基于在線學習平臺的學習者交互行為研究

張濤 紀璐璐 劉兵倩 王晴

摘 ? 要：盡管在線學習已得到較為成熟和廣泛的實踐應用，但關于如何開展高效度、深層次的線上異步教學交互，提升其教學質量方面的研究，尚處于不完備階段。對學習者交互行為進行研究，可使其對課堂教學行為有更深層次的理解，有利于分析和把握學習者的認知行為、知識建構行為，為提升在線教學質量提供有力的保障。文章從在線平臺上選取一門課程，借助交互分析模型（IAM）編碼框架，通過滯后序列分析技術對該課程學習者的交互行為數據進行研究，并對不同成績學習者進行分析，得出如下結論：學習者的整體交互水平大多停留于低水平階段;高分組學習者的交互頻次要多于低分組，交互質量要高于低分組;高分組與低分組的顯著性行為序列及特點、學習者的交互效果對其學習成績有一定程度的影響。最后，針對分析結果提出五點建議。

關鍵詞：在線學習;交互分析;IAM編碼框架;滯后序列分析法

中圖分類號：G434 文獻標志碼：A ? ? ? ? 文章編號：1673-8454（2022）03-0064-09

一、引言

在線學習是通過計算機互聯網或是手機無線網絡進行內容傳播和學習的一種新型學習方式，它以網絡為介質構成全新的學習環境，打破時間和空間的限制，相比傳統學習方式具有無可替代的優勢。據中國互聯網絡信息中心（CNNIC）在京發布的第47次《中國互聯網絡發展狀況統計報告》的數據可知[1]，截至2020年12月，我國現有在線教育用戶規模達3.42億。從20世紀90年代在線教育初步興起到如今教育信息化的蓬勃發展，不僅帶來一系列的教育創新與變革，也改變了人們對傳統教育行業的定義以及教學思想、教學理念。

交互是在線學習的關鍵性環節，是影響教學效果的潛在因素。在“互聯網+教育”時代，教育信息化是順應智能環境下教育發展的必然選擇，其豐富了在線教育的教學交互形式。而對在線學習平臺中學習者交互行為進行研究，有利于提升交互質量，改善交互效果，提高學習者的交互參與度，從而促進教學效果。

二、研究基礎

目前關于學習者學習行為分析的研究活動主要集中在行為特征分析、交互技術分析、影響因素三個方面。

（一）基于在線平臺用戶的交互行為特征分析研究

目前，大多數研究者基于網絡環境對特定平臺或用戶交互行為特征等展開深入分析研究。陳憶金等對學習類視頻網站上使用彈幕用戶的交互行為進行研究，選取B站上日語學習類與編程學習類用戶，采用爬蟲抓取彈幕數據，分析其交互行為特征，并從彈幕時間、屬性、頻率等方面分析得出研究結果[2]。謝雷等以首門cMOOC課程的學習者為調查對象，采用問卷調查探究交互行為中的困難和薄弱環節，發現其交互行為與學習動機顯著相關、在主動交流方面較為薄弱等[3]。唐文靜等以學堂在線中的一門課程為例，采集和分析課程數據，定義不同類型的交互質量，再利用K-means聚類算法劃分學習者類型，并分析不同類型的信息交互特點及學習效果，進行原因探討且提出重視學習共同體建設和重視學習資源有效性的建議[4]。

（二）針對特定學習者交互行為的技術性分析研究

目前，針對某一在線平臺或某門在線課程交互學習的技術性分析已有一定成果，基本以社會網絡分析技術為主。例如，田麗麗等以中國大學MOOC平臺上《微課設計與制作》課程綜合討論區中的帖子為研究對象，利用社會網絡分析法對學習者交互行為進行分析，從交互網絡的多方面反映其學習情況，最終得出學習者之間交互松散、流動性大、知識掌握沒有內化、缺乏情感投入等問題，并提出相對應的建設性建議[5]。廖芷源等以一門具體課程為例，采集學習者線上交互數據和線下成績，通過社會網絡和相關性分析，得出學習者在線交互參與積極性低但參與交互學習者的學習效果會更好的結論[6]。黃婷婷以學堂在線平臺的網絡課程《心理學概論》為研究對象，以學習者的發帖內容為研究內容，采取社會網絡分析法對其社會交互關系進行分析研究，探究學習互動的現狀與規律，并在此分析基礎上提出相應建議[7]。

