基于二維象限分析的大學生在線學習行為研究

蔡旻君　唐睿　魏鈺

[摘? ?要] 在線學習環境下學生的全景式行為表現反映著學生的真實學習投入狀況，進而折射出線上教學的質量。研究中以混合學習環境下的SPOC實踐為例，從在線學習行為的內隱性和外顯性特征兩個維度構建學習行為分析的象限圖，試圖對學習者的在線學習投入表現、學習效果以及內隱性和外顯性交互影響作用的異同進行較全面的分析。研究發現：（1）在學習投入水平上，作業類學習任務達到較高的行為投入，而自主選擇類的行為投入較低。（2）在線學習投入的學習效果上，全面投入類行為的學習效果要優于主動投入類行為和被動投入類行為的學習效果；而主動投入類行為和自我管理類行為的學習效果又要優于規律投入類行為和績效投入類行為。（3）從學習行為內隱性與外顯性交互影響的作用來看，當行為內隱性和外顯性都呈現為高投入時，學習效果與行為投入趨于一致；當行為內隱性和外顯性高低投入不一致時，學習效果并不理想。

[關鍵詞] 在線學習行為； 學習投入； 百分等級量表； Rasch模型； 二維象限

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 蔡旻君（1973—），男，甘肅寧縣人。副教授，博士，主要從事學習科學與技術、課程設計與評價研究。E-mail：caimj916@126.com。

一、引? ?言

隨著在線教育機構的快速崛起，有關在線學習投入的研究也在持續不斷的推進中，針對學習者的在線學習投入分析從傳統的自我報告轉向學習過程伴隨信息采集成為一種歷史的必然。其中，對學習行為數據的挖掘與分析是當前在線學習投入研究的一個重要領域。學習投入集中表現為學習時間和過程的付出，一度成為學習質量的代名詞。諸多研究結果也已表明，學生的在線學習行為對未來學習結果有積極的正向影響，如Pascarella等通過國外的許多研究發展就證明了學生的學習參與程度將對學習收獲產生正向影響[1]。因此，分析在線學習行為數據將有助于揭示在線學習過程與結果質量之間的復雜關系，進而對在線學習資源建設及教學指導產生重要的作用。當前在線學習行為分析面臨伴隨性數據采集、動態趨勢呈現及多維關系表征等方面的挑戰，國內外眾多研究人員已圍繞上述內容展開不同程度的研究。

本研究以在線學習行為數據為基礎來分析學生的真實在線學習情況，主要基于以下三方面的考慮：一是當前在線學習者的學習投入研究資料主要來源于行為數據，學習投入的重心還是在行為層面，認知和情感層面的數據獲取只停留在實驗室層面，還未能從多模態層面大規劃采集學習者的在線平臺數據信息，更多只是依賴于自我報告收集行為、認知和情感方面的信息。二是當前也有很多研究是從淺層（外顯）行為或深層（內隱）行為對學習者學習投入展開研究，但其在缺乏研究證據的支持下就假設深層行為對學習效果影響更大，而淺層行為對學習效果的影響不大，這種經驗性的推理掩蓋了學習投入行為與學習效果之間的錯綜復雜關系，其教學評估應用的結果難免有偏差。三是象限圖方法的創新應用將有助于考慮學習者的在線學習行為、認知和情感等方面的綜合表現，不僅有頻率性投入數據，也有實質性投入數據支持，為全面掌握學習者的在線學習投入狀況提供比較完整的分類視角。

二、研究設計

行為科學理論認為，行為是個體通過與環境交互而完成任務或實現目標的活動。當前眾多學者關注的主要是活動的外顯行為，因為大家認為行為有意義并且可靠的、不可缺少的重要標準就是可觀察和可測量。可觀察是指能夠被他人看到，可測量是指可以通過時間或頻次等方式進行數量化表達[2]。學習行為不僅存在各種外在表現形式，也反映著不同學習者的心理狀態。行為治療理論把行為分為內隱和外顯兩種，其中內隱行為包括思想、想象、感覺和情緒等。該理論認為，外顯行為和內隱行為同出一源，處于同一連續體上，兩者的重要性是相同的。外顯行為可以轉化為內隱行為，進而影響內隱行為；反過來，內隱行為也可影響外顯行為，兩者之間具有交互作用。內隱行為和外顯行為一樣受學習原理特別是操作條件作用原理的支配，其交互作用也遵循同樣的規律。行為科學理論對在線學習的實踐研究產生了很大影響，劉中宇等人提出，在線學習中要根據學習者的性格特征和需求對網絡教學資源、工具和環境進行設計，充分激發、調動和控制學習行為，促進學習目標的達成[3]。本研究將在線學習行為從外顯性和內隱性兩個維度進行分析，以此為考查切入點，將有助于從點、線、面三級立體化分析學習者的在線學習行為狀況及其對學習結果的影響關系，為進一步揭示在線學習投入機制提供有效的證據支持。

