學習管理系統中學生行為對學習成績影響研究

摘 要 為進一步探討學習管理系統大規模應用于中外合作辦學環境中對于教學活動的影響，對學習管理系統上用戶數據進行更加深度的分析，探索不同專業學生在學習管理系統中訪問行為及其對應的專業成績關系，研究教師在學習管理系統中活躍程度對于學生活動影響，分析學生在不同課程中表現特征來判斷學生對于專業滿意度。研究證明，學習管理系統大規模應用于中外合作辦學環境后，對教學產生積極作用。

關鍵詞 學習分析;數據挖掘;學習管理系統;高等教育;中外合作辦學;Blackboard

中圖分類號：G645 文獻標識碼：B

文章編號：1671-489X（2019）08-0011-07

Impact of Leaning Management System to Students Academic Achievement at Sino-Foreign Joint Institutions and Joint Pro-grams in China//SHAO Zhaozhao

Abstract Further research is conducted to review the impact of

learning management system（LMS） to Sino-Foreign joint institu-tions and joint programs. The research will cover areas such as the connection been user activity and user academic scores， the impact of instructors activity of LMS to student， the shared activity profile between different classes. The research proves a positive impact of learning environment at LMS toward Sino-Foreign joint institutions and joint programs.

Key words learning analytics; data mining; leaning management system; higher education; Sino-Foreign joint institutions and joint programs; Blackboard

1 引言

隨著數據挖掘在教育行業的廣泛應用，學習分析已發展成為一個單獨的研究方向，備受廣大教師、教育研究者關注。學習管理系統作為高等教育信息化建設的熱門方向，其師生訪問行為數據被學者廣泛研究，相關研究成果已經被用于改善教學過程，建設學業預警機制等方面。

如今，信息技術已經成為高等教育的一個重要組成部分，高校中很多教學過程的管理以及教學活動的快速發展都離不開信息技術的支持，如學生信息管理系統（SIS）、

學習管理系統（以下簡稱LMS）、多媒體互動教學環境等。在國外高校，學習管理系統從單純的遠程學習系統已經逐步轉變成課堂學習的重要補充。國外高等教育機構教師利用該系統和學生進行互動，包括共享課件、在線測試、交流學習心得、查看平時成績等。通過利用學習管理系統，打破教學過程中對于時間和空間的限制[1]。

國際知名高校的學習管理系統在過去十幾年的運行過程中積累了大量的用戶行為數據，相關學者已經利用這些數據進行分析和研究，其結果被用來輔助教育質量評價工作的開展;預測學生成績走向，對學習自覺能力較差的學生進行一定程度的學習干涉和預警[2-3]。

在這個過程中形成教育數據挖掘（Educational Data Mining，

簡稱EDM）——一個更加深層次的研究方向。

在用戶行為數據分析和學業成績預測中，大量的數據挖掘算法（如關聯算法、回歸算法、聚類分析算法）被用來分析和構建學生的行為特征，通過這些特征，優化教學過程的開展，是教育數據挖掘對于教育領域的重大貢獻。

目前，國內高校開始重視學習管理系統的使用，并且對系統運行過程中生成的數據進行了大量分析。相關學者利用分析結果，設計改善教學過程的方法[4]。例如：根據學生在課程中的內容訪問順序，優化課程的內容設計;針對學生在課程中對相關模塊的參與程度，對學習有風險的學生進行預警和提醒。

中外合作辦學中，國外高校教學過程非常依賴學習管理系統，如教學材料共享、師生互動等[5]。因此，不少中外合作辦學機構在建校之初就搭建自己的學習管理系統，從而在系統運行過程中形成大量的用戶行為數據。如何利用這些數據來評估學習管理系統對于教學的影響，發現教學過程中存在的問題，進而引領教學模式改革，縮短中外高等教育中的教學差距，是中外合作辦學中中方辦學機構的重要機遇。

2 研究現狀

目前國際上教育數據挖掘開展較早，已經取得顯著成效，著名的案例包括George Siemens[5]提出的學習分析模式，Leah P.Macfadyen等[3]學者開發的早期預警系統。其核心思想為：對學習管理系統中的數據進行收集、分析和預測，對過往學業困難的學生在系統中的行為進行分析，抽取關鍵特征，并用該特征對比當前系統用戶行為，從而預測可能存在學業困難的學生，達到降低學生的輟學率，提高學生學業成績。

