面向混合式教學的學習行為數據采集與分析方案

張志遠

關鍵詞：混合式教學；學習行為；數據采集；行為分析；學習習慣

中圖分類號：TP399 文獻標識碼：A

文章編號：1009-3044（2023）14-0006-06

1 引言

混合式教學是傳統課堂教學與線上教學的有機結合，其顯著特征是基于網絡信息技術重構了教師與學生、課內與課外、學習與輔導之間的新型關系。隨著后疫情時代的到來，混合式教學模式必將成為教學新常態。信息技術的發展使得采集學生的學習行為數據更加便捷，因此結合不同課程特點，研究混合式教學過程中的學習行為數據采集和分析方法，挖掘學生學習規律，提高學生的學習效果非常有必要。

2 混合式教學數據采集

混合式教學是傳統課堂教學與線上教學兩種方式的有機結合。此外，實踐教學也是課程的重要組成部分。以下分別對傳統課堂教學、線上教學和實踐教學的數據采集現狀進行介紹，并提出了一個較為完整的數據采集方案。

2.1 傳統課堂教學數據采集

以學生個體為考查對象，傳統課堂教學數據采集一般包括出勤次數、回答問題次數、課堂測驗成績、作業成績、實驗成績、平時成績、期末成績、總評成績等。現代信息技術的發展使得針對課堂教學的音視頻分析成為可能，如基于人臉識別分析學生學習過程中的情緒和行為，包括興奮、茫然、無聊等，并統計各種情緒的人數分布；基于聲音分析判斷課堂互動的活躍情況[1]；基于行為分析識別課堂中的教與學，并進行S-T 教學行為分析[2-3]等。因此，課堂教學中的音視頻也是一種非常重要的數據采集對象。

2.2 線上教學數據采集

按學生與教師的參與程度，線上教學類型可分為以下幾種：既含學生自學也有老師講授的雨課堂，僅含課中教學環節的如騰訊會議，以及僅含課下自學的MOOC及課程網站等。

雨課堂是傳統課堂線上化的一種很好形式，能為教師教學提供全周期、全方位的教學數據分析，因此很多教師使用雨課堂進行數據采集和分析。翟偉芳等[4]基于雨課堂采集課前預習、課堂簽到、互動、測驗、課后作業、課堂反饋等數據。其中課前預習主要為觀看課件，包括預習開始時間、預習時長、觀看頁數、動作標記（某個知識點不懂等）、問題反饋等。課堂簽到主要為微信掃描二維碼進行簽到。課堂互動主要指投票和課堂測試，以及學生在彈幕上發送的文字信息等。課堂小測主要檢驗學生課前預習和課堂內容的掌握程度，包括每個學生的答題用時、正誤情況，以及全體同學的測驗正確率等。課后作業與課堂小測類似，主要包括作業開始時間、作業用時及完成情況（正誤及是否作答）。課堂反饋數據覆蓋整個教學環節中教師和學生通過雨課堂以文字內容為主進行的互動、答疑和交流。陳歡[5]使用雨課堂的預習、簽到、課堂小測、課后作業等環節對學生進行過程性評價，強調對學習全過程的主動參與和自我反思的能力培養。鄭珂暉等[1]對課前預習采用教師布置題目學生自己尋找預習資料的方法，包括查閱互聯網、參考書等，產生數據包括相關問題的資源鏈接，以及同學們針對該問題的討論內容，多為文本類型數據。

騰訊會議用于線上教學時一般僅使用其屏幕共享功能，教師通過操作自己的電腦將屏幕及聲音分享給學生。騰訊會議還具有簡單的文字互動功能，學生可以就不懂的問題使用文字進行提問，但一般情況下教師對問題會通過語音進行回復，因此更像是一種傳統課堂的線上化翻版。對于騰訊會議的數據采集主要包括出勤、師生互動（含聲音及文字）等。

