網絡學習空間中的在線學習行為分析模型及應用研究*

（1．華中師范大學 教育信息技術學院，湖北武漢 430079；2．黃岡師范學院 教育科學與技術學院，湖北黃岡 438000；3．浙江師范大學 教師教育學院，浙江金華 321004）

引言

隨著教育信息化的不斷深入，網絡學習已被學習者普遍接受。網絡學習空間的建設與應用成為在線學習的一項重點內容，受到教育管理部門和研究人員的廣泛關注。《教育信息化“十三五”規劃》明確指出，要大力推進“網絡學習空間人人通”，網絡學習空間應用普及化，基本形成與學習型社會建設需求相適應的信息化支撐服務體系[1]。劉延東副總理強調，“十三五”期間“網絡學習空間人人通”要更加普及、深入，要統籌推進實名制、組織化、可管可控的網絡學習空間[2]。在國家政策的指引下，網絡學習空間的建設與應用得到了長足的發展。統計數據顯示，至2015年11月，我國超過30%的學校均開通了網絡學習空間，空間數量已增長到4200萬[3]。而如何對網絡學習空間中積累的大量學習行為數據進行快速有效的分析、挖掘，仍有待研究者思考。

一 相關研究

圍繞網絡學習空間的建設與應用，相關研究者從空間的內涵[4]、設計與規劃[5]、建設框架[6]、空間的評價指標體系[7]到空間中的學習者投入[8]、空間支持的教學模式創新[9]、空間的實證教育效果[10]等方面展開了系列研究，并取得了一定的研究成果。但面對大規模開通空間后積累的大量學習行為數據，如何進行有效分析和利用的研究相對較少。

網絡學習空間行為數據分析的相關研究主要包括以下三類：①從學習投入的角度進行分析，如張思等[11]以教師網絡學習空間為例，提出了網絡學習空間中的學習者投入模型以及相應的度量指標；胡敏等[12]提出了網絡學習中的學習者參與度模型，將學習者的參與度分為行為參與度、認知參與度、情感參與度三個方面。②從學習交互的角度進行分析，如沈欣憶等[13]做了慕課中學習者參與度對學習效果的影響的研究；朱珂[14][15]提出了網絡學習空間中的學習者交互模型，研究了交互性和沉浸感對學習者持續使用意愿的影響等。③從學習者行為模式的角度進行分析，如 Hung等[16]通過數據挖掘技術挖掘學習者行為和活動模式，并進行成績預測；Huang等[17]通過分析泛在學習檔案中的學習行為模式，來為合作學習中的小組分組提供參考；Ferguson等[18]對慕課中的學習者行為進行聚類分析，并將其分為十種典型的學習行為模式。上述研究對網絡學習行為分析進行了深入探索，具有很強的參考價值。

但是，當前研究仍需進一步深化，要重點解決以下問題：如何對各類網絡學習行為進行有效分類和度量？如何通過標準化分析方法對學習數據進行分析？為此，本研究以網絡學習空間中的在線學習行為作為研究對象，對在線學習行為進行分類和編碼，并通過一些分析方法挖掘學習者的相關在線學習行為模式，據此為網絡學習中的各類利益相關者提供教學參考和指導。

二 在線學習行為分析模型

1 在線學習行為的分類

在線學習行為的采集和度量是在線學習行為分析的第一步。網絡學習空間主要包含三類基本要素：提供網絡學習空間的學習系統、學習資源、人（包括教師和同伴）。本研究依據學習者與這三大類基本要素之間的相互關系，將網絡學習空間中學習者的學習行為劃分為以下四類：①獨立學習行為，是指學習者在學習過程中主要通過內化思考來進行學習，而未與空間中的其它要素發生直接關系，如獨立完成作業、撰寫學習反思等；②系統交互行為，是指學習者通過與學習系統進行交互來完成學習行為，如登錄、注冊等；③資源交互行為，是指學習者通過與學習資源進行交互來完成學習行為，如瀏覽、上傳、下載資源等；④社會交互行為，是指學習者通過與網絡學習空間中的社交網絡進行交互來完成學習，具體包括與教師、同伴進行各類交流活動，如求助、討論等。基于此，本研究構建了網絡學習空間的結構模型，如圖1所示。

