學習分析技術支持下的教師在線學習行為特征分析

荊永君 李昕

關鍵詞：在線學習;學習分析;行為特征

一、引言

2012年MOOCs浪潮的興起，催生了在線學習的研究熱潮。國家大學MOOCs、愛課程、中國大學視頻公開課等眾多在線學習平臺，已經從平臺和課程建設到推廣應用逐步趨于成熟。在線教育為各類學習者提供了更多、更優秀、更便捷的終身學習途徑。2008年開始，教育部組織開展了“中小學教師國家級培訓計劃”，每年大約有上百萬教師參加了網絡培訓和集中研修，培訓效果顯著。網絡培訓具有突破時空限制和資源豐富的優勢，但由于參加學習的人員規模大、個體特征復雜，學習行為表現存在著差異性，造成培訓組織、教學過程和學習支持服務實施等方面很難滿足教師的個性化需求[1]。為了探析教師在線學習行為的群體特征，實施符合教師需求的網絡培訓，本研究從學習分析的視角，以Y市教師信息技術應用能力遠程培訓為例，應用統計分析、序列分析、關聯規則、社會網絡分析等方法，分析教師在線學習平臺中產生的行為數據，獲得教師在線學習活躍情況、投入時間、行為序列、社會交互四個方面的偏好，進而提出改進教師培訓實施模式、學習支持服務、在線學習內容與學習活動設計等方面的建議，為后續實施教師網絡培訓提供參考，以期提高教師培訓效益。

二、研究基礎

Siemens認為：學習分析是測量、收集、分析和報告有關學習者的學習行為以及學習環境的數據，以理解和優化學習及其所產生的環境為目的[2]。近幾年，在線教育領域關注的重點逐漸從支撐技術和資源建設轉向學習活動的主體——學習者，更多地關注學習者的學習行為特征分析、行為建模、學習投入等方面，試圖通過對學習者在學習過程中產生的海量數據進行挖掘分析，掌握學習者的在線學習活動及其特點，監測其有效學習的發生[3]。例如，澳大利亞Bakharia和Dawson等人開發的SNAPP系統[4]、美國普渡大學的Signals學習預警系統[5]、英國華威大學的Topolor學習系統[6]以及清華大學的THEOL8.0系統等[7]，運用學習分技術對學習者特征信息和在線學習系統中的數據進行分析，對學習行為和學習績效進行預測，并根據分析結果實施干預策略，在實際應用中取得了較好的效果。

在學習者學習行為特征分析方面，曹良亮等人研究發現大學生的在線學習參與度較低，并傾向于自主安排學習過程[8][9]。劉智等人利用滯后序列分析法研究發現，SPOC環境下大學生的主要動機是完成作業且比較關注自身在平臺中的表現[10]。魏順平等人研究發現國家開放大學的學生主要利用工作日時間參加在線學習，只關注和考核直接相關的作業和測驗，教師是交互中的“領導者”和“中介者”，學習者間交互較弱[11-13]。張紅艷研究發現電大的學生每次在線學習時間為50—60分鐘左右，網絡社區中活躍度較低[14]。張洪玲研究發現網絡教育中大多數學習者習慣利用工作空閑時間上網學習，作業完成情況較好但學習活躍率較差[15]。

隨著教師網絡培訓的興起，研究者開始關注在職教師群體的在線學習行為特征的研究。吳淑蘋利用序列模式方法研究發現，教師傾向于“先看課程后完成作業”的學習序列，側重于基于資源的自主學習方式[16]。Seo研究發現在線學習社區中的大多數教師仍然是“觀察者”，缺乏有意義的溝通交流[17]。Vu等人對23個國家的在職語言教師的在線學習行為研究發現，成績高的教師登錄活躍性高，學習工具使用較為頻繁和均衡[18]。陳雷通過數據挖掘、頻次統計等方法研究發現，教師在線學習以工作日時間為主，平均每次在線學習時間為9—11分鐘，學習路徑清晰且以視頻資源為主[19][20]。劉清堂等人建立參與、專注、規律和交互四個維度的在線學習投入模型，研究發現教師在線學習投入的程度不高，其中參與和交互的情況最為明顯[21]。

