虛擬場館學習行為識別及干預機制研究

摘要：虛擬場館學習具有不受時空限制的優勢，然而在虛擬場館中學習者容易出現游離現象。對此，文章首先以“人體生命科學”虛擬場館為實驗平臺，以東北地區Z大學臨床醫學專業的2030名大一學生為研究對象，獲取了2000名大學生的有效樣本數據。之后，文章采用模糊C均值聚類法對學習者進行分類，采用滯后序列分析法轉換學習行為序列，采用隨機森林算法識別學習者類型和分析行為重要性，得到場館學習高沉浸型、場館學習中沉浸型、場館學習低沉浸型、場館學習游離型四類學習者，并選出了17種對學習成績影響較大的學習行為序列。在此基礎上，文章設計了虛擬場館學習行為干預機制并進行了干預效果分析，以期在虛擬場館教學中為有需要幫扶的低沉浸、游離型場館學習者提供有效教學干預，從而提升場館學習者的學習水平和知識掌握程度，并為虛擬場館在高校的應用提供借鑒。

關鍵詞：虛擬場館；學習行為序列；場館學習；教學干預

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）07—0081—10 【DOI】10.3969/j.issn.1009-8097.2023.07.009

虛擬場館是智能時代運用高新技術結合真實情境中的場館所生成的產物，而場館學習作為非正式的學習空間形態，在學校和社會中承擔著培養學習者科學素養的重要功能，并在學校教育中發揮著補充和擴展課堂教學內容的作用。在虛擬場館學習中，學習者的學習行為種類和順序紛繁復雜，在沒有得到相應指導和干預的情況下，學習者容易陷入游離狀態，導致學習效果不佳。因此，迫切需要對虛擬場館的學習行為進行研究，以更好地采取干預措施，來提高場館的學習效果、增強非正式學習的在線教育功能。而對各種行為序列的分析和對整體行為模式的考察，是理解、研究行為的途徑與關鍵^[1]。

一 問題的提出

與實體場館相比，虛擬場館的傳播范圍更廣、傳播成本更低，且能夠隨時隨地開啟場館學習，更加便捷地服務于學習者的非正式學習。隨著虛擬現實技術的普及，虛擬場館逐漸走進高校課堂，在促進大學生的思維發展和專業能力習得方面取得了顯著成效^[2]。例如，Martín等^[3]創建虛擬場館，將其作為制造工程課程教學的有效學習工具；Caroline^[4]在語言課程中采用虛擬博物館技術，增強了學生協作中多模態意義的生成和表達；高義棟等^[5]對高校思政課程的虛擬場館設計進行了探索；陳穎博等^[6]從技術應用的角度，驗證了場館學習效果。但相關研究聚焦對虛擬場館的設計與應用，而忽視了對虛擬場館學習過程中學習者學習行為的關注。是否所有學習者都能全身心投入虛擬場館學習、如何改善部分學習者的學習行為等問題，還有待深入探討。

基于現有場館學習的相關研究，本研究重在探索以下問題：①“人體生命科學”虛擬場館中學習者如何進行分類？②不同類型學習者特有的學習行為序列有哪些？③如何確定影響學習者從低沉浸型到中、高沉浸型的行為序列特征？在此基礎上，本研究進一步探索了什么樣的干預機制可以為虛擬場館教學中有需要幫扶的學習者提供有效的學習干預，以期提高學習者的學習效率，解決虛擬場館中低沉浸型、游離型學習者的學習效果不佳問題，為館校合作雙方提供教學設計、改進和評價方面的參考。

二 實驗設計

1 實驗平臺

實驗平臺“人體生命科學”虛擬場館由本研究團隊自主開發設計，是一個結合高等學校人體生命科學的學科特點，由生命起源、骨科基礎、心血管基礎、生命急救、健康養生、科技創新等6個子場館組成的完整學習場館。本研究應用Vive Wave、Daydream、Unity3d、Virtools等工具進行實驗材料開發，并利用實驗場館具備的后臺數據管理功能為實驗行為識別提供支持。教師可以在場館后臺查看學生場館行為的詳細情況，如答題正確率、圖文點擊完成度、展廳學習完成情況等。此外，來訪終端、數據接口、用戶IP地址分布等參數也可以為后續的場館學習研究提供數據支持。

