基于SPSS的線上學習行為分析研究

廖雅琪 楊杉 孫宇辰

摘要：隨著互聯網的不斷發展，產生了線上學習的新型模式，該項目以某高校全校學生線上學習行為為研究對象，運用SPSS軟件中的探索分析+Excel可視化、簡單相關分析、等級相關分析、單因素方差分析的分析方法，針對不同學院的學生任務點完成數、學生章節學習次數相關分析、不同入學年級的討論數差異進行分析，對分析結果進行總結，并提出建議，探索并提高教學質量。

關鍵詞：SPSS;數據分析;線上學習

中圖分類號：TP311.13? ? ? ? 文獻標識碼：A 文章編號：2096-4706（2021）07-0021-04

Analysis and Research on Online Learning Behavior Based on SPSS

LIAO Yaqi，YANG Shan，SUN Yuchen

（School of Computer and Software，Jincheng College of Sichuan University，Chengdu? 611731，China）

Abstract：With the continuous development of the internet，a new mode of online learning has emerged. Taking the online learning behavior of all students in a college as the research object，this project uses the analysis methods of exploratory analysis+Excel visualization，simple correlation analysis，rank correlation analysis，one-way analysis of variance in SPSS software to analyze the number of studentstask points completed，the correlation analysis of the number of times chapters studied by students，differences in the number of discussions among different grades in different colleges. Summarize the analysis results and put forward suggestions to explore and improve the teaching quality.

Keywords：SPSS;data analysis;online learning

收稿日期：2021-03-09

0? 引? 言

隨著科技的進步，互聯網的不斷發展，產生了新的教育觀念[1]和新型的教學模式，即“線上教學”[2]。線上學習符合當代大學生的學習方式與習慣[3]，將是學生未來學習的重要途徑之一[4]。本項目以某高校全校學生的線上學習行為為研究對象，以統計分析為主要核心，通過SPSS軟件進行數據分析，來提升分析結果的專業性和準確性[5]。并根據數據的統計分析結果，有針對性地提出相應建議[6]。

1? 研究思路

以某高校全校學生線上學習行為為研究對象，首先對數據表進行清洗，通過排序、刪除不必要的值、篩選等操作進行數據的預處理;再通過SPSS軟件對不同學院的學生任務點完成數進行探索分析和Excel可視化分析，對學生章節學習次數與視頻任務點完成數和作業完成數的關系進行簡單和等級相關分析，對不同入學年級的討論數的顯著性差異進行單因素方差分析，對分析結果進行總結，并提出建議，從而有針對性的幫助老師和學生進行改善和提高，使雙方能共同進步。

2? 數據說明

數據準備：某高校線上學習平臺中的全校學習情況數據包括：姓名、賬號、院系、專業、行政班、學生狀態、入學年級、角色、課程數量、任務點完成數、視頻任務點完成數、學生觀看視頻總時長（分鐘）、作業完成數、考試完成數、章節學習次數、簽到完成數、課程專題閱讀時長（分鐘）、討論總數、發帖總數、回帖總數、課程積分、學生問卷參與數、選人被選中次數、學生搶答參與數、學生評分參與數、學生任務參與數共26項數據，合計24 919條。

數據清洗：（1）根據賬號，進行升序排列;（2）刪除非該年級學生，如留級生;刪除老師及行政人員;刪除學號不規范的學生;（3）刪除課程數以外數據全為0的休學學生;（4）刪除跨院校轉專業學生;（5）刪除專業列為空值的學生;刪除章節測驗完成數，直播總觀看時長，學生在線課堂參與數全為0的學生;（6）對被封賬號進行數據合并;（7）刪除無用數據：姓名、學號、學生狀態、角色等;（8）將各個年級數據合并在同一張表中。對篩選出的所需數據，進行后續數據分析。

3? 數據分析

3.1? 不同學院的學生任務點完成數

采用探索分析+Excel可視化，對不同學院的學生任務點完成數分析數據如表1所示。

根據圖1可知（國際教育學院為特設學院，此處不參與分析）：

計算機與軟件學院的平均任務點完成數為56.58，為最大值;土木學院的平均任務點完成數為47.98，排名第二;電子信息學院平均任務點完成數為28.53，排名最后。

金融學院的任務點完成數最大值為487，排名第一;計算機與軟件學院的任務點完成數最大值為453，排名第二;建筑學院任務點完成數最大值為244，排名最后。

綜合比較看來，大部分學院表現均較為良好，計算機與軟件學院學生任務點完成情況相較于其他學院整體表現較好，而電子信息學院與建筑學院的學習情況還有待加強。

3.2? 學生章節學習次數相關分析

采用簡單相關分析和等級相關分析，探究學生章節學習次數與視頻任務點完成數的關系如表2所示。

根據表2可知：皮爾森的顯著性（雙側）值為0.00，小于0.01，意味著拒絕原假設，原假設為學生章節學習次數與視頻任務點完成數之間不具有顯著性差異，即學生章節學習次數與視頻任務點完成數之間具有顯著性差異。

根據表3可知：視頻任務點完成數與章節學習次數具有相關性，皮爾森相關性系數為0.743，為正數且大于0.5，小于0.8，表示視頻任務點完成數與章節學習次數之間具有中度正向相關性。

采用簡單相關分析和等級相關分析，探究學生章節學習次數與作業完成數的關系，如表4所示。

根據表4可知：皮爾森的顯著性（雙側）值為0.00，小于0.01，意味著拒絕原假設，原假設為學生章節學習次數與作業完成數之間不具有顯著性差異，即學生章節學習次數與作業完成數之間具有顯著性差異。

