混合学习视域下在线开放课程学习行为数据模型研究与应用*

成亚玲　谭爱平

摘   要：文章基于学习者线上/线下学习全过程学习数据，构建了混合学习视域下在线开放课程学习行为数据模型，并进行了实证研究。研究发现：根据学习特征，学习者分为高沉浸型、较高沉浸型、中沉浸型和低沉浸型四类学习群体;社交网络学习行为对认知投入度、情感投入度、学业成绩都产生积极显著影响，而个体学习行为对认知投入度、情感投入度无显著相关。最后，从学业预警等方面提出了建议。

关键词：在线开放课程;学习行为;数据模型;数据挖掘;聚类分析;关联分析

中图分类号：G434 文献标志码：A 文章编号：1673-8454（2020）19-0037-05

一、问题提出

在“互联网+”教育背景下，新一代信息技术与教育教学的深度融合，催生了课程形态与学习方式的不断变革。当前，在线开放课程无疑是适合学习者进行知识技能提升的有效路径之一。然而，在线开放课程学习过程中存在辍学率高、用户粘度低、学习进度拖后、学习互动不高、学习效果有待提高等困境;同时学习过程中产生了海量数据信息，如何从海量数据中挖掘出有价值的数据信息，如何有效地利用这些数据信息改善学习、提高学习者的学习效能，针对以上困境，本文对混合学习视域下在线开放课程学习者的学习行为数据进行深度研究，对学习者数据建模并进行挖掘分析，探究学习行为背后隐藏的教、学规律，以改进教学提升质量。

二、文献综述

近年來，在线开放课程得到了快速发展，同时也产生了大量的师生行为数据、教学评价数据、师生情感数据、课堂管理数据。已有研究表明：学习者的学习行为是学习效果预测的重要影响因素，对学习者提高个性化的教学干预具有重要指导意义。[1]

1.行为基础理论研究

在线行为理论的研究主要集中于学习行为的模型构建、评价指标、影响因素等方面。如彭文辉等人以概念图的形式，构建了网络学习行为系统的概念模型，该模型将网络学习行为分为操作、认知、协作和问题解决等四类。[2]李爽等人基于在线学习行为数据，从学习行为投入指标维度进行了研究。[3]SunM等人探究了学习者的网络行为与群体协作、学习风格之间的相关关系。[4]王钱永等通过UTAUT模型探究了影响MOOC学习行为各因素之间的关系。[5]

2.行为分析技术研究

随着教育数据的海量增长，在线学习行为分析日益受到研究者的强烈关注，其主要体现于在线学习行为数据模型、分析技术两个方面。在学习行为数据方面，如Ochoa Xavier等人认为学习是多通道的活动，从多维度收集数据进行学习分析。[6]魏顺平在资格框架的指导下结合Moodle学习平台数据表结构，构建了学习分析数据模型。[7]在学习行为分析方面主要包含各类数据挖掘算法，比如聚类分析[8]、内容分析法[9]等。

3.行为分析应用研究

学习分析应用研究主要聚焦学习者特征分析、行为建模、学业分析等方面。如Andrade Alejandro通过对学生细粒度的行为数据及注释数据的采集，映射行为数据与学习表现水平之间的关联。[10]戴心来等人对课程论坛交流区的数据，通过社会网络分析法和学习分析工具，将学习群体分为四种类型。[11]杨现民[12]、李爽[13]等人通过序列分析法的应用对学习者行为进行了深入研究。

综上所述，现有相关研究大多聚焦于在线学习行为理论模型、学习行为分析技术及应用领域。对混合学习视域下在线开放课程学习行为数据模型的研究较少。本研究将在混合学习理论指导下，全程全息采集学习者线下、线上的多模态行为数据，在此基础上构建学习行为数据模型并进行实证应用，以期为学校、教师、研究者进行学习行为分析与应用提供参考。

