基于SPOC視頻學習數據的學習行為特征分析方法

張峰　劉迪　高瑩

摘 ?要： 在基于小規模限制性在線課程（Small Private Online Course，SPOC）平臺的學習過程中，教育數據為學習分析提供了依據。為了幫助教師改進教學策略，幫助學生改進學習效果，本文提出了一種綜合考慮學生分類和視頻學習時間的學習行為分析方法，旨在發現學生潛在的學習現象，并根據該現象對不同類型學生的學習行為之間的相似性和差異性進行分析和總結，發現不同類型學生的學習習慣以及影響學生學習效果的時間因素。通過案例分析表明，該方法可以為教師教學和學生學習提供反饋，輔助學生的自我調節學習和教師的個性化教學。

關鍵詞：?SPOC;學生分類;個性化;學習時間;學習行為特征分析

中圖分類號： G434???文獻標識碼：?A????DOI：10.3969/j.issn.1003-6970.2020.02.018

【Abstract】： In the learning process based on Small Private Online Course （SPOC） platform， education data provides a basis for learning analysis. In order to help teachers improve teaching strategies and help students improve their learning effects， we propose a learning behavior analysis method， which comprehensively considers student classification and video learning time. The method aims to discover students' potential learning phenomena， analyze and summarize the similarities and differences between learning behaviors of different types of students according to this phenomenon. Thus， the method can help teachers find out learning habits of different types of students and the time factors that affect students' learning effect. The case analysis shows that the proposed method can provide feedback for teachers' teaching and students' learning， and it can assist students' self-regulated learning and teachers' personalized teaching.

【Key words】：?SPOC; Student classification; Personalization; Learning time; Learning behavior characteristics analysis

0??引言

隨著計算機技術和互聯網技術的發展，在線學習平臺應運而生，在線學習也變得普及。小規模限制性在線課程（Small Private Online Course，SPOC）和翻轉課堂[1-3]相結合的教學模式帶動了個性化教育的發展。SPOC學習平臺中記錄了大量的學生視

頻學習數據，為進行學習分析提供了依據。

目前有很多研究對學生的視頻學習數據進行分析，發現影響學生學習的因素，預測學習結果，并提供反饋和干預。然而，現有研究所分析的影響學習的因素不夠細化，集中在“登錄時間”、“在線時長”、“觀看次數”等粒度較粗的因素，沒有從細粒度的因素去分析視頻學習行為。同時，多數研究都將所有學生作為一個共同群體來研究，沒有對不同類型的學生進行分類研究。本文提出了基于學生分類和學習時間組合的學習行為分析方法。首先，為了對學生學習行為進行個性化分析，發現不同類型學生在學習行為上的相似性與差異性，基于學習成績對學生進行分類。然后，為了發現潛在的學生學習行為影響因素，本文提出了學習時間組合，對多個學習時間因素進行組合，并基于學習時間組合，對不同類型學生的視頻學習數據進行分類統計。最后，分析不同類型學生在不同學習時間組合因素下的視頻學習數據，發現學生學習規律，以及影響學生學習的因素，并對教師和學生進行反饋，從而輔助教師改進教學策略，為學生的自我調節學習提供幫助，從而實現教師的個性化教學和學生的個性化學習。

1 ?研究現狀

當前基于真實學習數據對學生學習行為分析的工作主要有如下2類工作。

第一類工作基于學習數據，探究影響學生學習結果的學習行為，確立學習評價指標，建立預測模型，對學生學習行為進行動態預測，并提供教學反饋[4-15]。該類工作的重點在于預測，與本研究關系不大。

第二類工作基于學習數據，對學生學習行為進行分析與對比，發現潛在的規律，為促進教學策略改進和學生學習提供依據[16-23]。該類工作基于粗粒度的影響因素分析學生學習行為，不能發現一些潛在的學習影響因素，例如，學生在不同學習階段對學習時間的利用方式存在不同。

綜上，已有工作更加注重學習影響因素的多樣性，沒有對影響因素進行細化。同時，已有工作很少基于學生分類、學生聚類對學習數據進行個性化分析。本文將基于學生分類和細粒度的學習影響因素，對學生學習行為進行個性化分析，發現潛在的學習規律。