2 研究對象

本研究以東北地區Z大學臨床醫學專業的2030名大一學生為研究對象，在虛擬場館課程中進行了虛擬場館學習行為識別及干預機制實驗。本研究以學習者參與虛擬場館學習時后臺采集到的行為數據為數據來源，Z大學所有大一學生均參與“人體生命科學”虛擬場館實驗的前測，結果顯示其專業相關水平不存在顯著差異。

3 數據收集

學生登錄“人體生命科學”虛擬場館后，通過鼠標進行操作，可以在虛擬場館中進行專業知識學習。實驗開始之前，教師告知學生本次實驗總時長為30分鐘，要求學生在規定的時間內完成學習任務。本研究調取了Z大學臨床醫學專業2030名大一學生在“人體生命科學”虛擬場館的全部后臺數據，剔除其中的無效數據30份（含注冊信息錯誤、請假沒有參與學習等），形成了本次研究的數據集。所有參與本次實驗的學生，均簽署了實驗告知書。

4 虛擬場館學習行為編碼

傳統教學的學習行為投入框架研究已被廣泛采納，如Lam等^[7]編制的行為投入量表將學習行為投入分為參與、堅持、交互、專注、學術挑戰、自我監控六類，牟智佳等^[8]通過因子分析將課堂學習行為分為自主性、交互性、操作性、感官性、教師輔助性等學習行為。

虛擬場館后臺智能記錄了每一名學習者在場館中的學習時間、學習行為、學習預警狀態等。為了更好地進行虛擬場館學習行為分析，本研究通過場館后臺調取行為數據。Hou等^[9]、Sung等^[10]在場館學習行為研究中采用“場館學習行為編碼方案”來識別和編碼學習行為，明確界定了場館學習者行為，包含參觀展覽、記錄學習表單、觀察展品、聽講知識、尋求幫助、同伴交流和其他無關行為。參考該編碼并結合“人體生命科學館”虛擬場館后臺智能記錄的學生行為數據，本研究采用實驗團隊多人協作的方式對虛擬場館學習行為進行編碼，且檢驗了編碼的一致性。最終，本研究將被試學生出現的虛擬場館學習行為總結為13種，將其歸入5種學習行為（Learning Behavior）和1種非學習行為（Non-learning Behavior）并分別編碼，結果如表1所示。需要說明的是，學生漫無目的地瀏覽場館和其他與學習無關的行為等“非學習行為”并非是指完全沒有學習。

三 數據分析

為了合理區分不同學習程度的場館學習者，并分析不同類型的虛擬場館學習行為及其差異性，本研究首先基于模糊C均值聚類法對學習者分類，之后基于滯后序列分析法轉換學習行為序列，再基于隨機森林算法識別與分析虛擬場館學習行為的重要性。

1 基于模糊C均值聚類法的學習者分類

為了能夠準確區分學習者，本研究采用模糊C均值聚類法對學習者分類：大部分情況下，數據集中的對象不能劃分成為明顯分離的簇，而指派一個對象到一個特定的簇容易產生錯誤或出現誤差。因此，需對每個對象和每個簇賦予一個權值，以指明對象屬于該簇的程度。當然，基于概率計算的方法也可以給出這樣的權值，但有時候很難確定一個合適的統計模型，這時使用具有自然的、非概率特性的模糊C均值就是一個比較好的選擇，可以采用此方法對虛擬場館的學習行為進行聚類分析。經過多次對聚類中心變化的迭代處理，本研究以BV-LK（瀏覽場館→聽講知識）、BV-RS（瀏覽場館→記錄學習表單）、LK-HC（聽講知識→人機交互學習）、LK-AT（聽講知識→答題測試）、HC-CC（人機交互學習→評論內容）、AT-SC（答題測試→自我糾正）、平均成績為聚類的內容，按照虛擬場館學習行為進行聚類，將樣本數據有效的2000名被試分為四類，如表2所示。表2展示了四類學習者的學習行為序列數量，可以看出：場館學習中、高沉浸型學習者與學習相關的行為序列數量明顯多于場館學習低沉浸型、游離型學習者，場館學習中、高沉浸型學習者與非學習相關的行為序列數量明顯少于場館學習低沉浸型、游離型學習者，可見學習效果和學習行為之間有一定的相關性。

