融合數(shù)據(jù)驅(qū)動生成在線學(xué)習(xí)迷航模型的構(gòu)建及驗證

張 曄

（南京科技職業(yè)學(xué)院 江蘇南京 210044）

1 引言

隨著教育改革的不斷深入和教育信息化的持續(xù)推進(jìn)，在線學(xué)習(xí)能夠幫助學(xué)習(xí)者實現(xiàn)溝通交流和資源共享，它已經(jīng)成為變革“教”與“學(xué)”模式的重要實踐形態(tài)。 然而，因在線學(xué)習(xí)資源泛濫、師生互動缺乏和導(dǎo)航設(shè)計不良等問題，學(xué)習(xí)者很容易陷入學(xué)習(xí)迷航。 如何診斷和干預(yù)學(xué)習(xí)迷航成為亟待解決的問題，隨著大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，融合數(shù)據(jù)生成的迷航狀態(tài)分析方法為解決在線學(xué)習(xí)迷航提供了新思路。

2 文獻(xiàn)綜述

2.1 核心概念及界定

1）在線學(xué)習(xí)

在線學(xué)習(xí)（Online Learning）是由電子通信技術(shù)、網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)等核心互聯(lián)技術(shù)衍生出來的一種重要遠(yuǎn)程實踐形式［1］。 在線學(xué)習(xí)的開放性、靈活性、互動性、均等性、協(xié)作性、個性化、自主性等特點，使我們在充分滿足不同學(xué)習(xí)者個性化需求的同時，不再受時空、管理、資源等方面對傳統(tǒng)課堂教學(xué)的限制，有效地提高了學(xué)習(xí)效果。

2）數(shù)據(jù)驅(qū)動

數(shù)據(jù)驅(qū)動的概念隨著大數(shù)據(jù)的興起受到廣泛關(guān)注和頻繁使用，被解釋為通過移動互聯(lián)網(wǎng)或者其他平臺軟件采集海量的數(shù)據(jù)，然后將數(shù)據(jù)轉(zhuǎn)化為信息，再經(jīng)過一系列過程，將相關(guān)信息進(jìn)行整合、提煉、自動擬合為一個有效的決策模型。 有效的數(shù)據(jù)驅(qū)動機制能夠?qū)崿F(xiàn)在線學(xué)習(xí)中隱性知識顯性化，顯性知識結(jié)構(gòu)化，可以為教育診斷與決策提供相應(yīng)指導(dǎo)。

3）學(xué)習(xí)迷航

學(xué)習(xí)者在學(xué)習(xí)過程中陷入的一種類似船舶、飛機迷失航向的負(fù)面學(xué)習(xí)狀態(tài)。 處于學(xué)習(xí)迷航的學(xué)習(xí)者無法辨識自身遇到的學(xué)習(xí)問題，無法選取學(xué)習(xí)資源完成學(xué)習(xí)任務(wù)，而是處于一種漫游、困惑、挫折狀態(tài)，不能及時解決問題，學(xué)習(xí)成績和效率都會受到影響。

在線學(xué)習(xí)過程中，由于師生間的“空間分離”和網(wǎng)絡(luò)學(xué)習(xí)環(huán)境的復(fù)雜性，容易存在教師情感激勵與學(xué)習(xí)指導(dǎo)不足［2］、同伴交流互動匱乏和網(wǎng)絡(luò)資源泛濫且質(zhì)量不均衡等問題［3］，既提高了學(xué)習(xí)者發(fā)生學(xué)習(xí)迷航的概率也容易阻礙他們的學(xué)習(xí)進(jìn)展。

2.2 學(xué)習(xí)分析模型研究現(xiàn)狀

2011 年，學(xué)習(xí)分析與知識國際會議（The Inter?national Conference on Learning Analytics and Knowl?edge， LAK）定義學(xué)習(xí)分析為“對學(xué)習(xí)者及其學(xué)習(xí)情境的數(shù)據(jù)進(jìn)行測量、收集、分析和報告，進(jìn)而了解和優(yōu)化學(xué)習(xí)和學(xué)習(xí)發(fā)生的情境的一種應(yīng)用”［5］。

