大规模私有在线课程微观交互行为模式探究

程 罡 ，孙 迪，罗 恒

(1.国家开放大学 学习资源部(数字图书馆)，北京 100039；2.大连理工大学 高等教育研究院，辽宁 大连 116024；3.华中师范大学 教育信息技术学院，湖北 武汉 430079)

一、引言

学习本质上是一系列随着时间的展开而发生不同行为的交互事件[1-3]，交互则是学习取得成功的重要基础[4-8]。近年来，越来越多的研究者认为，对于交互的研究，不能忽视时间和顺序这两个重要的特征[9]。交互的时序特征可以帮助我们理解学习的发生、发展和结果[10]。随着时间的推移，微观而高频的交互行为可以揭示学习者在学习过程中呈现的某些普遍行为模式[11][12]。因此，以时序性为基础，对于大量微观交互行为的深度挖掘，可以帮助我们探究学习过程中细粒度的交互模式，从而更好地理解学习过程。

在线学习中学习者的交互可以分为中观的活动和微观的行动两个层面：中观层面的交互活动通常指在线学习平台中设置的一系列交互操作的课程模块，例如介绍、内容、论坛、测验、作业等；微观层面交互行为是指交互活动中包含的具有教育意义的典型行为，如查看、删除、写入、创建等[13]。目前，大多数研究集中在活动层面[14]，但是，活动层面的研究掩盖了学习过程中一些更为微观和连续的行为，可能降低研究的意义，无法解释学习过程中的某些重要方面。此外，在一个长期的学习过程中，学习者行为模式的演变，以及多样化的学习者群体之间交互模式的异同，也有待更深入的梳理和分析。

因此，本研究聚焦于微观层面上的交互行为，采用序列模式挖掘(Sequential Pattern Mining)的方法，从更细粒度和更精确的层面上探究了不同成就的学习者群体之间交互行为模式的特点及其对学习的影响。从而更好地帮助教师和管理者在课程教学的不同阶段识别不同类型的学习者，并给予更加有针对性的教学干预措施。

二、序列模式挖掘

序列模式挖掘(Sequential Pattern Mining)是一种通过寻找高频行为序列来从研究微观学习行为的方法，在对行为的时序特征进行编码的基础上，该方法可以挖掘个人和群体的典型行为模式[15][16]。序列是一组有序的微观行为操作，子序列是从原始序列中生成的新序列，它过滤掉一些无关行为，同时保持其余行为的相对位置(例如：“xaxxbxxcxxdx”序列中的“abcd”的子序列)[17]。给定一个存储学习者交互信息的数据库，序列模式挖掘的目标是在所有可能的学习者交互行为中找到最优的序列[18][19]，进而将不同学习成绩的学习者分离到不同的学习过程中，其结果可以用于提高学习质量和解决相关问题[20]。

目前为止，大致有几种经典的序列挖掘技术。例如：广义序列模式挖掘算法(Generalized Sequential Pattern Mining，简称GSP)[21]、PexSPAM算法(Pex-Sequential PAttern Mining)[22]、基于等价类的序列模式挖掘算法(the Sequential Pattern Discovery using Equivalence classes，简称SPADE)[23]、频繁模式投影序列模式挖掘算法(Frequent Pattern-projected Sequential Pattern Mining，简称FreeSpan)[24]，以及前缀投影序列模式挖掘算法(Prefix-projected Sequential Pattern Mining，简称PrefixSpan)[25]。这些算法的总执行时间、频繁序列识别、最大使用内存等等属性各有优劣，综合而言PrefixSpan是一种更为有效的算法[26]。研究者对学习过程的交互研究往往是基于不同类型的交互数据和分析方法而开展的。

三、基于序列挖掘的学习交互研究

(一)基于文本和视频数据的序列模式研究

大多数研究者主要基于文本数据对学习中的时序交互进行研究，例如讨论、学习反思、语篇文本、课程日记等。这类研究的学习环境主要是协作学习。例如，Chiu和Khoo将54名小学生分成了18个小组，收集了他们在计算机辅助环境下进行协作学习的51,338个对话文本[27]。研究者们将对话分为认知活动、元认知活动、关系活动、程序性活动和开小差活动，通过挖掘序列关系来预测较低和较高的认知水平。李艳燕等人结合领域本体、自然语言处理和关联规则挖掘技术，设计并开发了一个兼具智能化和可视化的整合性工具，集文本分析和内容分析为一体，用于协作学习中的交互过程的分析和评价[28]。Chu等人确定并分析了大规模开放在线课程论坛中的交互讨论模式。他们使用LIP-Miner算法分析学习者和教师的交互，并找出了所有高频的交互模式[29]。

