基于教育數(shù)據(jù)挖掘的“探索和理解”問題解決過程研究——以PISA（2012）新加坡、日本、中國(guó)上海Log數(shù)據(jù)為例

首新 何鵬 陳明艷 胡衛(wèi)平

?

基于教育數(shù)據(jù)挖掘的“探索和理解”問題解決過程研究——以PISA（2012）新加坡、日本、中國(guó)上海Log數(shù)據(jù)為例

首新1何鵬2陳明艷3胡衛(wèi)平4[通訊作者]

（1．重慶師范大學(xué) 初等教育學(xué)院，重慶 401147；2．東北師范大學(xué) 化學(xué)學(xué)院，吉林長(zhǎng)春 130024；3．重慶渝北區(qū) 天一新城小學(xué)，重慶 401147；4．陜西師范大學(xué) 現(xiàn)代教學(xué)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，陜西西安 710062）

Log數(shù)據(jù)不僅包括學(xué)習(xí)時(shí)間、學(xué)習(xí)進(jìn)程、鼠標(biāo)和鍵盤敲擊等靜態(tài)數(shù)據(jù)，還詳細(xì)呈現(xiàn)了從學(xué)習(xí)開始到結(jié)束的動(dòng)態(tài)數(shù)據(jù)。文章截取PISA（2012）新加坡、日本、中國(guó)上海的Log數(shù)據(jù)，運(yùn)用相關(guān)、滯后序列、聚類等教育數(shù)據(jù)挖掘方法分析三個(gè)國(guó)家學(xué)生在“車票”一題的“探索和理解”問題解決過程。結(jié)果發(fā)現(xiàn)：相比新加坡和日本，中國(guó)上海學(xué)生仍缺乏深入試題情境進(jìn)行比較、探索，反映出問題解決策略不足；中國(guó)上海學(xué)生在“錯(cuò)誤傾向組”比例過大，反映出高、低水平問題解決能力的學(xué)生呈兩極分化，亟待提高低水平學(xué)生的問題解決能力。最后，文章依據(jù)研究結(jié)果在課堂教學(xué)、教育決策等方面提出了相關(guān)建議。

問題解決能力；PISA；教育數(shù)據(jù)挖掘；序列分析

一 問題提出

學(xué)習(xí)系統(tǒng)和人機(jī)交互平臺(tái)記錄學(xué)習(xí)者行為操作的日志文檔（Log File）是一種重要的教育原始數(shù)據(jù)，成為分析進(jìn)而改善教育過程、學(xué)習(xí)進(jìn)程的突破口。對(duì)Log數(shù)據(jù)的分析是探討教育數(shù)據(jù)背后學(xué)習(xí)行為的重要措施[1]，通過對(duì)操作歷程的分析，教育決策者可以精準(zhǔn)地發(fā)現(xiàn)學(xué)習(xí)過程與學(xué)習(xí)結(jié)果的因果關(guān)系，更好地理解學(xué)習(xí)行為、學(xué)習(xí)模式和所屬學(xué)習(xí)環(huán)境，從而幫助教育工作者改善教學(xué)過程。

在2006年試測(cè)之后，2012年的國(guó)際學(xué)生能力測(cè)試（Program for International Student Assessment，PISA）已全面在數(shù)字化環(huán)境中進(jìn)行各項(xiàng)素養(yǎng)測(cè)驗(yàn)，包括問題解決能力。測(cè)驗(yàn)系統(tǒng)的Log數(shù)據(jù)如實(shí)記錄了學(xué)習(xí)者的操作路徑，為分析其問題解決過程提供了大樣本。PISA（2012）報(bào)告顯示[2]，問題解決能力排名前7的均為亞洲國(guó)家或地區(qū)，其中新加坡學(xué)生的平均分為562分，日本、中國(guó)上海學(xué)生分別為552分、536分。為了辨別新加坡、日本、中國(guó)上海學(xué)生問題解決能力產(chǎn)生顯著差異的來源，本研究擬深入測(cè)試題分析學(xué)生的問題解決過程，探索三地學(xué)生的問題解決行為和問題解決群組，進(jìn)而為提升中國(guó)學(xué)生的問題解決能力提供切實(shí)可行的建議。