綜上所述，可以看出學習者在線學習行為涉及的數據維度繁多復雜，尚未有統一規范的維度界定，研究者一般都是根據具體研究環境和目標需要，從系統中提取關鍵的行為特征數據建立在線學習行為分析模型，再采用相應的數據處理技術研究學習者的行為特征。總體來說，學習者的在線學習行為可以應用統計分析、序列分析、關聯規則、社會網絡分析等方法，從參與情況、專注時間、行為規律、社會交互等維度開展群體特征分析。因此，本研究針對參加任務驅動和小組協作模式的在線學習教師，借鑒已有研究將教師在線學習行為特征總結歸納為學習活躍情況、學習投入時間、學習行為序列、社會交互四個方面，并綜合運用學習分析方法全面探析教師在線學習行為的群體特征。并在分析教師的在線學習行為序列中增加了時間維度，不僅分析在線學習過程中學習行為的前后轉化關系，還深入分析行為序列的時間分配情況，進而能夠更細致地刻畫出教師在線學習行為的認知過程和動態特征，延伸學習行為規律分析的深度。

三、研究設計

（一）研究樣本

Y市教師信息技術應用能力培訓依托省級遠程培訓平臺，根據成人學習理論以任務驅動和小組協作模式，按照學科、學段開展教師在線培訓活動。每期學習時間為6—8周，要求教師累計在線學習50小時。本研究共選取了四期培訓中的3584名學員作為研究樣本，涵蓋小學、初中、高中三個學段的28個學科。去除信息丟失或者學習過程不完整的噪聲數據后，有效樣本共計3319人，有效率92.6%，基本情況如表1所示。

從表1可以看出，大多數為女性教師（80.2%），有將近一半是31—40歲之間的中青年教師（47.8%），51歲以上年齡較大的教師相對較少（0.7%），大多數教師來自于小學、初中、高中，有少部分是各地區教師進修學校的教研員。

從平臺中選擇、清洗得到樣本的課程公告、課程介紹、課程內容、在線測試、課程作業、學習討論、學習小組和學習評價八個學習工具的使用記錄41.3萬多條，得到平臺訪問記錄31.5萬多條，在線學習討論記錄4.2萬多條。

（二）研究問題

本研究主要涉及以下問題：（1）教師在線學習的活躍情況和學習投入時間如何？（2）教師在線學習過程中有哪些典型偏好性的學習行為序列？序列中每個學習工具的持續使用時間是如何分配的？（3）教師在線學習的社會交互情況如何？（4）數據分析反映出教師有哪些在線學習的特征，應該提供何種針對性策略？

（三）研究方法

利用SQL和R語言從培訓平臺的數據庫中收集數據，并對原始數據進行抽取、轉換和整合得到樣本的分析數據;再應用統計分析、序列分析、關聯規則分析、社會網絡分析等方法，開展教師在線學習活躍情況、學習投入時間、學習行為序列和社會交互行為分析，并對數據分析結果進行可視化呈現。

四、在線學習行為特征分析

（一）學習活躍情況

1.學習活躍時間

以每天24小時為統計單位，對教師登錄平臺學習的時間進行分析（如圖1所示），以此獲得教師在線學習活躍時間的特點。

從圖1可以看出，教師登錄平臺學習的活躍時間主要集中在工作日期間（星期一至星期五），周末休息日則明顯減少。從每天的時間段來看，主要集中在工作時間段內（8點至16點之間），上午上班開始階段（8點至10點）和中午午休時間段（12點至14點）是教師登錄學習的高峰期，晚上與白天相比登錄學習次數明顯減少。由此可見，大多數教師可能受到家庭事務或者學習環境的限制很少在家中上網學習，而主要是利用在單位工作的空閑時間來完成在線學習任務，這與魏順平、張洪玲、陳雷等人的研究結論是一致的[22-24]。