圖1 網絡學習空間的結構模型

2 在線學習行為的度量

為了更好地對學習行為進行量化，應為各類行為制定相應的量化指標，以實現學習行為的數量化。表1展示了各類在線學習行為中包含的典型網絡學習行為以及行為的度量指標。

表1 典型的網絡學習行為及度量指標

3 基于數據挖掘的在線學習行為分析模型

完成網絡學習行為數據的采集后，需使用相應的分析方法對數據進行分析，以挖掘出數據中蘊含的有意義的信息。在對網絡學習行為進行分析時，本研究總結了三種通用性強、使用較為廣泛的數據分析方法，分別為：相關分析、分類和聚類。不同的分析方法可以從不同的角度和層面對數據進行處理，從而得到不同的分析結果。不同的分析結果對網絡學習空間中不同的利益相關者來說，也有不同的作用和意義。相關分析常被用來分析不同要素之間相關性的強弱，從而發現和區分系統中的核心要素。分類分析可以按照一定的標準將數據分為不同的類別。在學習分析中，分類分析常常被用于預測，如學習成績的預測等。與分類分析不同，聚類分析側重于發現數據隱藏的模式，其分析結果往往是一些尚未被發現的新模式和規律。網絡學習空間中的各類利益相關者均可以受益于這些分析結果。教育管理者可以根據分析結果來調整相關的政策、完善網絡學習系統功能；教師可以通過分析結果來發現教學中可能存在的問題，并有針對性地進行教學干預；學習者也可通過分析結果了解自己和同伴的學習狀態，并有意識地進行自我調整。圖2展示了基于數據挖掘技術的網絡學習行為分析模型。

圖2 基于數據挖掘技術的網絡學習行為分析模型

三 案例分析

1 研究對象與數據采集

為驗證本研究提出的模型及方法的有效性，本研究以某師范類院校云課堂網絡空間中的學習行為數據為案例進行了相關實證研究。該案例以某師范類院校的公共選修課“現代教育技術”為依托，所有課程資源和參考資料均上傳至網絡學習空間中，學生的學習方式包含混合式學習和自主學習兩種。參與學生為同一教師指導的兩個教學班，合計98人，其中大四學生1人，大二學生2人，大三學生95人。所有學生中，男生25人，女生73人。所有學生均為師范生，涉及專業包括：生物技術、數學教育、漢語言文學、英語、體育教育、化學教育、美術學。

采集的數據包括兩部分：第一部分是網絡學習空間中的學習行為數據，來源于網絡學習系統的日志文件和系統提供的相關統計信息，包括兩次作業的提交時間、作業的完成質量（成績）、課程學習期間登陸系統的次數、在線時長、瀏覽學習資源的個數、上傳學習資源的個數、瀏覽討論區主題的個數、瀏覽帖子的個數、發表主題帖的個數、回復個數。第二部分是期末考試卷面成績，采用閉卷考試，所有學習者在同一時間使用相同的試卷進行考試。

2 相關分析

本研究使用皮爾遜相關系數對上述所有因素進行相關分析，得到的相關系數矩陣如表2所示。

表2 網絡學習行為相關分析矩陣

根據矩陣分析結果可以看出：①與考試成績存在顯著相關的因素有作業1、作業2、延遲提交作業的數量、登錄次數和回復討論帖的數量。前三個指標與考試成績的相關系數均超過0.4，說明存在強相關性；延遲提交作業的數量與考試成績是負相關，說明與其它三類行為相比，獨立學習行為與學習成績具有更強的相關性，可作為成績預測和學習干預的核心指標。②在線時長與瀏覽資源的數量、瀏覽主題的數量均存在強相關性，說明學習者在線主要是進行學習資源瀏覽和論壇主題瀏覽等學習活動，符合在線學習的一般規律。③作業1、作業2與延遲提交作業的數量之間存在強相關性，瀏覽主題的數量、瀏覽帖子的數量、發表主題的數量和回復討論帖的數量之間存在較強相關性——這說明獨立學習行為和社會交互行為內部具有較高相關性，本研究提出的分類方法具有一定的合理性。④求助次數與其它因素均不存在顯著相關性，可判定其相對獨立于其它變量，且對學習績效的預測性較弱，故在后續分析中將其舍棄。