2??學習行為分析方法

2.1 ?方法框架

視頻學習行為特征分析方法的整體框架如圖1所示。本方法首先基于成績對學生進行分類，并且基于時間因素對視頻學習數據進行分析;然后將每種類型學生的視頻學習數據進行分類統計，并可視化呈現;然后，對視頻學習數據進行分析，發現不同類型學生在學習行為上的共同點和不同點;最后，找出影響學生學習的因素并進行個性化反饋，幫助學生實現自我調節學習，同時幫助教師改進教學策略。

（1）學生分類

為了對不同學習水平的學生學習行為進行個性化分析，本方法基于學習成績對學生進行分類。實際中既可以基于成績分數范圍進行分類，也可以基于成績名次范圍進行分類。

（2）基于學習時間的視頻學習數據分析

不同類型的學生在相同的時間范圍內會有不同的學習行為，同一類型學生在不同時間段的學習行為也會發生變化。基于學習時間對視頻學習數據進行分類統計和分析，可以發現學生在不同時間范圍呈現出的不同學習行為。

（3）個性化策略的實施

對于學生，個性化反饋可以根據不同類型學生的學習表現和學習行為，發現其所存在的問題，并為不同類型的學生反饋不同的學習建議。學生根據反饋結果，發現自己所存在的問題，并結合自身情況，根據反饋建議進行個性化的自我調節學習。對于教師，教師可以根據不同類型學生的學習特點和學習規律制定個性化教學策略[24]，為不同類型學生制定適合的學習策略，并且可以結合學習好的學生的學習習慣，為學習差的學生進行教學干預和教學指導。

2.2??基于學習時間組合的視頻觀看數據分析

在SPOC學習平臺中，觀看視頻是學生最主要的學習活動，視頻觀看次數可以反映出學生的學習行為。在不同的時間因素下，學生的視頻觀看行為存在不同，接下來對學習時間因素進行分類和組合。

2.2.1 ?學習時間分類

基于天、周、月將學習時間范圍分為3類，如下：

（1）上午/下午/晚上。本文將一天分為上午（6點-12點）、下午（12點-18點）、晚上（18點-24點）、凌晨（0點-6點），由于學生很少在凌晨學習，所以本文不討論凌晨時學生的視頻觀看次數。不同的學生在上午、下午、晚上學習的次數存在不同，可以反映出學生在一天當中的學習時間偏好。

（2）工作日/休息日。在工作日學生會進行正常的學習活動，在休息日學生會根據自己的情況自愿選擇學習或者休息，休息日包括周末和假期。學生在工作日和休息日的學習動力有所不同，在工作日的觀看次數會受到課程的影響，在休息日的觀看次數與學生的自律性、對學習的喜好程度等有關。

（3）月份。在整個學習過程中，涵蓋了多個月份，不同的月份代表了不同的學習階段。在剛開始學習的第一個月，學習次數的高低可以反映出一開始的投入狀態;在學習的中間月份是鞏固知識和擴展知識的主要階段;在學習的最后一個月觀看次數會受復習的影響。

2.2.2??學習時間組合

為了從多個時間因素對視頻觀看次數進行分組統計，發現視頻觀看次數在不同時間因素下的差異，給出學習時間組合的定義。

定義1 學習時間組合ltc = （ lt1， lt2， …， ltm?），其中lti為第i個學習時間因素，m為學習時間因素個數。

結合SPOC系統中視頻學習數據的特點，本文提出的學習時間組合的整體框架如圖2所示，其中，學習時間因素共有3個，分別為上午/下午/晚上、工作日/休息日、月份，每個組合的學習時間因素個數m=2，共得到3個學習時間組合。由于基于天、周、月中的一個因素對學生視頻觀看次數進行分析無法發現一些潛在的學習規律，因此，本文對學習時間進行組合，同時從2個因素對學生的視頻觀看次數展開分析，用于發現更多潛在的學習規律。通過時間因素的組合對學生視頻觀看行為進行分析，不僅可以發現學生在一天、一周、一個學習周期中的視頻觀看規律，還可以發現：1）隨著學習階段的深入，學生在一天中觀看習慣的改變;2）隨著學習階段的深入，學生在一周中觀看習慣的改變;?3）在工作日和休息日中學生的學習習慣，如更傾向于上午、下午還是晚上觀看視頻。