为了强调协作学习是通过不断演变的对话交互来实现的，基于1到6年级学习者的语篇文本，Chen等人对可以区分语篇文本中多样性主题的序列模式进行了挖掘。研究发现某些频繁出现的序列模式可以有效的区分学习者在知识建构的过程中体现出的多样性主题，例如：持续性的理论化，证据的综合使用，以及所提出的理论的问题化[30]。2019年，Zheng等人研究了在线聊天和学习者日志中自我交互和社交交互活动中的序列，及其对学习者群体的影响[31]。该数据来自高中和大学的156名学习者，他们在计算机支持的协作学习环境中完成了一项STEM的学习任务。结果表明，成功的学习者群体表现出更频繁和更多样化的监控和调节活动；此外，社会交互的时间可以影响合作学习的成功。

一些研究人员除了通过文本数据来分析学习行为的序列模式，还通过分析视频数据来挖掘有意义的序列模式。例如，基于3组不同学习策略，Sung等人对于视频记录的学习行为进行序列和频率分析，确定了65名小学生的不同行为交互模式。他们发现，使用手机导学的学习者群体与同伴之间的双向交互水平更高，与学习相关的讨论也更多[32]。同样，为了研究在协作学习的不同阶段中，交互事件的时间序列是如何出现的，Malmberg等人对于为期两个月的课程中22小时的视频数据进行了序列和时间分析。研究结果表明，协同调控、规划、元认知监控在任务执行过程中起到了促进作用[33]。宋宇等人为了对课堂对话的过程性规律进行解析，采用关联规则挖掘等方法对255节中小学课堂对话的演进序列进行了分析。研究发现不同科目的对话演进规律区分明显；高质量的课堂对话以螺旋式结构延展上升，发挥了知识建构的作用[34]。

(二)基于行为日志的序列模式研究

序列模式挖掘的另一项研究的重点是通过分析学习者留在学习管理系统中的行为日志文件(Log Files)来揭示序列行为模式的深层次特征。Nesbit和同事使用gStudy软件收集了103名大学生自主学习的日志文件。他们使用日志解析和数据挖掘的方法，从复杂的微观交互行为中识别出连贯的学习行为，并在此基础上，挖掘出了一组参与者普遍采用的序列模式[35]。杨现民通过序列模式挖掘的方式，探索学习者在网络资源共享平台中对学习资源的浏览、编辑、分享、评论、上传等不同类型行为的模式，探索行为之间的高频转换模式以改进平台的设计，以及优化资源共享社区运营的策略[36]。Doko等人基于学习者的视频观看日志、视频片段和时间序列数据，运用序列挖掘的方法解码了学习过程。他们引入了序列模式挖掘的理论和方法来识别最重要或最困难的学习，建构了一个通过序列模式挖掘方法来理解最困难的学习主题的模型[37]。王亮基于学习者与平台资源的交互行为，创建了时间序列前后关系的特征变量，建立了机器学习预测模型，并验证了随时间推移的模型准确性和应用价值，探讨了学习者在时间跨度中学习行为随时间序列前后关联带来的结果影响[38]。

(三)基于不同学习主题的序列模式研究

其他对于微观学习行为序列挖掘的研究集中于一些特定的学习领域或主题，如学习风格、基于游戏的学习、概念映射过程和推荐系统等。Graf等人指出，在计算机辅助环境中基于不同学习者的学习风格提供支持，可以提高学习者的学习绩效。因此，他们调查了在线课程中学习者导航的行为模式。结果表明，不同学习风格的学习者使用不同的学习方式与课程进行交互[39]。同样，Fatahi等人认识到识别序列行为模式可以为确定学习风格提供有用的信息。他们挖掘了一些高频的序列行为模式。结果表明，序列行为模式对于学习风格的预测具有较高的准确性[40]。