Brown［6］和Siemens［7］教授都是學(xué)習(xí)分析領(lǐng)域的專家，他們依據(jù)學(xué)習(xí)分析內(nèi)涵提出了線性學(xué)習(xí)過程分析模型，如圖1 所示。 基于模型明確的基本要素，重塑學(xué)習(xí)分析結(jié)構(gòu)和線性實施流程。 交互網(wǎng)狀學(xué)習(xí)分析模型、多因素學(xué)習(xí)分析模型、反饋環(huán)狀學(xué)習(xí)分析模型等幾類代表性模型在后續(xù)學(xué)習(xí)分析領(lǐng)域的研究過程中逐步形成。

反饋環(huán)狀學(xué)習(xí)分析模型的代表人物有加拿大阿塞巴斯卡大學(xué)的Elias 等，該模型提出了持續(xù)改進(jìn)環(huán)模型，如圖2 所示，其基礎(chǔ)是學(xué)習(xí)分析和數(shù)據(jù)分析五步法、知識管理框架等。 機構(gòu)、人力、計算機和理論等技術(shù)資源價值都是該模型所著重強調(diào)的，并通過選擇、收集、聚合、預(yù)測、優(yōu)化、使用、分享等循環(huán)實現(xiàn)數(shù)據(jù)采集、數(shù)據(jù)處理和結(jié)果應(yīng)用的過程。技術(shù)資源推動“教”與“學(xué)”效果的不斷提高，使三個循環(huán)階段處于持續(xù)發(fā)展中，體現(xiàn)了學(xué)習(xí)分析過程的動態(tài)循環(huán)特性。

圖2 Elias 的持續(xù)改進(jìn)環(huán)模型

3 模型設(shè)計

3.1 數(shù)據(jù)驅(qū)動下在線學(xué)習(xí)迷航模型架構(gòu)

在線學(xué)習(xí)的核心是學(xué)習(xí)者個人訴求，借助互聯(lián)網(wǎng)絡(luò)技術(shù)為學(xué)習(xí)過程提供方便快捷的支持服務(wù)［8］。 離開教師管控下的學(xué)習(xí)過程容易受不同多維因素的影響，比如個體、環(huán)境等都會導(dǎo)致學(xué)習(xí)者陷入在線學(xué)習(xí)迷航狀態(tài)。

在線學(xué)習(xí)迷航診斷過程是基于數(shù)據(jù)分析方法，依據(jù)迷航診斷指標(biāo)，嘗試?yán)脤W(xué)習(xí)平臺充分提取在線學(xué)習(xí)者的相關(guān)行為數(shù)據(jù)和特征，對大量繁雜冗余的原始數(shù)據(jù)進(jìn)行清洗整理，并借助機器學(xué)習(xí)中的XGBoost 分類算法分析得出學(xué)習(xí)者行為特征去支撐在線學(xué)習(xí)迷航診斷，構(gòu)建迷航狀態(tài)檢測器，為幫助學(xué)習(xí)者擺脫學(xué)習(xí)迷航奠定數(shù)據(jù)基礎(chǔ)，精準(zhǔn)識別迷航狀態(tài)，提供個性化服務(wù)。

結(jié)合Siemens 的學(xué)習(xí)分析過程模型和Elias 的持續(xù)改進(jìn)環(huán)模型，嘗試構(gòu)建數(shù)據(jù)驅(qū)動下的在線學(xué)習(xí)迷航診斷模型。

3.2 基于XGBoost 算法的在線學(xué)習(xí)迷航診斷原理

1）XGBoost 算法

研究借助機器學(xué)習(xí)XGBoost 算法實現(xiàn)精準(zhǔn)識別迷航狀態(tài)，構(gòu)建迷航狀態(tài)檢測器，學(xué)習(xí)迷航狀態(tài)檢測器的核心功能基于XGBoost 算法的狀態(tài)分類能力［9］，從而在學(xué)習(xí)狀態(tài)中將迷航狀態(tài)識別出來。

