級群體層面探討和分析教學行為的研究。

在當前互聯網、云計算、移動技術、在線教育的迅速發展下，基于網絡的用戶大數據研究正引起越來越多的關注，教學環境中的學習分析領域隨之產生。[4]在信息化教學環境下，師生行為的大量電子數據都被記錄和存儲，然而不是所有感興趣的研究者都能獲得這些數據；即使能接觸到數據，對這些數據的運用還很有限，[5]且不夠有效，經常造成在分析信息和提供反饋上的延遲。[6]大部分教育機構擁有的還僅僅是數據，并沒有將數據通過分析轉變為有意義的信息。[7]

本文試圖針對高校網絡教學環境中積累的數據進行學習分析，探討學校層面師生群體教學行為關系，為高校教師制訂信息化教學的策略提供實證基礎。

二、 相關研究

（一）學習分析

近兩年基于大數據的學習分析（Learning Analytics）領域正逐漸引起學者重視。所謂大數據強調數據的大而復雜，以及對過程數據處理的實時性和有效性。[8][9]2011年第一屆學習分析與知識國際會議對“學習分析”的定義是：測量、收集、分析和報告關于學習者及其所在學習情境的數據，以便了解和優化學習和學習發生的環境。[10]

原始數據是分析的基礎，只有采集到數據，并將這些數據賦予意義才能變為信息，信息經過分析和綜合形成知識，通過運用知識轉變為智慧（學識）。[11]Siemens將數據分為兩種，一種是學習者產生的數據，另一種是具有語義的其他相關數據。[12]學習者產生的數據是由學習者使用網絡教學平臺、個性化學習環境，以及社交網絡進行學習活動而產生的數據。網絡教學平臺是用來管理、記錄、跟蹤、報告網絡教學課程的系統[13]。常見的網絡教學平臺有：商業型系統，例如清華教育在線（THEOL）、Blackboard；開源系統，如Moodle、Sakai、Drupal等。網絡教學平臺一般記錄的學習行為包括學習者檔案、學習者對資源的訪問記錄、提交的作業、考試的成績等。個性化學習環境強調學習者的自主管理，其核心功能包括：設定學習目標；自我管理學習過程和學習內容；與學習過程中的其他人交流，記錄的學習行為數據與網絡教學平臺相似。此外，當學習者通過社交網絡相互討論學習時，社交網絡便能記錄學習者之間的討論關系和討論內容的數據。具有語義的其他相關數據，泛指不是學習者產生的、具有語義的教學數據，例如，與課程相關的、與學習內容相關的數據等。

教學數據分析技術在教育領域中是一類新興的技術，但是這類技術已應用于商業和信息技術產業的多個領域，如商業智能分析[14]等。學習分析主要關注教學過程中學生與教師的教學行為，將記錄在系統中的教學行為數據經過聚集、分類、關聯分析以及可視化等操作，生成實時的數據報告或者利用從行為數據中反映出的常模來生成預測模型。分析技術綜合使用統計方法、社會網絡分析、教育數據挖掘等。

Long和Siemens認為，對未來高等教育影響最大的因素是大數據及其分析。大數據分析可以幫助高等教育機構管理者改善決策過程、優化資源分配，及時發現有困難的學生并提供支持，改變大學的學術模式和教學方法等。[15]美國高校教育信息化協會（EDUCAUSE）也看好教學數據分析的前景，其與美國新媒體聯盟 （NMC）合作的《地平線報告》（Horizon Report）預測，教學數據的分析技術將在未來兩至三年來內將在教育領域廣泛應用。[16]學習分析關注教與學的過程，包括分析學習者、內容、教師和機構的關系。[17]本文主要針對網絡教學環境中學習者、教師和教學內容（資源）間的交互關系進行探究，旨在闡明學校群體層面教師教學行為對學生學習行為的影響，數據來源于網絡教學平臺，分析方法采用建模的思路挖掘師生教學行為之間的關系。

（二）網絡教學中的交互

1. 網絡教學中交互的類型及其作用

網絡遠程教育中存在著三種類型的交互，包括學習者與學習內容的交互、學習者與教師的交互以及學習者與學習者之間的交互。[18] Anderson和Garrison在以上三種交互的基礎上，又加入了教師與教師、教師與內容以及內容與內容的交互。[19]