二 教育數(shù)據(jù)挖掘理念下的Log數(shù)據(jù)挖掘

Log數(shù)據(jù)挖掘從屬于教育數(shù)據(jù)挖掘。依據(jù)Baker[3]、Romero[4]等的觀點(diǎn)，教育數(shù)據(jù)挖掘是通過應(yīng)用數(shù)據(jù)挖掘技術(shù)，找出學(xué)生或?qū)W習(xí)環(huán)境的特點(diǎn)，為提高教育產(chǎn)出、理解教育現(xiàn)象提供線索和證據(jù)，最終指導(dǎo)教育決策行為，其過程包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和事后處理三個(gè)階段[5]：首先，本研究截取新加坡、日本、中國(guó)上?！败嚻薄币活}的Log數(shù)據(jù)，并轉(zhuǎn)化成Excel文檔進(jìn)行預(yù)處理，計(jì)算行為序列數(shù)、正誤情況、合并得分、最后學(xué)生權(quán)重等形成SPSS預(yù)讀文檔。然后，借助SPSS 22.0進(jìn)行變量加權(quán)、描述統(tǒng)計(jì)，運(yùn)用序列分析、相關(guān)分析、聚類分析等方法進(jìn)行數(shù)據(jù)挖掘。按照經(jīng)濟(jì)合作與發(fā)展組織（Organization for Economic Co-operation and Development，OECD）建議[6]，對(duì)PISA數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)時(shí)，需考慮抽樣權(quán)重問題，因此采用其提供的學(xué)生抽樣權(quán)重對(duì)變量進(jìn)行加權(quán)處理。最后，根據(jù)數(shù)據(jù)挖掘結(jié)果進(jìn)行事后處理，即根據(jù)問題解決行為（序列）分析結(jié)果進(jìn)行解釋與評(píng)估，通過探討學(xué)生問題解決特點(diǎn)、產(chǎn)生某一學(xué)習(xí)過程的原因、學(xué)習(xí)類別的特征等因素，提出有關(guān)課堂教學(xué)等方面的建議。

三 研究樣本與變量

1 PISA（2012）“Tickets（車票）”一題“探索和理解”問題解決過程

PISA（2012）主要測(cè)評(píng)15歲學(xué)生的數(shù)學(xué)素養(yǎng)和問題解決能力，全球共65個(gè)國(guó)家（地區(qū)）同步參與了測(cè)驗(yàn)。其中，共44個(gè)國(guó)家10207名學(xué)生參與PISA（2012）“Tickets（車票）”一題，產(chǎn)生了907760條Log數(shù)據(jù)。其中，中國(guó)上海、日本、新加坡學(xué)生1886名（18.49%）、產(chǎn)生Log數(shù)據(jù)25953條（2.86%）。

該題的情境是“花最少的錢購(gòu)買4張城市地鐵車票，由于你是學(xué)生，你還可以優(yōu)惠購(gòu)票（學(xué)生票）”。學(xué)生在閱讀屏幕左側(cè)的操作說明之后，便可點(diǎn)擊鼠標(biāo)在虛擬的軌道交通購(gòu)票系統(tǒng)購(gòu)買車票（操作過程如圖1所示）。該題最佳操作路徑是：“城市地鐵”（錯(cuò)誤操作是‘郊區(qū)火車’）—“學(xué)生票”（錯(cuò)誤操作是‘全價(jià)票’）—“多次票”（錯(cuò)誤操作是‘單日票’）—“4”（錯(cuò)誤操作是‘其它數(shù)字’）—“購(gòu)買”，即最少點(diǎn)擊鼠標(biāo)5次就能完成，但僅10.07%的學(xué)生如此操作且答對(duì)該題。這主要源于該題需要學(xué)生在三組選擇中進(jìn)行比較，購(gòu)買最便宜的車票，難度較大。PISA（2012）將其設(shè)定為問題解決水平5（638分），考察問題解決過程中的“探索和理解”能力。PISA認(rèn)為，達(dá)到該層次的學(xué)生能夠深入探索復(fù)雜問題情景，了解相關(guān)信息結(jié)構(gòu)，如面對(duì)不熟悉的、較復(fù)雜的設(shè)備（如自動(dòng)售貨機(jī)、家用電器），能夠快速響應(yīng)并掌握設(shè)備；他們能夠仔細(xì)考慮約束條件，找到最佳問題解決策略，當(dāng)發(fā)現(xiàn)意想不到的困難或偏離目標(biāo)時(shí)，也能及時(shí)調(diào)整計(jì)劃或返回正軌。

