基于線上課程的學生學習行為分析
——以某校大學數學課程為例

金玲玲，朱厚銳

（海南師范大學數學與統計學院 海南 海口 571158）

2021 年教育部在《普通高等學校本科教育教學審核評估實施方案（2021—2025 年）》中將學生對自我學習與成長的滿意度列入評估指標體系[1]。2019 年教育部發布《關于加快建設高水平本科教育全面提高人才培養能力的意見》，指出激發學生學習興趣和潛能深化教學改革，將以學生發展為中心，積極推廣混合式教學、翻轉課堂等[2]。構建“以學生為中心，關注學生學習感受與過程”的教學模式成為提升高校教育質量的重要抓手。隨著互聯網與教育教學的深度融合發展，構建網絡化、數據化、個性化以及終身化的教育體系成為教育改革與創新的方向。教師不再只是傳統意義上的知識傳播者，更多地成為信息技術與學科教學深度融合的引領者。借助各類網絡學習平臺為學生營造一個高度參與和個性化體驗的網絡學習空間，通過完整地記錄并保存學生的在線活動數據，分析學生在線學習行為，能夠更準確把握學生的學習狀態，真正貫徹以學生為中心的教學理念，開展學習預警，認知診斷等服務，為精準制定教學策略提供了保障。本文以某校大學數學課程的學習者為研究對象，分析學生在線學習的顯性與隱性行為，旨在為在線教學資源建設和教學策略制定的研究提供一定參考。

1 研究數據準備

1.1 學習平臺數據采集

本研究以廈門大學某大學數學課程作為案例課程，從慕課網平臺日志中提取，采集外顯行為數據即學習者與學習環境交互產生的數據，共300 條。外顯數據由兩部分組成：基礎知識準獲取和知識輸出度。基礎知識準獲取包括課程視頻瀏覽Scaning、課程訪問Visiting 和課程資料的閱讀情況Reading。知識輸出度包括課后作業完成Working和章節測試完成Testing 情況。并對所獲數據進行了標準化處理。

1.2 問卷編制與分析

1.2.1 量表編制

學生的內隱學習行為，反映的是學生的內隱心理與行為表征，圍繞信息獲取、學習態度、學習動機及自我效能感四個維度設計。數據通過平臺發放調查問卷的方式收集，調查對象為本課程的學習者，回收問卷共320 份，其中有效問卷300 份。問卷包括調查者基本信息，有性別，年級和專業類別等題項，其他量表主要采用李克特五度量表，包括14 個題項，計分從1～5 分別表示“不符合”“較不符合”“一般”“比較符合”和“非常符合”，得分越高，表明調查者與題項的描述越匹配。如表1 所示。

表1 隱性行為分析量表

信息獲取反映學生根據學習目標在線獲取學習資源的能力，調查設置3 個題項：I1 參與平臺學習前已經具備檢索能力；I2 會使用一些在線工具；I3 能借助網絡資源解決困難。學習態度是學習者呈現的一種穩定持久的心理傾向，學習行為是學習態度的外在表現，設置4 個題項：A1在線學習中注意力集中；A2 能克服學習困難；A3 自覺自愿參與在線學習；A4 根據學習狀態調整學習計劃與目標。學習動機是推動學生學習的一種內部動力，對學習行為起到激勵和指引的作用，設置3 個題項：N1 在線課程內容合理，可以學到更多知識與技能；N2 平臺能及時反饋所提出問題，收獲很大；N3 不斷挑戰新課程獲得更多學分。自我效能感是學習者對自身努力所獲得的價值和期望[3]，反映了學習者對學習能力和學習狀態的自我評估，設置4 個題項：S1有信心完成課程任務；S2 我完成相同任務的效率會比他人高；S3 平臺課程對我幫助很大；S4 學習達到了預期目標。