網絡教學中交互行為水平的高低，是影響學習者知識建構水平和學習質量的關鍵因素。[20][21]學生與內容（資源）的交互是非常重要的環節，學生在此過程中可以獲得新的知識與技能， 學生的認知結構、偏好和對知識的認識都可以在與內容的交互中改變。[22][23][24]Stouppe將內容交互分為四類，包括充實性、支持性、傳遞性和構造性內容交互；[25]充實和支持性交互側重幫助學習者了解內容，傳遞和構造交互強調學習者應用和組織知識。Garrison等人提出在高等教育群體探究過程中包括認知存在、社會存在和教學存在三種要素，其中認知存在是教學成功的基礎。他強調了網絡學習中交互對學習者批判性思維的重要性，認為此要素包括觸發事件、探索、整合以及問題解決四個階段。[26]Dunlap等人認為Stouppe的內容交互分類主要針對低水平的認知過程，沒有解決高水平認知過程的交互問題。[27]他們在分析和總結Stouppe和Garrison等人研究的基礎上，又加入了反思與元認知交互，強調學習者通過筆記、自我反思性問題等活動與內容進行交互，形成了學生與內容交互的十種類型，重點體現了高水平認知過程的交互。

學習者與學習者交互強調學習者共同解決問題， 分享觀點及信息，能幫助學習者建立所需的知識和技能。[28]學習者之間的交互在運用和評估新知識、在基于建構主義學習理論的學習設計中也尤為重要，能發展學習者的人際交往能力，促進協作技能的提升。[29][30]

教師、學習者、環境等都是影響學習過程和效果的主要因素，其中教師是最為核心的因素，起著非常關鍵的作用，直接影響學生的行為與生師交互的產生。[31][32]

Soo和Bonk將網絡學習中的交互分為學習者與資源同步交互、學習者自我同步交互、學習者與學習者同步交互、教師與學習者同步交互以及學習者與資源異步交互、學習者自我異步交互、學習者與學習者異步交互和教師與學習者異步交互八種類型。[33]通過對遠程教育者的深入訪談發現，學習者與學習者異步交互被認為是在線教育中最重要的交互類型，其次是教師與學習者異步交互以及學習者與資源的異步交互。被訪者都認為學習者是學習發生的中心，同時來自教師的指導也非常重要。Swan研究了網絡教學中學習者滿意度、與同伴交互以及與教師交互和課程設計因素的相關性，發現課程結構的清晰連貫設計、學習者與教師的溝通與教師提供反饋的頻率以及學習者之間活躍有效的課程討論能顯著影響學習者滿意度。[34]

2. 網絡教學中交互行為之間的關系

網絡教學中的各種交互行為之間存在著關聯關系。一些研究表明，網絡教學環境中教師行為對學生行為的影響不是直接發生的，而是通過構建網絡資源引導學生、組織教學，通過創設網絡學習活動以激發學生的有效和自主學習。[35][36][37]教師不能僅僅將內容簡單呈現給學習者，要注重學生與資源發生深度有意義的交互。教師要設計適當的學習活動，以激發學生的高水平認知活動。[38][39]教師與內容的交互強調對內容和學習活動的創設，只有做好教師與內容的交互，設計良好的教學資源和教學活動并進行有效監督與及時反饋，學生與內容（資源）的交互才能有效發生。

然而目前對網絡教學中各種交互行為關系的系統研究尚不多見。本研究主要涉及教師與內容交互、學生與內容交互、教師與學生交互以及學生與學生交互，研究上述交互行為之間的關聯關系。

三、 研究問題和研究假設

基于以上分析，本文的研究問題主要有三個：一是如何更加細致地劃分師生教學行為的類型，以便反映師生教學行為之間的關聯關系？二是網絡環境下群體層面中教師的教學行為如何影響學生的學習行為？三是教師的教學行為、學生的學習行為與師生交互行為的發生有何關系？