（三）有關在線學習交互行為的影響因素問題研究

部分研究者對影響交互行為的因素進行探討，并提出相對應的具體策略或建議。例如，劉冬研究在線學習者不同的學習風格對交互行為及其效果的影響，運用實驗研究法，選取特定的研究對象、交互工具、學習任務進行教學實驗，再利用內容分析法和問卷調查法進行數據分析，探討分析交互頻度、深度、績效等方面的差異特點，最后提出提升在線學習者交互質量的策略[8]。李紫衣對學習者觀看視頻資源時發生的視頻交互行為進行研究，通過開發視頻播放器，采集學習者的視頻交互行為數據，基于歸因理論提出其影響因素的模型，并通過實證檢驗分析其是否影響學習成績[9]。

綜上所述，當前有關在線學習交互行為方向的研究，在多種交互類型的理論和技術上都取得一定的進展與成果，但尚處于初級階段，研究數量有所欠缺，且研究數據的種類有限，特別是對交互行為的內在分析方面。因此，本文將針對在線學習者在學習過程中所產生的交互行為及其行為序列，進行具體分析和研究，為其提供案例和參考。

本研究所基于的在線學習特指學習者在云教學平臺——藍墨云班課上所進行的學習行為，選取該平臺中《現代遠程教育》在線課程，借助內容分析編碼框架，通過滯后序列分析法，以該課程學習者在討論交流過程中所發表帖子的文本內容為研究數據進行分析，重點聚焦以下問題：①在線學習者的交互行為具有什么特征？②不同成績學習者的交互行為有哪些差異？③不同成績學習者所產生的交互行為序列分別有什么特點？

三、研究設計

（一）數據樣本

文章以河南H高校教育技術學專業的一門必修課為例，以該校52名學習者2020年秋季在藍墨云班課學習平臺記錄的學習日志數據為樣本，其中男生11人，女生41人。

該課程持續一個學期（18周），教學形式以網絡學習空間為依托，采用混合式教學模式實施教學活動。其中，線上教學以課程知識答疑、在線交流討論、單元測試、學習筆記分享、自主學習其他課程資源等活動為主。研究樣本來自網絡學習空間的系統日志數據，起止時間為2020年9月25日至12月17日，共產生19個主題913條交互數據。

（二）研究方法

本研究采用內容分析法和滯后序列分析法，對在線學習平臺中的學習行為結構進行分析。其中，內容分析法是一種在文本等材料進行程序化分析的基礎上，作出有效推論與結論的研究方法[10]。它的目的不僅在于體現交互文本的表層信息，還在于揭示在線交互中所發生的學習行為以及知識建構過程和水平[11]。內容分析的關鍵在于一個科學有效的分析框架，其中的編碼類目應具有完備性、互斥性、信度[12]。

關于在線交互的編碼框架有很多種，蘭迪·加里森（D.Randy Garrison）等從問題觸發、探索、整合、問題解決四個維度構建批判性思維行為發展的實踐探究模型，并以認知存在作為探究學習社區模型構建的核心要素之一[13];弗朗斯·亨利（France Henri）基于計算機的交互特性，從學習者的參與、互動、交流、認知、元認知五個維度構建文本信息分析工具，反映學習者在遠程學習過程中通過互動交流體現個體的認知行為[14];還有夏洛特·古娜瓦德娜（Charlotte N.（Lani）Gunawardena）等人在Henri模型的基礎上，基于扎根理論角度提出用于CMC交互和學習質量分析的交互分析模型（Interaction Analysis Model，IAM），從知識建構的維度探究社會交互的質量與水平[15]。

IAM將交互行為分成5個階段：分享與澄清（KC1）階段、認知沖突（KC2）階段、意義協商（KC3）階段、檢驗與修正（KC4）階段、達成與應用（KC5）階段。該編碼框架聚焦于知識協同建構媒體的交互和在線討論中所出現的所有知識建構的形式[16]，內容相對明確，且容易理解和操作，其科學性與有效性也經過反復驗證。

因此，基于本文所研究的用戶特征，我們選用IAM編碼系統對生生互動行為進行編碼和量化分析，并添加無關內容（KC6）作為第6階段編碼，具體編碼框架如表1所示。

滯后序列分析法（Lag Sequential Analysis，LSA）有助于進一步分析學習者行為特征，而采用定量行為序列轉換分析交互過程，成為打開“黑箱”的關鍵性技術[17]。網絡學習行為是內隱行為顯性化和外顯行為內隱化相互作用過程的集中體現，如知識內容的外顯操作折射出學習者在交互中的認知行為。