（一）數據來源

在線學習行為發生的種類與學習管理平臺的功能支持有著密切關系，學習者在平臺中的任何操作類型都不會超出平臺允許的范圍。已有學習行為數據收集中，也有學者提出從發生模塊（Module）和行為動作（Action）兩個維度提取行為數據。本研究中，結合“智慧樹”平臺特點和已有研究的啟發，將在線學習行為種類的窮盡限定在學習平臺提供模塊（作業、文檔資料、測驗和課程視頻等）與平臺允許操作（創建、瀏覽/下載、修改和刪除）的組合中。但在實際教學使用中，因管理員設置和課程需求的不同，在具體模塊中可能存在差異，這里給出的是允許發生行為的全部集合，包括學生的登錄行為。

（二）方法設計

當前有關在線學習行為的研究主要集中在點式和線性方法應用上，而采用面上方法開展的研究則很少。本研究主要采用點式、線性和面上方法相結合的思路，首先從線上學習行為的直觀分類入手，再把不同學習行為表現放置在學習績效這一線性量尺上，最后通過行為的顯性特征和內隱特征“兩維”與時間量上的多寡“兩極”構建起在線學習投入分析的平面，從而實現全面系統地分析學習行為水平、效果以及內外特征交互影響關系的目的。

1. 學習行為投入水平研究

本研究獲取學生智慧樹平臺上的記錄日志進行分析，主要針對其登錄（A）、文檔資料（B）、作業（主觀題C）、測驗（D）、課程視頻（E）這五類常見可測量的行為模塊進行內外行為分類，對每一類行為發生模塊上的學習行為表現進行特征描述，以達到學習行為分類的目的。因為這五個模塊是學生最常見的在線學習行為，既包含學生完成課程必需的行為，也包含能體現差異性的行為。研究中將在線學習行為分為外顯性與內隱性，既要保證外顯性與內隱性所表現的行為之間的差異，又要秉持外顯性與內隱性同出一源，以便深入探究兩者間的關系。在具體確定行為表現時，根據現有平臺數據進行針對性劃分，即每種行為都存在其獨特的外顯性和內隱性。由于前期分類中發現每一類學習行為模塊不只是存在一種行為表現形式，而不同的行為形式也都有各自的表現特征。此處將前期學習行為投入評價指標中的行為表現分別予以“字母+數字”形式表示。如登錄（A）這一類行為模塊，既可以是一種表現時長的行為（A1），也可以是一種表現為頻次的行為（A2），然后將登錄總時長與登錄總次數等外顯行為特征分別用A1-1和A2-1等來表示，行為的內隱性特征則分別用A1-2和A2-2等來表示。

從平臺獲取學生的相關學習行為數據之后，在前期分類的基礎上，分別建立每一類行為外顯性的百分等級量表和內隱性的百分等級量表。這樣，針對每一位學生的學習行為投入狀況就可以計算出其在學生群體中所處的位置。此處得出的百分等級位數只是單純的描述性結果，其數量大小對其學習結果的影響作用還需要進一步推斷分析。

2. 學習行為投入效果研究

從線性研究來看，為了解某一課程學習中學生所有學習行為的投入效度，并不是單純依賴頻次進行高低排序，而是依據其與學生能力的關系進行排列，Rasch模型應用中賴特圖就能直觀呈現其排列結果。根據Rasch模型分析原理，特定的個體對特定的項目作出特定反應的概率可以用個體能力與該項目難度的一個簡單函數來表示，個體回答某一項目正確與否完全取決于個體能力和項目難度之間的比較[4]。它可以同時估計項目難度和個體能力，是包含學生能力水平和項目難度層面的雙面模型。通過賴特圖可直觀地獲取學生群體中不同學生的學習行為投入信息，越往上表明學習投入的有效程度越高，越往下表明學習投入的有效程度越低。同時，為進一步了解學生在某一具體學習行為的投入狀況，可以通過Rasch模型中的孩子圖（KID MAP）粗略顯示其高低水平。