三、混合学习视域下在线开放课程学习行为数据模型构建

1.学习要素分析及学习行为分类

行为科学理论认为在动机的支配下，为满足学习需求与实现目标而进行的行为活动称之为学习行为。[15] 有关学习行为的现有研究大多是指在线学习行为，如“远程学习行为”、“在线学习行为”等。本文研究的学习行为是指混合学习视域下既包含在线学习行为，也包含线下面对面的学习行为。著名的美国教育心理学家加涅（Robert Mills Gagne）从学习过程、学习结果以及学习层次等角度认为，学习要素包含学习者、动作、记忆内容、刺激情境（学习环境）四个方面。[14]国内学者魏顺平等人从学习行为主体、行为客体、发生场所、发生时间维度构建了学习行为要素框架。[15]建构主义理论认为学习是学习者重新构建自身知识结构的过程;[16]行为主义理论则认为学习是刺激与行为的联结;[17]认知主义学习理论认为学习不仅是刺激和反应的联结，更侧重于学习者内部认知结构的改变。[18]诚然不同理论对学习的定义有所不同，但其共同点都表述了学习是一个过程，是学习者在适当的学习环境和媒介下产生了一系列的学习行为。综合上述观点并结合线上学习和线下学习特点，本文提出学习要素包含学习者/学习同伴、学习目标与内容、学习媒介（线上学习平台/线下智慧教室）、学习行为（线上/线下）和学习成果五个方面。

库尔特·勒温的行为分层理论[19]认为学习行为与人类行为同样具有分层特性，即学习行为是由一系列简单行为组成的，其程度从低层次到高层次不断加深。同时，学习行为可以分为外显学习行为和内显学习行为两大类。外显学习行为是指能够被网络学习平台和智慧教室物联网设备记录的行为，如登录平台、浏览资源、编辑资源、视频点播拖放、线下课堂讨论与交流等;而与学习者的学习动机、反思、学习满意度等心理活动相关的行为则属于内显学习行为。学习行为的发生受到学习者自身的信息素养、学习动机、已有知识基础、学习风格等内在因素影响，同时也受到学习资源、学习模式、学习环境等外在条件的影响。

本文结合学习行为要素，学习发生的内外影响因素，前面文献综述中已有的在线学习行为基础理论研究、学习行为分析技术研究等内涵，将在线开放课程学习行为分为社交网络学习、轨迹行为等四类，如表1所示。

2.混合学习视域下在线开放课程学习行为数据采集框架

混合学习视角下的学习行为既包括移动终端的线上活动，又包括应用多种教学模式的线下活动，数据随着教学活动的开展而不断生成。同时，由于学习目标、学习内容、学习环境、学习平台和学习模式的不同，动态生成大量的多元数据使数据的采集更加复杂。本研究在行为科学、系统论及学习分析理论指导下，结合混合学习特点，从“课前导学、课中研学、课后拓学”[20]等环节对学习者学习行为数据进行全方位采集，如图1所示。

课前导学阶段数据采集与分析：教师基于线上学习平台采集学习者学习轨迹数据、导学学习行为数据、导学测评数据，以及学籍成绩管理系统数据库等数据，应用数据挖掘、学习分析等技术，分析学习者的共性与特性;通过分析学习者个体的知识基础、学习兴趣、学习风格、学习状态及导学学习情况，得到学情分析报告。根据学情分析报告，教师可以精准地识别学习者的认识水平、学习兴趣，预测学习的潜在问题和风险，并调整教学设计和策略;让学生客观认识自己、调整学习策略，有效地促进教与学。

课中研学阶段数据采集与分析：通过智慧教室物联感知、视频录制、图像识别等技术采集线下课堂多模态学习行为数据;通过学习平台工具采集学习者信息的检索、沟通协作、交互、实时测评等数据。通过对采集的数据进行去重、去噪、转换、缺失处理等预处理后，应用聚类分析、关联分析、序列分析等技术对学习行为数据进行深入挖掘。如：应用关联规则技术挖掘学习者个性特征、学习行为、学习资源三者之间的内在联系，为学习者推荐个性化的学习资源;应用序列分析技术挖掘出学习者在学习过程中的规律、意愿，根据其个体特性推荐合适的学习路径，促使教学中教师更加精准地教、学习者更加个性化地学。

3.混合学习视域下在线开放课程学习行为数据模型构建

本文将混合学习视域下在线开放课程学习行为分为轨迹行为、社交网络学习行为、资源学习行为和评价反思行为四类。其中轨迹学习行为是指学习者在网络学习平台中的登录、退出、网页的跳转等行为和线下课堂到课率、问题抢答等行为。社交行为是指学习者在网络平台论坛模块、问答模块、个人空间模块的实时性/异步交流、讨论式交流等行为，以及线下智慧课堂中师生、生生面对面的交流和沟通，如探究、协同解决问题等行为。资源学习行为是指学习者在网络学习平台的资源模块、论坛模块中对学习资源进行访问学习、编辑和发布信息等行为，同时还包含线下课堂中团队协作完成具体学习任务而进行的系列资源查找、分享等活动行为。评价反思行为属于隐性的学习行为，是指作业/习题模块、测评模块、项目作品展示评价等环节的学习行为。在混合学习视域下在线开放课程学习行为分类属性基础上，从轨迹、社交网络学习、资源学习和评价反思四个维度进行混合学习视域下学习行为数据模型构建，如图2所示。其中LB指的是学习行为，BD指的是行为维度（BD1为轨迹学习维度、BD2为社交网络学习维度、BD3为资源学习维度、BD4为评价反思学习维度）。