（三）數據預處理

本文對活動中各個主題學習者的交互數據，即發帖內容分別進行收集整理并整合，主要將活動主題、學生姓名、學生發帖、回帖的文本內容等信息復制并保存至Excel文件中，按照內容分析編碼框架，對全部帖子逐個進行行為編碼歸類，并進行多次檢驗和修改。

為深入了解和分析學習者的交互行為序列，本文獲取該課程學習者的期末成績，根據成績分布（如圖1所示），選取95分以上和80分以下的學生作為高分組和低分組，分別進行處理和統計，其中高分組和低分組均為12人。

為保證研究信度，挑選2名參與過研究設計的教育技術學專業學生開展內容分析，按照以下程序進行編碼：首先，對2名學生進行編碼培訓，主要熟悉掌握編碼框架內容和特殊問題帖子的處理;其次，選取總數為30%左右的帖子（320條）分別讓2名學生進行獨立編碼，通過信度系數（Cohen’s kappa）檢驗編碼一致性，之后以背對背互檢形式對發現不一致的內容進行討論，以提高彼此對編碼框架的理解。最后，2人將剩余帖子分別進行編碼，經一致性信度系數檢驗，Cohen’s Kappa值達到0.785，表明研究內容具有較好信度。

四、研究結果與分析

（一）學習者交互行為的整體分析

對平臺中學習者的原始數據復制保存至Excel后，再根據IAM編碼框架對所有數據（913條）進行逐個編碼，然后統計出各階段編碼行為出現的總次數以及各自所占的百分比，如表2所示。

從表2可知，學習者在交互過程中大多數停留于交互水平的較低層級，包括分享與澄清階段（共544頻次，占比59.58%）、認知沖突階段（共178頻次，占比19.50%）、意義協商階段（共140頻次，占比15.34%）;而高水平階段的交互卻是非常少，檢驗與修正階段（共23頻次，占比2.52%）、達成與應用階段（共11頻次，占比1.20%）。這說明學習者的整體交互質量并不高，缺乏高效的交互行為。

造成交互階層較低的現象主要受多方面因素的影響，比如，學習者對于在線學習的異步交流不太熟練，沒有充足的經驗;學生回答問題的積極性不高、學習興趣較低;對于要討論的主題沒有經過深入的思考;學習者沒有認真閱讀和理解其他成員所發表的問題，導致對問題的討論交流沒有進行深層次的挖掘，僅停留在問題的表面，等等。

另外，整個數據中存在小部分與課程內容無關的交互（共17頻次，占比1.86%），說明當一個學習者發出與話題無關的內容時，也會吸引到少數學生參與其中交流，這些無效交互可能會給學習者的其他討論交互行為造成一定的影響或干擾。

經過對交互數據的理解和分析，其原因可能有兩方面：一是少數學習者的思維比較活躍，發散性較強，加上討論主題的影響，容易產生與話題無關的交流;二是學習者在討論過程中，教師沒有作出及時的引導或缺乏引導性的個體的存在，使得信息交互較為分散、不集中等。

（二）高低分組學習者交互行為的對比分析

1.交互層級的比較分析

在對學習者交互階層整體分析的基礎上，本研究對其中不同成績的學習者進一步分析，以研究高分組和低分組學習者在交互行為上的特征及差異。

根據學生該門課程的總體期末成績，將95分以上的學生定為高分組，共12人;將80分以下的學生定為低分組，共有12人。高分組和低分組的交互行為頻次反映不同學習群體的交互層級，如圖2所示。

由圖2可知，高分組與低分組的交互階段既有相同的特點，又反映出一定的差別。兩組學習者共同的特征表現為：不論是高分組學習者還是低分組學習者，他們的交互階段都停留在低層級比較多，高分組大多為KC1、KC2、KC3，即分享與澄清、認知沖突、意義協商，僅少數交互處于較高階段;同樣，低分組也基本都處于KC1和KC2階段，甚至KC4和KC5階層的交互為缺失狀態，所以學習者交互過程中能達到KC4和KC5的明顯很少。

兩組的差別之處在于：總體來看，高分組學習者的交互頻次，即發帖的數量明顯高于低分組，高分組比低分組產生更多的學習行為，尤其是對于交互行為的前三個階段，說明低分組成員的整體交互學習積極性、參與性等方面要低于高分組;另外，低分組學習者與高分組相比，存在小部分的無效交互行為，即討論與課程主題無關內容的行為，說明低分組的成員思維更容易受到其他因素的影響。