在百分等級量表分類的基礎上，根據建立的外顯、內隱行為的百分等級位數，將學習行為投入強度大于等于50所對應的外顯、內隱學習行為定為“1”，學習行為投入強度小于50所對應的外顯、內隱學習行為定為“0”，將其與學生的學習成績作關聯。隨后將數據輸入單維Rasch模型軟件Winsteps，用該軟件分析不同外顯學習行為與學生學習成績關系的賴特圖，越是處于上部的學習行為代表學生的能力越強，也即這些行為對學生的學習成績影響越大。

3. 學習行為特性交互影響研究

將學習行為序列按其外顯性和內隱性兩個方面進行分類后，可以借助二維象限圖將學習行為分為高低組合的四種類型，分別處于四個象限中，完成基于“面”上方法的在線學習行為研究。此處二維象限中把外顯行為表現作為X軸，內隱行為表現作為Y軸，再在象限中畫均等的兩條線呈“十”字狀，將二維象限劃分為A、B、C、D四個象限（如圖1所示）。象限A為高投入區，即高外顯性—高內隱性的投入區域；象限B為潛在投入區，即低外顯性—高內隱性的投入區域；象限D為中投入區，即高外顯性—低內隱性的投入區域；象限C為低投入區，即低外顯性—低內隱性的投入區域。

前期在線性表現中通過單維Rasch分析，分別確定了外顯行為和內隱行為對學生學習成績的影響之后，再通過多維Rasch分析來判斷外顯行為和內隱行為共同影響下與學習成績的關系，進而確定實質性投入與頻次性學習投入是否一致。同時，也可以運用多維Rasch模型深入探究外顯行為、內隱行為與學習結果三者之間的關系。

三、在線學習行為分析結果呈現

（一）學習行為投入水平

1. 外顯學習行為投入水平

通過前期百分等級量表的制定，同時獲取了全體學生的行為投入強度結果。發現在外顯行為投入中，“登錄總次數”“作業提交總次數”“單元測驗完成平均分數”“視頻平均觀看進度”這四種行為投入水平相對較高，“登錄總時長”“文檔瀏覽總時長”“文檔瀏覽總次數”“單元測驗總完成次數”這四種行為投入水平相對較低，說明學生迫于制度壓力，對于教師布置的測驗、課程視頻和作業等學習任務投入的時間精力較多，而對于文檔瀏覽等自我決定的學習任務參與積極性程度不高。

2. 內隱學習行為投入水平

從內隱性行為的投入來看，“有效瀏覽文檔次數”“作業超時提交次數”“單元測驗結果平均增長分數”“完成期末測驗與單元測驗的相對時長差”這四種行為投入的強度相對較高，“每周平均登錄時長”“平均登錄間隔”“作業完成平均相似度”“單個測驗最高答題次數”這四種行為投入水平相對較低，說明學生對于在線學習中任務導向的單元測驗、作業提交等模塊重視程度高，而在質量導向的學習規律性和作業檢查頻次方面則表現一般。

3. 學習外顯行為與內隱行為投入水平的組合分析

進一步通過二維象限分類將外顯學習行為投入和內隱學習行為投入簡單組合，分別描繪出每一類學習行為分布的趨勢藍圖，以此得出所有學生外顯行為與內隱行為相結合的在線學習行為投入強度。以學生登錄頻次類學習行為投入水平為例，將37名學生的外顯行為登錄總次數與內隱行為平均登錄間隔的投入強度一起放入表中，再借助二維象限將投入強度（百分位數）大于50的行為置于高頻次投入，投入強度低于50的行為置于低頻次投入，可得出登錄頻次類的學習行為投入分布圖（如圖2所示）。由圖2可直觀看出，學生的登錄頻次類學習行為中只有極少數學生處于高內隱、低外顯的區域（象限B），而象限A（高內隱、高外顯行為）和象限C（低內隱、低外顯行為）的情況比較接近，更多學生還是處于象限D的區域中。這一情況表明，學生的頻率性投入較高，但受情感因素影響的實質性投入較低，即針對某一學習行為投入，學生的外顯性行為表現和內隱性行為表現有很大的出入，其表現水平并不一致。