2 基于滯后序列分析法的學習行為序列轉換

分析上述四類學習者的行為序列，可以確定每一類學習者的學習行為序列特征。本研究發現：①聚類組1的行為序列轉換在種類和人均次數上都是最多的，此組瀏覽場館的學習效果也最好，屬于場館學習高沉浸型，即學習者在瀏覽場館的過程中有較多的自主學習行為，具有較強的主觀能動性。②聚類組2的行為序列轉換種類與聚類組1有細微差別，主要表現為BV-LK、LK-HC和LK-AT的行為差異性較小，而HC-CC的行為差異性較大。由此，可以推斷出此組學習者以聽講答題為主，評論較少，瀏覽場館的效果較好，屬于場館學習中沉浸型。③聚類組3的行為序列轉換次數明顯少于前兩組，且行為序列轉換較為單一。值得注意的是，此組學習者BV-LK、BV-RS的次數遠遠多于其他組，說明此組學習者以聽講為主要的知識獲取渠道，屬于場館學習低沉浸型。④聚類組4的行為序列轉換次數比前幾組少，且此組學習者的BV-RS較多，說明此組學習者只是打卡完成任務，缺乏學習動機，自控力不強，屬于場館學習游離型。

基于學習行為序列聚類分析，本研究將場館學習者劃分為場館學習游離型、場館學習低沉浸型、場館學習中沉浸型、場館學習高沉浸型四類，并根據學習行為投入理論，確定了各類場館學習者的學習行為序列，如表3所示。通過上述分析確定了場館學習者的四種類型，且每一類學習者都有特定的學習行為，因此分析每類學習者的學習行為序列特征將有利于后續有針對性地提出改善學習效果的有效措施。

滯后序列分析法適用于對學習行為的序列轉換^[11]，已被證實有效^[12]。本研究采用滯后序列分析法，得到四種不同場館學習者的學習行為序列轉換頻次表，據此繪制了四種不同場館學習者的學習行為序列轉換圖，如圖1、圖2、圖3、圖4所示。其中，箭頭方向表示轉換的順序；箭頭粗細和線條上的數字表示轉換的顯著程度，即線條越粗、數字越大，表示顯著性越強。

圖1中，場館學習高沉浸型學習者的學習行為序列轉換具有連續性，產生了最長學習行為序列長度，說明此類學習者在瀏覽場館時學習知識點的行為表現良好；LK-HC的線條相對來說最粗，表示顯著性最強，說明此類學習者在聽講知識后進行人機交互學習的情況較多。另外，圖1中的學習行為序列轉換較為集中，有較強的結構性，沒有游離的單個行為，說明此類學習者有良好的學習習慣；圖2中的學習行為序列轉換更為集中，說明此類學習者行為比較單一；圖3中的學習行為序列較為分散，說明此類學習者的非學習行為較多；圖4中的學習行為序列轉換在四類場館學習者中最為分散，其中BV（瀏覽場館）、PM（播放音樂、視頻）、LK（聽講知識）這三個學習行為較多，而其他學習行為較為分散，說明此類學習者在瀏覽場館時更多地表現為被動學習，并未真正進行深度學習。

3 基于隨機森林算法的行為重要性識別

（1）學習者類型識別

對樣本數據有效的2000名被試產生的13種虛擬場館學習行為進行組合，可產生156種學習行為序列。利用這些數據，結合四類場館學習者的學習情況，考慮到計算過程中算法只能識別1和0，因此本研究將場館學習中、高沉浸型設置為1，而將場館學習低沉浸型、游離型設置為0，目標變量設置為二分類的變量^[13]，采用機器學習模型中具有代表性的隨機森林（Random Forest，RF）模型進行分析^[14]。

為有效評估建構的隨機森林模型的性能，本研究采用了十折交叉驗證法，即通過分析準確率進行十折交叉驗證，結果發現：驗證樣本中有中、高沉浸型樣本206個，其中預測正確的有177個；低沉浸型及以下樣本有395個，其中預測正確的有345個。根據混淆矩陣計算模型的評估指標，得出查全率（Recall）為86.1%、查準率（Precision）為78.0%，說明模型的識別效果較好，能有效識別出中、高沉浸型學習者和低沉浸型學習者，也就是說模型能夠根據用戶行為數據分辨出不同類型的學習者。