圖1 PISA（2012）“TICKETS（車票）”一題操作過程（灰色為正確操作）①

2 變量選取及說明

本研究擬分析“車票”一題的Log數(shù)據(jù)探討如下問題：①哪些行為影響個(gè)體問題解決表現(xiàn)？②三地學(xué)生問題解決過程有何差異？③三地學(xué)生可形成哪些問題解決群組，又有何差異？據(jù)此，本研究設(shè)計(jì)了如下變量：①“車票”一題的行為（序列），定義點(diǎn)擊鼠標(biāo)一次為一個(gè)行為，將兩個(gè)連續(xù)的行為稱為一種行為序列，根據(jù)“車票”一題的操作規(guī)則，實(shí)際上共產(chǎn)生了13種行為序列，編碼如表1所示；②學(xué)生問題解決表現(xiàn)，根據(jù)Greiff等的建議[7]，采用PISA（2012）提供的第一個(gè)似真值作為問題解決得分來表征個(gè)體問題解決表現(xiàn)。

表1 “車票”一題行為、行為序列編碼

四 結(jié)果與分析

1 行為統(tǒng)計(jì)與分析

據(jù)描述性統(tǒng)計(jì)發(fā)現(xiàn)②，這三地學(xué)生13種行為序列發(fā)生頻率最高的是，其次是、；發(fā)生頻率較低的是、、。這一結(jié)果表明，在“城市地鐵”和“郊區(qū)火車”、“學(xué)生票”和“全價(jià)票”、“多次票”和“單日票”的比較中，大部分學(xué)生能夠完成前兩組比較并做出正確的選擇，但在第三組決策上猶豫不定，這主要緣于隨著問題情境深入，探索的難度增加，部分同學(xué)隨之產(chǎn)生了錯(cuò)誤行為。具體而言，在中，新加坡和日本學(xué)生的人均頻次均達(dá)到2次以上，而中國(guó)上海學(xué)生是人均1.3次；在中，新加坡學(xué)生人均1.4次，日本學(xué)生人均1.2次，中國(guó)上海學(xué)生人均只有0.8次。由于和反映正確行為，這說明隨著問題解決的深入，中國(guó)上海學(xué)生偏離正確解題路徑的概率相對(duì)較大，或者放棄了該題，這導(dǎo)致了行為序列的人均頻次下降較快。

本研究進(jìn)一步采用新復(fù)極差測(cè)驗(yàn)法（Duncan’s Multiple Range Test）分析這三地學(xué)生在高頻行為序列、、、間的差異③。在高頻行為中，日本學(xué)生行為顯著高于新加坡學(xué)生和中國(guó)上海學(xué)生（MJ=1.237，MS=1.028，MQ=0.575），新加坡學(xué)生行為顯著高于日本學(xué)生和中國(guó)上海學(xué)生（MS=1.408，MJ=1.219，MQ=0.874），而中國(guó)上海學(xué)生在行為、均顯著低于新加坡、日本學(xué)生。由于是錯(cuò)誤行為，是正確行為，且是兩個(gè)平行行為序列，這一結(jié)果表明日本學(xué)生在進(jìn)行第三組比較時(shí)（“多次票”和“單日票”），可能更傾向于錯(cuò)誤，從該題正誤率來看，日本學(xué)生的錯(cuò)誤率高于新加坡學(xué)生（55.5%>42.4%），很可能就是這一差異引起的。在高頻行為中，新加坡學(xué)生與日本學(xué)生的差異不顯著，而中國(guó)上海學(xué)生與新加坡、日本學(xué)生的差異均顯著，中國(guó)上海學(xué)生的行為明顯低于新加坡、日本學(xué)生。由于是正確行為，是放棄錯(cuò)誤操作的修正行為，這表明中國(guó)上海學(xué)生在探索第二組比較（“學(xué)生票”與“全價(jià)票”）的深度還不夠，且在自查過程中修正錯(cuò)誤行為的操作也有待進(jìn)一步加強(qiáng)，否則不能修正錯(cuò)誤行為而沿著錯(cuò)誤路徑進(jìn)行問題解決，最終導(dǎo)致答題錯(cuò)誤。