（二）學習行為投入效果

1. 外顯學習行為水平與學業成績

由圖3可知，外顯行為投入學生較易達到。通過對外顯學習行為投入有效性數據的分析，發現單元測驗完成總次數（D2-1）和登錄總時長（A1-1）是最難達到的行為，共有12名學生完成。文檔瀏覽總時長（B1-1）、文檔瀏覽總次數（B2-1）、完成測驗的及時性（D3-1）、單元測驗平均完成時長（D4-1）是接下來較難達到的行為，共有19名學生完成。作業平均完成次數（C2-1）、單個視頻最后觀看時間距課程結束平均時間（E2-1）是相對處于中間難度的行為，共有24名學生完成。單元測驗完成平均分數（D1-1）、登錄總次數（A2-1）是較易達到的行為，共有35名學生完成。視頻平均觀看進度（E1-1）、作業提交總次數（C1-1）是最易達到的行為，所有學生都可以完成。根據Rasch模型中賴特圖所給出結果，與難達到的行為相匹配的學生學習成績越好。

再將上述行為按由上到下新的排序分類，將學生所有的外顯學習行為分成三段，依據影響學習效果的外在行為因素可以形成一個新的線上學習行為分類結果，即全面投入類行為、主動投入類行為和被動投入類行為，以此突出主要的外顯行為特征。

2. 內隱學習行為水平與學業成績

內隱學習投入學生的表現差異較大，且個別行為學生實現起來有一定的困難，比如每周平均登錄時長（A1-2）很難保證。在得出的賴特圖（如圖4所示）中，全部內隱行為在賴特圖右側展示，左側分別代表學習者的學習成績。賴特圖中左邊的學習者學習成績越靠近頂端，代表學習者學習效果越好；右邊代表內隱行為的類型，越是處于上部的學習行為代表能完成的學生越少，也即這些行為投入對學生的學習成績影響越大。自上而下的行為分別是每周平均登錄時長（A1-2）、作業完成平均相似度（C2-2）、平均登錄間隔（A2-2）、單個測驗最高答題次數（D2-2）、單個文檔平均瀏覽時長（B1-2）、視頻平均觀看時長（E1-2）、單個測驗平均提交時間間隔（D3-2）、視頻平均觀看間隔（E2-2）、文檔有效瀏覽次數（B2-2）、完成期末測驗與單元測驗的相對時長差（D4-2）、作業超時提交次數（C1-2）、單元測驗結果平均增長分數（D1-2）等。

再將上述行為按由上到下新的排序分類，將學生所有的內隱學習行為分成四段，依據影響學習效果的內在動機類因素可以形成一個新的線上學習行為分類結果，即主動投入類行為、自我管理類行為、規律投入類行為和績效投入類行為，以此突出主要的行為內隱特征。

（三）不同學習行為特性對學習結果的交互影響

Rasch 模型通過對數轉換，將學生能力和題目難度標定在同一個Logit 量尺上，直接反映學生能力水平和題目難度之間的關系[5]，賴特圖就可以直觀地顯示這一結果。通過賴特圖分析滿足A象限的在線學習行為表現與學生成績的關系，全部外顯和內隱相結合的行為在賴特圖右側展示，左側分別代表學習者的學習成績。賴特圖中左邊的學習者學習成績越靠近頂端，代表學習者學習效果越好；右邊代表外顯內隱相結合的行為類型，自上而下依次降低。越是處于上部的學習行為代表能完成的學生越少，也即這些行為投入對學生的學習能力影響越大。根據結果來看，自上而下的行為分別是作業完成質量（C2）、登錄時長（A1）、登錄次數（A2）、完成單元測驗頻率（D3）、觀看課程視頻頻率（E2）、完成單元測驗次數（D2）、瀏覽文檔資料時長（B1）、完成測驗時長（D4）、觀看課程視頻時長（E1）、瀏覽文檔資料次數（B2）、完成測驗分數變化（D1）、作業提交次數（C1）。