XGBoost 算法是保留了GBDT 中的一些優(yōu)點，又在GBDT 算法基礎(chǔ)上改進(jìn)而來的，如：集成了多個弱分類器，使用了健壯的損失函數(shù)，異常值具有非常強的魯棒性（穩(wěn)定性）等；XGBoost 算法與GB?DT 相比，由于GBDT 只涉及損失函數(shù)優(yōu)化時的一階導(dǎo)數(shù)，而XGBoost 可以針對損失函數(shù)展開二階泰勒公式，因此損失函數(shù)更加精確和精確；同時，在避免模型過擬合的同時，對損失函數(shù)和模型復(fù)雜度進(jìn)行權(quán)衡，XGBoost 算法還增加了正則項控制模型的復(fù)雜度。

2）XGBoost 算法在線學(xué)習(xí)迷航診斷流程

XGBoost 算法的實質(zhì)模型是將多個弱分類器集合在一起。 對在線學(xué)習(xí)迷航狀態(tài)診斷的模型為：

診斷模型中的x是第i條的學(xué)習(xí)行為與特征，用來預(yù)測第xi處學(xué)習(xí)狀態(tài)的結(jié)果，K 表示集成弱學(xué)習(xí)器的總數(shù)，意思是由K 棵樹集成的模型；fk是第k棵樹。 因此，基于XGBoost 的在線學(xué)習(xí)迷航診斷模型中的損失是：

損失也是預(yù)測模型的誤差，ζ 是真實值與度量的預(yù)測值之間的差距，其中yi是在線學(xué)習(xí)者的實際真實學(xué)習(xí)狀態(tài)，則是通過診斷模型預(yù)測預(yù)估的學(xué)習(xí)狀態(tài)，L（yi，）則用來記錄在xi處出現(xiàn)的錯誤估計學(xué)習(xí)狀態(tài)的情形情況。 Ω（fk）表示樹的復(fù)雜度，它是正則項，用來懲罰模型復(fù)雜程度。 懲罰項對損失函數(shù)起到了補充調(diào)節(jié)和約束的作用，因此將也就是K 棵樹的復(fù)雜度的和添加至目標(biāo)函數(shù)中，就可以避免模型的過度擬合。

4 實驗過程

4.1 數(shù)據(jù)采集

研究收集了在線開放課程平臺中《市場調(diào)查與分析》課程的服務(wù)器日志記錄，其中包含了192名在線學(xué)習(xí)者的基本信息、文本學(xué)習(xí)、視頻學(xué)習(xí)以及在其他相關(guān)的學(xué)習(xí)行為數(shù)據(jù)和列表，總計3770條原始數(shù)據(jù)。 每次在線學(xué)習(xí)完成后，都要求學(xué)習(xí)者進(jìn)行在線填寫內(nèi)容、提交在線調(diào)查問卷，在線學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)如表1 所示，形成匯總為各項在線學(xué)習(xí)行為特征的指標(biāo)。

表1 在線學(xué)習(xí)行為數(shù)據(jù)源

基于韋伯分析量表，設(shè)計了在線學(xué)習(xí)狀態(tài)的調(diào)查問卷以獲取學(xué)習(xí)者每次學(xué)習(xí)行為所對應(yīng)的學(xué)習(xí)狀態(tài)和學(xué)習(xí)結(jié)果，劃分了正常狀態(tài)、信息迷航和思維迷航三個維度，每個維度上分別設(shè)計了5 道題，共15 題。 基于Likert 的五點量表設(shè)計問卷選項，1至5 分別表示“完全不認(rèn)同”，“不認(rèn)同”，“不確定”，“認(rèn)同”，“完全認(rèn)同”。 為了驗證問卷的可靠性和有效性，利用SPSS 軟件進(jìn)行問卷信效度分析，Cronbach’s α 系數(shù)系數(shù)為0.803， Cronbach’sα系數(shù)在各個維度分別為0.776、0.770 和0.831；調(diào)查問卷的KMO 值為0.866，Bartlett 球形檢驗Sig 值為0.000，數(shù)據(jù)顯示該問卷具有較好的信度和效度。