为了帮助理解学习过程，一些研究者将注意力转向基于游戏的学习环境，挖掘典型的序列行为模式。Hou编写了一份大型多人在线教育游戏平台中学习者的操作日志，以分析学习者的知识构建、同伴交互和问题解决过程[41]。2015年，他又研究了基于游戏的学习过程中的交互行为模式[42]。2017年，通过利用学习者与嵌入游戏环境中的各种工具交互时获取的游戏玩法数据，Kang等人扩展了以往关于学习者认知过程中行为模式的研究，他们将统计分析与序列模式挖掘相结合，对不同专业学习者的学习模式进行了分析[43]。

受序列模式挖掘技术在各种学习环境中的应用启发，有研究者提出用通过挖掘学习交互模式来探究学习者概念图的构建。他们采用了序列模式分析的方法对187名大学生的概念映射数据进行分析。结果显示，创建高级概念图的学习者使用的映射序列模式是相似的[44]。类似地，2018年，Sun等人运用序列模式分析了综合概念图和课堂投票系统对学习者的学习表现、注意行为和与相关脑电波的影响。结果表明，课前纸笔概念映射法提高了学习动机较低的学习者的测验成绩，而投票概念映射法在激发学习者的课堂注意力方面效果显著[45]。

对于自动推荐系统的研究是时序行为分析的另一个应用。研究者认为具有相似学习状态的其他学习者对相似的资源也会有相同的体验，因此他们试图建立一种可以基于教师预期或其他成功学习者经验的导航模式[46]。例如，Chen等人提出了一种基于学习者序列行为模式的混合推荐系统框架。在筛选与内容相关的信息后，应用序列模式挖掘算法确定了潜在的有用信息，并用于指导用户的学习过程[47]。

四、现存研究的局限性

综上所述，许多研究采用了序列挖掘技术，基于文本数据、视频数据、日志数据和脑电波数据来提取学习者的微观行为模式。这些数据来自小学、高中、大学和大型在线开放课程的学习者。教育环境包括协作学习、自主学习、基于游戏的学习或概念映射活动。一些研究显示了时序分析在探究学习者交互行为方面的有效性和稳定性。一些研究使用序列行为模式来区分表现、认知、元认知或学习风格各异的学习者。另外一些研究将挖掘微观行为模式应用于开发推荐系统。总体来说，这一系列研究的最终目标都是力求从微观上探究学习者鲜为人知的行为模式，为学习提供适当的支持和直接的反馈[48]。

然而，我们必须看到，这些研究大多是在实验或准实验条件下进行的，参与者较少，时间跨度也比较短。只有极少数的研究者试图从大规模私有在线课程(Massive Private Online Courses, MPOCs)常态化教学的交互行为中提取微观行为模式[49]。大规模私有在线课程通常在各国的开放大学的日常教学中被广泛使用，这些常态下的大规模在线课程拥有庞大的学习者群体，并积累了大量的、长期的、非实验状态下的在线学习行为。但是，由于对于大规模开放在线课程(MOOCs)的追捧，使研究者们极大地忽视对MPOCs中学习者行为的研究，这是非常令人遗憾的。此外，目前的序列模式挖掘研究很少关注行为模式在学习过程中随着时间的发展和变化[50]。这是因为大量的在线学习者、长期的学习过程、非实验的日常环境以及行为数据的巨大量级，对研究人员在微观层面上分析细粒度的学习行为是巨大的挑战。

因此，在本研究中，我们尝试运用序列模式挖掘的方法，聚焦于微观的交互行为数据，突破目前的研究局限，探究非实验状态下，在大型私有在线课程中日常学习交互的行为序列模式及其演变。研究问题如下：高成就组的交互行为有哪些特点?低成就组的交互行为有哪些特点?行为模式对学业成就有什么影响和区分？

五、研究方法

(一)研究背景

本研究选取了某开放大学学位课程的必修课，该课程旨在帮助学习者学习Windows操作系统、Internet、MS office软件和计算机安全的基本知识和技能。1到3周是课程学习的初期；4到16周以三次小组学习基础，进行主要内容的学习。17到20周为复习考试阶段。期末考试在第20周。1490名学习者中有1375人最终参加了课程考试。