2.交互行為序列的分析

為進一步分析兩組學習者的在線交互行為，本研究將基于交互內容分析編碼框架所得出的編碼結果中的高分組和低分組學習者分別提取出來，按照分析軟件GSEQ所允許的格式整理，將其導入軟件中并進行編碼分析，得到表3、表4所示的行為頻率表，以及表5、表6所示的學習行為轉換調整的殘差表[18]。

行為頻率表呈現的是一種行為發生后出現的另一種伴隨性行為的頻次。表3中，第一列表示序列的起始行為也就是先發生的行為，第一行表示序列的目標行為即后發生的行為，如高分組中第一行第三個數值表示的是學習者在進行分享與澄清（KC1）之后發生意義協商（KC3）行為的頻數為15。

調整后的殘差表呈現的是根據行為轉換得出的殘差參數Z，Z值大于1.96的行為序列即為顯著性行為序列[19]。如表5中高分組的行為序列KC1→KC2的殘差值為2.80，就表明該行為序列達到顯著水平。

為了更加直觀地將兩組學習者的交互行為序列呈現出來，本文依據表5、表6的顯著性行為序列分析結果，取顯著性行為序列數據的絕對值，分別繪制如圖3、圖4所示的行為序列轉換圖。其中，不同行為階層之間的箭頭指向表示的是序列方向，即該行為之后的伴隨行為，箭頭處的數值表示的是該行為序列的殘差參數Z，且箭頭粗細代表了Z值的大小，Z值越大則線條越粗，也表明該行為序列的顯著性越強。

由圖3可知，高分組較為顯著的行為轉換序列共有：KC1→KC2、KC2→KC3、KC3→KC2、KC3→KC3、KC4→KC4這5組較為顯著行為序列。

其中，KC1→KC2和KC2→KC3為漸進序列。KC1→KC2表示學習者在進行初步描述主題或觀點、信息分享之后，會對所發現的不同的認知行為、思想、概念或描述進行表述和分析，并利用自身的經驗或舉例等支持觀點，從而深化對問題的認識;KC2→KC3表示學習者在發現或持有不同的意見和思維后，接著就會進行意義協商，提出具有協商意義的觀點，進行群體知識建構。

KC3→KC2為逆階段序列，表示學習者在進行群體知識建構時，會產生認知沖突行為，反過來重新發現和分析思想、描述中不一樣的地方。

KC3→KC3、KC4→KC4則表示本研究中的學習者會持續性地對所發表的觀點進行意義協商，在對新提出的觀點進行檢驗和修改時也會進行持續性修正與補充。

總的來說，高分組共出現5組相對其他行為序列來說較為顯著的行為轉換序列，而且前三個階段的交互行為較為積極和頻繁，但是與KC5（達成與應用）階段相關的行為序列卻沒有出現。另外，KC4與其他階層甚至相鄰階層也沒有關聯，說明學習者在交互學習的過程中，經常僅會停留在意義協商階段。

相比高分組的行為轉換模式，圖4所呈現的低分組行為模式就簡單許多。低分組的顯著行為轉換序列僅為KC1→KC1，表明低分組的學習者主要圍繞信息的澄清與分享進行互動，彼此闡述各自的觀點，沒有通過有效的交互方式促進學習者產生認知沖突以及較高級的交互行為。此外，低分組在KC3、KC4、KC5三個階段均未出現顯著性行為序列，其交互質量相比高分組而言，具有顯著差距。

總體來看，低分組較為顯著的行為序列僅有1組，且主要為信息的分享與澄清，未形成由低階行為向高階行為逐級過渡的顯著行為鏈。此外，低分組在圖2中出現少部分無關內容（KC6）的交互行為，這說明低分組的學習者在交互過程中，無關內容的交流會對整體交互質量產生一定的影響，特別是會對較高行為（KC3、KC4、KC5）的產生具有抑制作用。因此，需要教師在教學過程采取有效的干預措施或教學支架，幫助學習者在在線學習過程將更多的精力投入到學習績效提升方面。

五、研究結論

本研究基于藍墨云班課智能教學平臺，通過滯后序列分析技術，借助IAM編碼框架，對《現代遠程教育》課程的52名學生所學習的全部主題的交互數據進行分析研究，從行為序列的整體分析到不同成績學習者行為序列的對比分析，最終得出研究結果。根據繪制出的行為序列轉換圖得出高分組的交互行為序列集中于前三個階段。另外，檢驗與修正階段也有所體現，學習者的交互大多只停留于意義協商階段;而低分組學習者交互行為序列相對較少，且只出現于分享與澄清的交互行為。

