疫情下學生在線學習過程指標與學習效果分析
——以微機原理及單片機技術課程為例

梅鵬江，陳逸菲，宋 瑩，孫 寧

（1.南京信息工程大學自動化學院，江蘇南京 210044；2.南京信息工程大學濱江學院，江蘇無錫 214105）

0 引言

受疫情影響，為響應教育部“停課不停學”號召，各院校積極開展線上教學。隨著在線教學的普及，各高校平臺服務器積累了大量與學習相關的數據，通過對這些數據的分析，幫助教師了解學生的學習情況。張巖等［1］通過分析混合式教學環境下學習者一般特征、心理特征、課堂行為特征，對不同學生進行分類和識別；賈積有等［1］對北京大學6 門課程的學習行為數據進行整理與分析，從中發現學生網上學習行為對學業成績的影響；李封等［3］提出學習者學習行為屬性模型，基于該模型對學習者學習行為進行分析研究，以此為依據調整課程組織和教學方式，從而達到最優的教學效果；李爽等［4］從行為投入的角度出發，對在線學習行為投入分析框架進行構建，并對在線學習行為投入測量指標進行選取；危妙等［5］利用數據分析，對“優課聯盟”平臺上學生的學習行為以及學習成效進行分析，找出平臺應用中存在的不足并提出建議；蔣卓軒等［6］針對平臺用戶在線學習特點，分析挖掘6 門課的海量學習行為數據，將學習者進行分類，深入考察學習行為與學習效果之間的關系。以上學者對于學生學習特征進行了分析，但是他們都忽視了數據的時效性。本文數據是教師在線授課采集，準確度較高，能真實反映學生在線學習情況；課下學習數據中，剔除期末考試前學生突擊數據，這樣更能客觀反映學生平時的學習習慣。

本文以筆者學校開設的微機原理及單片機技術課程作為研究對象。該課程自2020 年2 月17 日至2020 年5月6 日采用線上教學，之后采用混合式教學，收集80 名學生在學習通平臺上各種訪問記錄近4.8 萬條。以這些數據為基礎，分析學生學習過程中的行為特征、學習狀態和習慣。本研究結果可用于糾正不佳的學習習慣，幫助教師調整教學進度和方式方法。

1 指標分析

衡量學生學習質量以教學大綱為標準，課程以教學大綱中學業表現指標和學習過程投入指標作為參考，前者包括隨堂測驗得分、階段測驗得分、章節測驗得分；后者包括課堂搶答、課堂問卷、課堂投票、視頻反芻比、章節學習次數等。期末考試成績最能直接反映學生學習質量，故本文用線下的閉卷期末考試作為學習質量指標，通過求解皮爾斯相關系數挖掘出與學習質量有關的特征，如式（1）所示。

式（1）中，X、Y是兩個特征，Xi、Yi表示特征X、Y的第i個數值代表X、Y特征下的均值。皮爾森系數等于協方差除以標準差，因此避免了指標量綱不同的影響。在計算各指標的相關系數之前，需要對學習通平臺上獲取的數據進行預處理，即相關數據類型轉換、歸一化，使各個指標處于同一數量級。

本文將學習通平臺上的數據分成學業表現指標和學習過程指標投入兩大類［7］。前者直觀反映學習效果，后者體現學習積極性和學習態度，根據學習環節不同又細分為2 個子類：在線學習過程指標和自主學習過程指標。表1給出根據式（1）計算得到的各指標與期末成績的相關性。

本文將學習過程指標細分為自主學習過程和課堂在線學習過程兩部分，前者有視頻反芻比、章節學習次數；后者有課堂搶答、課堂問卷和投票。如表1 所示，課堂在線學習過程中課堂搶答與期末考試的相關性是51.03%，課堂問卷、投票與期末考試的相關性是51.50%。自主學習過程中學習視頻反芻比與期末考試的相關性是60.04%，說明該特征對期末考試的影響較大，而章節學習次數對期末考試的影響更大，高達72.17%。

Table 1 Correlation between each index and final score表1 各指標與期末成績相關性（%）

本文主要分析期末成績表示的課程學習質量與這兩大指標的相關性。需要注意的是，由于簽到率相關性僅41.4%，明顯低于其它指標，因此不予討論。

1.1 學業表現指標分析

微機原理及單片機技術課程共17 周，學習通平臺記錄有學生隨堂測驗、章節測驗得分、階段性考試得分等，可直觀反映學習效果。而期末考試因為在線下進行閉卷測試，測試題型豐富，主觀性試題多，更能全面考察學生的學習質量［8］。通過Anaconda 軟件將學業表現3 個特征與期末考試成績以可視化形式展現，如圖1 所示，橫坐標是學生學號，縱坐標是歸一化后的期末成績。

特征之間相關系數越大，說明兩個特征之間關聯越大，反之越小。表1 中，學業表現相關的前3 個特征與期末考試成績的關聯性分別是55.67%、49.02%、49.98%，除了隨堂測驗之外都低于第2 大類指標，其原因如下：

（1）隨堂測驗以客觀題為主，時效性強。從數據來看大部分學生隨堂測驗分數都在及格線以上，高于期末卷面及格率。原因是隨堂練習大多以選擇題形式考察，而期末考試則以主觀性試題為主，難度更高。隨堂測驗與期末成績相關性比章節測試和階段考試高出近5%，達55.67%，原因是隨堂測驗一般是教師在上課前幾分鐘發布，并限定短時間內完成，學生能翻閱參考資料的時間有限，以獨立完成為主。

（2）章節測驗完成的時間段不同。從平臺記錄的時間看，有預習時完成的，出錯可能性大；有課后完成的，降低了出錯的可能性；部分學生不是獨立完成的，所以會出現相關性不是很大的情況。