很多學校建設了自己的智慧學習平臺，或者使用MOOC/SPOC作為輔助教學手段。這些網絡教學平臺的使用給學生學習行為的數據采集和分析帶來很大便利。楊蘊昊[6]認為學生的網絡學習行為數據采集應關注兩個方面：實際操作行為和知識內化過程。實際操作行為主要體現為學習網絡課程時的顯性操作，是其進行學習時的外部直接表現，可分為：媒體操作、記錄操作和共享操作三部分。其中媒體操作主要記錄視頻學習動作的行為數據，包括視頻快進、快退、拖動、暫停、靜音等動作以及視頻觀看時長。記錄操作主要指文本性質的瀏覽記錄，包括瀏覽的頁面、點擊的次數、訪問持續時間、學習動作順序等。共享操作主要指記錄離線下載資源，以及將某個學習頁面收藏到收藏夾中的內容與次數。知識內化過程主要指學習者進行知識加工理解的過程，可通過留言反饋、學習評價等行為進行數據采集與分析。其中留言反饋主要針對單個知識點或整門課程，分析收集到的討論、提問、解答、總結等文本信息。學習評價主要指針對視頻中的節點測試和知識點練習等記錄測試的正確率、測試用時、測試通過次數。

2.3 實踐教學數據采集

實踐教學是混合式教學的重要組成部分，可以強化學生對于理論基礎的理解，提高學生的實際動手能力。采集和分析學生的實踐學習數據，了解學生的實踐操作能力，是混合式教學數據采集的重要組成部分。不同于理論教學，實踐課程任務種類多樣，宜根據課程任務的特點制定不同的數據采集方案。謝暉等[7]基于虛擬仿真在線平臺按課前、課中、課后三部分采集學習行為數據，其中課前包括實驗前預習時長、實驗前預習次數、實驗前討論次數、完成課前任務次數、課前PPT預習時長、課前PPT 預習頁數、課前訪問學習網站次數、課前不懂問題提出數、課前不懂問題解決數等，課中包括虛擬仿真模塊操作時長、虛擬仿真模塊使用次數等，課后包括課后訪問學習網站次數、實驗后復習次數、完成課后任務次數、課后閱讀討論次數、課后平臺發帖次數、課后平臺回帖次數、課后在線測試次數、課后不懂問題提出數、課后不懂問題解決數等。另外他們還通過教務處收集先修相關課程成績數據，通過開課前進行問卷調查收集學習能力數據，內容包括成就動機、自我效能、元認知、成就歸因、個人秉性等。王雷等[8]針對操作系統課程實驗采集了學生的登錄次數、登錄時長、代碼提交次數和打開文件數等，發現實驗難度影響登錄次數和登錄時長，過難的實驗會造成很多同學有畏難情緒，進而導致實驗登錄次數和登錄時長減少，但優秀的同學針對難度大的實驗反而會花費更多的時間，表現為實驗登錄次數和登錄時長高于平均水平；另外學生登錄系統的日志總量能更好地反映其努力程度，從而區分了登錄次數多、時間長，但光發呆沒有實際動作的學生。

