基于CiteSpace 及SPSS 在線學習效果與參與度分析＊

武永嬌

（甘肅廣播電視大學 信息中心，甘肅 蘭州 730030）

1 在線學習參與度國內研究現狀

在“知網CNKI”中，用“在線學習參與度”作為檢索詞，篩選時間為2000-2020 年，檢索“中引文擴展”，檢索到文獻記錄共116 條。成果文獻在2007年才有發表且為1 篇。具體分布如圖1 所示。

圖1 在線學習參與度成果文獻柱狀圖

從上面線性圖可以直觀地看出：國內目前關于在線學習參與度的研究數量還較少。通過對文獻內容的梳理，通過CiteSpace 軟件對所選文獻進行分析，得出國內在線學習參與度的研究分布主要在三個領域：

（1）在線學習參與度的理論研究。2003 年，華東師范大學孔企平教授在其《數學教學過程中的學生參與》一書中首次提到學習參與度，并針對數學學習參與度設計了行為參與、情感參與、認知參與三份調查問卷。

（2)在線學習參與度的影響因素研究。楊九民教授2010 年在中國電化教育發表的論文中他結合互動分析模型，提出了參與度評價量表，將參與度分為了社交型、過程型、說明型、解釋型、認知型五種。

（3）在線學習參與度與投入程度。嚴加平學者認為學習參與度體現為學生在學習過程中的投入程度，分為縱向和橫向兩個維度。縱向分為了四個坐標系，即積極參與者、力不從心者、游離者、執行者。

為進一步研究在線學習參與度與學習效果之間的關系，使用CiteSpace 軟件提取的關鍵詞共現圖譜。關鍵詞圍繞“在線學習”“學習效果”“參與度”等研究內容，詞頻閾值大于等于10，聚類分析如圖2 所示，學習效果依次與學習過程、在線資源、學習興趣、實踐環節等關系影響。其中學習過程是最大聚類，占55%。

圖2 學習效果詞頻聚類分析

2 在線學習過程參與度分析方案

2.1 研究方向及對象

為了更深一步研究，本文選取了占學習效果權重最大的元素：學習過程，作為研究方向。學習過程都有哪些因素組成呢？基于甘肅開放大學在線學習平臺，選取專業為2020 年計算機科學與技術本科，課程《數據結構》的學習者為研究對象，根據平臺數據顯示，學習過程參與度主要由在線天數、登錄次數、資源瀏覽數、視頻時長、形考成績、回帖（討論區）6 個參與維度構成。學習效果與學習過程中6 維度參與度之間的權重關系將是下文重點研究的內容。

2.2 研究方法及內容

利用描述統計與回歸分析方法，借助從學習平臺導出的Excel 數據、SPSS20.0 對學習者在線學習過程中產生的登錄次數、資源瀏覽數、回帖等參與度特征進行基本統計和分析，探討非學歷教育學習者在線學習效果與學習過程參與度的整體特征及分布情況。課程《數據結構》在線學習人數N=500。

3 在線學習過程中參與度分析

3.1 課程登錄次數與課程資源瀏覽數分析

判斷一位學習者是否參與在線學習，首先是要確定學習者是否登錄、并訪問課程學習資源，這也是反映學習者參與在線學習參與度的積極程度。在本文中，為了避免短時間內學習者登錄的數據的片面性，數據收取2010 年春、秋季兩學期，即3-6，9-12 八個月的數據。保證收集到的數據的可行性和客觀性。利用SPSS20.0 對學習者的課程登錄次數與課程資源瀏覽數做初步描述統計量（均值、標準差只取整數位），見表1。部分學習者課程登錄與資源瀏覽對比見圖3 所示。

表1 課程登錄次數與資源瀏覽數描述統計

圖3 課程登錄次數與課程資源瀏覽數柱狀圖

從表1 和圖3 統計數據初步得知，學習者在學習過程中登錄課程與課程的資源瀏覽數分布較不均。其中，學習者個體課程最高登錄次數達126 次，而最低僅為10 次，平均課程登錄次數為54 次，標準差數值比較大。與此同時，資源瀏覽數也分布不均衡，均值為169 次，最小值僅有6 次。不同學習者瀏覽資源數差距比較明顯。甚至出現登錄次數大于訪問資源次數的個體存在，即說明個別學習者只登錄課程，并沒有訪問瀏覽資源。

3.2 學習過程中其他參與度數據挖掘

在線學習過程中的形考成績、在線天數、視頻時長及回帖參與度數據描述統計量見表2 學習效果與學習過程中其他4 個參與度關系圖如圖4 所示。

表2 學習過程中其他參與度數據分析表

圖4 學習效果與其中4 個參與度的關系圖

（1）形考成績。形考成績由階段性學習測驗、實踐活動、學習記錄三部分構成，分別占形成性考核成績的70%（4 次作業+1 次試驗）、20%（理論補充）和10%（拓展延伸）。采用系統自動評測和輔導教師根據評分標準評判相結合的方式。由表2 可知，形考成績最低分數42分，最高94分，平均分值74分，6%的學習者未能完成形成性作業，即成績低于60分。由此可見，學習者在形考作業完成度上還不夠理想，平均分數也沒有達到期望值80。

（2）在線天數。在線天數是指在線有效天數的累計，這里的有效保證在每天登錄學習不少于1h，也就是說，如果某天登錄學習時間不到1h，則這一天不累計在線天數數據中，這也保證了防止避免無效學習現象發生。由分析表2 得知，最小值6，最大值53，學習者在線學習天數這項參與度分布較不均衡，個體學習主動性重視程度差異較大。