Fig.1 Academic performance圖1 學業表現

（3）在線考試非封閉性。階段測試是返校前在線完成的，雖然可以設置測試具體時間，但是不能完全確保學生獨立完成考試，故相關性不如隨堂測驗。

通過以上分析，可知這些指標不能完整反映學生掌握知識點情況，但為教學過程中必要的參考，是不可或缺的。

1.2 學習過程投入指標分析

學習視頻反芻比明顯沒有章節學習次數貼合期末成績，原因是部分學生存在登錄視頻不看只為完成任務的情況。而章節學習次數更貼合，是因為優秀的學生在遇到難點時會反復觀看章節內容，學習不好的學生卻不會花費大量時間去重復學習，具體情況如圖2 所示。

課堂問卷、投票、課堂搶答等指標可以清楚地刻畫學生在課堂上的表現。表1 中課堂搶答與期末考試的相關性只有51.03%，原因是部分成績良好的學生性格較為內向，不太好意思參加課堂互動，覺得自己懂了就可以，沒必要在課堂上表達。課堂問卷、投票與期末考試的相關性是51.50%，從圖3 可知學生普遍在問卷和投票中得分較高，其原因是教師在課堂上考察學生對某一知識點的掌握，不論對錯參與即可得分，所以提高了學生參與互動的積極性。

綜上，通過對不同指標進行相關性分析，發現各指標對期末考試成績有影響，其中以視頻反芻比、章節學習次數體現最為突出。所以在平時教學過程中，教師可通過這兩個指標及早發現學習態度不端正、成績不好的學生，給予適當的提醒和監督。

2 學習效果分析

本文通過對學業表現和學習投入指標進行聚類分析［9-11］，得到學生不同的學習類型，從而發現優秀學生的共性，及時對學習習慣不好的學生提出預警。采用PyCharm軟件對數據進行k 均值聚類。首先將數據降維，然后評估不同k 值聚類效果，發現在4 層聚類時效果最佳，故選取聚類數為4 時的情況進行分析，結果如表2 所示。

Table 2 Mean values of various student behavior data表2 各類學生行為數據均值

Fig.3 Online classroom learning process圖3 在線課堂學習過程

在聚類數為4 時，得到每一類學生的期末考試等級、課程訪問數、視頻反芻比、討論次數、課堂搶答、作業得分以及階段測試得分的均值，如表2 所示。以期末考試成績得分作為標準，將學生分為學霸學習者、積極學習者、一般學習者、懶散學習者，下面對這些類別的學校行為進行分析［12-15］。

第1 類學生，能夠積極主動登錄平臺學習，其訪問數、章節學習次數幾乎是第4 類學生的4 倍，能夠積極參與到課堂活動中，課堂搶答速度快，上課專注，緊跟老師節奏，考試成績優秀，說明這類學生屬于刻苦用功的學霸。教師可鼓勵他們參加比賽，擴充知識面，同時適當組建班級幫扶組，讓學霸給懶散學習者（第4 類學生）和一般學習者（第3 類學生）提供好的學習思路和學習方法。

第2 類學生，能夠完成在線學習平臺上所有任務點，章節測驗和階段性測試均能取得好成績。但是該類學生的課堂搶答得分低于第3 類學生，是由于這類學生喜歡自己悶頭學習，自己解決問題，課堂搶答比較低調，沒有第3類學生愛表現。正是如此，教師最有可能忽略他們。教師應該多和這類學生交流，學生在得到老師的關注下學習會更主動，學習成績會更上一層樓。

第3 類學生，能完成基本的章節學習和視頻觀看，在訪問數、章節學習次數、視頻反芻比上都是懶散學習者的1.4 倍左右，而課堂討論、課堂搶答是懶散學習者的5 倍左右，甚至超出了第2 類學生。該類學生有一定的學習熱情，課堂積極回答問題，但成績不是很理想，原因是他們課后不主動學習、投入學習的時間精力不夠。對于這類學生教師應該多督促他們課后學習，多加以鼓勵和鞭策。

第4 類學生，訪問學習平臺比較隨意，偶爾登錄，登錄次數不及平均數，對于章節的學習較少，視頻反芻比也小，基本不參與課堂討論，不積極主動地參與課堂互動，注意力不集中，容易走神，課后作業和階段性測試分數較低。這些學生缺乏自主學習熱情，學習效果也很差，故將他們劃分為懶散學習者。教師需要經常與這類學生溝通，課堂上主動給他們提問，課后督促他們觀看視頻，完成章節學習。

3 結語

本文對疫情期間線上教學中學生學業表現和學習投入指標進行分析，通過對學生學業表現分析，發現大部分學生在隨堂測驗、章節測驗、階段性考試的得分都能及格，但期末測試相當一部分學生卷面不及格，兩級分化嚴重，這說明平時學業中的成績并不能完全反映學生對知識點掌握的真實情況。而在學習投入指標中也有相似情況，課堂搶答、問卷和投票得分都不錯，但是期末成績不理想，這可能是學生在課堂上聽講，但課后預習復習被忽略；視頻反芻比、章節學習次數指標與考試成績最相關，驗證了學習優秀的學生課后所花費的精力遠高于其他學生。

需要指出的是，數據分析需要數據的積累，數據量的規模不同會對分析結果造成影響，本文使用的數據量不大。隨著在線教學及混合式教學工作的深入，課程數據量會越來越大，學生的行為數據也會越來越多，隨之得到的數據分析結果會越來越準確［16］。在今后的工作中會將學生提交作業的時間、訪問時間段等進一步深入分析，以此獲取更為準確的學生學習習慣數據，幫助教師洞悉學生學習行為，強化對學生的教育和監督。