基于學習行為和內容的網絡學習論壇分析模型

胡慶春 蔡建華

摘 要：在線學習論壇中學習者之間的互動和文本內容可以作為評價學習的重要因素。本文提出了一個基于學習行為和內容的二維分析模型，分析在線學習論壇。該模型通過分析同伴之間學習行為的互動，可視化呈現問題討論的熱點，探究學習行為和內容是如何促進知識的獲取。同時該模型也有助于分析并挖掘學習的困難并通過可視化的詞云反饋給學習者。此研究可以為設計自動應答的實時反饋系統和自適應學習系統的體系結構提供實踐的建議。

關鍵詞：網絡學習；在線論壇；學習分析

中圖分類號：TP311 文獻標識碼：A

文章編號：2096-1472（2018）-11-10-04

1 引言（Introduction）

如今，數字化學習時代已經到來并深深地影響了當前的高等教育[1-3]。隨著技術對教與學的影響，教育技術的關注點已經從技術怎樣在學習中被運用，進一步轉變為深入研究技術是如何助力學習，如何更好地挖掘學習行為數據，對學習的過程進行評價并給學習者提供自適應的指導[4]。在網絡學習平臺中，在線論壇常常用于學生之間和師生之間的交流，這是一個必不可少的功能模塊，即通過論壇去支持學生隨時隨地發布問題，及時地反映他們的學習。隨著時間的推移，網絡學習平臺中會積累大量的數據，例如，在我校的程序設計課程，其網絡平臺的在線論壇有自2010年至今的海量數據，在線論壇中的這些海量數據可以被看作是一個巨大的學習資源庫，不僅是對當前學生的學習具有價值，也是對未來學生的一個很好的學習材料。然而，這些海量數據與學習過程和結果之間的關系還需要進一步深入探究。

在線論壇的一個主要功能和設計關注點是及時促進用戶之間的通信。論壇中最基本的模塊是搜索模塊，也即用戶可以鍵入關鍵字信息來搜索論壇。雖然是可以搜索到與關鍵字匹配的信息，但是，不能清晰并深入地了解論壇中的活動。本研究旨在挖掘學習行為和討論區的內容，可視化展示其特點，以便通過可視化圖能夠像腳手架一樣支持（scaffold）學習者的學習。因此，本文通過對論壇主題的歸納分析，提出了論壇的概念圖分析模型。在該模型中，分析學習行為的兩個方面：同伴之間的交互，發帖的主題和內容。首先，對于同伴之間的交互，本文通過分析帖子的回復和響應時間進行聚類，以找出最熱門的帖子內容；其次，對于發帖的主題和內容，通過可視化的詞云顯示帖子內容，構成一個可視化的學習困難概念圖，目的是不僅促使教師在教學中更加關注此類問題，同時也是促使學習者反思其所學的內容。

本研究分析的數據源自C程序設計課程，這是我校大多數理工科專業一年級本科生的必修課程。選取了一個學期的論壇數據進行分析。可視化學生同伴之間的互動和論壇內容，探究論壇發帖的主題和學習的知識點之間的聯系。由于程序設計課程學習中很多困難的本質就是提高調試能力，本研究使用文本挖掘工具的可視化分析，揭示了在編程學習中的主要困難。同時，分析了同伴之間學習行為的不同模式。

行為和內容的二維分析模型加深了教師和學生對在線論壇學習過程的理解；吸引了討論參與的積極性；提供了證明在線內容討論與知識點學習之間的重要性。

下面的內容首先回顧了相關工作；接著討論了在線學習中的學習分析，在此基礎上提出了模型框架；然后對數據進行采集和分析；最后是總結，建議進一步完善此方法有助于自動應答系統和自適應學習系統的設計。

2 相關的研究（Related work）

2.1 程序設計課程的網絡教學環境

本研究的背景是C程序設計課程，這是我校大部分理工科本科生的必修課。在學習程序設計的過程中，學生遇到的主要問題集中在代碼調試上[5，6]；而且，在課堂教學中師生之間的互動不夠理想。因此，迫切需要一種有效的方法來提高教與學的效果。

隨著數字時代對高等教育的影響，傳統的課堂正在延伸。教師和學生可以通過網絡環境進行交流和互動。自七年前，Moodle作為支持教和學的網絡平臺被應用在我們的教學中。Moodle平臺有很多實用的功能[7-9]，例如，隨時隨地、方便的內容更新、靈活的師生互動、及時的答疑和反饋機制，這些都非常適合我們課程的要求。可見，一方面，在線學習環境為學生和教師提供了非常靈活的交互方式；另一方面，也提供了實時記錄保存學生的學習信息。顯然，這些海量的信息包含了學習者的隱性行為特征。本研究希望剖析學生的學習活動，深入了解在線學習的認知過程。但是，目前大多數在線學習系統分析學生行為大多來自日志活動，鮮有整合在線論壇的內容[10-12]。而學習過程是行為和內容的一個復雜認知過程，需要綜合考慮多個因素的相關性和影響。當學生在論壇上發表問題時，表明其對于相關的知識點是有疑問的，通過對某一個階段的數據分析，可以挖掘學習困難的薄弱環節。為此，通過對網絡學習平臺的學習行為和論壇內容進行洞察分析，并將其融入到學習評價中是必要的，這與學習分析研究領域有關。

