基于學習行為數據的在線學習時間規律探析

和珍珍

摘 要 為提高信息化教學效率，基于在線學習行為數據發掘學生的在線學習規律，得出假期是在線學習活躍期，且每天10點鐘和17點鐘左右的參與度最高，學生單次學習持續時間以5分鐘以內的碎片化學習和接近40分鐘的課堂化學習為主。以此為教師和學生提供在線輔導、教學視頻設計和學習的時間參考，并提出將學習行為檢測整合到數字化校園建設中。

關鍵詞 在線學習；時間規律；學習行為；學習體驗

中圖分類號：G642 文獻標識碼：B

文章編號：1671-489X（2016）20-0001-05

Abstract To improve informational teaching effectiveness and effi-ciency， this study explored students online learning law. The statis-tics of students online learning behaviorshowed that students mainlyparticipate in study on holiday and the largest number of students participate in study at ten oclock and seventeen oclock everyday. Besides， continuous learning often for five minutes or almost forty minutes at one time. Teachers and students can arrange teaching time and teaching design according to their own learning raw.

Key words e-learning； law of time； learning behavior； learning ex-perience

1 引言

“互聯網+教育”用現代信息技術改變傳統教育模式，以教育信息化促進教育現代化。在線教育促進了教育管理、教育教學和教育科研等教育領域各方面的改革與發展。在線學習者也得到極大的學習自由，他們不僅可以自主地選修課程，還可以隨時隨地參與到學習中，充分利用自己的業余時間。然而，也正是因為在線教育師生背景的多樣化和參與時間的高度自由化，導致師生之間的實時交互機會很少，師生在線時間不同步，大量學生得不到教師的及時引導和幫助。學生與學生之間也因為這種差異而不能暢快地與同輩交流學習心得、探討學習問題，課程論壇儼然成了“留言板”。這些不及時的反饋不僅降低了學生的學習參與感，造成學習過程中的情境性體驗差，還增加了學習用時，與學生有限的學習時間相矛盾，使學習者逐漸喪失繼續學習的動力，進而中途棄課[1-3]。

因此，如何依托網絡學習系統，安排線上線下的網絡教學活動，提高在線教育師生之間的交互實時性，改善網絡學習體驗，進而提高學習效率和效果，成為一項重要的教育課題。

2 相關工作

互聯網大數據時代，反映學生學習狀態和學習過程的海量學習行為數據[4]被記錄在各類在線教育平臺、教育信息系統和移動APP教育軟件中。大量的可利用數據催生了學習分析技術[5]，人們不再止步于理論討論，開始將各類數據集廣泛應用到學習分析[6]中，從日趨多樣化的角度探究網絡學習過程，回答了“誰在學”“學什么”“怎樣學”“學的結果如何”等問題[7]。

為了增強在線教育的教學效果，既有研究從學習者背景[8]、作業完成情況[9]、論壇參與度[10]等單維度進行數據統計分析，提出慕課教學改進方法，也有研究從群體差異角度出發，分別從學習總時長、學習筆記、學習次數和討論交流次數等多維度，探討各網絡學習行為特征與學習效果的關系[11]。還有一些研究基于統計學方法和數據挖掘方法，基于學習行為與學習效果的關聯構建學生模型，以此預測學生的成績和輟學情況[12]。

以上研究從不同角度和方法探究了學生的網絡學習行為，不僅豐富了網絡教學設計的理論和現實依據，還給學生提供了許多學習建議，幫助學生提高學習成績。這些建議強調學習者應該多多參與論壇交流等多項學習環節，加強學習投入，還建議學習系統要增加學習預警功能，向即將輟課的學生發送通知和預警，讓這些學生及時回歸到課程學習中。然而，這些研究在向學生提出種種建議和要求的時候，卻忽視了學生“可投入的學習時間是有限的”，學生沒有足夠的時間完成更多的網絡學習活動。