课程中的交互活动模块有8个：介绍与公告(简称IA)，学习者可以在此获得课程描述和信息；课程内容(简称CT)，即学习者学习7个课程章节的内容；学习资源(简称RS)，包括关于内容的常见问题、实验指南、期末考试模拟测试和不同类型的材料，以提高学习者的学习；作业与测验(简称AQ)，用于巩固学习；学习绩效(简称PS)，学习者在其中检查自己和同伴的学习表现；论坛(简称FM)，学习者与老师和同伴行进行讨论交流；小组学习(简称GL)，学习者基于项目进行协作学习，第4周、第8周、第12周有3次强制性小组学习；课程评估(简称CE)，学习者在完成课程后对教师、同伴和课程进行评估。

(二)研究数据

初始的交互行为包括：检查(C h e c k)、查看(View)、提交(Submit)、测试(Test)、完成(Complete)、搜索(Search)、订阅(Subscribe)、删除(Delete)、读取(Read)、更新(Update)、设置(Set up)、评估(Eevaluate)、创建(Ccreate)、添加(Add)、删除(Remove)、扮演角色(Role)。在提取交互行为的过程中，我们添加了活动背景来实时细化交互行为的教育意义，例如：“AQcheck”，检查作业与测验；“CTview”，查看课程内容； “FMcheckPS”，在论坛中查看学习绩效；“FMupdate”，更新论坛主题； “RScreate”，创建资源；等等。最后提取了44种具有教育意义的微观交互行为，如表1所示。

表1 研究提取的44种微观交互行为

续表1

根据课程计划，我们将课程分为三个阶段：课程初期；小组学习阶段；复习考试。根据最终课程成绩的C级，将学习者分为高成就组(成绩＞=C，人数=974)和低成就组(成绩＜C，人数=401)。用C作为分界线是因为低于C的学习者是不及格的。因此，在课程的3个阶段中，两个成就组构成了6个原始数据集。

(三)序列模式挖掘过程

第一步：序列分段，以及压缩重复行为。首先，在每个数据集中，原始交互行为的数据被编码成一系列事件序列，其中事件=[时间，用户ID，交互行为，活动模块]。为了保持交互行为模式的意义，当检测到超过180秒的无交互行为的时间间隔时，我们将这些行为序列分解为子序列。选择180秒这个时间框架是由于如果学习者在3分钟内没有交互，在线学习系统会认为学习者已经在学习中分心。序列分段之后，我们对频繁发生的交互行为进行压缩，其目的是提高序列模式挖掘的效率。我们会用 “+”对连续出现的相同的交互行为进行压缩，例如：[GLviewCT-GLviewCT-GLviewCTAQsbm-GLviewCT]中重复出现的“GLviewCT”，对其压缩之后，序列变为[GLviewCT+-AQsbm-GLviewCT]。行为模式的最小长度设置为包含三个行为，如果至少一个行为具有“+”，则设置为两个交互行为。

第二步：序列模式挖掘。在本研究中，使用前缀投影序列模式挖掘算法(PrefixSpan)来挖掘每个数据集中高频的候选行为模式(频率阈值为50%)。

第三步：序列聚类。采用层次聚类算法对有相似时序特征的行为模式进行聚类。

通过在6个数据集的每个数据集上运行上述三个步骤，确定了每个阶段每个成就组的交互行为模式，进而明确了研究问题的答案。

六、研究结果

序列挖掘技术旨在识别超过一定阈值的高频率的行为模式。在本研究中，交互行为序列的频率阈值为50%，挖掘结果显示，学习者交互行为的序列主要来自于三个交互活动：学习绩效(PS)、论坛(FM)、小组学习(GL)。由于在介绍与公告(IA)、课程内容(CT)、作业与测验(AQ)、课程评估(CE)、学习资源(RS)等五个活动中的交互行为序列没有达到50%的阈值，所以本研究没有挖掘到与这五个活动相关的行为模式。只有“GLviewCT”的行为显示了现有序列行为与“课程内容(GL)”这一活动之间的联系，这从某种程度上显示了学习者可能更倾向于在小组活动中查看课程内容，而不是直接查看课程内容。