本研究首先對一個大學某個時段網絡教學活動的數據進行因子分析，將教師在網絡教學中的行為分為備課和教學指導與協助，將學生行為分為閱讀資源與學習反饋，以及師生交互。其中備課和教學指導與協助屬于教師與內容的交互；閱讀資源和學習反饋屬于學生與內容的交互，反映學生的自主學習行為；師生交互是教師和學生群體的知識共建行為；之后根據上文已有理論和文獻研究，提出研究假設如下：

H1：教師的備課行為正向影響學生閱讀行為；

H2：教師的教學指導與協助行為正向影響學生學習反饋行為；

H3：學生閱讀行為正向影響學生學習反饋行為；

H4：學生閱讀行為正向影響師生交互行為；

H5：學生學習反饋行為正向影響師生交互行為。

根據研究理論和假設，得到本研究的概念框架圖（如圖1所示），反映學生和教師的五種教學行為之間的關聯關系。

四、 研究方法

本研究采用案例分析，在采集某高校網絡教學平臺數據的基礎上，對該高校網絡環境下師生群體行為關系構建結構方程模型；分析網絡教學環境下教師教學行為、學生學習行為和師生交互三個方面的表現及其相互關系；并通過該高校在網絡教學平臺上師生教學行為跟蹤記錄的實際數據對模型進行檢驗和實證分析，檢驗模型的解釋能力。

結構方程模型可以通過可測變量間接測量潛變量，可以同時研究可測變量和不能直接測量的潛變量以及潛變量之間的關系，并且允許這兩類變量存在測量誤差，是進行行為分析常用的方法。[40]

（一）樣本選取和數據收集

本文數據選取自清華教育在線（THEOL）網絡教學綜合平臺，該平臺已在全國近400余所院校應用，其中案例院校開展網絡教學活動的情況較好。本研究以該校教學平臺從2012年9月至2013年5月的所有課程為樣本，去除了選課學生總數為0和課程被訪總數為0的課程，共得到樣本量1471個。

（二）變量說明

本研究使用教學平臺中教師和學生在每門課程中相關操作次數作為測量指標， 共有16個。對這些變量進行了因子分析并借助理論指導，共得到潛變量因子5個，分別為教師備課行為、學生閱讀行為、教師教學指導與協助行為、學生學習反饋行為和師生交互行為。其中，與教師備課行為相關的測量指標有3個，與學生閱讀行為相關的測量指標為3個，與教師教學指導與協助行為相關的測量指標有3個，與學生學習反饋行為相關的測量指標為3個，與師生交互行為相關的測量指標有4個，具體見表1。

以上指標分值越大表明其代表的教與學行為在網絡教學平臺上越活躍。

（三）模型建立

通過上述對潛變量和測量變量的設定，根據研究假設建立結構方程模型，并通過探索性驗證，得到模型和結果（標準化系數Standardardized Estimates）見圖2。

五、 師生行為關系模型實證分析

模型卡方值受大樣本量影響，數值較大，但其他模型適配度指標值GFI、CFI、NFI都大于0.9， RMR小于0.05， RMSEA小于0.09，因此，本研究提出的假設模型與實際觀察數據的擬合情況良好，即模型的外在質量很高，具體見表2。

研究假設驗證情況如下：

本研究提出的5個假設有4個在0.001的水平下都顯著，表明本研究提出的4個假設都得到支持。

假設1中教師的備課行為顯著影響學生閱讀行為（β=0.91），從具體的測量變量來看，影響備課行為的三個測量變量中，教師進入課程對備課行為的影響程度最大（0.87），其次是添加課程閱讀材料（0.65）、發布課程通知（0.59）；學生閱讀行為的測量變量依次對閱讀行為的影響程度從強到弱依次為學生進入課程（0.95）、閱讀教學材料（0.81）以及閱讀通知（0.69），表明教師登錄網絡課程空間是其備課的前提條件，進而直接影響學生在線課程材料的閱讀。