2.學習活躍率

學習活躍率是用來衡量學習者參加在線學習的活躍程度[25]。本研究按天計算登錄率來表示教師在線學習活躍程度，登錄率數值越大代表教師學習積極性越高，反之越低。登錄率用每天登錄學習的人數除以本期培訓教師的總人數來計算。四個培訓期次的教師登錄學習活躍率分析結果如圖2所示。

從圖2可知，教師在線學習的活躍率相對穩定，四個培訓期次的教師每天登錄率平均值為62.35%，表明教師參加在線學習時活躍程度較高。對比發現，第三期培訓的教師登錄率（41.30%）明顯低于其他三期，究其原因是第三期培訓的時間安排在教師假期休息時間（6月至8月）導致的。通過學習活躍時間和活躍率的詳細數據對比分析發現，教師的學習活躍率與學習活躍時間的變化特征基本符合，即教師在工作日空閑時間參加在線學習的活躍性比休息日高。

此外，根據教師登錄學習總次數的頻次統計分析結果發現，教師登錄學習總次數整體呈正態分布，平均登錄學習總次數為95.67次。按照學習周期為6—8周來算，也可以看出教師參加在線學習的積極性很高。

（二）學習投入時間

在教學有效性的研究中，雖然學習時間只代表了學習者學習投入的量而不能有效、準確地反映學習投入的質，但是研究者還是認同可以將學習時間作為影響學習結果的變量[26]。本文選擇了教師每次訪問在線持續時間和總在線學習時間兩個指標來分析教師在線學習投入時間的程度和特點。

1.每次訪問在線持續時間

以教師每次訪問平臺（登錄時間）并且發生了學習工具使用行為后再離開平臺（登出時間）的兩個時間點的時間差作為每次訪問在線持續時間。因網絡技術的限制，一般網絡學習系統很難自動捕獲到用戶準確的離開時間。因此平臺設計了“在線學習時間”提示框和“結束學習”按鈕，用來提醒教師在線持續時間和輔助捕獲教師離開平臺的具體時間。平臺共記錄31.5萬多條教師登錄信息，其中捕獲到符合每次訪問在線持續時間計算要求的有效數據為11.5萬多條，雖然只有三分之一的有效數據，但也能一定程度上反映出教師每次訪問在線持續時間的規律。教師每次訪問在線持續時間的頻次統計分析如圖3所示。

從圖3中可知，在線持續時間越長，出現的頻次越少。每次訪問在線持續時間在5分鐘之內的頻次特別高，5分鐘之后大幅度下降，其他時間段下降趨勢較為平緩，65分鐘出現一個小波峰。后文將結合教師在線學習行為序列分析再深入探討這種短時（5分鐘以內）和長時（65分鐘）的在線學習現象。

2.總在線學習時間

總在線學習時間界定為教師在學習平臺里停留的時間總和，其人數頻次統計分析如圖4所示。

培訓方案中規定教師的總在線學習時間要達到50小時（3000分鐘），由圖4可知，有四分之三的教師能夠達到規定的學習時間要求，其中大部分教師甚至超過很多，表明大多數教師能夠保證在線學習投入的總時間。但也存在學習投入時間嚴重不足（少于規定時間的一半）和投入過量（超出規定時間的1.5倍以上）的現象，這兩部分教師群體不容忽視，需要課程管理者引起注意。

（三）學習行為序列

學習行為序列能準確地反映學習者的學習行為軌跡、學習習慣和認知過程[27]。本研究的學習行為序列是指教師在線學習過程中使用平臺提供的學習工具的序列，即將教師每次訪問在線持續時間（登錄和登出平臺時間）內發生的學習工具使用行為視為一次有效的學習行為序列。這種學習行為序列不僅包括使用學習工具的時間順序，還包括每個學習工具使用的持續時間。這種機制不僅能夠準確地反映教師的學習路徑，還能從時間維度上細致地刻畫教師在使用學習工具時投入的精力。這有利于掌握教師整個在線學習活動過程的特點，幫助課程管理者監測教師的學習習慣和認知過程，為實施個性化學習路徑推薦和學習安排提供依據，還可以針對問題學習行為實施相應的教學干預。