(一)高成就组交互行为的特点

在学习绩效(PS)、论坛(FM)、小组学习(GL)这三个活动中的交互序列，大多数都是从学习绩效(PS)中的行为开始，然后是论坛(FM)中的行为，最后是小组学习(GL)的行为。但是，与这三种课程活动相关的高频行为是不同的。学习绩效(PS)中的两个行为“PSviewUser”(查看用户绩效)和“PSviewOv”(查看整体绩效)是所有序列中最常见的交互行为，这意味着学习者花了很多精力来回顾自己和同学的表现。这些行为表明，在整个在线课程的过程中，学习者不断地对自己和他人进行评估和比较。

在论坛(F M)活动中，高频的行为只有“FMsrch”(在论坛中搜索)和“FMcheckPS”(在论坛中查看学习绩效)。因为在线学习系统无法准确记录学习者所搜索的内容，所以无法深入地了解学习者搜索的细节。而在小组学习(GL)中，虽然有许多频繁出现的行为，但是这些行为中并不包含“GLviewPl”(在小组学习中查看学习计划)，这意味着虽然学习者在小组学习(GL)中表现得很积极，但可能对导师制定小组学习计划不够重视。

一个非常值得注意的高频行为是“checkPS”，即“检查学习绩效”，它出现在不同的活动，如“FMcheckPS”(在论坛中查看学习绩效)和“GLcheckPS”(在小组学习中查看学习绩效)。这表明，学习者各种学习活动中都对学习绩效表现出极大的兴趣。“GLviewCT”是另一个高频行为，说明学习者在进行小组学习花了大量时间结合小组学习任务来学习相关的课程内容。

高成就组学习者的行为模式随着课程阶段的变化也在不断演变。课程初期，学习者的行动主要集中在检查学习绩效、论坛搜索、创建群组、添加群组成员、查看群组注册、查看课程内容等方面，其频率最高的学习行为序列为“PSviewUser-PSviewOv-FMsrch+-FMcheckPS-GLcreate-GLadd-GLviewCT”。这样的行为表明学习者正在为未来几周的学习做准备。在小组学习阶段中，行为模式比课程初期更加复杂。学习者专注于添加或删除成员，为成员分配角色，评估成员，查看课程内容。特别是这个阶段的最高频发生的学习行为序列非常复杂(“PSviewUser-PSviewOv-FMsrch+-FMcheckPS-GLcreate-GLadd-GLremv-GLrole-GLviewCT-GLcheckPS+-GLcheckEnrl-GLevltMb-PSviewUser-PSviewOv-FMsrch+-FMcheckPSGLcreate-GLadd-GLrole-GLviewCT”)，这意味着高成就组的学习者非常重视小组的建设。相比之下，在复习考试阶段，高成就组学习者的模式非常简单，学习者的行为集中在检查学习绩效和查看课程内容(“PSviewUser-PSviewOv-FMsrch+-FMcheckPS-GLviewCT-GLcheckPS+”)，这说明他们关心自己的整个课程阶段的绩效，并为期末考试进行准备。

(二)低成就组交互行为的特点

与高成就组类似，主要的行为序列也来自学习绩效(PS)、论坛(FM)和小组学习(GL)，而其他五个学习活动中的交互行为没有被挖掘出来。低成就组学习者在学习绩效(PS)、论坛(FM)和小组学习(GL)这三个活动中的某些高频行为与高成就组学习者的高频行为相同，如：“PSviewUser”(查看用户绩效)、“PSviewOv”(查看整体绩效)、“FMsrch”(在论坛中搜索)、“FMcheckPS”(在论坛中查看学习绩效)等。在小组学习(GL)中，也没有包含“GLviewPl” (在小组学习中查看学习计划)的行为，这说明低成就组的学习者也没有重视教师给出的学习计划。

另一方面，低成就组行为模式的演变并不是非常的清晰。从课程初期和小组学习阶段，低成绩组学习者的交互行为一直分散在学习绩效(PS)、论坛(FM)和小组学习(GL)这三个活动中，行为模式比较复杂多样；直至考试阶段，低成就组学习者的行为模式才变得相对简单。但是，总体上来说，低成就组学习者的行为模式在三个阶段中的演变并不明显。