結合兩組學習者的交互階段折線圖，可以明顯看出：不論是高分組還是低分組，學習者在交互過程中都同樣缺乏深層次的討論交流，交互行為僅停留于低層級，交互質量都有待提高。但從兩組的行為序列差別也反映出：學習者的交互質量和效果會對其學習成績造成一定的影響。高分組學習者顯現出較高的積極性和主動性，在交互數量和層級上要明顯優于低分組，而低分組在交互過程中表現較為被動。

基于此，本研究得出如下結論：①學習者的整體交互水平大多停留在低水平階段，少數處于高水平階段，且有小部分無效交互存在;②高分組學習者的交互頻次要多于低分組，且交互質量要高于低分組;③高分組的交互行為序列為：KC1→KC2、KC2→KC3、KC3→KC2、KC3→KC3、KC4→KC4，低分組交互行為序列為：KC1→KC1;④學習者的交互效果可能對其學習成績有一定程度上的影響。

導致學習者交互質量低或影響交互質量的因素有很多，現根據本文對交互行為序列的分析以及所反映出的問題，結合對學習者發帖內容的理解和分析，對可能影響交互質量的因素大致分析如下：

1.學習者所發帖子只是為了完成任務或獲取經驗值，對于要討論的主題沒有經過深入思考。教師在藍墨云班課平臺上創建班課后，加入的每位學習者都可以通過完成任務獲取經驗值或通過發帖獲取教師獎勵的經驗值，且會根據經驗值的多少對學習成員進行排名，這可在一定程度上提高學習者的課堂參與度和積極性，但也會造成一些學習者為獲取經驗值而發表無意義或意義不大的帖子，影響交互質量。

2.很多學習者并沒有認真閱讀和思考其他成員的發言，導致對問題的討論交流沒有深層次的挖掘。通過分析發帖的內容可以看出很多學習者對其他帖子的處理大多僅處于瀏覽層面，很多帖子都沒有與其相對應的反饋與交流。

3.學習積極性不高、缺乏學習興趣。在統計的眾多主題中，學習者對其表現出明顯學習興趣與討論積極性的并不多。通過分析發現，可能是由于這些主題相對來說理論性太強以及對學習者而言比較陌生、難以理解或表達等。

4.在學習交互過程中可能存在部分學習者不愿意主動參與討論，更傾向于觀察、傾聽和接受。這和學習者本身的性格特征和學習風格有關，相對而言，較為活躍的學習者發帖量會更多，與其他學習者的交流也更頻繁。

5.學習者對在線學習的異步交流不熟練、經驗不足。該因素的存在對交互的影響較小，受此影響的學習者也比較少，且只在初步接觸平臺進行學習時容易發生。

六、建議

針對研究所得出的結果以及分析出的原因，本文提出五條建議，希望可以進一步改善交互質量，提升交互的成效性，提高學習者的交互參與度與積極性。

1.教師在對學習者所發表的言論進行經驗值獎勵時，要更加注重對積極性高、有深度思考以及交互的學習者的鼓勵，以激勵更多學習者進行思考和參與。

2.加強教師和優秀參與者在交互中的引導和調控作用。在學習交互過程中，教師的行為甚至積極參與交互的學習者行為都能作為引導，對整體交互產生重要影響，促使學習者縱向討論問題，進行深層次的思考交互，以提高交互質量。

3.教師可以根據不同的課程主題、教學內容或具體教學情境，設定不同的交互形式，進行個性化教學。在對學習者所發帖子進行提取整理時發現，大家對理論性較強、比較陌生或與大家認知距離較遠的問題進行討論時，大多數學習者討論興趣不高，所以對此類問題的設置可以從其他角度進行討論或增添具體情境，使其更具有貼合感和趣味性，教師也可以表現出更強的主導性。

4.教師要對學習者在學習交互過程中所發表的觀點、想法等信息作出及時的反饋，對學生的發言進行及時的引導和回應，并鼓勵學生主動提出問題，啟發和幫助學生理解問題，保證討論交流的正常進行;若學生的發言始終處于低階層時，可適當拋出問題引導學生深入思考。

5.對于比較內向、不擅交際和交流的學生，教師和其他學生應給予更多的幫助和肯定，盡可能地鼓勵其參與到課堂討論中。

參考文獻：

[1]中國政府網.CNNIC發布第47次《中國互聯網發展狀況統計報告》[EB/OL]. （2021-02-03）[2021-06-28].http：//www.gov.cn/ xinwen/2021-02/03/content_5584518.htm.

