疫情防控背景下高职院校学生在线学习效果控制机制研究

刘可 唐世星 聂帅帅 柯凤琴

摘   要：学生在线学习效果控制机制是落实“停课不停学”的指挥棒。文章以当前防控形势下“辅助讲授+实时主体讲授”结合的线上教学模式为典型案例，结合课前、课中、课后三个教学环节筛选出预习完成率、活动参与率等6个学生在线学习行为指标。然后通过K-中心点聚类算法将学生在线学习行为分为主动型、自由型和被动型三类，并分别回归了学习效果与学习行为之间的数学关系。研究结果表明，课前预习完成率和参与直播时长的回归系数均在0.3以上，是控制學生在线学习效果的主控因素。因此，为提高学生的在线学习效果，应从课前预习、课堂直播和学习积极性等3个方面改善学生的在线学习行为。

关键词：在线教学;学习行为;学习效果;数据挖掘;控制机制

中图分类号：G622 文献标志码：A 文章编号：1673-8454（2020）15-0063-05

一、引言

随着“互联网+教育”的发展和教育部《教育信息化十年发展规划（2011—2020年）》的要求，依托于网络共享性、交互性、时效性和开放性等特点的网络学习已经成为各大院校教育教学不可或缺的手段。尤其是在当前新冠肺炎疫情防控形势下，为响应教育部“停课不停教、停课不停学”号召，各大院校都在尝试使用云班课、雨课堂等网络教学平台开展线上教学。可以说，以往充当辅助教学手段的线上教学已成为学生学习的唯一途径。但是，这种教学方式和学习方式的转变能否保证学生的学习质量，是当前社会各界最为关心的主要问题之一。因此，分析学生的网络学习行为，并指出影响其学习效果的主控因素，对提高学生学习效果，优化教师线上教学方式有着重要的指导作用。

自21世纪初网络学习兴起，学者们就尝试从行为学角度构建网络学习理论，包括网络学习行为的概念、内涵、特点以及影响因素等。例如彭文辉等人[1]的系统概念模型、马志强等人[2]的基于学习投入理论的网络学习行为模型等。但是，现有的理论模型只是反映了网络学习行为的某一个方面或某一类性质。如何进一步与行为科学、心理学等相关理论融合，将这些模型在更高层次上整合起来，构成一个完整的图式和系统，还需要很长的研究历程。因此，现阶段从理论层面研究网络学习效果还存在较大的局限性。为此，部分学者将研究点转向了网络学习个案的调查研究与对策分析上。如徐红彩[3]对河北、江苏、山东三省5所普通高校在校大学生的学习行为进行了调查。个案的调查研究结果对优化网络学习平台设计、提高网络学习效果有一定的指导作用，但推广性差。

近几年，随着大数据、数据挖掘等技术的发展，学者们尝试从数据角度研究网络学习行为。如Amershi等[4]采用分类方法构建了不同学习环境下的学习者模型;Vaessen等[5]采用聚类和回归算法探讨了求助策略与学习成绩的关系;傅钢善等[6]利用显著性分析研究了学习行为特征与学习效果的关系;赵慧琼等[7]采用多元回归分析法探究了影响学生学习绩效的预警因素;李珊等[8]探讨了基于Web日志与用户浏览行为的用户浏览兴趣模式数据挖掘模型;柴艳妹等[9]综述了核心数据库中2008—2017年有关数据挖掘和网络学习的文献发现，这一研究领域正处于新兴阶段。

综上，学生线上学习机制复杂，影响因素多，其基本理论还需要很长的时间完善，而数据挖掘技术为研究网络学习行为提供了一种有效且可行的手段。为此，笔者在调研我校疫情防控期间线上教学模式的基础上，以我校某专业学生某一课程为典型案例，通过挖掘学生网上学习效果主控因素，制定疫情防控背景下的线上教学策略。

二、线上学习行为指标

网络教学平台是实施线上教学的载体。目前，国内外已经研发了多个网络教学平台，如Black Board、“雨课堂”等。但从软件的功能与应用来看，网络教学平台的研发与使用仍然处于探索阶段[10]。因此，采用不同的教学平台往往能形成不同的教学模式，其对应的学习效果影响因素也有一定程度的区别。