2.4 數據采集方案設計

針對一門課程，以學生個體為對象設計混合式教學的數據采集方案，包含采集內容、采集方式、采集頻率等，如表1所示。

3 混合式教學數據分析

數據采集的目的是分析學生的學習行為及其對學習效果的影響，從而改善教師的教學方法，為學生提供有針對性的指導。

學生的學習積極性與學習效果往往具有直接關系。孫笑微[9]針對基于SPOC教學模式的數據結構課程，重點采集和分析了學生的學習行為數據，包括登錄時段、登錄時長、視頻觀看時長、發帖討論、練習及測驗的準確率和通過率等。通過分析學生登錄時段的分布規律，以及不同性別及專業和登錄次數的關系，發現重修同學的登錄次數最少，且男生平均登錄次數少于女生。唐世星等[10]采集高等數學課程的線上教學平臺數據，設計了平臺登錄時長、平臺登錄頻次、資源學習時長、資源查看率、活動參與率、課堂簽到率、作業完成率、總結評價率共8個特征指標，并據此將學生分為三類：第一類學生主動性強，參與程度高，占比60%；第二類學生學習投入不足，但態度較好，簽到率高，占比24%；最后一類學生自我約束能力差，容易出現掛科，占比16%。張序等[11]基于MOOC平臺采集學生的學習行為數據，分析發現本科生在MOOC平臺的學習效果與學習主動性成正比。用教師布置學習任務到學生開始學習的天數度量學生的學習積極性，發現積極性高的同學完成全部學習內容的天數短，在論壇中參與互動交流的次數多，同時這部分同學的學習效果也是最好的。田華[12]采集課程論壇中發帖者和回復者的關系并構建了社會網絡，按中心度識別網絡中的核心成員，但未分析學習效果與參與程度的關系。王春霞[13]建議采集線上課程的視頻觀看、作業和互動討論等數據并對學生進行聚類，針對不同類型的學生采取不同的教學方法，做到因材施教。

除學習的積極主動性外，學生個人的學習能力也影響其最后的學習效果。謝暉等[7]對在線實驗課程以2周為一個采樣點分析數據變化情況，提出從學習能力（learning ability）、實操能力（practical ability）、理論知識掌握能力（master knowledge ability）、獨立思考能力（thinking ability）、獨立解決問題能力（solving abili?ty）五個核心維度進行量化評價。分析結果表明，及時獲得學習反饋能顯著提升學生各維度的學習效能。

學生的基礎能力，學習的積極性、主動性、獨立性、努力程度等均影響學習效果，另外針對學生個體刻畫其知識點掌握情況可以幫助他們發現自己的不足，進而做到查漏補缺，提高學習成績。本文以計算機科學與技術專業為例，從上述5個方面設計了混合式教學數據分析方案。

3.1 基礎能力分析方案

以計算機科學與技術專業為例，基礎能力分析方案包含入學基礎、數理基礎、信息素養和相關課程基礎4個方面，具體內容如表2所示，其中權重依據經驗或專家打分確定（下同）。針對基礎能力的分析包括以下幾個方面：

A1.1 入學基礎和數理基礎的相關性分析。進入大學后，相較于高中階段學校對學生的管理沒有那么嚴格，導致一部分自控力較弱的同學成績下滑嚴重，表現為入學排名靠前，但第一學年后排名急劇下降，尤其是數理基礎課程由于難度較大得分偏低。

A1.2 入學基礎和信息素養的相關性分析。很多同學在選擇專業時并不了解自己的興趣所在，大多尊重父母的意見，或選擇社會上的熱門專業，這就造成他們雖然入學排名靠前，但由于對專業不感興趣，缺乏計算思維，導致最基本的信息素養課程得分偏低。反而是那些轉專業的同學對自己的未來規劃非常明確，容易獲得較好的成績。

A1.3 學生基礎能力數據統計分析。分析全專業學生各子模塊的平均得分、中位數及離散程度等，繪制基礎能力綜合得分的散點圖并進行聚類分析；針對學生個體各子模塊得分，以專業平均得分為對比繪制雷達圖，分析學生個體基礎能力的短板。

A1.4 學生基礎能力與課程考核成績的相關性分析。針對全專業學生，分析基礎能力總得分以及各分項得分與課程考核成績的相關性。一般來講編程基礎差的同學專業課得分也不會太高，前序相關課程成績會直接影響后繼課程的學習。

3.2 學習積極性分析方案

積極性高的同學學習成績一般不會太差，這些同學對于教師布置的任務通常會在第一時間完成。擬從以下數據著手分析學生的學習積極性，具體內容如表2 所示。針對學習積極性的分析包括以下幾個方面：

