基于关联规则的网络学习行为实证研究*

吴 青罗儒国王权于

（1.武汉大学 教育科学研究院，湖北武汉 430000；2.中国地质大学 远程与继续教育学院，湖北武汉 430000）

基于关联规则的网络学习行为实证研究*

吴 青1罗儒国1王权于2

（1.武汉大学 教育科学研究院，湖北武汉 430000；2.中国地质大学 远程与继续教育学院，湖北武汉 430000）

学习者在远程教学平台中遗留的大量数据，体现了学习者的个性特征和知识建构过程。但由于远程教学实施过程中指导教师精力有限、学习过程缺乏监管等，导致这些数据并未得到充分利用。文章选取某继续教育学院远程教学平台中存储的网络学习行为数据，基于关联规则挖掘出学习风格、学习行为和学习成绩之间隐含的内在规律，并转换为有利于教学决策和教学过程优化的知识，以帮助不同风格的学习者改善自身学习行为，同时便于教师在不同类型的远程教学过程中结合学习者的风格差异完善教学过程。

网络学习行为；学习风格；学习成绩；关联规则

一 相关研究

国内研究者大多从宏观定性视角界定“网络学习行为”，强调它的教育学内涵。而国外研究者大多从微观定量视角来界定，特别突出网络学习行为的可观察性和可测量性。本研究认为，网络学习行为是学习者为了达到学习目标，利用计算机、网络或其他媒体工具，基于网络学习平台提供的学习资源进行学习和人际互动，为获取知识而产生的一系列网络操作的总和。因此，网络学习行为分析的最终对象是一系列网络操作。

网络学习行为的研究主要包括学习者行为建模和学习成绩预测两个方面。学习行为建模着眼于学习者不同的网络学习行为范式与网络学习成绩的关系，重点突出网络学习行为范式的差异。其研究者大多具有人文社科背景，偏向于构建描述性、定性的网络学习行为模型，目的在于解释网络学习的使用态度、学习偏好等重要潜在变量[1]。部分研究者以网络学习者形成的社会网络结构为切入点，探讨不同类型的学习交互模式及其特点[2]。然而，上述研究一般通过发放调查问卷或访谈的形式调查学习者的网络学习行为，没有充分利用网络学习系统中遗留的数据，构建的模型大多仅适用于该次实验，可推广性较差。

学习成绩预测关注学习者当前网络学习行为和未来学习成绩的关系，侧重于学习成绩预估和落后学习者预警。其研究者大多具有理工科背景，基于网络学习过程数据，利用分类器[3]、回归演化算法[4]等多种数据分析方法，挖掘出学习成绩预测模型，其研究成果过多关注各种算法的准确度、敏感度、显著性水平等评估差异，较少结合实验结果分析背后体现的教学特征和教学规律。此外，由于学习者的个性差异，具有相同学习行为的不同学习者有可能获得截然不同的学习成绩，而上述研究者大多孤立地研究网络学习行为与学习成绩之间的关系，他们在探究学习行为对学习成绩的影响时，并未考虑学习者的个性特征。

二 研究设计

1 研究问题

体现学习者个性特征的因素有很多，其中学习风格代表了学习者学习偏好和信息处理的个体差异，是感知、互动和适应学习环境相对稳定的指标。一些学者认为学习风格对学习成绩具有决定性作用[5]，但对影响程度尚未形成一致性结论。例如，部分研究成果指出同化型学习者和发散型学习者在概念图上比较有创作力[6]，而其他研究证明发散型学习者表现最好[7]，或适应型学习者容易产生较为丰富的学习成果[8]。

虽然上述研究对学习风格与学习成绩的关系并未达成一致性结论，但都指出学习风格作为学习者内隐的个性特征，决定了学习者的信息处理偏好，影响了学习者的学习行为。而网络学习行为作为学习者信息处理偏好的外显操作，可以作为学习成绩预测的基础。因此，本研究以学习风格为切入点，重点研究不同风格学习者的哪些网络学习行为将有助于获取较好的成绩。

2 研究对象

本研究基于学习风格混合测量方法[9]，从武汉某高校继续教育学院2012级计算机技术专业挑选出154位学习风格显著的学习者，组织他们参加2013年9月至2014年5月“Java语言与面向对象程序设计”课程的远程学习，将遗留在教学平台中的网络学习行为数据作为研究对象。