1.网络教学平台选择

近10年来，我校一直注重信息化课程改革，推广智慧职教、云班课等辅助课程讲授型教学平台，对课程教学的六个要素（讲授、讨论、作业、实验、考试和教材）进行支持或辅助[11]。在疫情防控形势下，为保证线上教学“质量在线”，要求教师必须把课堂从教室搬到线上。中国大学MOOC、学堂在线等主体讲授型教学平台能够通过录课的形式将授课过程上线，但不能满足师生的实时交互。而且，由于不同专业学生的培养目标有一定的差异性，课程的通用性较差，达不到因材施教的目的。为此，腾讯、阿里等互联网巨头相继推出了实时交互的主体讲授型教学平台，其特点是教师能够以视频直播的形式授课，如腾讯课堂、钉钉等。可想而知，未来既能满足实时授课又能辅助课程讲授的综合型教学平台将成为发展趋势。在现阶段，教师则需结合多个教学平台的优势，实现完整的教学活动。本文统计了疫情防控期间我校479名教师的线上教学平台选择情况，如表1所示。

从表1可以看出，有53.44%的教师选择了“云班课+腾讯课堂”的组合教学平台。推测其原因主要有二个：一是大部分教师对云班课软件相对比较熟悉。同时，云班课在学生考勤、作业布置、资源推送、活动发布等教学辅助方面功能完善，能够满足辅助教学的要求。二是相对于腾讯会议、抖音等直播软件，腾讯课堂是一款较为专业的教学平台，具备课堂讨论、屏幕分享等功能，授课过程与线下的课堂教学最为接近，且信号稳定，不卡顿。因此，“云班课+腾讯课堂”的组合教学平台成为当前最受教师欢迎的组合模式。

2.典型教学模式

同线下教学一样，线上教学同样包括课前、课中、课后三个环节。而且，每个阶段的学习行为都会影响到最终学习效果。因此，本文以“云班课+腾讯课堂”为典型线上教学模式，如图1所示，从三个教学环节中量化学生的学习行为指标。

（1）课前自主学习行为指标

课前，教师通过云班课来设置云教材学习内容、推送学习资源等。学生通过查阅云教材、课件等资源，完成课前自主学习。教师可通过平台提供的教材预习完成率、资源查看率、课前活动参与率等指标监控学生自主学习行为。

（2）课中深化学习行为指标

课中，教师在腾讯课堂完成主体授课。学生通过观看直播、参与课堂互动等完成课中深化学习。教师可通过平台提供的课堂签到率、参与直播时长、课中活动参与率等指标监控学生的深入学习行为。这里，为方便后续建模，将学生参与直播时长进行无因次化，即无因次化后的参与直播时长为学生实际参与直播时长与教师直播时长的比值。

（3）课后拓展学习行为指标

课后，教师在云班课进行课后作业发布、课后讨论活动。学生可通过腾讯课堂观看回放巩固复习，并在云班课参与课后讨论，完成作业。教师可通过平台提供的观看回放时长、作业得分、课后活动参与率等指标监控学生的拓展学习行为。这里，同样将观看回放时长和作业得分进行无因次化。其中，无因次化后的观看回放时长为实际观看回放时长与教师直播时长的比值，无因次化后的作业得分为实际作业得分与作业满分的比值。

综上，学生学习行为指标主要包括预习完成率、资源查看率、课堂签到率、参与直播时长、观看回放时长、作业得分以及活动参与率。由于学生参与直播时长已整体反映了学生的考勤情况，为避免“因素共线”，这里不再选取课堂签到率作为影响因素。同时，每个环节的活动参与率反映了学生学习的自主性和积极性，这里将所有教学活动整合，以整体活动参与率衡量。因此，最终选择的学习行为指标分别为：预习完成率X1、资源查看率X2、参与直播时长X3、观看回放时长X4、作业得分X5以及整体活动参与率X6。

三、模型建立

以學生考试成绩Y表征线上学习效果，建立学习效果与学习行为之间的数学关系。考试成绩同样进行无因次化处理，无因次化后的考试成绩为学生的实际成绩与满分成绩的比值。这里以我校《电子商务数据分析》课程为案例，统计了我校162名学生疫情防控期间的学习行为数据，考试成绩为线上教学八周后的期中考试成绩。