3 分類預測

以60分為閾值將考試成績分為兩類：大于等于60分為及格，低于60分為不及格。除“求助次數”外的其它變量作為預測變量，對考試成績進行預測。使用Rapidminer 7.6.1中的六種分類器模型：隨機森林、K近鄰、樸素貝葉斯、J48決策樹、支持向量機和邏輯斯蒂回歸模型對數據進行分類預測。隨機選擇樣本數據中 70%的數據作為訓練集，30%的數據作為測試集，分類結果如表 3所示。對分類結果的評價采用分類評價中常用的五類指標：總體準確率（分類正確的數據占測試集的百分比）、Kappa值、平均召回率、平均準確率、F1調和均值。

表3 不同分類器的分類預測結果

從分類結果中可以看出，在本數據集中，K近鄰分類器獲得了最好的分類效果，其 Kappa值為0.693，F1調和均值為0.8481，能夠滿足實際應用的需求。

4 聚類分析

為了更好地對學習者的網絡學習行為模式進行挖掘，本研究擬通過聚類方法對網絡學習行為數據進行分析，聚類可以將具有類似學習行為的學習者進行聚合，幫助發現潛在的學習模式。

較為成熟的聚類算法是K-means算法。由于K-means是一種基于距離的算法，而本研究采集的各網絡學習行為變量所使用的量規不同，不同變量之間數值差異較大。因此，首先要對所有變量進行歸一化處理，將其轉換為Z分數，然后通過K-means算法進行聚類。K-means算法需要預先定義K值，即類簇的個數。為了找出最優K值，本研究使用戴維森堡丁指數對不同K值的聚類結果進行評價。DBI的值越小意味著類內距離越小，而類間距離越大，聚類結果越趨向于合理。設置K值的取值范圍為2～9，不同K值所對應的DBI的值如表4所示。當K=4時，對應的DBI值最小，為1.314。因此，本研究認為將本數據集聚合為4個類簇較為合理。

表4 不同的類簇數量及其對應DBI

本研究使用K-means算法將數據集聚合為四個類簇并對其進行信息統計。為了更清楚地觀察不同類簇之間的差異，本研究通過折線圖來對數據進行展示，如圖 3所示。由于不同變量使用的量規不同，因此，圖3是將所有變量進行歸一化處理，轉換為Z得分后，再對數據求平均值后繪制的圖示。

圖3 歸一化后不同類簇在各變量上的平均值

從圖 3可以看出，這四類學習者在不同的學習行為方面存在明顯差異。這些差異有助于本研究進一步分析學習者的學習習慣和學習特征，也可以幫助教師針對不同類型的學習者提供個性化的學習指導。表5為不同類別學習者在學習行為上的差異和特點以及可以采取的教學策略。

表5 不同類別學習者的行為差異及教學策略

類別 1為“勤奮型學習者”，該群體通常具有很強的學習動機，愿意花費時間參與網絡學習行為，但學習效果未能達到預期，且與社交網絡的交流與互動并不積極；對于此類學習者，教師應從學習方法上予以輔導，幫助他們找出困難之所在，并鼓勵他們積極參與互動和交流。類別 2為“消極型學習者”，該群體表現為消極參與、學習動機低、自律性差；但面對感興趣的話題，他們愿意主動發表意見并參與交流；對于此類學習者，教師應重點關注，加強提醒和督促的力度、幫助他們實現學習興趣的擴展，力爭完成課程學習，達到合格標準。類別3為“中規中矩型學習者”，該群體占總人數的一半，其各類學習行為表現均接近平均值，表現并不突出，屬于最為“平凡”的一類；針對此類學習者，教師在精力足夠的情況下，可通過教學內容趣味性的提升來提高他們的學習興趣。類別 4為“三好學生型學習者”，該群體在各方面均表現優異，雖然在學習上所花費時間并不是最長，但學習效率較高，學習能力強、自律能力強、接受能力強，屬于典型的“三好學生”；針對此類學習者，教師可以為他們提供更多拓展類學習資源，以幫助他們獲得進一步的精進。