1.2.2 問卷信效度分析

克隆巴赫 系數(Cronbach's 系數)是心理或教育測驗中最常用的信度評估工具。利用SPSS 計算量表的克隆巴赫 系數為0.939，各題項信度分析如表2 所示，該問卷整體信度較好。在量表效度上，對其進行探索性因子分析，通過主成分分析法和最大方差正交轉軸法，計算KMO 的值為0.97 大于0.8，Bartlett 的球形度檢驗對應p 值小于0.05，檢驗結果顯著，說明問卷設計有效。

表2 問卷各項信度情況表

2 模型構建與分析

2.1 聚類分析

K-Means 聚類是一種基于距離的無監督學習算法。該算法通過不斷計算特征相似度或距離將樣本劃分為若干個類或簇。同類別的數據對象之間具有相同或相似性質，而不同類別的數據對象則具有較大差別[4]。首先對簇中心點進行初始化，計算各個數據點與所選K個簇中心點間的距離，并將其劃分到距離最近的簇中，不斷更新各個簇的中心點，直至簇中心點不再改變或滿足規定的迭代式。

聚類算法描述：

①數據預處理

④令t=0，1，2…為迭代數，重復如下過程直到損失函數F 收斂；

對于每一個樣本xi，將其分配給到距離最近的中心

對于每一個類中心k，重新計算該類的中心。

聚類算法的關鍵是確定聚類的個數，即k 值。本研究結合手肘法和輪廓系數來確定。手肘法的核心指標是SSE，即誤差平方和。隨著聚類數k 的增加，樣本劃分會更加精細，各簇的聚合程度逐漸升高，SSE 就越來越小。當k 小于真實聚類數時，k 值的增長大幅提升了各簇的聚合程度，此時SSE的下降幅度會很大，而當k接近真實聚類數時，增加k所獲得的聚合程度回報會快速變小，SSE的下降幅度會驟減，并且隨著k 值的不斷增大而趨于平穩，故SSE 與k 的關系圖呈手肘形，肘部所對應的k 值就是真實聚類數。

輪廓系數結合內聚度和分離度兩個因素來評價聚類效果的好壞。ai值體現內聚度，是對象i與同簇所有樣本點的平均距離；bi體現分離度，是對象i與最近簇中所有樣本點的平均距離，則定義第i個對象的輪廓系數為其值越接近1，表明內聚度和分離度均較優。

基于SSE的手肘法和輪廓系數法的結合，確定K值為3。通過python 編程實現對外顯行為數據的聚類，將樣本數據分為三簇，整體呈現出正態分布。各簇結果如下：

0 簇：這類學生課程觀看完成度平均約為0.472，課程訪問次數平均19.60 次，閱讀課程資料的次數平均3.75 次，作業完成度平均約在0.504，章節測試完成程度約為0.535。表明這類學生在線學習任務完成率較低，需對部分學生展開學習預警或提供學習干預等個性化服務，探求學習完成率低的原因，以便調整學習方案，將其劃歸于追趕型學生。

1 簇：這類學生課程觀看程度平均約為0.792，課程訪問次數平均約為49.96 次，閱讀課程資料的次數平均約為44.32，作業完成程度平均約為0.75，章節測試完成程度在0.83 左右。這類學生任務完成度較好，還需在課程訪問次數和閱讀資料方面加強，屬于上升型學生。

2 簇：這類學生課程觀看程度平均為0.978，課程訪問次數平均103.75 次，閱讀課程資料的次數平均約為73，作業完成程度和章節測試完成度分別約為0.973 和0.990。可見這類學生普遍完成率高，屬于穩定型學生。

2.2 模糊綜合評價

模糊綜合評判是解決模糊、不確定和帶有主觀色彩的評價問題的常見模型。可以將原本一些差異不明顯或者不易定量化的因素定量化，在此通過構建模糊評判模型，實現學生隱性行為多因素對評價隸屬等級的綜合評價。

模型構建步驟[5]：

①確定指標因素與評價等級：

評價因素集U={U1，U2，U3，U4}，其中：U1，U2，U3，U4 分別對應信息獲取、學習態度、學習動機和自我效能感四個指標。

評判集V={V1，V2，V3，V4，V5}，其中：V1 表示強，V2表示較強，V3 表示一般，V4 表示較弱，V5 表示弱。表明學生在線學習隱性行為能力的評價等級。