1.学习行为聚类

学生的学习行为参差不齐，统计得到的学习数据特征差异性较大。为便于后续分析，可先根据数据的差异性进行聚类。聚类分析是一种基于数据之间的相似程度来进行数据分组的方法[12]。这种相似度往往采用数据间的欧几里得距离、曼哈顿距离、闵可夫斯基距离等来衡量，聚类的原则是组内距离最小化或组间距离最大化。目前，K-means算法是最为典型的聚类算法之一[13]，它是在最小误差函数的基础上将数据划分为K类。由于K-means算法以簇的平均值作为中心点，导致该算法对孤立点比较敏感。为改变这一缺陷，选用离簇平均值最近的对象作为中心，这种方法叫做K-中心点聚类算法。但是，将数据划分为几类一直缺乏科学依据。目前，较为合理的做法是基于多种判别准则，综合选取。这里采用R语言中NbClust（）包中有26种判别准则来确定聚类个数[14]，结果如图2所示。

从图2看出，在26种判别准则里，有9种判别准则选择将数据划分为3类，8种判别准则选择将数据划分为2类。因此，K值选择取3比较合理。

采用K-中心点聚类算法将学生线上学习数据划分为3类，如图3所示。

从图3可以看出，两个变量覆盖了87.15%的数据点，K-中心点聚类算法较好地把数据分成了3类，算法运行结果较好。三类的中心点Y取值依次为0.73、0.91和0.63，分别代表了“自由型”（71人）、“主动型”（71人）和“被动型”（20人）三种学习行为。

2.学习效果回归

为定量确定各个学习行为参数对学习效果的影响，需建立回归模型。常用的回归方法有多元回归、神经网络和支持向量机[15]。考虑多元回归分析方法相对于神经网络、支持向量机等方法具有操作简单、关系明确的优点，这里选择建立多元回归模型。因此，对三类学生分别建立学习成绩与其学习行为参数间的数学模型，模型拟合效果如图4所示。

从图4可以看出，回归模型预测的考试成绩与学生的实际考试成绩基本重合，拟合度达0.99。因此，模型拟合度高，满足后续分析的要求。

四、结果讨论

本文分析了不同类别学生线上学习效果的主控学习行为，并针对性地优化教学方法。

1.线上学习效果控制机制

由于回归模型所用的各个学习行为参数均为同数量级的无因次归一化参数，因此可以用各参数回归系数表示因素的相对重要程度，三个拟合方程系数如图5所示。

从图5可以看出，在三类学习行为中，课前预习完成率和参与直播时长系数均在0.3以上，而资源查看率和观看回放时长系数均在0.07以下，说明学生线上学习效果与课前预习、课程直播关系较大，与资源查看率和观看回放时长的关系不明显。

进一步地，对于主动学习型学生，预习完成率、参与直播时长、活动参与率系数分别为0.3、0.3和0.23，说明做好课前预习、参与直播课和课程活动是保证学生学习效果的主控因素。对于自由学习型学生，参与直播时长、预习完成率的系数分别为0.53和0.33，是制约其学习效果进一步提高的主控因素。因此，为进一步提高这类学生的学习效果，应从加强课前预习和课堂参与程度上入手。对于被动学习型学生，预习完成率、作业得分率、活动参与率和参与直播时长回归系数分别为0.37、0.36、0.33和0.29，说明这类学生在课前、课中和课后等3个环节参与度都较差，因此，提高其学习积极性是关键所在。

2.线上教学改进意见

学生的线上学习效果与课前、课中、课后三个环节参与程度都有一定的关系，而且，不同的学习行为，其学习效果的控制机制不同。在线上教学的过程中，不同学习行为的学生混杂在一起，如何最大化提高整体的学习效果，是教师教学过程中应该重点考虑的问题，结合上述分析结果，建议实施以下教学策略。