根據表5可知：作業完成數與章節學習次數具有相關性，皮爾森相關性系數為0.772，為正數且大于0.5，小于0.8，表示視頻任務點完成數與章節學習次數之間具有中度正向相關性。

3.3? 不同入學年級的討論總數的顯著性差異

采用單因素方差分析，探究不同入學年級的討論總數的顯著性差異（其中顯著性水平為0.05），如圖2所示。

根據圖2可知：通過方差齊次性檢驗得到，顯著性P值為0.00小于0.05，原假設為方差具有齊次性，拒絕原假設，即方差不具有齊次性，做非參數檢驗，進行后續多重比較時，應對后續第二張表即Tamhane表進行分析。

根據圖3可知：從ANOVA分析中看出，顯著性P值等于0.000小于0.05，原假設為不同入學年級的討論數不具有顯著性差異，拒絕原假設，即不同入學年級的討論數是具有顯著性差異的;且至少有3個入學年級之間具有顯著性差異。

根據表6可知：因為方差不具有齊次性，故查看不假設等方差的數據，顯著性P值為0.00小于0.05，原假設為不同入學年級的討論數不具有顯著性差異，拒絕原假設，即不同入學年級的討論數具有顯著性差異。

根據表7可知：兩兩比較得，2017級的討論數與2018級、2019級和2020級的討論數的比較差值都為負數;2017級的討論數與2018級、2019級和2020級的討論數的均具有顯著性差異。

根據表8可知：兩兩比較得，2018級的討論數與2017級、2019級和2020級的討論數的比較差值都為正數;2018級的討論數與2019級的討論數不具有顯著性差異。

根據表9可知：兩兩比較得，2019級的討論數與2017級的討論數點比較差值為正數，與2018級和2020級的討論數的比較差值都為負數;2019級的討論數與2020級的討論數不具有顯著性差異。

根據表10可知：2020級的討論數與2017級和2019級的討論數的比較差值都為正數，且與2018級的討論數點比較差值為0。

均值差對比整理為：2018級=2020級>2019級>2017級。

4? ?分析結果及建議

分析結果：（1）結合不同學院學生的章節學習數和任務點完成數進行分析，可以看出以計算機與軟件學院學生為代表，學生的線上學習態度大部分較好，學習積極性較高，可能是因為學院的學習任務加重，或學生發現提高自身專業水平能力的重要性，對自己的未來發展規劃而開始努力。（2）學生章節學習次數相關分析中發現，學生在點進章節學習后，基本都會進行視頻的學習;同時在完成作業時，也會進行視頻的觀看。說明大部分學生們能夠接受并適應線上觀看視頻的方式進行知識的學習。（3）對比不同入學年級的討論數，2018級和2019級的學生學習的主動性較高，2017級的學生討論數最少，可能是因為實習的原因。

建議：（1）老師可以在線上多放一些視頻學習內容或文字版的知識點梳理，或是適當的布置作業，以方便學生課下對知識進行預習和復習。（2）為防止學生為了完成任務點而去刷視頻時長，老師可以將任務點的分配放到視頻和測驗兩個部分，以此督促學生們的學習完成情況。（3）對于學習較差的學生，老師可以多一些關注，利用優生帶動差生，營造良好的學習氛圍。（4）老師要在教學過程中進行教學形式的歸納和改進[7]，在充分利用網絡平臺進行教學時[8]，能有針對性地進行調整[9]，不斷優化教學過程，提高學生的學習積極性和終身學習能力的發展[10]。

5? 結? 論

線上學習可以較好實現個性化學習，學生能根據自己的時間和需求安排學習進度和內容，有效地增強了學習的針對性。通過對數據的分析，有助于老師快速掌握學生的學習情況，并根據實際情況做出教學安排的調整，有效地提高了教學質量。

參考文獻：

[1] 趙然，孫曉莉.基于“互聯網+”背景的線上教學模式探討——以房地產金融課程為例 [J].黑龍江科學，2021，12（9）：36-38.

[2] 張曉華，文清.新形勢下高校線上教學的思考 [J].林區教學，2021（6）：63-66.

[3] 劉子豪，賈小軍，顧國松，等.線上教學中知識建構效果的監督模型探討 [J].嘉興學院學報，2021，33（3）：100-111.

[4] 朱筱笛.線上學習未來發展教育對策研究——以大學生群體為例 [J].品位·經典，2021（11）：87-89.

[5] 黎文光.社會工作調研中如何科學運用SPSS [J].中國社會工作，2020，（3）：38-39.

[6] 吳瑜.評《傳播內容數據分析與SPSS統計應用》 [J].統計與決策，2020，36（8）：2+189.

[7] 賀子彧，劉鳳艷.線上學習常態化的教學技術研究 [J].牡丹江教育學院學報，2020（12）：42-46.

[8] 吉尚雷，劉衍芬.高職院校線上教學模式探索與實踐——以基于“學習通+釘釘”的“牛的疾病防治”課程為例 [J].遼寧農業職業技術學院學報，2021，23（3）：23-25.

[9] 鮑蕊，陳柏材，王秋懿，等.疫情期間學生線上學習狀態與效果分析——以《材料力學》課程學習為例 [J].高教學刊，2021，7（13）：36-41.

[10] 宋麗娜.線上教學及其學習環境對課程教學效果影響的實證研究 [J].中國多媒體與網絡教學學報（上旬刊），2021（5）：34-37.

作者簡介：廖雅琪（2000—），女，漢族，四川成都人，本科在讀，研究方向：數據分析、大數據;楊杉（1983—），女，漢族，四川成都人，副教授，博士，研究方向：數據挖掘、大數據;孫宇辰（2000—），男，漢族，四川成都人，本科在讀，研究方向：電子信息、數據處理。