1.學習行為序列步長分析

學習行為序列中的學習工具數量稱之為步長，按照步長可以將學習行為序列劃分為一階、二階、三階、四階等。為了簡化序列計算過程，把在一個學習行為序列中連續出現多次的工具使用行為進行合并。例如，“課程內容→課程作業→課程作業→學習評價”序列，簡化為“課程內容→課程作業→學習評價”。對平臺中11.5萬多條有效的學習行為序列按照步長進行統計分析如圖5所示。

從圖5可知，教師的在線學習行為序列主要以二階為主，其次是一階、三階和四階，其他步長的序列出現頻率較低。這表明教師每次在線學習時目的性較強，學習活動傾向于簡單的方式，每次登錄平臺主要使用1—4個學習工具便結束學習活動，很少產生復雜的、數量過多的學習工具使用情況。

（二）啟示

1.實施在線學習與線下集中研討相結合的混合式培訓

穆爾曾提出使用特別的教學技術可以有效解決遠程教育中的互動距離問題，但在近期的相關研究表明，教師在線交互的應用沒有得到理想的效果[31]。2013年《中國教育報》發表的基于六省市教師遠程培訓調研報告也指出：八成教師渴望組織線下交流[32]。因此，教師在線學習時，課程管理者不僅要積極對教師的留言進行回復和指導，還要引導教師之間形成“發帖—回復—再回復”的良性循環。并采用線上學習與線下集中研討有機結合的混合式培訓，這樣既能充分發揮在線學習的優勢，又能有效解決教師線上交互程度不高的問題。

2.培訓安排與支持服務應遵循教師在線學習的時間規律

在線學習雖然具有突破時間、空間的優勢，但是從教師在線學習活躍規律可以看出，大多數教師更傾向于利用在單位的工作空閑時間參加在線學習活動。這種工學矛盾勢必在一定程度上會影響教師在線學習效果。為了減輕教師參加培訓帶來的負擔，建議培訓組織部門應遵循教師在線學習的時間規律，合理安排培訓日程，適度設置每天的學習任務，并有針對性地提供在線支持服務和平臺運行保障時間。教師所在學校要對參加培訓教師給予政策性照顧，適當減少其參加培訓期間的在校工作安排，保障教師能夠有更多的空閑時間完成在線學習，促進在線學習投入，提高在線學習效果。＼

3.內容和活動設計需符合教師在線學習認知規律在線學習課程內容和學習活動設計粒度大小要適當，完成每節課內容和任務所需的在線學習時間盡量控制在30—50分鐘左右，學習活動設計要符合教師在線學習的“績效導向”和“內容導向”特點。優化平臺的功能和結構，適當調整甚至取消不經常使用的工具，簡化教師學習活動使用的學習工具組合，以2—3階學習工具序列為主，減少教師在線學習的認知負荷。

4.提供有效的技術腳手架和干預機制

通過進度條、儀表盤、電子徽章等數據可視化的形式，將教師的在線學習活躍情況、學習投入時間、學習行為序列和社會交互行為等數據及時、準確地呈現出來。方便在線學習教師自我診斷和調整學習行為，引導其有效地參與在線學習活動;還能夠讓其了解學習伙伴的學習投入、學習路徑和學習進度，激勵自己并促進在線學習投入;還便于課程管理者及時掌握教師的在線學習情況，對存在學習積極性不高、時間投入不足和學習行為混亂等問題的教師，實施恰當的、有效的教學決策和教學干預，提高教師的在線學習質量。

（三）研究不足

在線學習行為特征分析是對學習者過去產生數據的描述和解釋，是學習分析的基礎和前提。受實踐條件限制，本研究只分析了教師在線學習過程中的登錄信息、學習時間、學習工具使用和社會交互等外顯性行為，而缺少交互、作業等方面的內容分析和語義分析，以及深層次認知、情感等內隱性行為的分析，這些行為的收集與分析將能更全面、更準確地刻畫出在線學習教師的畫像。此外，還可以進一步研究教師在線學習行為特征在人口學方面的差異性，學習行為與學習效果的關系，以及預測其未來學習時可能出現的問題行為、學習投入不足以及行為干預策略等問題。