2 行為與個(gè)體問題解決表現(xiàn)的關(guān)系

Pearson相關(guān)分析顯示，行為序列與個(gè)體問題解決得分的相關(guān)性為0.309（P<0.01），進(jìn)一步分析得到各行為序列與問題解決表現(xiàn)的相關(guān)結(jié)果，如表2所示。行為、、、、、與個(gè)體問題解決表現(xiàn)呈弱相關(guān)（|<0.2），這些行為絕大多數(shù)是錯(cuò)誤操作，顯然不能代表個(gè)體的問題解決表現(xiàn)。行為、、、、、與個(gè)體問題解決表現(xiàn)呈低相關(guān)（0.2<|<0.4），包含1個(gè)錯(cuò)誤行為和5個(gè)正確行為，三地學(xué)生之間差異較小。行為與個(gè)體問題解決表現(xiàn)呈中等相關(guān)（0.4<|<0.6），它是終結(jié)性操作，與行為可構(gòu)成正確解題的關(guān)鍵行為序列鏈（“多次票—4張—購(gòu)買”），可代表個(gè)體的問題解決表現(xiàn)，也就是說一旦學(xué)生產(chǎn)生該行為序列鏈，基本可以確定正確答題。但中國(guó)上海學(xué)生在行為的相關(guān)系數(shù)偏小，且與其它兩國(guó)學(xué)生的差異較大（行為也是如此），可能正是這個(gè)關(guān)鍵行為序列鏈的差異造成中國(guó)上海學(xué)生錯(cuò)誤答題的比例較高，最終導(dǎo)致問題解決表現(xiàn)低于其它兩國(guó)學(xué)生。

表2 行為序列與問題解決表現(xiàn)的相關(guān)結(jié)果

注：*p<0.05，**p<0.01。

3 顯著性行為差異

本研究采用滯后序列分析尋找三地學(xué)生的顯著性行為（序列），并基于這些行為構(gòu)建行為序列鏈。此過程借助滯后序列分析軟件GESQ 5.1建立行為轉(zhuǎn)換頻數(shù)矩陣（Z值）。一般認(rèn)為，當(dāng)值大于1.96，表示相應(yīng)行為（序列）達(dá)到了統(tǒng)計(jì)意義的顯著水平（P<0.05）[8]。以新加坡為例，GESQ 5.1生成的22個(gè)行為（序列）頻率轉(zhuǎn)換殘差表如表3所示，可以發(fā)現(xiàn)，新加坡形成的顯著性行為（序列）是，（），將顯著性行為（序列）組成行為序列鏈——用同樣的方法構(gòu)建日本、中國(guó)上海產(chǎn)生的顯著性行為序列鏈，得到三地學(xué)生的顯著性行為序列鏈，如圖2所示。

從圖2可以發(fā)現(xiàn)，中國(guó)上海學(xué)生與新加坡、日本學(xué)生的顯著性行為序列鏈差異較大。在正確鏈中，中國(guó)上海增加了，它是解答該題的終結(jié)性操作；在錯(cuò)誤鏈中，中國(guó)上海缺少，它是放棄錯(cuò)誤操作行為的終結(jié)性操作——可以推斷，中國(guó)上海學(xué)生缺乏比較“單日票”和“多次票”的價(jià)格差異，或是比較了但沒有得出結(jié)果而草草了事，所以沒能成為顯著性行為序列，取而代之的是能完成該題的行為。新加坡、日本出現(xiàn)，說明這兩國(guó)學(xué)生在單日票和多次票、學(xué)生票和全價(jià)票之間不斷嘗試，最終理解題意，點(diǎn)擊“Cancel”，取消錯(cuò)誤操作，因此終結(jié)性行為相比而言就較少，沒成為顯著性行為序列?？梢?，與新加坡、日本學(xué)生相比，中國(guó)上海學(xué)生仍缺乏對(duì)題目信息的深入探索和比較，不能挖掘進(jìn)而整合碎片化信息背后表達(dá)的正確結(jié)果。