國外研究過程大致分為三個階段。

1）數據收集。其中數據的收集主要包含學生的ID、課程的名稱、系統中該課程每日每學生訪問次數，以及該課程中每個模塊的訪問次數等。

2）數據分析和建模。在數據分析中，相關學者對學生訪問課程資源的行為特征進行分析，特征包括學生訪問課程的次數、訪問模塊的次數、在系統中停留的時間等，通過這些數據，將相關學生進行聚類分組。

3）學生成績預測和干涉。在數據預測中，通過分類分析、關聯分析，對歷史數據中不同小組中學生的學習管理系統訪問行為特征和學業成績進行關聯。在預測過程中，將現有學生的學期前中期的行為和歷史數據進行對比，從而推出每個學生的學業困難指數。通過該指數來對學業困難的學生進行學習干涉，包括采用談話、心理輔導、課外輔導等手段。

借助于學習管理系統中的數據，通過以上教學過程的數據分析手段，對目標學生有針對性地進行學業輔導和學習預警干涉。通過這些舉措，國外很多高等教育機構提升了教育質量。

基于國外教學研究取得的顯著成就，相關國內學者也在國內教學機構重復該方法，并且也取得一定成效。通過分析學生在課程中的行為特征，對比歷史數據，從而預測學生的學業困難指數，對存在學業困難的學生在學期中進行干涉，取得一定的成效[6-7]。

目前在中外合作辦學環境中關于分析學生在學習管理系統中成效的報道較少。在中外合作辦學中，課堂授課模式、教學環境和國內傳統教育模式存在差距，如在課堂授課模式中以小班討論為主，在教學環境上基本采用外文授課。在這些外部因素的影響下，相關學者提出的方案能否在中外合作辦學環境下取得成效有待考證。其次，目前主流的研究數據的取樣都存在一定的局限性，特別是研究中數據取樣僅限制在系統特定課程，其研究結論能否被擴展到其他系統課程存在一定質疑。

鑒于此，本研究以浙江大學國際聯合學院使用學習管理系統2017年秋季到2018年春季課程的學生行為數據為例，從學年的角度來分析所在高校中不同年級、不同專業學生的活動特征和學業成績的關聯。基于分析的結果，探討學習管理系統中學生的活動特征對中外合作辦學中教學活動的影響。

3 研究方向和樣本

研究問題 本文從不同角度分析學生在學習管理系統中師生行為和學業成績的關系，包括：

1）不同平均成績類型的學生在系統中的行為軌跡;

2）教師在系統參與度對學生行為軌跡的影響;

3）學生在不同課程間行為軌跡共性。

研究環境介紹 本次研究截取浙江大學國際聯合學院（海寧國際校區）本科生在2017—2018學年所有專業學生使用學習管理系統（Blackboard平臺）數據。

海寧國際校區現有浙江大學愛丁堡大學聯合學院和浙江大學伊利諾伊大學厄巴納香檳校區聯合學院。目前校區內開設的專業總計六個，分別為生物醫學專業、電氣工程及其自動化專業、電子與計算機工程專業、機械工程專業、土木工程專業以及針對國際生的Philosophy-Mathematics-Economics本科專業。校區內國內外本科學生總計279人。

研究樣本數據處理 用戶的訪問行為通過讀取Black-board數據庫中的訪問日志表獲取。訪問日志表中記錄訪問者的賬號ID、訪問課程的ID以及名稱、訪問課程中的模塊的鏈接、訪問課程某個模塊的時間戳。目前校區2017—2018學年本科生總計開設課程為60門，其中使用Blackboard平臺作為學習管理系統的課程數量為38門，有效學生為279人。用戶在學習管理系統中的訪問行為可以分為訪問次數、點擊次數。

1）訪問次數。訪問次數為學生在一天內訪問學習管理系統中的相關課程的數量。一個學生在系統有多門課程，每門課程包含多個課程內容，但是無論學生一天內訪問多少次課程內容，其在對應課程的訪問次數統計仍然為1。訪問課程次數意味著學生對于課程的關注度。