2.2 學習分析

學習分析是數據挖掘技術在教育中的一種實踐，它來源于大數據的研究背景[13，14]。在學習分析和知識的國際會議中，學習分析被描述為對學習者和學習情景數據集的測量、收集、分析和報告，以理解和優化學習和情景[15]。學習分析需要對海量數據中的學習過程進行進一步的挖掘，以評估學生的學業進步，預測其未來的結果，找出影響學習的因素。它的目的不僅是評估學生，而且還可以發現潛在的問題，并最終優化學習。通過在一段時間內收集和分析大量學習者的相關數據，探索學習過程和變化，以及學習者的當前學習行為與學習結果之間的聯系。另一個目標是用既定的相關性，根據當前的學習行為，預測他們未來的學習趨勢和結果。這種分析和預測不僅對教育管理者、教師，而且對學生都有積極的意義。在線學習論壇中累積的數據其主要特征是規模大和多樣性。這些數據隱含著學習者的實時性特征。學習分析的目的和方法與學習目標緊密結合。沒有學習目標，學習分析會過于宏觀和抽象。本研究與當前教育技術領域的國際關注是一致的[16]，未來的教育技術需要從學習、教學、管理、評價、基礎設施等五個方面進行闡述。其中，未來的教學系統應具備以下特點：自適應地評價學習者的知識和能力、嵌入式的學習過程、實時反饋等。要達到這一目標，就需要學習分析技術。

當前已有的分析學習論壇的方法主要有：使用日志文件分析、頁面鏈接的點擊率分析、可視化文本分析和評估。這些方法在一定程度上反映了學生的學習過程和對知識的掌握；但是其主要關注的是單個因素在學習中的作用，數據來源較單一，鮮有研究綜合了多個因素。網絡平臺的討論區其數據源來源于多種學習活動，有師生之間，學生之間的互動數據，也有涉及學習內容的文本信息，需要考慮對數據進行分類和提取。本文從論壇發帖主題的互動，時間節點和內容方面，對論壇活動進行了剖析。

本研究提出的模型是在一個真實環境中的實踐模型，用此模型可以讓教師知道該何時和如何關注學習者貼出的話題，旨在探索Moodle論壇中討論內容及互動關系，希望在學習論壇中找出需要緊急響應的問題帖子，并且可以幫助教師有效地瀏覽學習論壇和及時干預以輔助學生的學習。

3 基于行為-內容的模型框架（A model framework based on behavior-content）

本研究構建了一個基于同伴互動和內容分析的模型（圖1），其主要構成部分是活動模塊和內容模塊。數據采集、存儲和分析是在該模型框架下進行的。本文從帖子回復期的時間跨度；同伴之間的帖子回復；帖子內容分類這些方面展開分析。正如上面提到的，在C程序設計課程中，學生遇到的主要困難是調試問題。但是在一個班級或者本學期的學習中，哪些概念導致調試困難還不清楚。為此，本研究把學習內容分為兩類：概念和調試。前者是指發布與概念相關的帖子；后者是發布編碼調試與請求幫助。這兩種帖子均與學習內容有關，即和所學習的知識點有關。分析模型中的兩個方面：互動和內容。這兩個方面均可以看作是腳手架（scaffold）機制。一是來自認知支持（cognitive scaffold）；另一種是同伴互動支持（peer scaffold）。基于此，可以挖掘發現論壇中的熱點問題。該框架具有跨平臺的潛在應用，幫助教師有效地瀏覽在線論壇，并及時干預學習者的學習[17]。另一方面，也有助于學生對所學知識的反思。

4 數據分析（Data analysis）

本研究采用了開源的工具軟件Kibaba進行可視化分析，根據圖1的模型框架，在活動的維度上，分析了用戶之間發帖的交互、回帖交互及其時間節點序列；另一個內容維度用論壇內容中的詞云來可視化。在Moodle的后臺數據庫系統選取和問題討論區有關的內容，論壇中的數據如圖2所示。

4.1 學習者之間的交互

學習者之間的交互主要體現在每個發帖、回帖和瀏覽帖子。本研究可視化了閱讀數按照用戶的分布（圖3（a）），閱讀數按主題的分布（圖3（b））。前者展示了學習者的活躍程度，可以清晰的看到最活躍的學習者；后者，可以看到各個主題的訪問量，例如，在圖示的這段時間內，關于“return 0”的這個問題引起大家的關注。同時，本研究還可視化了帖子數按照用戶分布（圖4（a）），帖子數按照主題分布（圖4（b））。