表3 新家坡的行為頻率轉(zhuǎn)換殘差表（Z-scores）

注：*p<0.05

4 群體問題解決行為群組

本研究將13種行為序列納入分類變量，依據(jù)對(duì)數(shù)似然距離計(jì)算兩個(gè)變量之間的相似性，并采用自動(dòng)確定聚類數(shù)量的方式（Bayesian Information Criterion）對(duì)樣本進(jìn)行兩步聚類分析，共獲得4組穩(wěn)定的聚類結(jié)果。隨后，又采用滯后序列分析法尋找四類群組的顯著性行為序列，考察不同群組形成的行為序列鏈，結(jié)果如圖3所示。圖3顯示，群組1多是錯(cuò)誤行為序列，足以說明這類學(xué)生問題解決能力太低，尚未理解題意就點(diǎn)擊鼠標(biāo)草草了事，或信息技術(shù)素養(yǎng)太差，不知如何點(diǎn)擊鼠標(biāo)答題等，正確率極低；群組2包含少量正確行為序列，說明這類學(xué)生正在試圖理解瑣碎信息背后的結(jié)果，能夠進(jìn)行自查和反思，但傾向于漫無(wú)目的地點(diǎn)擊鼠標(biāo)而沒有形成正確的解題策略，導(dǎo)致正確率不高（44.12%）；群組3包括正確和錯(cuò)誤行為序列，說明這類學(xué)生能夠通過不斷嘗試錯(cuò)誤，大部分能尋找到有效信息，雖然花費(fèi)較長(zhǎng)的作答時(shí)間，但能通過探索錯(cuò)誤信息而理解題意，透過不斷的自查而避免錯(cuò)誤，正確率較高（88.35%）；群組4都是正確行為序列，說明這類學(xué)生通過少量的錯(cuò)誤行為便能做出正確判斷，快速理解題意，做到了既快又準(zhǔn)，正確率也較高（83.21%）。綜上，群組1是“錯(cuò)誤傾向組”，群組2是“隨機(jī)檢查組”，群組3是“全面檢查組”，群組4是“正確傾向組”。

圖3 “車票”一題形成的問題解決群組（數(shù)字表示Z值）

最后，本研究對(duì)三地學(xué)生形成的問題解決群組進(jìn)行統(tǒng)計(jì)分析④。整體而言，三地學(xué)生“錯(cuò)誤傾向組”占比最大（40.8%），這是由于PISA（2012）將該題列于水平5，對(duì)部分學(xué)生來說仍有一定難度。“全面檢查組”、“正確傾向組”占比相當(dāng)（23.8%、22%），“隨機(jī)檢查組”占比最小（13.8%），說明能反思和自查的學(xué)生大部分能答對(duì)該題。另外，錯(cuò)誤傾向組、正確傾向組分別反映了高、低水平學(xué)生的問題解決狀況。新加坡學(xué)生在這兩群組較合理（28.4%，28.2%），日本、中國(guó)上海學(xué)生則呈現(xiàn)兩極分化——特別是中國(guó)上海學(xué)生，雖然在“正確傾向組”占比較大（43.1%），但由于“隨機(jī)檢查組”、“全面檢查組”占比很小（6.4%、8.9%），故“錯(cuò)誤傾向組”占比也較大（41.6%），說明兩極分化非常嚴(yán)重，高、低水平學(xué)生涇渭分明，這反映出中國(guó)上海學(xué)生在促進(jìn)教育公平，特別是提高低能力水平學(xué)生方面還有待進(jìn)一步加強(qiáng)。

五 總結(jié)與建議

1 重視和加強(qiáng)問題解決策略、方法的指導(dǎo)

滯后序列分析顯示，中國(guó)上海學(xué)生的顯著行為序列鏈與新加坡、日本學(xué)生不同，造成此差異的原因主要是中國(guó)上海學(xué)生缺少錯(cuò)誤行為序列。錯(cuò)誤行為序列反映比較、自查、反思的過程，并非錯(cuò)誤行為序列越多就說明問題解決能力越低，相反，錯(cuò)誤行為序列成為顯著性行為序列恰好體現(xiàn)較高的問題解決能力，因?yàn)榇蟛糠謱W(xué)生通過“探索和理解”深入問題情境尋找正確操作。

上述差異暴露了中國(guó)上海學(xué)生在問題解決策略、方法上的不足，廣義而言，這是缺乏學(xué)習(xí)策略和問題解決自我監(jiān)控意識(shí)淡薄的結(jié)果。PISA（2015）報(bào)告顯示，中國(guó)加入其它三省（市）后高協(xié)作問題解決精熟度水平的學(xué)生占6.4%，較PISA（2012）下降11.8%；而低協(xié)作問題解決水平占28.2%，比例上升17.6%。據(jù)此可以推斷，我國(guó)學(xué)生在問題解決方面仍缺乏有效的學(xué)習(xí)策略和方法，未來我們的課堂教學(xué)應(yīng)著重放在學(xué)習(xí)策略和方法的掌握上。