由于每個學生分類的人數不同，為了消除人數造成的視頻觀看數差異，使用每個學生分類的人均觀看數來衡量學生的觀看頻率。由于工作日和休息日的天數不同，每個月份的天數也存在不同，為了消除天數造成的視頻觀看數差異，使用日均觀看數來衡量學生的觀看頻率。

3 ?案例研究

3.1??數據集

數據集來自本校SPOC平臺中軟件工程2016級學生學習Java課程的學習數據。該課程共有11章，視頻共有115個，學習人數為98人。從后臺對學生的視頻觀看數據進行提取，數據的描述如表1所示，包括學生信息、視頻信息、視頻觀看信息。根據學生觀看視頻的時間，統計得出學生在每個學習時間組合內的視頻觀看次數。

3.2 ?學生分類

基于學生的成績對學生進行分類，將學生劃分為四類，分別為“優”、“良”、“中”、“差”，并劃定了每類學生的成績范圍，分類結果如表2所示。

從表2中可以得知，“優”的學生人數最多，其次是“中”和“良”的學生，“差”的學生人數最少。從平均成績來看，“優”的學生成績較高;“良”的學生成績比較理想;“中”的學生成績徘徊在及格線，還有較大的進步空間;“差”的學生成績過低，需要加強學習。

3.3 ?基于學習時間組合的數據分析

本文將基于3個學習時間組合，分別對每種類型學生的視頻觀看數據進行分析，為了便于分析，學生的平均觀看次數保留1位小數。

（1）工作日/休息日&上午/下午/晚上

統計結果如表3所示。分析該表可知，對于所有學生，工作日全天觀看數遠高于休息日全天觀看數;休息日下午觀看數要高于休息日上午觀看數，工作日上午觀看數也高于休息日上午觀看數;并且，工作日晚上觀看數高于休息日晚上觀看數，無論是工作日還是休息日，晚上觀看數都要高于上午觀看數和下午觀看數。“優”的學生在工作日上午觀看數高于工作日下午觀看數，其他類型學生在工作日上午和工作日下午的觀看數幾乎相同。“優”的學生工作日下午觀看數低于休息日下午觀看數，其他類型學生工作日下午觀看數高于休息日下午觀看數。

可以得知，在周末學生需要休息，并且休息日學生起得比較晚，導致休息日整體觀看數都較低，特別是休息日上午觀看數。無論是工作日還是休息日，晚上都是學生學習的主要時間。“優”的學生在休息日下午觀看數高于工作日下午，因為該類學生在休息日依然保持了較高的學習積極性。

（2）月&工作日/休息日

隨著月份變化，學生在工作日/休息日的觀看次數的變化如表4所示。分析可得，“優”的學生工作日觀看次數隨著月份增長先是略有下降，又增長較多，休息日觀看次數隨著月份增長一直下降，該類學生在工作日觀看次數越來越多，而在休息日觀看次數越來越少;“良”的學生工作日觀看次數隨著月份增長變化不大，休息日觀看次數隨著月份增長而下降;“中”的學生工作日觀看次數隨著月份增長保持不變，休息日觀看次數隨著月份增長而下降;“差”的學生工作日觀看次數和休息日觀看次數，隨著月份增長都產生了下降。

可以得知，“優”的學生將學習時間從休息日向工作日轉移，工作日觀看數增加是因為隨著課程范圍增加，為了進行復習，投入的學習時間也在增加，休息日觀看數減少是因為剛開始學習的一個月，該類型學生為了更快地投入到新的學習中，休息日觀看數太高，當學了一段時間后，掌握了基礎，休息日不在進行高時間投入的學習。“良”和“中”的學生在工作日的觀看次數較為穩定，能保持學習的動力，隨著學習基礎的鞏固，在休息日也有所放松，時間投入減少。“差”的學生在工作日、休息日的觀看次數都在下降，是因為前面的章節沒學會，影響對后面的章節的理解，導致學習積極性下降。