四、学习行为数据模型实证研究

1.研究实施过程

（1）研究样本选择与研究案例描述

本研究以“数据结构”课程为例，对混合学习视域下学习行为数据模型进行实证研究。该课程于2018—2019年度第二学期开设，历时16周。本研究选取湖南工业职业技术学院489名大一学生为研究对象，其中女生148人、男生341人。该课程学习任务分为八个学习项目，包括数据结构概述与顺序表的实现、链表的实现、栈的实现、队列的实现、串的实现与应用、稀疏矩阵的存储、二叉树的操作与应用、查找算法应用。该课程线上教学基于智慧职教MOOC学习平台、线下课堂基于智慧教室开展混合式教学。

（2）研究过程与方法

本研究基于混合学习视域形成在线开放课程学习行为数据采集框架（见图1），对《数据结构》课程从“课前导学、课中研学、课后拓学”等教学环节对学习者的学习行为数据进行全方位持续采集、存储。通过数据清洗、数据集成、数据变换等对线上平台采集的结构化数据和线下平台采集的半结构或非结构化数据进行原始数据的预处理。本研究选用聚类分析、关联分析、序列分析等数据挖掘技术对学习者的学习行为进行深入挖掘，发现学习行为背后隐藏的规律，从而为学情分析、学习干预、个性化学习资源推荐等提供科学有效的教学决策支持。

2.研究结果分析

（1）学习者学习类型聚类分析

基于职教MOOC平台采集数据以及基于智慧教室采集视频、音频和图像监控等数据，本研究将个体学习行为转化为具体的个体学习行为类别，以此来描述学习者的轨迹行为、社交行为、资源学习行为和评价反思行为。将学习者进行聚类分析，先建立特征数据表，用于描述聚类对象（学习者）的属性特征并将其数据化。然后根据对象数据类型、结构、数量选择合适的聚类方法，在本研究中选择K-means聚类方法，利用SPASS聚类分析软件，选取“学习时长”、“学习互动次数”、“作业完成次数”、“学习总成绩”四个变量，按照相似度进行聚类分析。通过聚类分析将学习者分为高沉浸型等四类，如表2所示。其中，“高沉浸型”学习者具有对线上网络学习平台黏度高、参与度高、积极性高、乐于协作学习和自我调控能力强等特点。该类学习者的學习总成绩分为两类：一类是高成绩型;另一类是低成绩型。对于低成绩型，虽然其参与度高也很努力，但学习效果不理想，究其原因可能是学习者自身学习策略不恰当所致。

（2）学习行为与认知投入度、情感投入度的相关性分析[21]

学习行为与认知投入度、情感投入度的相关性分析如表3所示。个体学习行为与认知投入度、情感投入度的相关系数分别为0.262、0.291，研究显示个体学习行为与情感投入度存在较强正相关，而个体学习行为与认知投入度无显著相关。社交网络学习行为与认知投入度、情感投入度的相关系数分别为0.735、0.796，它们均在0.01水平上存在高度正相关。

（3）学习行为与学习成绩等方面的相关分析

学习行为与学习成绩等方面的相关分析如表4所示。研究显示社交网络学习行为与学习满意度、课程持续使用意向存在强正相关性，与学习成绩呈较强相关;然而，个体学习行为与学习成绩、满意度、课程持续使用意向均无显著相关。

五、结论与启示

本研究采集学习者学习全过程数据，并进行了学习行为数据建模分析。重点对学习者的学习类型聚类，社交网络学习行为与认知投入度、情感投入度、学习效果之间的相关性进行了分析。学习者学习类型聚类分析研究结果表明：混合学习视域下在线开放课程学习者聚类分别为高沉浸型、较高沉浸型、中沉浸型和低沉浸型四大类。社交网络学习行为与认知投入度、情感投入度的相关性分析研究结果表明：认知投入度、情感投入度与社交网络学习行为产生显著影响，这一研究结论与学习投入理论中认知投入因素、情感投入因素和社交网络学习（网络学习）行为之间的关系相吻合。[22]社交网络学习行为与学习成绩、学习效果的相关性分析研究结果表明：社交网络学习行为能有效提高学习满意度和课程持续使用意向，呈现强相关性;同时，社交网络学习行为与学业成绩呈现较强的正相关性。

