基于真實校園場景的學習行為標準化管理研究

郎波 樊一娜

摘 要：對學生學習行為的研究能夠有效了解學生的學習和生活行為特點，從而在教學中更好地實現因材施教。本文基于校園大數據的學生行為分析，提出了學習行為標準的研究框架，重點在行為指標分析和行為特征量化兩方面進行了研究，探討了學習行為數據的標準化建設問題，為更好地利用行為數據進行學習成績預測和學生發展預測提供了一種思路。

關鍵詞：學習行為，行為指標分析，行為特征量化，標準化

DOI編碼：10.3969/j.issn.1002-5944.2023.04.033

基金項目：本文受珠海市教育科研“十四五”規劃課題（項目編號：2021ZHGHKTG1183）和珠海城市職業技術學院質量工程項目（項目編號：KCSZ20200605）資助。

Research on Standardization Management of Learning Behavior Based on Real Campus Scene

LANG Bo1 FAN Yi-na2

（1. Zhuhai City Polytechnic； 2. Zhuhai Campus of Beijing Normal University）

Abstract： The study of students learning behavior can effectively understand the characteristics of students learning and life behavior， so as to achieve better individualized teaching in teaching. Based on student behavioral analysis based on campus big data， this paper puts forward the research framework of learning behavior standard， studies the two aspects of behavior index analysis and behavior characteristics of quantifi cation， and probes into the standardization construction of the data of learning behavior， which provides a train of thought for better use of behavior data to predict studentsgrades and development.

Keywords： learning behavior， behavioral index analysis， quantifi cation of behavior characteristics， standardization

1 引 言

學生學習手段的變化和疫情對正常教學的影響，使得研究校園場景下學生的學習行為變得尤為重要，有效進行自主學習的行為分析，是線上線下學習都面臨的一個重要問題。如何為學生學習行為改善提供個性化的反饋，并建立相應的預警機制，為學生提供個性化教育方面和輔助教師教學活動方面提供技術依據，從而更好地在教學過程中實現因材施教。

目前，文獻中記載的關于自主學習的效能分析都是基于學習者本身的主動行為和情感波動[1]。朱建東教授利用神經模糊方法來分析學生在學習過程中生成的學習日志，從而診斷出學生進行自主學習的最佳路徑[2]；把遺傳算法與學習需求聯系起來，在特定情境特征的前提下，進行有效的學習資源推薦[3]；此外，學習者生物特征的應用也引入到了學習行為追蹤中，利用這些特征構造學習肖像，從而發現最佳的自主學習路徑。從目前的研究狀況來看，大部分研究都基于學生的學習成績分析預測，但是學生的學習成績與其平時的學習行為和習慣有很大的關系，尤其是學習積極性、學習心理狀態對學習成績的提高有著較大的影響，而針對如何構建有意義的學習行為特征的關注還不多，另外，該領域的研究也存在以下問題，例如：研究數據較為單一，不能發揮數據多樣性和規模性的優勢，尤其是認知、情緒等情感數據的關注度不夠；數據樣本大多重視數量，忽略了質量，學生的學習行為量化方法比較單一，通常用得較多的是統計頻次或者信息熵的方法，難以完美解釋學生學習行為的多樣性；直接從數據統計的結果簡單歸納學習規律，忽視了教師、教學管理者、學生的能動性。

2 學習行為標準化的框架研究

2.1 行為指標分析

學習行為的標準化分類可以分為靜態和動態指標，其中靜態指標是學生在學習過程中保持穩定，不隨學習過程隨意變化的數據，而動態指標是指學生在學習過程中容易變化的因素，例如：學習偏好、學習習慣、認知特點等，這些指標伴隨整個學習過程，宏觀上保持穩定，但是也可能隨著學習時長的變化而發生變化。通常我們衡量學生的學習行為都是指在學生線上或線下的學習過程中產生的行為數據。這些數據的共同特點是由學生的學習交互行為產生的，根據交互的對象和方式不同，可以把行為指標分為以下五類，分別是學生與學生、學生與教師、學生與課程、學生與環境、學生與家庭之間的交互。根據以上指標可以確定學生在學習過程中所需獲取的數據來源。其中，學生與學生的交互主要表現為學生情緒、社交網絡情況、網絡流量使用情況等。學生與教師的交互體現在學生是否積極參加老師布置的教學任務，在作業提交時間上學生是否拖延，在回答問題上是否積極。而老師表現為是否及時關注學生的提問、是否能為學生的問題提供有效的解決方式、是否能及時批改學生的作業等；學生與課程的交互行為表現為學生能夠選擇自己需要的課程，以及課程內容的展現方式；學生與環境的交互表現為目前的數字化手段是否容易被學習者接受，通過現有的方式進行學習能否讓學習者順利接受；學生與家庭的交互表現為學生與家庭的關系是否和諧，父母對學生學習行為習慣的養成等。