（3）月&上午/下午/晚上

隨著月份變化，學生在上午/下午/晚上的觀看次數的變化如表5所示。

從表中可以看出，所有學生在10月學習次數最多，在11月-12月，“優”和“良”的學生全天觀看數保持穩定，而“中”和“差”的學生全天觀看數下降。隨著月份增長，“優”的學生上午和下午觀看次數有所下降，晚上觀看數略有上升;“良”的學生上午觀看次數有所下降，下午和晚上觀看數比較穩定;“中”的學生上午觀看次數有所下降，下午觀看數略有下降，晚上觀看數有所浮動;“差”的學生上午觀看數和下午觀看數一直在下降，晚上觀看數穩定不變。

可以得知，課程剛開始時學生學習動力較高，期末時學習動力下降，由于需要復習，“優”和“良”的學生觀看數保持穩定，而自律性較差的“中”和“差”兩類學生的觀看數開始減少。隨著月份增長，所有類型學生在上午觀看視頻的次數都在下降，一方面是因為課程的影響，另一方面學生在上午學習的積極性較低。并且，晚上的觀看次數略有上升或保持穩定，在白天（上午和下午）學習次數下降的同時，保證了晚上的學習次數。“優”的學生晚上學習次數高于白天學習次數，“良”和“中”的學生晚上學習次數也與白天學習次數接近，說明在晚上學習更受學生喜歡。“差”的學生在白天的觀看次數下降很多，到了12月時，學習動力過低，白天幾乎不怎么學習。

3.4??結論與建議

從整個學習過程來看，學習初期時學生的積極性比較高。但是由于學生基礎薄弱，此時學習效果對后續學習很重要。因此，教師在該階段應該密切觀察學生的學習狀態，當學生的學習次數下降或者存在多天不學習行為時，應該及時進行干預和指導。到了期末階段，學生學習積極性下降。為了應對期末考核，成績高的學生仍能保證較多的學習次數，而成績低的學生知識基礎和自律性都較差，考核失敗的風險較大。因此，為了幫助學生應對期

末考核，教師應該采取個性化的教學策略來幫助學生。對成績較高的學生，由于該類學生基礎好、自律性強，教師可以為該類學生提供必要的學習資源。對成績低的學生，應該加強課堂上的講解和學習督促，并提供一定的復習習題以供該類學生掌握知識點。

從平時學習的過程來看，首先，在一周當中，工作日是學習的主要時間段，學生在工作日的學習積極性要高于休息日，在工作日學習時，學生可以將上課與觀看視頻相結合，提高學習效果。因此，翻轉課堂對學生的學習有著重要作用，翻轉課堂如何展開是教師應該關心的一個問題。并且，在工作日保證學習次數的同時，休息日的學習時間也很重要。學習初期，為了快速進入學習狀態，鞏固基礎，“良”和“中”的學生在休息日也可以投入較多的學習時間;隨著學習過程的加深，再逐漸減少休息日的學習時間，將學習時間向工作日集中。而對于學習差的學生，應該先增加工作日的學習次數，保證平時和課堂上的學習效果。其次，在一天當中，晚上是學生學習的主要時間段，學生在晚上的學習積極性更高。在工作日時，晚上的課程較少，有更多的可支配時間;在休息日時，學生在上午和下午的休息時間較多，晚上的學習時間較多。由于白天時間的碎片化，學生可以在上午或者下午學習簡單、較少的視頻，在晚上學習較難、有關聯的多個視頻。并且，在晚上可以將視頻學習和解決作業習題相結合，學以致用，加深理解。隨著學習過程深入，在晚上學習的比重也越來越高。到了期末，對于成績較高的學生，教師可以在白天展開翻轉課堂協助學生復習，并提供相應的復習資源和習題，為學生在晚上的復習提供幫助。對于學習差的學生，由于該類學生的自律性差，教師可以在晚上組織復習，督促學生展開復習，并實時解答學生遇到的問題。

4??總結

SPOC和各類在線學習系統的應用為視頻學習數據分析提供了支撐，在SPOC學習平臺中，視頻是最重要的一類資源。本文基于視頻學習時間組合的方法，分析不同類型學生之間學習行為的差異，以及學生在不同時間因素下學習行為的變化，發現潛在的學習規律，為學生自適應學習和教師個性化教學提供了建議與幫助。

當前方法還存在一定的不足。本文基于時間因素對學生學習行為進行分析，并沒有考慮其他影響學習效果的因素，得出的結論并不夠全面。在后續的工作中，將會從更多方面對視頻學習數據進行分析。

參考文獻

劉曉天， 顧大明. 基于微視頻的高職翻轉課堂教學實證研究[J]. 軟件， 2015， 36（11）： 18-22.