四 總結

網絡學習空間的建設與應用日益受到教育管理者、研究者和教師的重視。如何對學習空間中積累的四大類學習行為數據進行分析，從而為教育決策與教學提供指導，是網絡學習空間應用的重要問題。本研究提出了一種基于數據挖掘的網絡學習行為分析模型，其將網絡學習行為劃分為獨立學習行為、系統交互行為、資源交互行為和社會交互行為四類，并提出相關分析、分類和聚類的分析方法，通過分析網絡學習行為來挖掘其中的隱藏模式，從而為教育管理者的政策制定、教師的教學干預和學習者的自我調整提供參考和指導。最后，本研究以某師范類院校“現代教育技術”公共課的網絡學習空間數據為例，開展了相關實證研究。但由于實際數據來源有限，本研究采集的學習行為數據規模較小，在一定程度上限制了研究結論的精確性和可推廣性。后續研究將進一步擴大研究規模，在更多的課程中開展應用，并針對相應的教學干預策略展開實證研究。

——

[1]教育部.教育部關于印發《教育信息化“十三五”規劃》的通知[OL].

[2][3]教育部.教育部關于印發劉延東副總理在第二次全國教育信息化工作電視電話會議上講話的通知[OL].

[4]楊現民,趙鑫碩,劉雅馨,等.網絡學習空間的發展:內涵、階段與建議[J].中國電化教育,2016,(4): 30-36.

[5]張子石,金義富,吳濤.網絡學習空間平臺的規劃與設計——以未來教育空間站為例[J].中國電化教育,2015,(4):47-53.

[6]祝智庭,管玨琪.“網絡學習空間人人通”建設框架[J].中國電化教育,2013,(10):1-7.

[7]李玉斌,王月瑤,馬金鐘,等.教師網絡學習空間評價指標體系研究[J].電化教育研究,2015,(6):100-106.

[8][11]張思,劉清堂,雷詩捷,等.網絡學習空間中學習者學習投入的研究——網絡學習行為的大數據分析[J].中國電化教育,2017,(4): 24-30、40.

[9]肖君,姜冰倩,許貞,等.泛在學習理念下無縫融合學習空間創設及應用[J].現代遠程教育研究,2015,(6):96-103、111.

[10]謝幼如,盛創新,楊曉彤,等.網絡學習空間提升自我效能感的效果研究[J].中國電化教育,2016,(1):34-40.

[12]胡敏.在線學習中學生參與度模型及應用研究[D].武漢:華中師范大學,2015:8-13.

[13]沈欣憶,李爽, [美國]丹尼爾·希基,等.如何提升 MOOCs的學生參與度與學習效果——來自 BOOC的經驗[J].開放教育研究,2014,(3):63-70.

[14]朱珂.網絡學習空間中學習者交互分析模型及應用研究[J].電化教育研究,2017,(5):43-48.

[15]朱珂.網絡學習空間交互性、沉浸感對學生持續使用意愿的影響研究[J].中國電化教育,2017,(2):89-95.

[16]Hung J, Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching, 2008,(4): 426-436..

[17]Huang Y, Wu T. A systematic approach for learner group composition utilizing U-learning portfolio[J]. Educational Technology & Society, 2011,(3):102-117.

[18]Ferguson R, Clow D. Examining engagement: Analysing learner subpopulations in massive open online courses(MOOCs)[A]. ACM, Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C].ACM, 2015:51-58.