要解決學習效果和學習時間之間的矛盾，還需要聯系師生的線上線下活動，從網絡教學的主體內部揭露和認識網絡學習時間規律，遵循規律安排教學，提高教學效率。本研究基于目前的數據分析條件，以網絡學習行為數據為依托，發掘學生的學習時間規律，為安排線上線下的網絡教學活動提供參考，以期達到適才適所，提高在線教育交互反饋的及時性，改善網絡學習的參與式體驗，進而達到提高學習效率、增強學習效果的目標。

3 研究設計

研究框架 本研究中所采用的學習行為特征指網絡在線學習系統數據庫中記錄的學生學習行為。本研究基于學習發生的時間維度，從4個方面對學生學習行為特征進行探討：1）網絡學習行為總體分布情況；2）不同月份、不同學習活動、不同成績等級的學習行為分布，以及節假日對學習行為的影響；3）學生單次學習持續時間長度分布；

4）特異學習行為分析。

研究對象 本研究的研究對象是我國西南部某市的高中生，學習行為數據來源于該市的普通高中選修課網絡學習系統，該系統是為適應高中新課程改革對選修課學習的要求，通過選修課程視頻學習、交流討論、輔助資源下載、在線考試等功能，進行線上自主學習和線上集中學習相結合、過程性評價和總結性評價相結合的選修課教學。系統自2010年投入使用，目前注冊用戶數已達到8萬余人，本研究選取了2014—2015年的學習行為數據。

研究方法和工具 本研究的研究數據源自普通高中選修課網絡學習系統的數據庫，數據量大，主要利用數據統計分析與處理軟件SPSS（Statistical Product and ServiceSolutions，統計產品與服務解決方案軟件）、WEKA（Waikato Environment for Knowledge Analysis，懷卡托智能分析環境）進行數據的預處理。經數據標準化、無關數據剔除等處理后，使用SPSS、Excel和Word做數據統計及結果的圖表化展示工作。

4 學習規律挖掘結果

總體分布情況 通過對學習數據的統計分析，本研究發現學生在暑假（6、7、8月）的學習參與度遠超在校期間的學習次數，寒假期間（2、3月）的學習參與度也要高于在校期間；但相較于暑假，寒假的參與度則有所不及。這也反證了可以投入的時間量是影響網絡學習參與度的重要因素。一年中不同月份學生網絡學習的參與度如圖1所示。

雖然網絡學習允許學習者在任何時候參與學習，自由度很高，但是通過數據分析發現，一天中不同時段的學習參與度有很大的不同。結果顯示，在上午10點和下午5點論壇討論參與度顯著高于其他時段，如圖2所示。

假期學習時段分布情況 在校期間受課堂教學時間的約束，學習時間參與度尤其是討論交流次數會在放學時出現較大的峰值；而在周末、節假日等短假期，學生學習自由度相對較高，表現出不同的學習時間規律，在這期間的學習時間分布相對均勻，討論交流次數會在10點和17點出現相對峰值，但與其他時間段差別不大。具體學習分布如圖3所示。

考慮到暑假的6、7、8月是學習的高峰期，且此段時間沒有課堂教學時間等約束，學生在自由狀態下的主動學習發生時間更能體現學生的認知規律。因此，本研究統計了暑假學生的網絡學習參與情況，如圖4所示。從圖3和圖4可以看出，假期對學生在論壇交流方面的時間分布影響不明顯，都會在上午10點鐘和下午5點鐘達到峰值；對學生在視頻學習方面的時間分布則會產生較大影響，在校期間會在上午10點鐘、下午5點鐘和7點鐘出現視頻學習高峰，其他時間的學習人數明顯減少，而假期的分布則相對均勻。此外，在統計過程中還發現，學生在假期參加討論交流的次數要遠高于視頻學習，更樂于和人交流，而不是觀看教學視頻；而在校期間則恰恰相反。

越來越多的研究表明，網絡學習行為與學習效果密切相關。剖析網絡學習行為模式與學習效果的關聯，不僅有助于課程開發人員制定有效的學習支持服務策略，更能為網絡學習者提供可借鑒的高效學習方法，從而達到有效的網絡教與學。因此，本研究統計成績優秀學生的學習時間分布如圖5所示。與學生群體的總體學習分布類似，成績優秀學生的學習參與熱度也會在上午10點鐘、下午5點鐘出現峰值。與總體情況相反的是，這部分學生在晚上8點鐘之后的論壇參與度會有所增強，視頻學習量明顯下降。