由此可以發現，在A象限中，即當內隱與外顯行為投入一致時，作業完成質量、登錄時長、登錄次數、完成單元測驗頻率、觀看課程視頻頻率、瀏覽文檔資料時長、完成單元測驗次數這七種外顯與內隱相結合的具體行為類別出現的人數較少。

同理，分析滿足B、D象限的在線學習行為表現與學生成績的關系，全部外顯和內隱相結合的行為在賴特圖右側展示，左側分別代表學習者的學習成績。自上而下的行為分別是瀏覽文檔資料時長（B1）、完成單元測驗次數（D2）、瀏覽文檔資料次數（B2）、完成測驗分數變化（D1）、登錄時長（A1）、作業提交次數（C1）、完成測驗時長（D4）、完成單元測驗頻率（D3）、登錄次數（A2）、觀看課程視頻率（E2）、作業完成質量（C2）、觀看課程視頻時長（E1）。

由此可以發現，在B、D象限中，即外顯與內隱投入不一致時，瀏覽文檔時長、完成單元測驗次數、瀏覽文檔次數、完成測驗分數變化、登錄時長、作業提交次數這六種外顯與內隱相結合的具體行為類別出現的人數較少。

四、討論與建議

（一）關于學習者個體學習行為投入狀況分析

1. 個體學習投入狀況的“孩子圖”分析

Schaufeli等制定了“學業投入量表”（Utrecht Work Engagement Scale-Student，UWES-S）[6]，從活力、奉獻和專注三個維度測評大學生的學習投入水平，發現學習投入及各維度都對學習績效具有顯著積極影響，而其中奉獻維度的積極效應最強。Peach等利用貝葉斯模型和時間序列數據框架，通過數據驅動分析描述了在線課程中個人和小組學習者的行為，發現高成績學習者對于課程的投入度更高[7]。由此可見，在線學習投入與學習成績、學習效果之間存在必然的聯系，也凸顯出學習行為研究的重要價值。本研究設想，如果要想進一步了解學習者個體學習外顯行為的投入狀況，可以通過Rasch單維分析中的“孩子圖”顯示其學習投入實現程度，以幫助教師更加明確每位學生能力可達到的“最近發展區”。在“孩子圖”中，漸進發展區位于學生能力估計值上方和下方虛線表示的區域范圍內。在“孩子圖”中，不易達到的行為投入水平位于圖的頂部，較易達到的投入水平位于圖的底部，學習投入水平所代表的學生能力水平用中間豎直的虛線所顯示的數值表示，越往高處，數值越大。在“孩子圖”中，左欄顯示的是學生能達到的學習投入水平，右欄顯示的是學生未按標準達到的學習投入水平。通過和漸近發展區域的結合考慮，每個“孩子圖”中就有了六個功能區域，左側分為上、中、下，右側也分為上、中、下，通過各區域的顯示信息，教師可以非常直觀地了解學生并開展下一步的教學，學生也可以更加清楚明了地認識到自己學習的投入情況。例如，對S學生的內隱行為，“孩子圖”進行分析發現，該學生的每周平均登錄時長（A1-2）（屬于積極性投入）處于左上區域，表明這一行為投入強度超過了該學生的期望值，但他達到了這一行為投入強度，表明學生在積極性投入上超預期完成。該學生的單個測驗最高答題次數（D2-2）、單個文檔平均瀏覽時長（B1-2）處于左中區域，表明這兩個行為表現位于其漸進發展區并完成了該行為投入；該學生的作業完成平均相似度（C2-2）、平均登錄間隔（A2-2）處于右中區域，表明這兩個行為表現位于其漸進發展區，但其并沒有完成該行為投入，還需要在積極性上加強引導；該學生的視頻平均觀看間隔（E2-2）、文檔有效瀏覽次數（B2-2）、完成期末測驗與單元測驗的相對時長差（D4-2）、作業超時提交次數（C1-2）、單元測驗分數平均進步（D1-2）處于左下區域，表明這五個行為表現的投入強度低于其學習效果并完成了該行為投入；該學生的視頻平均觀看時長（E1-2）、單個測驗平均提交時間間隔（D3-2）處于右下區域，表明這兩個行為表現的投入強度低于其學習效果，但其并未完成該行為投入，即自我管理和規律性投入水平在個別行為層面需要加強自我努力。