综合上述研究结论，课题组从学业预警、调整教学策略、推送适应性服务等方面提出几点建议：

（1）针对不同学习者类型进行相应的学业预警和干预。如，教学者根据学习者前期、中期学习行为数据及时进行学习效果预测，并基于预测结果动态调整教学策略和教学内容，从而有效进行精准干预：对低沉浸型学习者及时给予恰当的干预使其向高沉浸型、较高沉浸型学习群体转变;同时，根据学习行为预测其学习效果，及时给予相应的学业预警和干预，以提高其学习效果。

（2）针对不同学习者类型调整制定教学策略，实现因材施教。聚类分析结果有助于教学者根据学情进行科学的教学决策。如，对低沉浸型学习者，教师可以深究学业困难原因调整指导学习策略并重点对其进行监督，提高其学习兴趣与参与度，督促学习进度;同时，教师还可以通过提高注意力、同伴激励等多种途径提高学习者的学习动机，提供学习者感兴趣的资源，最终使其向高沉浸型学习群体转移。

（3）针对不同学习者类型推送适切的个性化服务，包括适切的学习资源、适切的学习路径、不同的评价等。如，对高沉浸型学习者可以推送一些拓展性资源;针对低沉浸型学习者，及时预警并推送难度较低且感兴趣的资源和适宜的学习路径，同时设置奖励性的闯关项目来激发其学习动机，从而达到提高学习效果的目的。

研究还存在不足，如本研究样本数据仅仅来源于一门课程数据，研究结论的信度有待进一步验证。

参考文献：

[1]张红艳，梁玉珍.远程学习者在线学习行为的实证研究[J].远程教育杂志，2013（6）：42-48.

[2]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.

[3]李爽，王增贤，喻忱等.在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J].开放教育研究，2016（2）：77-88.

[4] Sun M，Luo J T，Qian D M，et al.Making sense of online learning behavior： A research on learning styles and collaborative learning data[J].2014（23）：25-31.

[5]王钱永，毛海波.基于UTAUT模型的MOOC学习行为因素分析[J].电化教育研究，2016（6）：43-48.

[6]Ochoa X，Worsley M，Weibel N，et al.Multimodal learning analytics data challenges[C].Proceedings of the Sixth International Conference on Learning Analytics & Knowledge，ACM，2016：498-499.

[7]魏顺平.学习分析数据模型及数据处理方法研究[J].中国电化教育，2016（2）：8-16.

[8]Hartigan J A，Wong M A.Algorithm AS 136：A K-Means Clustering Algorithm[J].Applied Statistics，1979，28（1）：100-108.

[9]Pedro M O，Baker R，Bowers A，et al.Predicting college enrollment from student interaction with an intelligentring system in middle school[C].Education Data Mining 2013，2013.

[10]Andrade A.Understanding student learning trajectories using multimodal learning analytics within an embodied-interaction learning environment[C].Proceedings of the Seventh International learning Analytics & Knowledge Conference ACM，2017：70-79.

[11]戴心来，王丽红，崔春阳等.基于学习分析的虚拟学习社区社会性交互研究[J].电化教育研究，2015（12）：59-64.

[12]杨现民，王怀波，李冀红.滞后序列分析法在学习行为分析中的应用[J].中国电化教育，2016（2）：17-23.

[13]李爽，钟瑶，喻忱等.基于行为序列分析对在线学习参与模式的探索[J].中国电化教育，2017（3）：88-95.

[14]杨金来，洪伟林，张翼翔.网络学习行为的实时监控研究与实践[J].开放教育研究，2008（4）.

[15]魏顺平，韩艳辉，王丽娜.基于学习过程数据挖掘与分析的在线教学反思研究[J].现代教育技术，2015（6）：89-95.

[16]王竹立.新建构主义：网络时代的学习理论[[J].远程教育杂志，2011（2）：11-18.

[17]刘丹丹.基于在线学习平台的学习行为数据模型研究[D].武汉：华中师范大学，2017.

[18]潘丽佳.MOOC设计、学习者参与度和学习绩效的关系研究[D].杭州：浙江大学，2015.

[19]（德）库尔特·勒溫著;高觉敷译.拓扑心理学原理[M].北京：商务印书馆，2003.12.

[20]成亚玲，谭爱平.基于慕课的混合学习教学设计探讨[J].成人教育，2018（7）：35-39.

[21]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（1）：74-80.

[22]Schaufeli W B，Martinez I M，Pinto A M，et al.Burnout and engagement in university students： A cross-nationalstudy[J].Journal of Cross-Cultural Psychology，2002（5）：464-481.

（编辑：王天鹏）