A2.1 學習積極性數據統計分析。統計全專業學生課堂考勤及任務執行積極性的平均得分、中位數及離散程度等，繪制學習積極性得分直方圖；針對學生個體各子模塊得分，以專業平均得分為對比繪制雷達圖，分析學生個體學習積極性差異。

A2.2 課堂考勤與學習積極性的相關性分析。通常來講，積極性高的同學對待教師布置的任務都會第一時間去完成，他們一般會提前簽到/到達教室，而拖拉的同學則更容易遲到，對待教師布置的任務也是能拖就拖。

A2.3 學習積極性與課程考核成績的相關性分析。一般來講，學習積極性高的同學一般最后的考核成績都不會太差，當然最后成績還與其學習基礎和學習方法等有關。

3.3 學習主動性分析方案

學習主動性主要包含以下幾個方面：一是對教師布置的必選任務是否能夠按時完成；二是對于教師布置的選擇性任務是否也會有所執行；三是對于不懂的問題是否會主動請教老師及同學，或者通過網絡、圖書館等自主解決；四是主動參加競賽及科研項目等創新性任務情況，具體內容如表2所示。針對學習主動性的分析包括以下幾個方面：

A3.1 學習主動性數據統計分析。統計全專業學生必選任務與選擇性任務的主動完成情況，以及主動參與討論情況的平均得分、中位數及離散程度等，繪制學習主動性得分直方圖；針對學生個體各子模塊得分，以專業平均得分為對比繪制雷達圖，分析學生個體學習主動性差異。

A3.2 學習積極性與學習主動性的相關性分析。通常來講，積極性高的同學具有更高的主動性，他們會合理安排自己的時間，以保證任務能按時完成。學習積極性差的同學執行任務開始的時間晚，通常會拖到最后才能完成任務，或者出現任務不能及時完成的情況。是否參與討論一般與學生性格相關，外向的同學更喜歡提問和回答問題，容易從老師和其他同學的贊許中獲得滿足感，而內向的同學可能更喜歡自己思考，或通過網絡資源解決問題。

A3.3 學習主動性與課程考核成績的相關性分析。學習主動性高的同學，尤其是主動參與競賽或科研項目的同學通常都學有余力，實踐能力較強，一般最后的考核成績也會比較理想；主動參與課團活動的同學一般都性格比較外向，在人際交往方面能力較強，遇到問題可能更傾向于對外尋求幫助，因此這部分同學可能比較喜歡提問，但其學習成績會比較一般，不會特別高，但也不會特別差；主動性差并且不愛提問的同學學習成績通常會比較差，容易出現掛科現象，這部分同學的基礎一般情況下也不太樂觀，需要重點關注。

3.4 學習獨立性分析方案

學習獨立性主要包含以下幾個方面：一是對教師布置的任務是否獨立完成；二是對于問題是否有獨立自主的見解，具體內容如表2所示。針對學習獨立性的分析包括以下幾個方面：A4.1 學習獨立性界定分析。對于文本性任務如綜合性題目或實驗報告等，可通過檢測文檔雷同情況判斷是否獨立完成；對于客觀性任務如選擇題、填空題等可通過檢測錯誤是否高度一致判斷是否獨立完成；線上課堂提問若經過較長時間才能回答，則可能是通過私下渠道詢問其他同學后才給出的答案；線上討論中經常發表無實質性內容，如點贊、+1等可視為學習獨立性較差。

A4.2 學習獨立性數據統計分析。統計全專業學生任務完成獨立性情況，以及思考問題獨立性情況的平均得分、中位數及離散程度等，繪制學習獨立性得分直方圖；針對學生個體各子模塊得分，以專業平均得分為對比繪制雷達圖，分析學生個體學習獨立性差異。

A4.3 學習獨立性與積極性、主動性及學習成績的相關性分析。學習獨立性差的同學通常不具備自主學習的意愿或者能力，學習積極性差，不會主動完成任務，對必須完成的任務如測驗、作業等則經常抄襲。這部分同學的學習成績通常會很差，很可能出現不及格現象，需要及早發現苗頭，并及時干預。