將3770 條學(xué)習(xí)記錄進(jìn)行整理匯總，作為在線學(xué)習(xí)者的學(xué)習(xí)狀態(tài)數(shù)據(jù)集，數(shù)據(jù)集在經(jīng)過處理后作為在線學(xué)習(xí)迷航狀態(tài)檢測器的數(shù)據(jù)支撐。

4.2 實驗準(zhǔn)備

實驗抽取了市場營銷專業(yè)大一學(xué)生72 名在線學(xué)習(xí)者作為研究對象。 在開展實驗調(diào)查前，大部分學(xué)習(xí)者已經(jīng)掌握了《市場調(diào)查與分析》中的一部分課程知識，也能夠試著回答簡單問題。 根據(jù)實驗調(diào)查的科學(xué)性原則，根據(jù)調(diào)查對象知識水平前測結(jié)果，平均地將72 名在線學(xué)習(xí)者分為實驗組和對照組，分別稱為A 組36 人和B 組36 人，用來保證實驗組和對照組中的學(xué)習(xí)者他們初始知識水平和能力盡量保持大體一致。

接下來，通過對兩組成員學(xué)習(xí)迷航程度的前測試結(jié)果進(jìn)行獨立樣本T 檢驗來完成測試，實驗組和對照組學(xué)習(xí)者的初始在線學(xué)習(xí)迷航程度是否一致也有待進(jìn)一步驗證，結(jié)果見表2。

表2 實驗組和對照組學(xué)習(xí)者迷航程度前測結(jié)果獨立樣本t 檢驗

t 檢驗結(jié)果顯示，萊文方差等同性檢驗p ＝0.167＞0.05 實驗組和對照組的方差并無顯著差異，Sig.值（雙側(cè)） p ＝0.576＞0.05）學(xué)習(xí)者在線學(xué)習(xí)的迷航程度也無明顯差異。

因此得出根據(jù)知識水平進(jìn)行平均分組之后，實驗組與對照組兩組學(xué)習(xí)者在線學(xué)習(xí)的迷航程度也趨于一致，是可以繼續(xù)開展后續(xù)迷航程度的相關(guān)調(diào)查的。

4.3 實驗過程

緩解學(xué)習(xí)者在線學(xué)習(xí)的迷航程度和提升學(xué)習(xí)者的學(xué)習(xí)效率效果是本次應(yīng)用迷航診斷模型的實驗主要目的。 在互聯(lián)網(wǎng)學(xué)習(xí)迷航診斷系統(tǒng)的技術(shù)支持下，開展實驗，實驗過程如圖4 所示。

圖4 實驗過程

實驗共開展8 周，分為一、二兩個階段。 在階段一，實驗組和對照組的學(xué)習(xí)者都在網(wǎng)絡(luò)學(xué)習(xí)平臺進(jìn)行3 周學(xué)習(xí)，以此來驗證在未使用學(xué)習(xí)迷航診斷系統(tǒng)的情境下，對照組與實驗組他們的知識水平和迷航程度是否還能保持一致；在階段二，我們將開展5 周學(xué)習(xí)，實驗組A 組學(xué)習(xí)者將使用帶有學(xué)習(xí)迷航診斷系統(tǒng)的平臺，對照組B 組學(xué)習(xí)者仍然使用之前的在線學(xué)習(xí)平臺，主要是用來驗證使用了學(xué)習(xí)迷航診斷系統(tǒng)的平臺是否能夠減輕在線學(xué)習(xí)迷航程度和提升學(xué)習(xí)者學(xué)習(xí)效率與成績。 需要注意的是，8 周的實驗，要進(jìn)行三次知識水平測試來觀察學(xué)習(xí)者們知識水平的變化，其次，每周還應(yīng)測量在線學(xué)習(xí)迷航程度，分析實驗組和對照組在線學(xué)習(xí)迷航程度的變化。

5 實驗結(jié)果與分析

5.1 實驗組與對照組的學(xué)習(xí)狀態(tài)分布情況

兩組學(xué)習(xí)者在線學(xué)習(xí)時的學(xué)習(xí)狀態(tài)分布情況以及學(xué)習(xí)狀態(tài)分布的變化情況都是通過XGBoost 算法進(jìn)行診斷，分析在線學(xué)習(xí)過程中產(chǎn)生的行為數(shù)據(jù)。