2. 個體學習投入狀況的象限圖分析

作為學習者個體，其在線學習行為投入表現也可以通過一張二維象限圖直觀顯示出來，達到評價學習者學習投入強度的目的。以L學生的所有學習行為投入（如圖5所示）為例，由圖4可直觀看出這位學生的學習行為投入強度整體較高，多數行為投入分布在高外顯、高內隱（象限A）的區域中，少數行為分布在高外顯、低內隱（象限D）的區域中，僅有個別行為分布在低外顯、低內隱（象限C）的區域中，反映該學生的頻率性投入較高，受情感因素的實質性投入有部分較低，整體在線學習行為投入水平處于高投入區。

學習投入永遠離不開時間因素，如何推進解釋、預測學習時間與學習結果之間復雜關系的研究將成為學習研究領域需持續關注的課題。如Li等在研究中也驗證了在線學習參與和學業表現之間的相關性[8]，胡小勇等針對大學生群體的研究發現，在線學習投入對在線學習績效具有直接正向影響[9]。從早期的學習時間與學習結果關系探討中也可以發現一些不足，如諸多研究過于強調時間，而忽視了學習任務性質；較少考慮不同時間段學習者學習效率的變化；缺少嗜好、態度和價值對學習時間影響的考慮等。本研究將針對這一問題引入學習行為投入的可持續性探討及其相關的評價方法，關注不同學習時段或學習主題上個體學習質量結果的異同。針對當前學習行為投入效度研究存在的不足，后續研究也將在這一方面持續開展相關工作。

（二）關于學習者線上學習行為分類及其投入效果分析

1. 外顯學習行為分類及其投入效果

王改花、傅綱善編制了網絡環境下學習者特征量表，通過在線行為數據的聚類分析將在線學習者分為高沉浸性型、較高沉浸性型、中沉浸性型、低沉浸性型四種群體[10]。研究發現，高沉浸性學習者的行為表現最能體現學習者的投入水平，其表現的學習行為體現在平均每次在線學習停留時長偏低、學習次數偏高、學習時間跨度高、重復學習率高、學習筆記高、討論交流高等方面。同理，張思等通過收集網絡空間中的在線學習數據，認為參與活動平均次數、參與討論次數、給他人回帖字數等越高，越能體現學習者的投入水平[11]。本研究中，從學習行為的外顯性來看，根據影響學習效果的作用大小依次可以將學習投入重新分為三大類，即全面投入、主動投入和被動投入。根據學習行為投入水平表現來看，該教學過程中應引導學生加大主動學習投入的力度。

2. 內隱學習行為及其投入效果

從學習行為的內隱性來看，根據影響學習效果的作用大小依次可以將學習投入重新分為四大類，即主動投入、自我管理投入、規律性投入和績效投入行為。李爽等編制遠程學生學習投入評價量表，通過量表測量學生投入現狀，發現行為投入中參與和專注投入顯著高于堅持投入，交互投入明顯低于其他三類行為投入[12]。王洪江等還根據xAPI標準所提出的在線學習活動，確定教學視頻播放行為數據、視頻觀看時長和并發學習行為數據是當前能反映獨立自主學習活動的三類數據[13]。從學生在線學習行為投入頻次來看，該課程學習中學生在績效投入方面較高，而其他行為較低，故在教學中應該加大學生的主動投入、自我管理投入和規律投入力度。

盡管已有研究均已表明，學習者的在線學習投入類型不同，其強度也各有差異，但總體上并沒有形成學習者在線學習投入強度評估的常模量表，即缺乏一個客觀衡量學習者在線表現優劣的基準值。相關研究也只是較多傾向于針對學習者的在線學習行為類型進行相互比較，每一種學習行為相對于其他行為都有一個相對意義上的學習投入水平高低，但針對同一類型學習者的同一學習行為投入水平評估則缺乏一個可參照的依據，并不能從絕對意義上刻畫出每一位學習者的在線學習行為投入強弱程度。同時，對于學習行為投入強度的可持續性也少有研究者提及。針對當前研究存在的不足，后續研究也將在這一方面持續開展相關工作。