(三)行为模式对学业成就的影响和区分

行为模式对学业成就的影响和区分主要集中在以下几个方面：高频行为、高频序列、模式的演变。

1.高频行为

高频行为 “GLviewCT”(在小组学习中查看课程内容)，明显将高成就组的学习者与低成就组学习者区分开来。“GLviewCT”的行为表明高成就学习者比低成就学习者更倾向于在学习的过程中查看课程内容，这说明高成就学习者紧密地基于课程内容进行了小组学习，而低成就学习者将注意力分散在小组建设和角色分配的各种行为中，而不是学习相关的课程内容。

另一方面，查看学习绩效，如“PSview”“checkPS”等，是两个成就组中学习者共同的高频行为，虽然这一行为与学业成就的高低无关，但是非常明显地体现了所有学习者对于自己和同伴学习绩效的关注，这里不再赘述。

2.高频序列

高低成就组的另一个区别是高频率序列的数量。在课程过程的每个阶段，高成就组的行为序列模式比低成就组的要少。这一结果意味着低成就组学习者的行为模式比高成就组学习者的行为模式更加离散。

3.模式的演变

课程初期，高成就组专注于小组建设和课程内容，为即将到来的学习做准备。其学习小组的构建模式也相对简单，包括“GLcreate-GLadd-GLcheckEnrl”这样的行为。但是，低成就组在正式的小组学习之前做了更多的行为，比如“GLremv-GLrole-GLevltMb”。在小组学习的阶段，相比低成就组，高成就组的模式也比较简单集中。但是，在低成就组中，学习者的行为模式在其课程初期到小组学习阶段没有发生明显的变化。复习考试阶段，高成就组的复杂行为模式明显减少，学习者的行动变得非常简单，只专注于检查成绩和复习课程内容。这表明高成就学习者的行为模式从课程学习到准备考试阶段的显著变化。低成就学习者在复习考试阶段的行为模式虽然也产生了一些变化，但是他们还是花了一些时间来增加小组成员、分配角色、评估成员，说明他们有一些应该在前期完成的小组学习任务没有完成，只能在复习阶段补上这部分的功课。

可以看出，高低成就组行为模式的演变是不一样的。高成就组的行为模式发生了明显的变化。这说明他们根据不同的学习任务和课程阶段调整了自己的学习策略，这也许为他们在整个学期中进行高质量的学习提供了支持。另一方面，低成就组行为模式缺乏变化也意味着他们可能没有主动随着学习任务和阶段的在不同主动调整自己的策略，整个课程中，低成就组的学习者都处在一个注意力相对分散的状态。

七、讨论与展望

在本研究中，我们面向大规模私有在线课程的学习者，聚焦于微观层面的学习交互行为，运用序列挖掘以及层次聚类的方法，对学习者的交互行为模式进行了探究和分析。本研究的价值在于：在非实验状态下采集了大规模的样本开展分析，在微观的交互行为层面而不是交互活动层面识别高度重复的交互模式，并且探讨了高低成就学习者群体的行为模式特点及其与学习成就的关联。序列挖掘技术研究了一些学习活动中的详细行为模式，挖掘出的高频交互行为我们理解学习是如何发生的以及如何更好地促进学习成效提供了机会：

(一)任务驱动的课程设计更加匹配MPOC学习者的学习方式

在经典的成人学习理论中一直强调成人学习的一大特点是目标明确、结果导向的。本次研究在数据上再次证实了这个观点。不论高成就组还是低成就组，不论是学习的哪个阶段，所有高频学习行为序列模式的起点都是查看学习绩效。同时，在被挖掘出的行为模式中，学生直接访问课程内容的行为都没有出现，大量出现的是在小组活动中访问学习内容。这种学习路径和我们通常认为的“先学习章节内容、再完成学习任务和作业”的学习方式有极大的差异。数据显示，MPOC学习者更普遍的方式是直接找到那些和学习成绩相关的作业和学习活动，在完成任务的过程中来学习在线课程。如果学习内容不能有机融合到学习任务和学习活动中，在网络学习的过程中被学生频繁访问的可能性是很小的。因此，教师在设计MPOC课程时，最佳的方式是采用任务驱动、活动引领的方式，将重要的学习内容贯穿到学生完成任务和活动的学习路径中。仅仅在课程中提供按照章节方式排列的学习内容，其有效性会大大降低。