②確定單因素評判矩陣與權重：

選取5 名專業教師和5 位學生組成10 人評判

組，對U 集中所有指標進行投票。以信息獲取因素為例，投票認為強，較強，一般，較弱和弱的人數分別為3，4，2，0，1 人，按其占比確定了從U 到V 的模糊映射，其他指標方法相同。最終得到單因素模糊評判矩陣如下：

通過三類學生對各評價指標的重要程度問卷投票結果的統計，各類學生對四個指標所持的權重分別為：

③綜合評判。將單因素評判矩陣與權重

向量進行模糊合成，得到三類學生的綜合評判結果為：

根據最大隸屬度原則，A1對應0.5，表明追趕型學生隱性行為綜合評價較弱；A2對應0.4，表明上升型學生隱性行為綜合評價較強；A3對應0.4，則穩定型學生的綜合評價也強。

3 結論與啟示

從分析結果可知，無論教師還是學生，均認為信息獲取、學習態度，學習動機以及自我效能感會影響學生在線學習行為。通過聚類分析將本大學數學課程的在線學習群體分為三種類型，對于追趕型、上升型和穩定型學生，其學習能力和知識掌握水平依次上升，而學習預警依次下降。追趕型學生需要保持足夠的在線學習專注度和持久度，加強自主學習管理，保證在線學習的質量；上升型學生通過設立合適的學習目標，樹立積極的學習體驗，不斷自我激勵，促進學生持續的思考與深度學習；穩定型學生，加強線上課程資源和課程內容的建設，為學生創設更多的自主選擇和不斷探索的條件。

建構主義學習理論認為，學習不是學習者被動地接受知識，而是積極地主動建構知識的過程。本研究正是以學習者為中心，針對學習者在線顯性和隱性行為特征分析，為后續在線課程建設，教學與設計等方面提供一些啟示。

3.1 加強智能型在線學習平臺建設，提供個性化和精準化的教學服務

在線教育具有廣闊的發展潛力與前景。通過深度學習與人工智能技術的應用，打造智能型的在線學習環境，不斷優化學習與服務體驗，同時根據實時用戶行為數據，調整服務策略，加強教學管理，提供更精準的個性化學習服務。另外有研究表明，在線學習滿意度更容易受到學生與內容的互動以及學生與界面的互動的影響，增強平臺感知適用性和易用性，也會提升學習者的學習意愿。

3.2 整合教育資源，優化課程設計，促進學生的深度學習

在線教學始終指向學生學習的發生，因此在線學習資源設計可圍繞以學生為中心，創設教學多樣性為目標展開教學設計。針對不同的學習對象，建構并適時調整教學內容，整合教學資源，既強調學生的自主學習，又結合多種教學策略，使教學真正導向深度學習。設計學習活動是在線學習的核心[6]，教師根據在線學習資源優化組織在線學習活動。如對于大學數學這類有難度且抽象的課程，可以設計基于在線探究，合作學習和問題導向等形式來激發學習者的在線學習投入。與此同時，教師在線指導和協助行為也會影響學生的在線學習反饋行為，對學習者開展深度學習會產生積極的影響[7]。

3.3 發揮自我效能感在隱性學習行為中的連接作用，增進在線學習的情感體驗

情感體驗是學生感悟和認識的動力基礎。在線學習自我效能感與學生的學習動機、自主學習能力、學習態度等內在屬性有著密切的聯系[8]。通常在線學習中行為投入往往較高，而情感投入較低。按照教學要求學生會參與在線學習活動中，而受任務驅使多數人并不是主動參與。如果學生在學習中具有積極的情感傾向，能體會到教師的認可和學習成就感，并獲得更好的自我效能感，則會以更飽滿的學習熱情和專注度投入在線學習。因此教師要關注學生情緒，肯定學生在線學習的投入，引導學生去探索、體驗和培養積極的學習情緒，激發學生的自我效能感。