（2）行為重要性分析

為探究學習者學習行為序列與學習成績之間的關系，本研究對隨機森林模型中行為序列的重要性進行了分析。行為序列重要性的數字越大，說明該行為序列對用戶學習程度的影響越強。行為序列重要性的數據統計結果如表4所示，其相應的17種學習行為序列均與學習成績有極強的相關關系。選出這17種重要的學習行為序列，可用于后續虛擬場館學習行為干預機制研究。

四 干預機制設計與干預效果分析

1 虛擬場館學習行為干預機制設計

如果對所有學習行為進行干預，就會引起學習者的厭學情緒，所以要篩選出對學習成績影響較大的學習行為序列，以有針對性地對虛擬場館學習行為進行干預。上文選出了17種重要的學習行為序列，其中當AT-SC（答題測試-自我糾正）、SC-CC（自我糾正-評論內容）、HC-CC（人機交互學習-評論內容）、LK-AT（聽講知識-答題測試）、AT-CC（答題測試-評論內容）的行為不足時，需要進行虛擬場館學習行為干預；而當PM-TC（播放音樂、視頻-點贊內容）、BV-CS（瀏覽場館-交流共享）、RS-OT（記錄學習表單-其他）、BV-BP（瀏覽場館-瀏覽圖片）、BV-RS（瀏覽場館-記錄學習表單）、BV-LK（瀏覽場館-聽講知識）的行為過多時，同樣需要及時進行虛擬場館學習行為干預。需要注意的是，學生漫無目的地瀏覽場館和其他與學習無關的行為越多，意味著學生完成其他學習任務的時間越少，說明學生處于場館學習低沉浸或游離狀態，此時應盡快啟動虛擬場館學習行為干預機制。

進行虛擬場館學習行為干預的另一個重要目的，是幫扶在“人體生命科學”虛擬場館學習過程中容易出現注意力渙散情況的學習者集中學習注意力、激發學習興趣。通過對上述四類不同場館學習者的學習行為序列轉換進行分析，本研究發現：除了高沉浸型學習者，其他三類學習者都存在一定的學習問題，尤其是場館學習低沉浸型、場館學習游離型這兩類學習者更需要學習行為干預的介入?；诖?，本研究依據學習行為識別研究的結果，設計了虛擬場館學習行為干預機制（如圖5所示），主要思路如下：首先，根據場館學習者學習行為數據，在場館學習行為識別環節采用模糊C均值聚類法，得到場館學習高沉浸型、場館學習中沉浸型、場館學習低沉浸型、場館學習游離型四類學習者；之后，采用隨機森林算法分辨出不同類型的學習者，并選出17種重要的學習行為序列，據此識別出需要幫扶的學習者；最后，教師通過場館后臺，結合行為序列重要性對需要幫扶的學習者實施學習行為干預。

依托虛擬場館學習行為干預機制，根據需要重點干預的學習行為和虛擬場館自身的學習任務特點，本研究提出了虛擬場館教學干預策略，主要涉及：①場館支架。場館支架以文字、圖像、超鏈接為主，其中文字、圖像支架主要通過學習者自主觸發，超鏈接則主要鏈接到場館學習手冊或外網幫助手冊。②語音導學。虛擬場館的每一項學習任務都設有倒計時，如果倒計時結束還沒有接到學習者的操作指令，系統就會自動開啟語音導學提示，學習者也可操作語音導學按鈕提前開啟語音導學提示。③積分上榜。在每個子場館的連接門處均設有闖關答題，題目是當前子場館的相關知識點內容，采用積分上榜的措施激勵學習者。學習者如果闖關成功，就會在場館學習的醒目位置提示：您的積分已經積累上榜。④子場館調序。學習者可以自主提前預覽6個子場館的主題并了解其難易程度，然后根據自己的學習意愿在進入干預實驗之前選擇子場館的出現順序。⑤視頻導學。學習者可以自主啟動視頻導學。視頻導學是最直接的教學干預策略，其內容以視頻彈窗的形式展示，由視頻中的教師講解當前任務的操作步驟。