（1）做好课前预习活动设计

从回归系数来看，课前预习完成率在所有学生的学习效果中均有较大占比。因此，在线上教学过程中，教师应注重课前预习活动环节的设计，如设计云教材学习、分享课前学习资源、开展课前测试等活动。同时，教师应实时监控学生的课前活动完成情况，重点监控被动型学习行为的学生，通过提醒、点名等方式保证课前活动完成率。

（2）提高课程直播参与率

由于线上教学过程中教师与学生处于不同的空间，教师很难对学生的学习行为进行实时监控。尤其是课中直播环节，该环节相对于课前和课后环节，学习时间较短。但却是学生线上学习最为重要的环节，回归模型中参与直播时长的回归系数也证实这一观。因此，教师在直播中应明确教学目标，加强互动讨论，多采用启发式、引导式的教学方式，保证学生注意力不离线。对于一些自由学习型和被动学习型学生，课前督促其参加课堂直播。同时，课中采用不定时提问、不定时签到等方式提高学生的直播课程参与率。

（3）提高学生的学习积极性

从活动参与率的回归系数来看，线上教学要把“学生的学”作为主体。因此，教师在每个教学环节应注重提高学生的积极性。这种积极性不是靠教师的监督或督促形成的，而是学生自主形成的。这就要求教师在教学活动中最大化地激发学生的学习兴趣，对于自由型和被动型学生，有意识地纠正其学习行为，让学生都能够深度参与所有教学活动。

五、结论

（1）通过收集学生的线上学习数据，建立学习效果与学习行为之间的数学关系可以指出学生线上学习效果的主控机制，即從数据角度研究学生的线上学习行为是可行的。

（2）学生的线上学习效果受课前、课中、课后三个环节的学习行为制约，不同学习行为的学习控制机制也有一定的区别。从本文研究的案例来看，提高学生的预习完成率、参与直播时长和活动参与率等3个学习行为指标有利于改善学生学习效果。

（3）学生的在线学习行为具有多元性和多层次性，学习效果与学习行为之间的关系具有线性与非线性关系共存的特点。建议在本文研究的基础上，构建学生线上学习行为的大数据平台，深入挖掘学生线上学习机制，以指导疫情防控形势下线上教学的有效开展。

参考文献：

[1]彭文辉，杨宗凯，刘清堂.网络学习行为系统概念模型构建研究[J].中国电化教育，2013（9）：39-46.

[2]马志强，苏珊，张彤彤.基于学习投入理论的网络学习行为模型研究——以“网络教学平台设计与开发”课程为例[J].现代教育技术，2017，27（1）：74-80.

[3]徐红彩.在校大学生网络学习行为的调查与研究[J].电化教育研究，2005（6）：61-63.

[4]Amershi，S.，Conatl，C. Combining unsupervised and supervised classification to build user models for exploratory [J].Journal of educational data mining，2009，1（1）：18-71.

[5]Vaessen，B .E.， Prins， F.J.， Jeuring， J. University students achievement coals and help-seeking strategies in an intelligent touring system[J].Computers and education，2014，72： 196-208.

[6]傅钢善，王改花.基于数据挖掘的网络学习行为与学习效果研究[J].电化教育研究，2014（9）：53-57.

[7]赵慧琼，姜强，赵蔚等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017，38（1）：62-69.

[8]李珊，刘继超，邵芬红.Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析[J].现代电子技术，2017，40（5）：22-25.

[9]柴艳妹，雷陈芳.基于数据挖掘技术的在线学习行为研究综述[J].计算机应用研究，2018，35（5）：1287-1293.

[10]程璐楠，韩锡斌，程建钢.MOOC平台的多元化创新发展及其影响[J].远程教育杂志，2014，32（2）：58-66.

[11]智敏.智慧教室环境下的课堂教学互动行为分析[D].武汉：华中师范大学，2019.

[12]金建国.聚类方法综述[J].计算机科学，2014，41（S2）：288-293.

[13]伍育红.聚类算法综述[J].计算机科学，2015，42（S1）：491-499，524.

[14]颜节礼，唐建荣.应用统计学[M].西安：西安电子科技大学出版社，2016.

[15]王小川，史峰，郁磊等.MATLAB 智能算法 30 个案例分析[M].北京：北京航空航天大学出版社，2011.

（编辑：王晓明）