[2]陳憶金，卓林鍇，趙一鳴.學習類視頻彈幕用戶的交互行為研究[J].圖書館論壇，2021，41（9）：95-101，124.

[3]謝雷，陳麗.cMOOC學習者交互行為自評估分析研究[J].現代遠距離教育，2020（5）：62-67.

[4]唐文靜，張婧，覃夢媛，等.基于K-means的在線學習者不同信息交互模式的研究——以學堂在線“財務分析與決策”課程為例[J].開放學習研究，2020，25（6）：14-21.

[5]田麗麗，趙穎.基于社會網絡分析的學習者在線交互行為研究[J].軟件導刊，2018，17（4）：222-226.

[6]廖芷源，湯志康，李春英，等.社交化在線課程平臺學習者交互行為研究[J].計算機與數字工程，2020，48（12）：2881-2887， 2918.

[7]黃婷婷.學堂在線網絡課程的互動行為研究[J].教育現代化，2015（9）：97-101.

[8]劉冬.基于學習風格的在線學習交互行為研究[D].曲阜：曲阜師范大學，2009.

[9]李紫衣.在線學習中視頻交互行為的影響因素研究[D].南京：南京郵電大學，2020.

[10]ROURKE L， ANDERSON T， GARRISON D R， et al. Methodological issues in the context analysis of computer conference transcripts[J]. International Journal of Artificial Intelligence in Education， 2001，12：8-22.

[11]馬寧，杜蕾，張燕玲，等.群體知識圖譜建構對教師在線學習與交互的影響研究[J].電化教育研究，2021，42（2）：55-62.

[12]黃曉歡.基于社會臨場感和社會網絡的動態在線交互學習分析[D].昆明：云南師范大學，2018.

[13]GARRISON D R， ANDERSON T， ARCHER W. Critical thinking， cognitive presence， and computer conferencing in distance education[J]. American Journal of Distance Education，2001，15（1）：7-23.

[14]HENRI F. Computer conferencing and content analysis[J]. Collaborative Learning Through Computer Conferencing，1992，90（1）：117-136.

[15]GUNAWARDENA C N， LOWE C A， ANDERSON T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research， 1997，17（4）：397-431.

[16]梁云真，趙呈領，阮玉嬌，等.網絡學習空間中交互行為的實證研究——基于社會網絡分析的視角[J].中國電化教育，2016（7）：22-28.

[17]HOU H T. Exploring the behavioral patterns of learners in an educational massively multiple online role-playing game （MMORPG）[J]. Computers & Education， 2012，58（4）：1225-1233.

[18]POHL M， WALLNER G， KRIGLSTEIN S. Using lag-sequential analysis for understanding interaction sequences in visualizations[J]. International Journal of Human-Computer Studies， 2016，96：54-66.

[19]楊現民，王懷波，李冀紅.滯后序列分析法在學習行為分析中的應用[J].中國電化教育，2016（2）：17-23，32.

作者簡介：

張濤，河南科技學院信息工程學院講師，郵箱：slgzhangtao@163.com;

紀璐璐、劉兵倩、王晴，河南科技學院信息工程學院。

A Research on Learners’ Interactive Behavior on Online Learning Platform

Tao ZHANG， Lulu JI， Bingqian LIU， Qing WANG

（School of ?Information and engineering， Henan Institute of ?Science and Technology， Xinxiang Henan 453003）

Abstract： The research on carrying out efficient and deep-seated online asynchronous teaching interaction to improve teaching quality is still in an incomplete stage， although current online teaching and learning is mature and widely-practiced. The research on learners’ interactive behavior can enable us to have a deep understanding of teaching behavior， help us analyze and grasp learners’ cognitive behavior and knowledge construction behavior， and provide a strong guarantee to improve the quality of online teaching. This paper selects a course from the online learning platform， uses the interactive analysis modeling framework and lag sequence analysis technology to study the interactive behavior data of learners， and analyze learners with different grades. The research concluded that most interaction level of learners were at the low level stage. Meanwhile， the learners’ frequency of interaction at high group is higher than learners at low group， and the interaction quality is higher than learners at low group. Besides， high group and low group had significant behavior sequence and characteristics， and the interaction effect of learners had a certain impact on academic performance. Finally， the paper proposed five suggestions based on results.

Keywords： Online learning; Interactive analysis; IAM coding framework; Lag sequence analysis

編輯：李曉萍 ? 校對：王天鵬