(二)教师可以通过监测不同阶段的高频行为模式来预测MPOC学习者可能的成绩

目前的在线教学平台通常都能够提供比较完善的统计数据，但是基于学习分析的决策辅助功能的普及程度仍然不高。在本研究中，我们发现高低成就组的学习者确实有不同类型的微观学习行为序列，例如在不同的学习活动中频繁观看课程内容的行为，无论在哪个课程阶段，都可以将高低成就群体区分开来。此外，高成就组学习者具备的根据不同任务情境调节学习行为和学习策略的能力，在低成就组中并没有观察到。这些研究结果为细粒度层面的交互行为模式的研究提供了一个新的视角，有助于教师进一步了解学习者的在线行为，并在教学过程中针对不同类型的学习者设计专门的教学干预措施，并且可以帮助教师在不同的教学周期中提前识别有可能发展为低成就的学习者，并适时地给予指导和帮助。对于在线教学平台的研发者而言，可以将基于行为序列模式的分析和辅助决策功能提供给教师，让教师能及时发现不同阶段下需要进行干预的学习者，让更多的学习者能够获得更好地学业成就。

(三)小组讨论的活跃者并不一定能取得更高的学习绩效

本研究中的数据表明，高低成就组的学习者在小组学习和论坛讨论中都进行了积极的表现，低成就组的学习者甚至在这些活动中表现得更为频繁，但他们并没有取得更好的成就。这也与以往一些研究结果的呈现有所不同：以前的很多研究者强调小组学习和论坛讨论中的合作对学习者成绩的积极影响，但这种积极的影响在本次研究的数据分析中没有体现出来。这种差异可能和课程的具体设计有关，但是这一结论也可以提醒课程设计者、组织线上讨论的教师和研究者，重新审视论坛讨论和小组学习对不同学习环境中学习者的影响。这种分析结果也可能为在线教育的管理者审视课程中讨论活动的有效性提供新的工具和视角。

之前，许多研究表明行为模式能够区分不同学习成就的学习者群体，本研究中虽然也有类似的结果，但是出于严谨性考虑，在本课程中所发现的结果目前可以解释为：学习者成绩的差异可能与三个活动(学习绩效、论坛和小组学习)所挖掘的交互行为模式有关。因为本课程中还有其他五个活动：介绍与公告(IA)、课程内容(CT)、作业与测验(AQ)、课程评估(CE)、资源(RS)，这些活动中没有挖掘出的行为模式可能会对学习成就产生一定的影响。我们认为这一结论可能表明了本文所分析的课程设计的有效性，即教师设计了多个小组活动来串联学习内容，按照任务驱动的方式安排学习路径的学习者，比在课程中按照自己的学习路径来访问课程内容、作业和测验等模块的学习者，更有机会在最终的期末考试中取得好成绩。此外，以往的研究集中在传统学校背景下的小范围实验或准实验设计的学习者，研究对象和研究数据的量级都比较小，这与我们的研究非常不同。本研究面对的是日常状态下，大规模私有在线课程的学习者群体，并且没有针对研究对象专门进行实验设计或准实验设计。因此，本研究得出的结论可能不会与以往的研究完全相似。

最后，本课程在小组学习阶段中从第4周开始到底16周结束，在第4周、第8周、第12周有3次强制性小组学习。这三次小组学习是本课程的主要学习任务，但是本研究在没有对这三次小组学习进行单独细分的行为模式挖掘。这说明在后续研究中，我们可以将三次小组学习化为独立阶段，对于学习者行为模式的微观细节和演变过程进行更详细地分析。此外，对于本课程中五个没有达到阈值的学习活动：介绍与公告(IA)、课程内容(CT)、作业与测验(AQ)、课程评估(CE)、资源(RS)，在后续研究中也可以针对性的对其进行序列模式挖掘，以探究更细致的学习者微观行为模式。