2）點擊次數。點擊次數為學生在點擊課程內容的次數，任何行為都被記錄為一次點擊次數。這些行為包括查看課程內容，和同學或者教師互動，下載作業題目、上傳作業，參加在線測試等。

本次研究使用的統計軟件為R語言，版本號為3.4.4，操作系統為Windows 7專業版。

4 研究結果

學生系統行為軌跡和學生平均成績關聯度分析

1）在不區分專業和年級的情況下。在不區分專業和年級的情況下，獲取校區內每名學生在Blackboard平臺的訪問行為（平均訪問次數以及平均點擊次數），對比其2017—2018學年平均成績。學生訪問行為分布和學生平均成績分布圖分別如圖1、圖2所示。

圖1代表學生在學習管理系統中課程訪問總次數和學生平均成績的關系。其中，x軸代表學生使用系統課程的平均成績;y軸代表學生在學習管理系統中課程訪問總次數。

圖2代表學生在學習管理系統中課程點擊總次數和學生平均成績的關系。其中，x軸代表學生使用Blackboard平臺課程的平均成績;y軸代表學生在學習管理系統中課程點擊總次數。

在視覺上，可以看到用戶的平均訪問次數和平均點擊次數和其最終學業平均成績關聯度不大。通過R軟件計算各變量之間Pearson相關系數。研究結果表明，在不區分學生專業的情況下，學生的平均成績和訪問次數、點擊次數、停留時間未存在顯著關聯，具體結果如表1所示。

2）在區分專業和年級的情況下。2016級開始三個專業，分別為生物醫學專業、電氣工程及其自動化專業、電子與計算機工程專業;2017新增三個專業，分別為機械工程專業、土木工程專業以及針對國際留學生的Philosophy-Mathematics-Economics專業。在區分專業和年級后，分別計算平均訪問次數和平均成績關系Pearson系數，以及平均訪問點擊次數和平均成績關系Pearson系數，結果如表2所示。

研究結果表明，學生訪問次數和學生的成績在區分專業和年級后，存在中等程度相關，說明在系統中訪問頻繁的學生，平均成績較高的可能性越大。結果同時指出，學生點擊次數也和學生的成績存在一定的關聯度，但總體上來說，關聯程度平均低于訪問次數。在結果中唯一出現訪問次數和學生平時成績存在負關聯的是2017年電氣工程及其自動化專業，特別是其系統停留時間和學生平時成績存在中度程度負關聯，說明成績越差的學生，在系統停留的時間越長。該結果可能暗示另外一種學習情況。在個別專業課程中，成績相對較差的學生需要反復地在系統中進行學習。

[2]Sinatra G M， Heddy B C， Lombardi D. The challengesof defining and measuring student engagement in science[J].Educational Psychologist，2015（1）：1-13.

[3]Macfadven L P， Dawson S. Mining LMS data to deve-lop an “early warning system” for educators aproof of concept[J].Computer & Education，2010，54（2）：588-599.

[4]李爽，鐘瑤，喻忱，等.基于行為序列分析對在線學習參與模式的探索[J].中國電化教育，2017（3）：88-95.

[5]Siemens G. What are learning analytics[EB/OL].http：//www.elearnspace.org/blog/2010/08/25/what-arelearning-analytics.

[6]姜強，趙蔚，王朋嬌，等.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[7]李爽，王增賢，等.在線學習行為投入分析框架與測量指標研究：基于LMS數據的學習分析[J].開放教育研究，2016（2）：77-88.

[8]Nespereira C G， Dai K， Redondo R P， et al. Is the

LMS access frequency a sign of students success in face-to-face higher education？[M]//Proceedings of the Second International Conference on Technological Ecosystems for Enhancing Multiculturality. Salamanca，

Spain.2014.

項目來源：浙江大學國際聯合學院（海寧國際校區）課題“中外合作辦學中信息化項目建設機制探索”（基金編號：1705）。

作者：邵炤昭，浙江大學國際聯合學院（海寧國際校區），信息化工程師、工程師，研究方向為教育技術與數據挖掘（314400）。