2 干預效果分析

心理學家Topping認為，學習是對具體同伴行為的模仿^[15]。學習者通過觀察同伴行為的作用，實現自己對應行為的替代強化^[16]。若同伴的某種行為獲得了正向的社會認可，學習者發生這種行為的傾向也會隨之加強^[17]?；谏鲜鲇^點，本研究對需要幫扶的學習者進行教學干預，旨在探究虛擬場館學習行為干預機制的干預效果。

①干預對象：第一輪實驗得到的場館學習低沉浸型、游離型學習者。更換與第一次實驗中“人體生命科學”虛擬場館布置、內容難度均相同的學習資源后進行干預實驗，時長30分鐘。

②干預結果分析：本研究對場館學習者中低沉浸型、游離型學習者的學習行為進行干預，干預后兩類學習者的學習行為序列分別如圖6、圖7所示，可以反映干預后這兩類學習者的沉浸水平，將其與干預前相應的沉浸水平進行對比，結果顯示：經過干預，1109名場館學習低沉浸型學習者中有165人達到了高沉浸水平、768人達到了中沉浸水平，其他學習者沒有變化；而206名場館學習游離型學習者中有20人達到了高沉浸水平、97人達到了中沉浸水平、67人達到了低沉浸水平，還有22人仍為游離水平?？梢?，虛擬場館學習行為干預機制提升了部分學習者的學習水平。在今后的場館教學中，教師應積極進行教學干預以促進學生改善學習行為，進而提升其學習效果。

五 結語

虛擬場館學習行為識別模型構建與場館學習教學干預機制的設計，可為虛擬場館學習后續研究提供參考。本研究在“人體生命科學”虛擬場館教學中采用模糊C均值聚類法對學習者進行分類，采用隨機森林算法對不同類型學習者的學習行為序列特征進行分析，在此基礎上確定了影響學習者從低沉浸型到中、高沉浸型的行為序列，進而設計了虛擬場館學習行為干預機制。需要指出的是，本次研究也存在一些不足，如目前的學習行為識別僅依靠場館后臺對學習者學習行為的自動記錄、被試學生專業單一等。今后，需加大對虛擬場館學習中多模態數據的收集力度，將眼動實驗、腦電實驗、情緒監測等方面數據也納入研究范疇^[18][19][20]；同時，在虛擬場館中學習者學習效果提升、學習效果評價模型、場館教學干預系統設計與開發等方面也有待進行深入的研究。此外，虛擬場館建設者要加強各類技術的應用，通過構建虛實融合的場館環境為學習者提供個性化學習體驗；教師要有效利用虛擬場館開展教學，為有需要幫扶的場館學習中沉浸型、低沉浸型、游離型學習者提供有效的教學干預，從而為場館學習的發展提供參考，并為解決虛擬場館教學工作提供支持。

————————

參考文獻

[1]Roberts G， Jones T W， Davis E A， et al. Building tasks from verbal instructions： An EEG study on practice trial exposure and task structure complexity during novel sequences of behavior[J]. Cognitive， Affective， amp; Behavioral Neuroscience， 2014，（14）：1356-1374.

[2]Ho C M L， Nelson M E， Müeller-Wittig W. Design and implementation of a student-generated virtual museum in a language curriculum to enhance collaborative multimodal meaning-making[J]. Computers amp; Education， 2011，（1）：1083-1097.

[3]Martín M J， Martín F， Cano M J. Creation of a virtual museum as a learning tool in the teaching of the manufacturing engineering subject[A]. IOP Conference Series： Materials Science and Engineering[C]. Bristol： IOP Publishing Ltd， 2021：1-8.

[4]Caroline M L. Design and implementation of a student-generated virtual museum in a language curriculum to enhance collaborative multimodal meaning-making[J]. Computers amp; Education， 2011，（1）：1083-1097.

[5]高義棟，閆秀敏，李欣.沉浸式虛擬現實場館的設計與實現——以高校思想政治理論課實踐教學中紅色VR展館開發為例[J].電化教育研究，2017，（12）：73-78、85.

[6]陳穎博，張文蘭，陳思睿.基于增強現實的場館學習效果分析——以“AR盒子”虛擬仿真學習環境為例[J].現代遠程教育研究，2020，（5）：104-112.

[7]Lam S F， Jimerson S， Wong B P H， et al. Understanding and measuring student engagement in school： The results of an international study from 12 countries[J]. School Psychology Quarterly， 2014，（2）：213-232.