（三）關于學習投入精準度分析

1. 象限圖示例

諸多研究證明，學習投入與學習結果呈正相關，即時間付出越多，學習效果越好。但學生學習的總時間是有限的，對每一門在線課程的學習時間也需要合理分配，不僅不同的學習行為投入對學習效果的影響大小各異，而且外顯行為與內隱行為投入程度的不同也會影響到學習結果。因此，以學習成績為參照，借助多維Rasch分析對外顯行為與內隱行為在投入程度上的影響力大小進行研究，明確學習行為投入的精準度（適切行為閾值），進而對學生的在線學習行為投入作出更為科學理性的評價。

在前期點式和線性研究的基礎上，學習行為投入的頻次高低（強度）以及和學習成績的關系（有效性）都已明確，還需進一步細化分類，將同處高投入的內隱、外顯行為再分別劃分為“一般高H1、中等高H2、非常高H3”三個層級，這樣在A象限（高內隱與高外顯）上由不同的內隱、外顯行為層級關系組合將其分割成九個區域［如圖6（a）所示］。同樣將低投入區的內隱、外顯行為分別劃分為“一般低L1、中等低L2、非常低L3”三個層級，結合A象限的層級組合關系，這樣在B象限（高內隱與低外顯）和D象限（低內隱與高外顯）上同樣被分割出九個區域［如圖6（b）所示］。

2. 多層面Rasch分析構想

通過前面的分析得到了能體現學習者更高能力水平的學習行為，可進一步明確處于“高外顯—高內隱”的A象限中的具體行為投入強度區間，即進一步分析這些學習行為究竟處于哪一區間最能影響學習者的學習質量，判斷這些內隱與外顯行為表現落在H1、H2、H3三個層級組合形成的九個區域（H1H1、H1H2、H1H3；H2H1、H2H2、H2H3；H3H1、H3H2、H3H3）中的具體位置。以此方法對平臺記錄數據進行分析，進一步明確在線學習行為投入強度與學習成績的關系。可以嘗試使用多維Rasch模型先來驗證學習者的成績與外顯性投入和內隱性投入間的關系。多維Rasch模型允許分析多種因素與學習效果的關系，因此，可以嘗試從學習成績、行為的內隱和外顯水平、具體行為類型三個方面構建多維的Rasch模型，在A象限和B、D象限，內隱行為表現和外顯行為表現都可以分為三個層級。通過對個體在線學習行為的內隱性分析來考查學習者學習質量綜合水平的動態變化，進而可以彌補靜態學習質量水平分析的不足，判斷學習者學習質量發展的可持續性，是一種考查學習者學習投入情感因素和認知因素的重要手段。

關于學習投入的精準度主要涉及學生如何學習的問題，即綜合考慮行為類型與投入時間共同對學習效果的影響作用。目前對于學習投入精準度的研究尚缺乏全面細化的投入分析模型，但從投入類型和投入時間兩方面結合分析的研究已陸續展開。宗陽等在RFM模型基礎上依據xMOOC在線學習過程特點，提出中國MOOCs學習者的價值衡量模型ML-RFT，采用模型指標原始值與所有學習者平均值比較的方法將MOOCs學習者分為八類，有針對性地對每類學習者提供個性化的學習支持策略[14]。Wang結合網上學習過程的行為特征提出了“三維度四層次”的學生分析框架接觸模型，采用不同方法對學生學習投入的三個維度進行精準分析研究[15]。從已有的研究成果看，眾多研究主要采用描述性統計或回歸分析，僅能表征少量行為投入的簡單線性關系，缺少對不同階段認知、行為及情感投入綜合影響關系的結構化考查。同時，研究結果僅停留在對于學習行為投入維度的劃分，缺乏對投入時間系列與學習質量關系的對比分析，對于學習者某一具體學習行為表現的最佳閾值區間還缺乏科學的論證。后續研究將借助象限圖和Rasch多維分析對在線學習行為投入的最佳區域作進一步跟蹤分析。

[參考文獻]

[1] PASCARELLA E T， SEIFERT T A， BLAICH C. How effective are the NSSE benchmarks in predicting important educational outcomes？[J].Change the magazine of higher learning，2010，42（1）：16-22.