2 關(guān)注低水平問題解決能力的學(xué)生

聚類分析結(jié)果顯示，上海高、低水平問題解決能力學(xué)生分化嚴(yán)重，低水平占比過大（41.6%），反映出我國(guó)在促進(jìn)教育公平方面還有待提高。我國(guó)基礎(chǔ)教育的工作重點(diǎn)是提升精英學(xué)生比例，還是降低低成就學(xué)生比例？從本研究的結(jié)果看，中國(guó)上海學(xué)生在“正確傾向組”的比例也已超越新加坡、日本學(xué)生，而在“錯(cuò)誤傾向組”的比例也同樣大于兩國(guó)，中國(guó)上海更應(yīng)該著力減少低成就學(xué)生比例，從而促進(jìn)教育公平。因?yàn)橹袊?guó)上海有其獨(dú)特的經(jīng)濟(jì)、教育、文化優(yōu)勢(shì)，尚且在促進(jìn)低水平學(xué)生發(fā)展方面有所不足，廣闊的東中西部省市就更應(yīng)注重城鄉(xiāng)義務(wù)教育均衡、一體化發(fā)展。雖然我國(guó)教育投入占國(guó)內(nèi)生產(chǎn)總值4%的目標(biāo)在2012年已經(jīng)實(shí)現(xiàn)，但是教育投入地域的均衡化遠(yuǎn)沒有達(dá)到目標(biāo)，各級(jí)政府和教育行政部門應(yīng)切實(shí)落實(shí)教育經(jīng)費(fèi)的均衡配置，著力提高偏遠(yuǎn)薄弱地區(qū)的學(xué)校建設(shè)、師資水平、基礎(chǔ)設(shè)施等，注重提高教育質(zhì)量的同時(shí)兼顧教育公平，縮小高低水平學(xué)生間的差異，從整體上提升教育質(zhì)量。

[1]郭炯,鄭曉俊.基于大數(shù)據(jù)的學(xué)習(xí)分析研究綜述[J].中國(guó)電化教育,2017,(1):121-130.

[2]OECD. PISA 2012 results: Creative problem solving: Students’ skills in tackling real-life problems (Volume V)[R]. Paris: OECD Publishing, 2014:52.

[3]Baker R S, Yacef K. The state of educational data mining in 2009: A review and future visions[J]. Journal of Educational Data Mining, 2009,(1):3-17.

[4]Romero C, Ventura S. Educational data mining: A survey from 1995 to 2005[J]. Expert Systems with Applications, 2007,(1):135-146.

[5]Romero C, Ventura S. Data mining in education[J]. Wiley Interdisciplinary Reviews Data Mining & Knowledge Discovery, 2013,(1):12-27.

[6]OECD. PISA data analysis manual: SPSS and SAS (2nd edition)[M]. Paris: OECD Publishing, 2009:115-119.

[7]Greiff S. Computer-generated log-file analyses as a window into students’ minds? A showcase study based on the PISA 2012 assessment of problem solving[J]. Computers & Education, 2015,(11):92-105.

[8]楊現(xiàn)民,王懷波,李冀紅.滯后序列分析法在學(xué)習(xí)行為分析中的應(yīng)用[J].中國(guó)電化教育,2016,(2):17-23.

①該題英文版體驗(yàn)網(wǎng)址：https://www.oecd.org/pisa/test-2012/testquestions/question5/。

②相關(guān)圖表可參見http://blog.sciencenet.cn/blog-3361920-1144210.html。

③相關(guān)圖表可參見http://blog.sciencenet.cn/blog-3361920-1144210.html。

④相關(guān)圖表可參見http://blog.sciencenet.cn/blog-3361920-1144210.html。

Log File Data Analysis of Exploration and Understanding Process——A Case Study of PISA (2012) Problem Solving Test in Singapore, Japan, and Shanghai China

SHOU Xin1HE Peng2CHEN Ming-yan3HU Wei-ping4[corresponding author]

Log file data is not only static data that includes learning time, learning process, mouse and keyboard clicks, but also dynamic data that reflects the process of learning. Based on PISA (2012), methods of correlation, lag sequence and clustering were employed to analyze the log file on the item of TICKETS in Singapore, Japan and China. The results indicated that a) The behavioral sequences of students in Shanghai China were different from that of Singapore and Japan, reflecting a lack of strategy and method, b) Chinese students in Shanghai owned large proportion in ‘error prone groups’, indicating the polarized distribution of the high and low problem-solving ability students. Finally, some suggestions were proposed at end to improve Chinese students’ problem-solving performance.

problem solving performance; PISA; educational data mining; behavioral sequence

G40-057

A

1009—8097（2018）12—0041—07

10.3969/j.issn.1009-8097.2018.12.006

首新，講師，博士，研究方向?yàn)榭茖W(xué)課程與教學(xué)，郵箱為346532216@qq.com。

2018年5月16日

編輯：小西