假設2中教師的教學指導與協助行為對學生學習反饋行為也有較大的正向影響（β=0.73），教師的指導行為越多，學生的反饋行為就越多。所以教師要提高學生對學習結果的反饋，就要進行較多的指導與學習協助。具體來看，對教學指導與協助行為影響最大的是教師布置作業的行為 （0.59）， 其次是添加常見問題 （0.38）與發布課程問卷 （0.28）， 后兩者對教學指導行為的影響相差不大；教師教學指導行為中，教師布置作業居主導地位。學生學習反饋行為中，其測量變量對其影響最大的是撰寫學習筆記 （0.65），其次為上交作業 （0.58），最后是參與問卷調查行為 （0.26），學生的學習反饋主要以撰寫個人學習筆記和完成教師布置的作業為主。

教師的備課行為對學生閱讀行為的影響（β=0.91）要高于教師的教學指導行為對學生學習反饋行為的影響（β=0.73），表明教師的備課工作較易產生學生的閱讀行為，而教師的教學指導行為對學生學習反饋行為的影響則相對較弱，教師布置作業、添加常見問題和發布課程問卷等活動尚不能充分保證學生學習反饋行為的發生，因此教師要了解學生特征和真正的學習需求，進一步提高在指導和協助上的教學設計，包括在活動設計以及監控方式，及時發現學生學習過程中出現的問題并提供支持，以提高學生的學習參與度，促進學生更為積極的學習反饋行為的發生，幫助學生從較低層次的認知過程向高層次過渡。[41] 這也與Soo和Bonk[42]的訪談發現一致，即教師與學習者異步交互的重要性高于學習者與資源的異步交互。

假設3成立說明學生的閱讀行為越多，產生的反饋行為才會更多（β=0.24）。學生的閱讀行為是學習反饋行為的基礎，也就是說學生對教學材料的閱讀是完成作業、進行學習反思的基礎。

假設4學生閱讀行為對生師交互的影響不顯著，但是結合假設5的驗證結果，可以推測：僅有學生閱讀行為不足以產生師生交互，只有學生進行學習反饋和反思之后，才會有較深入的師生交互。結合假設3也可推測，學生通過其閱讀行為對反饋行為的影響，間接影響師生交互。

假設5學生的學習反饋對生師交互行為有較大的正向影響（β=0.87）。說明要推動生師交互行為的發生需要學生積極參與教師設計的活動，如撰寫學習筆記主動進行反思、參與作業活動反饋學習效果等。這一結果與Dunlap等人的研究結論，即強調學習者通過筆記、自我反思性問題等活動與內容進行交互，促進高水平認知過程的交互相一致。[43]在影響師生交互行為的測量變量中，學生在討論區的活動（發表話題、回文和被回文行為）對師生交互影響均比較大，學生提問行為對師生交互影響較小（0.66），表明學生的主動提問（表現為發表話題）、回復別人的問題以及被別人回復都是產生較強交互的主要因素。

六、 研究結論與局限性

本文得出了以下結論：

1. 重新劃分了師生教學交互行為的類型。通過對教學行為數據的因子分析，師生教學交互行為可歸納為五種：教師備課行為、教學指導與協助行為、學生閱讀行為、學生學習反饋行為、生師交互。與以往研究相比，[44] [45]教師與內容的交互被分解為教師備課行為和教學指導與協助行為，學生與內容的交互被分解為學生閱讀行為和學生學習反饋行為，而學生與學生的交互和學生與教師的交互被合成為師生交互行為。之所以出現這種不同的劃分其主要原因可以歸結為本文采用的研究方法。學習分析方法的依據是在線教學過程中即時記錄的客觀、全量的數據，在此基礎上通過數據的因子分析歸納出這五種師生交互教學行為，而隨后構建的定量模型又較好地描述了這些行為之間的關聯關系，進一步說明了這種劃分的合理性。另外，本文將學生與內容的交互劃分為兩類，與Stouppe的分類法，即充實和支持性交互側重幫助學習者了解內容，傳遞和構造交互強調學習者應用和組織知識有某種程度的相似性。[46]

2.較為細致地描述了師生教學交互行為之間的關系。教師網絡備課行為直接決定學生的在線閱讀行為，教師網絡指導與協助行為同樣正向影響學生的在線學習反饋行為。教師的備課行為對學生閱讀行為的影響程度要高于教師教學指導行為對學生學習反饋行為的影響。學生的學習反饋對生師交互有正向顯著影響，而學生的閱讀行為與師生交互之間沒有發現統計意義上的直接關聯關系。