（3）視頻時長。學習者在線學習視頻時長分布在2～17.7h，平均時長為8，標準差是4，說明學習者學習過程中視頻時長較接近平均值8。課程視頻是10min 微視頻共計60 個知識點的，學習者整體完成視頻進度為80%，從最大值17.7h 來看，存在反復學習視頻資源的情況。

（4）回帖。通過表2 可見，在線學習回帖最大值23，最小為0，人均發帖8。課程發起討論主題數為8 個，也就是每個主題人均只有一個回帖。根據圖4 進一步分析得知，學習者參與回帖討論積極性不夠高，而且回帖也不均衡，統計未參與回帖學習者比例約為20.6%，參與回帖學習者占79.4%。課程回帖實際參與度值遠遠低于預設回帖參與度期望值。

4 學習效果與學習參與度分析

為了進一步挖掘在線學習效果與學習過程參與度的關系，對學習者的綜合成績與學習過程參與度進行統計，并將文中研究的6 個維度通過散點可視化分析，分析結果如圖5 所示。

圖5 學習效果與學習過程參與度散點分析

4.1 學習效果與學習參與度趨勢分析

通過觀察散點圖中數據點分布情況，可以推斷出變量間的相關性。如果變量之間不存在相互關系，那么在散點圖上就會表現為隨機分布的離散的點，如果存在某種相關性，那么大部分的數據點就會相對密集并以某種趨勢呈現。因此，從散點分布情況可以初步證明，學習效果，即綜合成績與資源瀏覽數和形考成績這兩個維度最密切。

4.2 學習參與度各維度權重分析

在用SPSS 進行主成分分析的時候，默認對原始變量進行標準化。

（1）首先在SPSS 中輸入需要分析的變量；

（2）Analyze→Data Reduction→Factor 進入之后，先點擊Descriptives，在Correlation 復選框下選中Coefficients；

（3）點擊Extraction，在Display 復選框里選中screeplot；同時點擊Scores，選中Displayfactor score cofficient matrix；點Rotation，在Method 復選框下選中Varimax（方差最大化法旋轉）；

（4）點擊ok 就可以得出主成分分析的結果（包括累計貢獻率等）。

4.3 分析與結論

（1）KMO 值和公因方差。KMO 的值為0.718，大于閾值0.5，所以說明了變量之間是存在相關性的，符合要求。Bartlett 球形檢驗的結果，只需看Sig.這一項，其值為0.000，所以小于0.05。這份數據是可以進行因子分析的。在本例中，“提取”的值均大于0.7，如圖6 所示。所以變量可以被表達是比較理想的提取。

圖6 KMO 與公因方差

（2）多維度的參與度特征數據獲取。本文選取的因子分析及參數顯示，分析模型為最佳模型統計量，如圖7 所示，分析結果可行性比較理想。對各因子提取情況分析，最佳模型分析一共提取出6 個因子，方差分別是24.417%、22.820%、38.356%、5.403%、2.603%和2.401%。前三個因子占的成分比較大，具體是否能達到90%關系度，還需進行因子累積分析，即解釋的總方差分析，由表3 可知，提取累積1、2、3 因子（分別是在線天數、形考成績、瀏覽資源數）累積達到89.563%。旋轉后的方差解釋率分別是21.413%、29.479%、38.701%，旋轉后1、2、3 因子累積方差解釋率為89.563%，約為90%。結論：6 個因子中，可以選取累積1、2、3 因子做成分關系表達。

圖7 最佳模型統計量

表3 解釋的總方差

（3）學習效果與參與度回歸分析。如果根據成分矩陣中的載荷得到X1=a11*F1+a12*F2+a13*F3（Xi為變量；aij為載荷；Fj為公因子）；那么旋轉成分矩陣得到F1=a11*X1+a21*X2+a31*X3（符號同前面定義）。

所以，成分得分系數矩陣可得知因子分析函數：

旋轉后因子為：

因子綜合評價函數為：

Y=X1+X2+X3+X4+X5+X6=(0.860-0.350+0.372)X1+(0.503 +0.453 -0.736)X2+(0.089 +0.820 -0.565)X3=0.882X1+0.22X2+0.344X3+ε（其中，ε 為其他三個因子的影響關系度，音響度很小為0.1）。

5 結束語

綜上所述，首先，從CiteSpace 可視化對“在線學習”學習效果與學習關系的分析，學習效果與學習過程參與度關系度最大。再次，通過在線學習平臺數據采集，通過SPSS分析進一步確定在線學習效果與學習過程參與度因子關系。因子分析結果顯示，學習效果(綜合成績)與學習過程6 個因子的參與度有關系，從回歸分析結果可知，影響學習效果的學習過程參與度因子按照遞減序列排列為：瀏覽資源數因子、形考成績因子、在線天數因子、登錄次數因子、回帖因子、視頻時長因子，其中瀏覽資源數、形考成績、在線天數3 個因子為權重高因子，6 個因子共提取其中3 項可到約90%的關系度。綜合評價函數表達式為：Y=0.882X1+0.22X2+0.344X3+ε，這里的X1，X2，X3，為權重高因子數。通過分析，進一步探討非學歷教育學習者在線學習學習參與度與學習效果關系特征及分布情況。有利于了解學習者的參與情況并采取措施干預；有利于學習者學習反思并促進其自適應性深度學習；有利于保障非學歷教育教學質量的水平和教育事業的持續發展。