[8]牟智佳，張勤娜，陳思睿.基于行為序列的學習行為模式識別與教學干預[J].現代教育技術，2020，（5）：74-80.

[9]Hou H T， Wu S Y， Lin P C， et al. A blended mobile learning environment for museum learning[J]. Educational Technology amp; Society， 2014，（2）：207-218.

[10]Sung Y T， Hou H T， Liu C K， et al. Mobile guide system using problem‐solving strategy for museum learning： A sequential learning behavioural pattern analysis[J]. Journal of Computer Assisted Learning， 2010，（2）：106-115.

[11]Hou H T， Chang K E， Sung Y T. Applying lag sequential analysis to detect visual behavioural patterns of online learning activities[J]. British Journal of Educational Technology， 2010，（2）：E25-E27.

[12]Hawks I K. Facilitativeness in small groups： A process-oriented study using lag sequential analysis[J]. Psychological Reports， 1987，（3）：955-962.

[13]Ho T K. The random subspace method for constructing decision forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998，（8）：832-844.

[14]Ishwaran H， Kogalur U B. Consistency of random survival forests[J]. Statistics amp; Probability Letters， 2010，（13-14）：1056-1064.

[15]Topping K J. Trends in peer learning[J]. Educational Psychology， 2005，（6）：631-645.

[16]Altintas T， Gunes A， Sayan H. A peer-assisted learning experience in computer programming language learning and developing computer programming skills[J]. Innovations in Education and Teaching International， 2016，（3）：329-337.

[17]Topping K J， Ehly S W. Peer assisted learning： A framework for consultation[J]. Journal of Educational and Psychological Consultation， 2001，（2）：113-132.

[18]Conati C， Merten C. Eye-tracking for user modeling in exploratory learning environments： An empirical evaluation[J]. Knowledge-Based Systems， 2007，（6）：557-574.

[19]Elgort I， Perfetti C A， Rickles B， et al. Contextual learning of L2 word meanings： Second language proficiency modulates behavioural and event-related brain potential （ERP） indicators of learning[J]. Language， Cognition and Neuroscience， 2015，（5）：506-528.

[20]Floel A， de Vries M， Knecht S， et al. Electrical brain stimulation and verbal learning： Behavioral and structural correlates[J]. NeuroImage， 2009，（S1）：S96.

Research on the Recognition and Intervention Mechanism of Learning Behaviors in Virtual Venues

——Analysis of Learning Behavior of 2000 College Students based on “Human Life Science” Virtual Venue

WU Xin-yi^1，2""" CHEN Xiao-hui^{1[Corresponding Author]}""" ZHAO Jing-wen¹""" CHEN Xiao-ying³""nbsp; XIE Yong-sheng¹

（1. College of Information Science and Technology， Northeast Normal University， Changchun， Jilin， China 130117;

2. College of Culture and Communication， Shenyang City University， Shenyang， Liaoning， China 110000;

3. College of Mathematical Sciences， Beijing Normal University， Beijing， China 100875）

Abstract： Virtual venue learning has the advantage of not being restricted by time and space， but learners are prone to be free-floating in virtual venues. Therefore， the paper firstly took the virtual venue of “Human Life Science” as the experimental platform， and chose 2030 freshmen majoring in clinical medicine in Z University in northeast China as research subjects， and obtained valid sample data of 2000 university students. After that， the fuzzy C clustering method was employed to classify learners， and the lag sequence analysis was used to transform learning behavior sequences， and random forest algorithm was adopted to recognize the types of learners and analyze the importance of behaviors. Further， four types of learners， namely， high-immersion venue learning， medium-immersion venue learning， low-immersion venue learning， and free-floating venue learning， were obtained， and 17 kinds of learning behavior sequences that had great influence on learning achievement were selected. Based on this， the paper designed an intervention mechanism of learning behaviors in virtual venues and analyzed the intervention effect， in order to provide effective instructional interventions for low-immersion and free-floating learners in virtual venues who needed help in teaching， and further improve the learning level and knowledge mastery of venue learners， and provide reference for the application of virtual venue in colleges and universities.

Keywords： virtual venue; learning behavior sequence; venue learning; teaching intervention