上述研究結論可能會產生的理論和實踐意義如下：

1.對師生教學交互行為類型的重新劃分并不意味著對以往研究成果的否定，而是一種發展，因為這兩種分類之間有穩定的對應關系，同時新的劃分一方面細化了教師與內容的交互和學生與內容的交互，另一方面將師生交互整合為一體，這些細化和整合都有一個指向，就是更加接近于真實的教學情境，有利于指導教學實踐。在這種重新劃分的基礎上，全面系統地闡釋了五種教學交互行為之間的作用關系。

2. 對在線教學行為有著較好的解釋性和指導性。研究結論揭示了教師對學生在線學習的不可替代作用，而且教師的作用不能止于對教學材料的精心設計和課程準備工作，而是需要運用多種教學工具設計有效的教學活動來促進學生的學習反饋并有過程性的指導，使學生有更為積極的學習行為，更大程度地參與師生交互。當前備受關注的大規模開放在線課程（MOOCs）設計的一個目標就是試圖用交互性的學習材料（即視頻加即時測試）代替教師的過程性指導，從實踐上來看極低的課程通過率凸顯了這種做法的問題，[47]從本文研究的結論來看也缺乏理論基礎。教師不介入大規模學生群體的交互會在何種程度上影響教學質量也將會成為今后的一個研究課題。[48]

本文在研究時采用16個特定的測量變量指代師生的五種教學交互行為，有其特定的含義，所有行為之間的關系都只存在于這些含義之間。選取了一所大學進行案例分析，在研究結果推廣上有一定的局限性。此外，采用一所大學的全量數據進行分析，保留了數據的真實和原始性，但也為數據預處理帶來了很大困難，在個別數據規整處理時采用了主觀判斷擬合的方法，一定程度上影響了研究的信度和效度。

[參考文獻]

[1] 彭文輝，楊宗凱， 涂山青， 李念. 網絡學習者的學習行為調查及分析[J]. 中國電化教育， 2007，（12）：52～56.

[2] 李玉斌， 嚴雪松， 姚巧紅， 褚蕓蕓， 南麗嵐.網絡學習行為模型的建構與實證——基于在校大學生的調查[J]. 網絡教育， 2012，（2）：39～43.

[3] 楊麗娜，顏志軍.信息技術采納視角下的網絡學習實證研究[J]. 中國遠程教育， 2011，（4）：36～40.

[4] [7] T. Elias（2011）. Learning Analytics： Definitions， Processes and Potential[DB/OL].http：//learninganalytics.net/LearningAnalyticsDefinitions ProcessesPotential.pdf.

[5] S.Dawson， L.Heathcote， G.Poole. Harnessing ICT Potential： The Adoption and Analysis of ICT Systems for Enhancing the Student Learning Experience[J]. International Journal of Educational Management， 2010， 24（2）：116～128.

[6] [9] [15] [17] P.Long， G.Siemens.Penetrating the Fog： Analytics in Learning and Education[J]. EDUCAUSE Review，2011，46（5）：31～40.

[8] D.Boyd. Privacy and Publicity in the Context of Big Data[DB/OL]. http：//www.danah.org/papers/talks/2010/WWW2010.html.

[10] G.Siemens. About the 1st International Conference on Learning Analytics and Knowledge. Banff， Alberta，February27-March1[DB/OL]. https：//tekri.athabascau.ca/analytics/.

[11] [14] B.Baker. A Conceptual Framework for Making Knowledge Actionable through Capital Formation[D]. Maryland，United States：University of Maryland University College，2007.

[12] G.Siemens.What are Learning Analytics[DB/OL]. http：//www.elearnspace.org/blog/2010/08/25/what-are-learning-analytics/.

[13] 韓錫斌，劉英群，周潛. 數字化學習環境的設計與開發[M]. 北京：中央廣播電視大學出版社，2012.

[14] J.Dron， T.Anderson. On the Design of Collective Applications[A]. Proceedings of the 2009 International Conference on Computational Science and Engineering[C]. 2009： 368～374.