學習持續時間分布情況 “教學視頻碎片化”學習一度被人們奉為網絡視頻時長設計標準，不僅方便了學習者利用工作、活動間隙時間學習，間接增加了可以投入的學習時間，而且短時間的教學能保證學生的注意力始終處于高度集中狀態[13]。但是對“碎片化”的詬病也逐漸浮現，認為將知識點拆分成一個個小塊使知識系統渙散，大量碎片式的學習方式也不利于學生對知識的系統梳理，知識的深度降低[14]。

無獨有偶，人們對傳統的45分鐘課堂制同樣褒貶不一。

有趣的是，通過對學生單次學習持續時間的統計，發現學生的學習習慣恰如這兩者的結合。如圖6所示，以5分鐘為時間區段劃分粒度，可以看出，持續時間在1～5分鐘和持續時間在40分鐘左右的人數最多，且明顯多于其他類型人數。

5 基于學習規律的教學設計建議

通過對學生網絡學習規律的發掘，可以得出學生參與學習的時間主要分布在假期，且在每天的上午10點和下午5點參與網絡學習的人數最多，學生單次學習持續時間以5分鐘以內的碎片化學習和接近40分鐘的課堂化學習為主。基于此，本研究從教師、學生、教學平臺、教學資源設計等不同的角度提出教學設計建議。

1）師生在線時間不同步會削弱師生交互效果。教師若將在線輔導時間、在線師生交流時間安排在這兩個學習高峰時間段，則可以比其他時間段幫助到更多的學生，提高在線輔導效率，同時可以讓學生的困惑得到及時的引導和解答，增強在線師生交互的效果。教師在設計教學內容、選擇教學視頻錄制背景等方面，也可以考慮學生在這兩個時間段的心理、生理特點，讓教學更情境化、人性化?；谥挥猩俨糠謱W生能連續學習50分鐘以上（如圖6所示），本研究認為線上和線下教學時間安排應該盡量控制在50分鐘以內，以保證教學效率。

2）喜好交流的學生可以在這個時間段參與討論，將自己的困惑訴諸論壇，得到更及時的回復，提高問題解決效率，為自己營造實時參與感。對于另一部分學生來說，又可以選擇避開這段學習高峰期，避免網絡帶寬限制、服務器負載量過大等導致的內容加載緩慢等問題，減少不必要的網頁加載等待時間，改善自己網絡學習體驗。

3）個性化教學成為在線學習平臺的發展方向，個性化要求按照學習者的要求和特點，提供針對個體并適宜于該個體的學習內容，即學習資源的彈性化和定制式[15]。但就視頻時長來講，很難做到完全適應學生的各種學習習慣。因為制作多種教學視頻，必然導致制作成本的提高；同時，知識點本身的講解難度有要求，時間太短會造成講解不透徹，時間太長又會顯得煩瑣。因此，建議根據學生學習持續時間以5分鐘以內的碎片化學習和接近40分鐘的課堂化學習為主的事實，制作這樣兩類時長的教學視頻，既滿足學生利用碎片時間學習的需求，又可以減少另一部分持久性學習的學生的操作次數，讓學習更連貫，學習體驗更順暢。

此外，教學平臺可以將消息推送、公告發布時間設置在此段時間內，方便更多的學習者及時接收消息。教學平臺管理人員應在這段學習高峰期加強系統維護，防止出現服務器因訪問并發數太多、負載量太大而引發的一系列訪問受限問題。

4）如果說大部分學習者體現出的學習規律可以幫助師生安排教學活動，那么有著異常學習行為的學生則更需要被關注。在本研究的學習行為規律統計過程中，發現有少數學生的學習時間與他人差異大，且在學習活動參與頻度方面也很特殊。例如：有部分學習者經常在深夜學習；有的學習者很積極地看教學視頻，但不參與論壇討論；有的則恰好相反，甚至有學生連續回復了121條帖子，數量之多可謂一騎絕塵，且內容多是發泄情緒的詞語，表達對自己和他人的厭惡，消極情緒傾向明顯。