3.5 學習努力程度分析方案

學習努力程度主要包含以下幾個方面：一是對理論環節的學習努力程度，包括對于重難點部分視頻及課件是否反復觀看，對允許多次提交的測驗或作業是否多次提交以獲得更高的分數等；二是對于實踐環節的學習努力程度，包括實驗投入時間長、實驗結果提交次數等，具體內容如表2所示。針對學習努力程度的分析包括以下幾個方面：

A5.1 學習努力程度統計分析。統計全專業學生理論及實踐兩個環節的學習努力程度的平均得分、中位數及離散程度等，繪制學習努力程度得分直方圖；針對學生個體各子模塊得分，以專業平均得分為對比繪制雷達圖，分析學生個體學習努力程度差異。

A5.2 學習積極性與努力程度的相關性分析。一般來講積極性高的同學會比較努力，但也不排除有部分同學一開始很積極，但由于基礎較差或個人原因遇到困難容易退縮的情況，抗挫性差，后期投入不夠。這部分同學通常對于基礎性的問題掌握尚可，但對于困難問題需要投入大量精力時往往表現不夠積極，最后成績一般，需要及早發現并給予鼓勵與指導。

A5.3 學習努力程度與積極性、主動性及學習成績的相關性分析。學習獨立性差的同學通常不具備自主學習的意愿或者能力，學習積極性差，不會主動完成任務，對必須完成的任務如測驗、作業等則經常抄襲。這部分同學的學習成績通常會很差，很可能出現不及格現象，需要及早發現苗頭，并及時干預。

3.6 學習習慣及學習成績分析方案

A6.1 學生學習習慣分析。基于前述學習基礎、積極性、主動性、獨立性、努力程度共5個方面刻畫學生的學習習慣，采用雷達圖刻畫專業平均分數，以及學生個體與平均分數的差異；學習習慣除與個人密切相關外，還受很多外界因素影響。例如新生剛入學時積極性較高，而到高年級后很多同學的積極性會逐漸消退，且會形成自己的固定模式；學生心性不太成熟，容易受到班風特別是同宿舍其他同學的影響，往往一個宿舍的同學要么都勤奮好學，要么都一起逃課、聚餐、打游戲等，這些都影響同學的學習習慣。以這5個方面為度量指標，對學生的學習習慣進行聚類分析，查看聚類結果與年級、班級、專業、性別、宿舍等分布的相關性。

A6.2 學習成績分析。基于前述學習基礎能力、積極性、主動性、獨立性、努力程度共5個方面分析學生的學習習慣和成績的相關性，并根據學習習慣的前期數據對學習成績進行預測；統計學習成績的分布情況：一般來講成績會呈正態分布，但對于部分課程會出現兩端高、中間低，兩極分化嚴重的情況，或者出現大面積不及格現象，這時就需要考慮課程考核難度與學生受眾之間的匹配程度問題；分析學生成績之間的連貫性情況，若學生未能很好地適應大學生活，會出現連續多門課程不及格的情況，而不管這些課程之間的聯系是否緊密；當然也有部分同學是基礎課程學得尚可，但由于對專業課不感興趣而轉專業又沒有成功，則會出現進入高年級專業課學習后成績一落千丈的情況。

4 結論

本文從傳統課堂教學、線上教學及實踐教學三方面總結了與學習行為數據采集相關的文獻，在此基礎上設計了一個較全面的面向混合式教學的學習行為數據采集方案，包括采集內容、方式和頻率等。為進一步刻畫學生的學習習慣，提出了從基礎能力、學習積極性、學習主動性、學習獨立性、學習努力程度5個方面著手的數據分析方案，最后對分析學習習慣與學習成績之間的關系提供了建議。后續會以此方案為藍本，做好學生學習行為數據的采集與分析工作，為提高教學質量提供幫助。