[16] L.Johnson， R.Smith， H.Willis， A.Levine， K.Haywood. NMC Horizon Report： 2013 Higher Education Edition. Austin， Texas： The New Media Consortium[DB/OL]. http：//www.nmc.org/pdf/2013-horizon-report-HE.pdf.

[18] [22] [28] M.G.Moore. Three Types of Interaction[J]. The American Journal of Distance Education，1989，3（2）：1～6.

[19] [29] [44] T.Anderson， D.R.Garrison. Learning in A Networked World： New Roles and Responsibilitie[A]. C. C. Gibson. Distance Learners in Higher Education[C]. Madison， WI.： Atwood Publishing，1998： 97～112.

[20] D.R.Garrison，T.Anderson.e-Learning in the 21st Century：A Framework for Research and Practice[M].London，UK： RoutledgeFarmer， 2003.

[21] B.Muirhead. Encouraging Interaction in Online Classes[J]. International Journal of Instructional Technology and Distance Learning， 2004，1（6）：45～50.

[23] P.Northrup. A Framework for Designing Interactivity into Web-Based Instruction[J]. Educational Technology，2001，41（2）：31～39.

[24] [27] [39] [43] J.C.Dunlap，D.Sobel，D.I.Sands. Designing for Deep and Meaniningful Student to Content Interactions[J]. Tech Trends， 2007，（51）：20～31.

[25] [46] J.Stouppe. Measuring Interactivity[J]. Performance Improvement，1998，37（9）：19～23.

[26] D.R.Garrison，T.Anderson，W.Archer. Critical Thinking in A Text-Based Environment： Computer Conferencing in Higher Education[J]. Internet and Higher Education，1999，2 （2～3）：87～105.

[30] [33] [42] K.S.Soo，C.J.Bonk. Interaction： What does It Mean in Online Distance Education？[R]. Freiburg， Germany：ED-MEDIA/ED-TELECOM 98 World Conference on Educational Multimedia and Hypermedia World Conference on Educational Telecommunications （10th）， 1998.

[31] T.Clark. Attitudes of Higher Education Faculty towards Distance Education： A National Survey[J]. The American Journal of Distance Education， 1993，（2）： 19～33.

[32] 肖俊洪. 網絡學習環境下師生交互活動研究——教師角色多重性對學習的積極影響[J]. 開放學習，2006，（3）： 33～36.

[34] K.Swan. Building Learning Communities in Online Courses：the Importance of Interaction[J]. Education， Communication Information， 2002， 2（1）：23～49.

[35] N.W.Coppola， S.R.Hiltz，N.Rotter. Becoming A Virtual Professor： Pedagogical Roles and ALN[A]. Proceedings of the 34th Annual Hawaii International Conference on System Sciences[C]. IEEE Press，2001：1003.

[36] 曹良亮. 在線學習中的交互設計——以交互結構為核心的交互設計方法[J]. 開放學習，2010，（1）：38～43.

[37] 張偉遠. 網絡教學發展模式的理論構建與應用[J]. 現代遠程教育研究，2013，（1）：7～23.

[38] L.Jensen. Interaction in Distance Education[DB/OL]. http：//mmcisaac.faculty.asu.edu/disted/week2/7focuslj.html.

[40] 邱皓政， 林碧芳. 結構方程模型的原理與應用[M]. 中國輕工業出版社，2009.

[41] L.Anderson， D.Krathwohl. A Taxonomy for Learning， Teaching and Assessing： A Revision of Bloom’s Taxonomy of Educational Objectives[M]. New York： Longman， 2001.

[45] T.Anderson. Towards A Theory of Online Learning[A]. T. Anderson， F. Elloumi（eds）. Theory and Practice of Online Learning[C].Athabasca： Athabasca University，2004： 33～60.

[47] 姜藺，韓錫斌，周潛，程建鋼. MOOCs學習者特征及學習效果分析研究[J].中國電化教育，2013，（11）：54～59.

[48] 韓錫斌，程璐楠，程建鋼. MOOCs 的教育學視角分析與設計[J]. 電化教育研究，2014，（1）：45～51.