在圖2的基礎上，針對一個學期的數據分析并聚類了關于帖子的時間節點特征。在一個學期中，某個班級有141名學生參加了C程序設計課程。發布229個主題。其中，173個帖子得到回復。回復這些帖子而衍生出來的帖子回復數量是360。在這些回復中，圖5（a）顯示了每個帖子得到第一次回復的時間。可以看到大多數帖子在五天內回復。如果這個帖子在五天內無法得到回復，那么它可能最終不會得到回復。因此，教師應該在學習過程中進行干預。圖5（b）顯示了每個帖子的回復時間跨度。例如，如果一個帖子得到了第一個回復和最后一個回復，在此期間稱之為每個帖子的回復時間跨度。通過可視化發現時間序列模式是聚集的。很明顯地，時間序列分為四個時期：兩天、五天、十天，超過十天。為此，可以把帖子分為兩類。一是得到積極的回復，另一個則是惰性的回復。

4.2 詞云

在討論區中的內容得到積極的回復意味著這些問題被學習者更多地討論。因此，值得進一步探討學生們所談論的內容。圖6顯示了得到積極回復的帖子的詞云圖。從圖中可以看出，討論的內容包括編程結構、循環結構和調試技巧。用圖1的模型框架來進行可視化分析，其優點是能夠識別需要立即引起教師注意的熱門帖子。往往這些是學習者在學習中遇到的困難和問題，在課程的學習中，可視化展示這些內容，將方便教師和學習者關注這些學習過程中的熱點話題。

5 結論（Conclusion）

本文提出了一個在線學習論壇的分析模型框架，基于該模型可以深入了解網絡學習過程并及時干預和指導。在傳統課堂中，教師可以觀察學生的學習過程，并采取一些教學策略來干預學習過程。然而，在網絡學習論壇上，教師較難洞察學生的學習過程，尤其是需要瀏覽大量的數據。倘若教師瀏覽并人工分析海量的數據，將是一項困難的工作，通過分析網絡學習論壇從而對學生行為的洞察是必要的。這項研究對在線學習具有實際意義，因為它闡明了如何使用在線學習論壇輔助支持學生的學習。同時，該模型框架將有助于設計自適應學習系統中的自動問答系統和實時反饋的體系結構。

參考文獻（References）

[1] Vu，P.，Fredrickson，S.，et al.Handbook of research on innovative pedagogies and technologies for online learning in higher education[A].IGI Global，Hershey，PA，2017.

[2] Losh，E.M.MOOCs and their afterlives：experiments in scale and access in higher education[A].The University of Chicago Press，Chicago；London，2017.

[3] 許云紅，王如.MOOC背景下基于推薦機制的提高同伴互評效果的研究[J].現代遠距離教育，2014，05：17-21.

[4] Future Ready Learning-2016 NATIONAL EDUCATION TECHNOLOGY PLAN[A].U.S.DEPARTMENT OF EDUCATION，City，2016.

[5] Ruey-ShiangShaw.The relationships among group size，participation，and performance of programming language learning supported with online forums[J].Computers & Education，2013，62：196-207.

[6] Ruey-ShiangShaw.A study of the relationships among learning styles，participation types，and performance in programming language learning supported by online forums[J].Computers & Education，2012，58：111-120.

[7] Meza-Fernandez，S.，Sepulveda-Sariego，A.Representational model on Moodle's activity：learning styles and navigation strategies[C].International Journal of Educational Technology in Higher Education，2017，14.

[8] Espindola，L.d.S.，Silveira，M.S.Self-expression and discourse continuity in a multilevel EUD environment：The case of moodle[J].Journal of Visual Languages and Computing，2017，40：36-50.

[9] 張家華，鄒琴，祝智庭.基于Moodle平臺的在線學習深度分析研究[J].電化教育研究，2016，12：46-51.

[10] Reeves，T.D.Massive open online courses and underserved students in the United States[J].Internet & Higher Education，2017，32：58-71.

[11] 張思，李勇帆.高校教師使用Moodle網絡教學平臺影響因素研究[J].電化教育研究，2014，8：49-56.

[12] 張漢玉，穆肅，任友群.學習管理系統的社會性交互功能比較——基于對Blackboard、Moodle、Sakai的調查與使用體驗[J].現代遠程教育研究，2013，2：38-44；52.

[13] Marie Bienkowski，Mingyu Feng，Means，B.Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics：An Issue Brief[A].City，2012.

[14] Berland，M.，Baker，R.S.，et al.Educational data mining and learning analytics：Applications to constructionist research[J].Technology，Knowledge and Learning，2014，19（1-2）：205-220.

[15] Siemens，G.Learning and Knowledge Analytics：Knewton-the future of education[A].City，2011.

[16] Thomas，S..Department of Education，O.o.E.T.and American Institutes for，R.Future Ready Learning：Reimagining the Role of Technology in Education[C].2016 National Education Technology Plan.Office of Educational Technology，US Department of Education，2016.

[17] Almatrafi，O.，Johri，A.，Rangwala，H.Needle in a haystack：Identifying learner posts that require urgent response in MOOC discussion forums[J].Computers & Education，2018，118：1-9.

作者簡介：

胡慶春（1973-），女，碩士，副教授.研究領域：學習分析，自適應學習，用戶模型.

蔡建華（1973-），女，碩士，講師.研究領域：軟件開發，軟件測試，大數據可視化.