榮艷冬. 翻轉課堂教學模式下數字化教學資源庫建設——以網頁設計與制作課程為例[J]. 軟件， 2018， 39（9）： 213-215.

焦賽美. 基于混合學習的翻轉課堂教學模式研究——以“Photoshop 平面設計”課程為例[J]. 軟件， 2018， 39（4）： 222-225.

盧曉航， 王勝清， 黃俊杰， 陳文廣， 閆增旺. 一種基于滑動窗口模型的MOOCs輟學率預測方法[J]. 數據分析與知識發現， 2017， 1（04）： 67-75.

Jiang S， Williams A， Schenke K， et al. Predicting MOOC Performance with Week 1 Behavior[C]//Proceedings of the 7th International Conference on Educational Data Mining. London： International Educational Data Mining Society， 2014： 273-275.

李建偉， 蘇占玖， 黃赟茹. 基于大數據學習分析的在線學習風險預測研究[J]. 現代教育技術， 2018， 28（08）： 78-84.

宗陽， 孫洪濤， 張亨國， 鄭勤華， 陳麗. MOOCs學習行為與學習效果的邏輯回歸分析[J]. 中國遠程教育， 2016（05）： 14-22+79.

趙慧瓊， 姜強， 趙蔚， 李勇帆， 趙艷. 基于大數據學習分析的在線學習績效預警因素及干預對策的實證研究[J]. 電化教育研究， 2017， 38（01）： 62-69.

孫發勤， 馮銳. 基于學習分析的在線學業成就影響因素研究[J]. 中國電化教育， 2019（03）： 48-54.

Ashenafi M. M， Riccardi G， Ronchetti M. Predicting students' final exam scores from their course activities[C]//?Proceedings of the 45th Annual Frontiers in Education Conference. El Paso： IEEE， 2015： 372-380.

Ren Z， Rangwala H， Johri A. Predicting performance on MOOC assessments using multi-regression models[C]//?Proceedings of the 9th International Conference on Educational Data Mining. Raleigh： EDM Press， 2016： 484-489.

欒紅波， 文福安. 數據挖掘在大學英語成績預測中的應用研究[J]. 軟件， 2016， 37（3）： 67-69.

崔仁桀. 數據挖掘在學生專業成績預測上的應用[J]. 軟件， 2016， 37（01）： 24-27.

朱致遠. IOS平臺上課堂實時反饋系統的設計與實現[J]. 軟件， 2015， 36（2）： 102-106.

許益通， 張冰雪， 趙逢禹. 基于學習風格的自適應學習內容推薦研究[J]. 軟件， 2018， 39（4）： 01-08.

劉三女牙， 劉智， 高菊， 孫建文. 慕課環境下學生學習行為差異性分析研究[J]. 電化教育研究， 2016， 37（10）： 57-63+69.

陳雷. 大數據學習分析的研究與應用——以浙江省教師教育MOOC培訓平臺的課程為例[J]. 現代教育技術， 2016， 26（08）： 109-115.

李曼麗， 徐舜平， 孫夢嫽. MOOC學生課程學習行為分析——以“電路原理”課程為例[J]. 開放教育研究， 2015， 21（02）： 63-69.

傅鋼善， 王改花. 基于數據挖掘的網絡學習行為與學習效果研究[J]. 電化教育研究， 2014， 35（09）： 53-57.

黃誠， 張冰雪， 趙逢禹. 在線學習風格識別技術與方法研究[J]. 軟件， 2018， 39（4）： 97-102.

孫月亞. 開放大學遠程學生在線學習行為的特征分析[J]. 中國電化教育， 2015（08）： 64-71.

魏順平. 在線學習行為特點及其影響因素分析研究[J]. 開放教育研究， 2012， 18（04）： 81-90+17.

Peng W. Research on model of student engagement in online learning[J]. EURASIA Journal of Mathematics Science and Technology Education， 2017， 13（7）： 2869-2882.

任京民， 陳燕. 個性化教學設計及其策略[J]. 教育理論與實踐， 2015， 35（11）： 57-59.