圖5 所示，在第一階段（1－3 周） 實驗組中的各維度人數(shù)占比沒有明顯變化，表示一般的在線平臺學(xué)習(xí)不會影響學(xué)習(xí)者迷航狀態(tài)；在第二階段（4－8 周），當(dāng)實驗組開始利用帶有迷航系統(tǒng)的在線學(xué)習(xí)平臺后，正常狀態(tài)學(xué)習(xí)者的比例有了明顯增加，信息迷航和思維迷航的人數(shù)比例顯著減少。

圖5 實驗組學(xué)習(xí)者學(xué)習(xí)狀態(tài)分布情況圖

通過圖6 可以看出，在實驗的第二階段開始后，在線學(xué)習(xí)迷航診斷系統(tǒng)發(fā)揮了一定的干預(yù)作用，實驗組學(xué)習(xí)狀態(tài)分布變化顯著。

圖6 實驗組學(xué)習(xí)者學(xué)習(xí)狀態(tài)分布情況圖

5.2 在線學(xué)習(xí)迷航程度變化情況

在實驗過程中，每周還應(yīng)測量在線學(xué)習(xí)迷航程度，測量結(jié)果生成兩組學(xué)習(xí)者迷航程度的變化折線圖，可以直接觀察迷航程度的變化情況，如圖7 所示。

圖7 迷航程度變化情況

由圖7－（a）可知，實驗組與對比組在1－3 周的學(xué)習(xí)迷航程度總體上并無明顯差異，但實驗組在4－8 周的實驗開始后，學(xué)習(xí)者進(jìn)入帶有在線學(xué)習(xí)迷航診斷系統(tǒng)的平臺學(xué)習(xí)，迷航程度明顯低于對照組，且效果相對顯著。 圖7－（b）和圖7－（c）的結(jié)果顯示，實驗組的信息迷航和思維迷航的程度都有較大緩解，對照組則幾乎沒有變化。

5.3 學(xué)習(xí)成績比較分析

1）實驗組和對照組中測成績分析

成績反映對知識的掌握情況，研究分別在實驗前、第一階段結(jié)束時、第二階段結(jié)束時進(jìn)行，對學(xué)習(xí)者進(jìn)行了前測、中測和后測。 兩組學(xué)習(xí)者的知識水平在前測時并沒有太大差異，因此僅對中測和后測成績展開分析。

對中測成績做獨立樣本t 檢驗，判斷兩組的知識水平是否在未用系統(tǒng)前保持一致，表3 結(jié)果顯示兩組的中測結(jié)果（p ＝0.671＞0.05）無明顯差異。

表3 實驗組和對照組的中測成績獨立樣本t 檢驗

2）實驗組和對照組后測成績分析

采用協(xié)方差對兩組學(xué)生后測成績進(jìn)行分析，協(xié)變量設(shè)為中測成績，因變量設(shè)為后測成績，組別為固定因子，經(jīng)過調(diào)整，表4 結(jié)果說明實驗組和對照組的成績均值相差6.66，成績存在明顯差異（p ＝0.016＜0.05），數(shù)據(jù)表明實驗組的學(xué)習(xí)者在使用在線學(xué)習(xí)迷航診斷系統(tǒng)后，學(xué)習(xí)成績比對照組學(xué)習(xí)者有著明顯提高。

表4 實驗組和對照組的后測成績差異

6 結(jié)語

以在線學(xué)習(xí)迷航模型的有效落地作為研究目的，設(shè)計迷航診斷系統(tǒng)，通過應(yīng)用效果分析，說明在線學(xué)習(xí)迷航診斷系統(tǒng)確實能夠有效降低學(xué)習(xí)者的迷航程度，提升學(xué)習(xí)者的學(xué)習(xí)效率、成績和效用，表明在線學(xué)習(xí)迷航模型在實際應(yīng)用中的可行性和有效性。