2.2 行為特征量化

2.2.1 學習刻苦程度的量化

學習刻苦程度是衡量一個學生良好學習行為的重要指標之一，但是該指標同時也是一個抽象概念，無法用客觀的概念來直接表述，所以，如何將學習課程程度進行標準化的量化就顯得尤為重要，本文采用學生在學習過程中所產生的“數字行為”來進行判斷。其量化過程如圖1所示。

學習刻苦程度的時序數據可以直接統計學習行為的發生頻次，通過次數的累積來界定學生學習的刻苦程度，這也是統計學生學習行為較為常見的統計方式。特點是簡單直接，容易操作。在圖1列出的數據中，學生利用網絡是否訪問學習資源可以通過網絡連接某些網站的頻次來進行確定，學生在教學平臺的時序數據可以直接反映學生的學習狀態，利用學習資料和自習室的時序數據都是能夠進行量化的數據。另外，利用自習室的時序數據量化出兩個學習指標，分別是“進出自習室的次數”和“自習室的使用時間”。由于自習室的特殊性，學生和自習室的關聯能夠反映學生學習的刻苦程度。

2.2.2 行為規律性的量化

學習行為是否規律也是衡量行為是否標準化的重要依據之一。它代表了在學習過程中學習者的自我約束能力，這種能力的強弱，最終的反饋是學習成績和學習效果的變化。對于行為的規律化主要從兩個方面來進行分析，從線性和非線性的角度來對學習行為變化和學習行為復雜度進行量化。本文從一個學期（教學18周）為時間段，來分析學生學習行為和學習成績之間的關系。在整個學期中，學習的任務的側重點和內容以及強度都有所不同，我們將整個學期劃分成不同的時間段，按時間段為單位來對學習行為規律的量化問題進行分析。主要采用的方法是：對于學生的行為變化，以第九周為中心點，將整個學期劃分為兩個階段，利用線性回歸的方法進行擬合，通過斜率的變化反應學習行為的變化，從而達到量化的目的。對于學生行為復雜度的量化，將整個學期劃分為多個時間段，利用同樣的方式對每個時間段進行擬合，并統計學習行為的發生頻次，多個時間段的劃分能夠將學習行為的狀態進行平均，學生的學習行為受到自身和外界的影響，并不總是保持在一個穩定的狀態。對于學生學習行為復雜度的標準化量化可以采用熵的方式，但是傳統的信息熵在衡量學習行為復雜度方面存在缺陷，它并沒有聚焦于元素之間的關系，即學習行為是一個時序數據，學習行為的變化是基于前后數據的變化從而產生波動的，所以，利用近似熵來解決該問題，它是以每個時間段的平均相似率來衡量結構復雜度，通過將每個學生的行為數據轉化為離散變量來實現。

3 結 語

學習行為的標準化研究是目前利用人工智能技術進行學習行為分析的一個熱點問題，在學習行為數據的量化方面，大部分研究僅適用簡單的線性統計方法，雖然利用信息熵取得了一定的成效，但是信息熵本身也具有一定的局限性。要做好學習行為的標準化工作，還需要從以下幾個方面進行突破，例如：更進一步的超大規模數據研究，使得數據來源更加多元化、全面化，能夠更好地全面反映學生的學習行為規律。此外，未來可以將標準化研究遷移至更多樣化的數據樣本中進行優化和量化，使得研究的普適性更強，利用人工智能技術進行學習行為的評價變得更為嚴謹。

參考文獻

[1]姜強，趙蔚，等.大數據背景下的精準個性化學習路徑挖掘研究——基于AprioriAll的群體行為分析[J].電化教育研究，2018，39（2）：45-52.

[2]史波.終身學習視角下職業教育標準化研究[J].中國標準化，2022（2）：188-190.

[3]薛晶晶，李毅偉，韓忠海.基于SPOC+QQ+慕課堂的標準化高等數學混合式教學模式研究[J].中國標準化，2022（18）：180-183.

作者簡介

郎波，碩士研究生，教授，研究方向為人工智能。

樊一娜，碩士研究生，講師，研究方向為物理實驗、物理教育。

（責任編輯：高鵬）