[2] 李松林.課堂教學行為分析引論[J].教育理論與實踐，2005（7）：48-51.

[3] 劉中宇，周曉.行為科學理論指導下的高校大學生網絡學習行為研究[J].中國電化教育，2008（5）：46-48.

[4] 晏子.心理科學領域內的客觀測量——Rasch模型之特點及發展趨勢[J].心理科學進展，2010，18（8）：298-305.

[5] 袁潔.基于Rasch模型的大學英語分級考試質量分析[J].東南大學學報（哲學社會科學版），2016，S1（18）：142-145.

[6] SCHAUFELI W B， SALANOVA M， GONZ？譧LEZ-ROM？譧 V， et al. The measurement of engagement and burnout： a two sample confirmatory factor analytic approach[J]. Journal of happiness studies，2002（1）：71-92.

[7] PEACH R L， GREENBURY S F， JOHNSTON I G， et al. Understanding learner behaviour in online courses with Bayesian modelling and time series characterisation[J].Scientific reports，2021，11（1）：1-15.

[8] LI N，WANG J， ZHANG X， et al.Investigation of face-to-face class attendance，virtual learning engagement and academic performance in a blended learning environment[J].International journal of information and education technology，2021，11（3）：112-118.

[9] 胡小勇，徐歡云，陳澤璇.學習者信息素養、在線學習投入及學習績效關系的實證研究[J].中國電化教育，2020（3）：77-84.

[10] 王改花，傅鋼善.數據挖掘視角下網絡學習者行為特征聚類分析[J].現代遠程教育研究，2018（4）：106-112.

[11] 張思，劉清堂，雷詩捷，等.網絡學習空間中學習者學習投入的研究：網絡學習行為的大數據分析[J].中國電化教育，2017（4）：24-30，40.

[12] 李爽，喻忱.遠程學生學習投入評價量表編制與應用[J].開放教育研究，2015，21（6）：62-70，103.

[13] 王洪江，穆肅，黃潔，溫慧群.自主學習投入度實時分析方法及應用研究[J].電化教育研究，2017，38（10）：44-50.

[14] 宗陽，鄭勤華，陳麗.中國MOOCs學習者價值研究——基于RFM模型的在線學習行為分析[J].現代遠距離教育，2016，4（2）：21-28.

[15] WANG P.Research on model of student engagement in online learning[J].Eurasia journal of mathematics，science and technology education，2017，13（7）：2869-2882.

A Study of Online Learning Behavior of College Students Based on

Two-dimensional Quadrant Analysis

—Taking the Practice of SPOC in Blended Learning Environment as

An Example

CAI Minjun1，? TANG Rui2，? WEI Yu1

（1.School of Educational Technology， Northwest Normal University， Lanzhou Gansu 730070;

2.Lanzhou Institute of Technology， Lanzhou Gansu 730050）

[Abstract] The panoramic behavioral performance of students in online learning environment reflects students' real learning engagement， which in turn reflects the quality of online teaching. Taking the practice of SPOC in a blended learning environment as an example， this study constructs a quadrant diagram for learning behavior analysis from two dimensions of implicit and explicit characteristics of online learning behavior， trying to conduct a more comprehensive analysis of learners' online learning engagement performance， learning effects， and the similarities and differences between implicit and explicit interactive effects. It is found that （1） at the level of learning engagement， learning tasks such as homework achieve a higher behavior engagement， while self-selected learning tasks has a lower behavior engagement. （2） In terms of the learning effect of online learning engagement， the learning effects of fully engaged behaviors are better than those of actively engaged behaviors and passively engaged behaviors. And the learning effects of actively engaged behaviors and self-management behaviors are better than those of regularly engaged behaviors and performance-based engagement behaviors. （3） From the perspective of the interaction between implicit and explicit learning behaviors， when implicit and explicit behavior are both presented in high engagement， the learning effect tends to be consistent with behavior engagement. When the engagement of implicit and explicit behaviors is inconsistent， the learning effect is not satisfactory.

[Keywords] Online Learning Behavior; Learning Engagement; Percentile Scale; Rasch Model; Two-dimensional Quadrant

基金項目：2023年甘肅省高校教師創新基金項目“基于象限圖分析的西部高校大學生在線學習質量研究”（項目編號：2023A-010）