教育的本質是全面育人，追求認知發展與情感培養的統一、聰明才智與良好品德的統一，對個體的培養切不可顧此失彼[16]。但在網絡教育環境下，教師無法對學習過程“察言觀色”，加之網絡學習者人數眾多，一個教師往往對應著成百上千的學生，即使有心發現有特殊情況的學生，也往往是心有余而力不足。因此，本研究認為可以在教學平臺中加入異常行為檢測功能，利用聚類等技術發現表現異常的學生，既可以幫助教師快速發現特殊的學生，提高教師的輔導效率，又可以讓這部分學生被教師發現，讓教師了解到他們的情況，進而因材施教，完善學生的全面發展。

6 小結

在網絡教育發展勢頭銳不可當的大環境下，本文秉承“教育為體，網絡為用”的思想，提出利用網絡學習行為數據，分析網絡學生群體的普遍學習規律。結果顯示，學生參與學習的時間主要分布在假期，且在每天的上午10點和下午5點參與網絡學習的人數最多；而就學生單次學習持續時間而言，以5分鐘以內的碎片化學習和接近40分鐘的課堂化學習為主。進而，本研究針對學生網絡學習的普遍規律，從多角度提出教與學的建議，并建議教育要關注學生的特異表現，既追求科學文化知識傳授的效率和效果，又注重學生的學習體驗感和思想發展，以人為本，全面育人。

參考文獻

[1]MOOC學院.2014年慕課學習者調查報告[EB/OL].http：//mooc.guokr.com/post/610674/.

[2]孟亞玲.從“MOOC中文用戶大摸底”看其對中國教育的影響[J].電化教育研究，2014（8）：38-43.

[3]MOOC學院.慕課中文用戶大摸底[EB/OL].http：//mooc.guokr.com/post/610667/.

[4]孫洪濤.學習分析視角下的遠程教學交互分析案例研究[J].中國電化教育，2012（11）：40-46.

[5]魏雪峰，宋靈青.學習分析：更好地理解學生個性化學習過程：訪談學習分析研究專家George Siemens教授[J].中國電化教育，2013（9）：1-4.

[6]祝智庭，沈德梅.學習分析學：智慧教育的科學力量[J].電化教育研究，2013（5）：5-19.

[7]張艷霞，孫洪濤，李爽，等.數據表征學習過程及其應用：學習分析數據集國際研究綜述[J].中國電化教育，2015（9）：85-93.

[8]Nesterko S， Dotsenko S， Hu Q， et al.Evaluating geographic data in MOOCs[EB/OL].http：//nesterko.com/files/papers/nips2013-nesterko.pdf.

[9]Han F， Veeramachaneni K， Reilly U. Analyzing millions ofsubmissions to help MOOC instructors understand problem sol-ving[EB/OL].http：//groups.csail.mit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/ProblemAnalytics.pdf.

[10]Stump G S， Deboer J， Whittinghill J， et al. Development ofa framework to classify MOOC discussion forum posts： Metho-dology and Challenges[EB/OL].http：//tll.mit.edu/sites/default/files/library/Coding_a_MOOC_Discussion_Forum.pdf.

[11]傅鋼善，王改花.基于數據挖掘的網絡學習行為與學習效果研究[J].電化教育研究，2014（9）：53-57.

[12]蔣卓軒，張巖，李曉明.基于MOOC數據的學習行為分析與預測[J].計算機研究與發展，2015（3）：614-628.

[13]汪巖.微課支持下的翻轉課堂模式設計研究[J].中國教育技術裝備，2014（10）：39-44.

[14]文青.碎片與智慧[J].開放教育研究，2015（4）：2.

[15]吳剛.大數據時代的個性化教育：策略與實踐[J].南京社會科學，2015（7）：104-110.

[16]鄭中原，陳浩彬.從智慧的相關因素看智慧教育的實施[J].中國成人教育，2015（2）：29-34.