3 研究工具

本研究选择数据挖掘软件WEKA（Waikato Environment for Knowledge Analysis）作为学习分析工具。该工具是一款新西兰政府支持的智能分析开源项目，在金融、医疗、交通等多个领域均有广泛运用，可以直接连接系统数据库，能够实现异构数据源的无缝整合。

4 研究步骤

（1）数据收集

本阶段需实现网络学习行为数据的选择和捕获。网络教学过程由自主学习和协作学习两部分组成。自主学习行为通过记录学习者浏览在线课程视频、电子教案等教学资源时花费的时间，以及在线作业的完成情况，保存于在线学习系统中。协作学习过程前后共组织了4次，由4到5名学习者组成一个讨论组，根据教师提供的主题或者结合作业中的问题开展协作讨论。教学平台的在线聊天室和论坛借鉴了匹斯堡大学EPSILON系统中使用的句首词分类系统[10]，学习者发言时需要首先选择此次发言的句首词（例如选择句首词“我同意，是因为”，来表明此次发言为“discuss类型”帮助系统识别和理解学生的会话意图）。协作学习行为以不同类型发言的次数和字数的形式存储在论坛和在线聊天室中。此外，由于接受远程教育的学习者大多为年龄跨度较大的在职人员，为了提高专业素养或学历，他们往往利用业余时间参与学习。与全日制学生相比，人口统计学属性对于他们的成绩获取影响较大，这就使得学生基本信息管理系统中的个人基本信息也变得至关重要了。综合考虑上述因素，可知网络学习行为数据由自主学习数据、协作学习数据和人口统计数据共同组成。

（2）信息处理

不同风格学习者的哪些网络学习行为将有助于获取较好成绩的命题，可归结为在学习风格一定的前提下，分析网络学习行为和学习成绩之间的关系。基于关联规则挖掘技术，可以得到一个“如果学习风格为某一类型，并且拥有特定网络学习行为，那么学习成绩将达到某种程度”的规则，从而揭示风格、行为和成绩之间未知的依赖关系。

首先将已收集到的网络学习行为数据采用无监督属性离散方法中等频区间装箱法（Equal-frequency Binning），分别离散成为优、中、差三大类。例如属性test被离散为3个区间（-inf-78]，（78-84]，和（84-inf），每个区间的人数基本持平。

接着，运用关联规则挖掘算法，从数据中抽取学习风格、学习行为和学习成绩之间的依赖关系。关联规则挖掘算法包括序列模式挖掘、结构模式挖掘和频繁项集挖掘三大类。由于本研究并未考虑网络学习行为之间的顺序关系，因此不适合用序列模式挖掘；而结构模式挖掘的研究对象必须是图、树等结构化数据集合，故对本研究也不适用。基于此，本研究选择频繁项集挖掘中应用较为广泛的Apriori算法，来开展关联规则挖掘。

（3）知识应用

一方面，基于抽取的学习规则归纳出适合不同风格学习者的网络学习方法，便于学习者了解当前学习状态，及时反思学习过程中的不足，为自我改善学习行为提供参考。另一方面，总结与风格相匹配的教学指导方法，在跟踪和分析学习者的网络学习行为时，帮助教师选择有针对性的教学资源，提供合理的教学提醒，为实施恰当的教学干预提供理论依据。

三 实证研究

1 数据收集

网络学习行为数据由人口统计属性、人机自主学习属性、人人协作学习属性以及期末测试成绩组成。其中，人口统计属性记录了学习者的性别 sex，年纪 age、学历背景bg和学习风格learningStyle。人机自主学习属性记录了学习者在浏览课件、视频时总耗时duration和平时作业的平均成绩homework。人人协作学习属性记录了学习者在网络协作学习过程中，不同类型言论的发言总字数和所有发言的总次数，从而体现学习者对不同会话层次的贡献程度，其中言论类型借鉴EPSILON系统中的句首词类型系统包括促进类型motivate、信息共享类型inform、讨论类型discuss、请求类型request、任务类型task、确认类型acknowledge和维持对话类型maintain。期末测试成绩记录了学习者的期末考试成绩test。

2 信息处理

本研究运用Apriori算法，选择产生50条规则，即关联规则数numRules=50，每次支持度递减的数量delt=0.05，将置信度作为准确性的衡量标准，衡量标准的最小值minMetric=0.7。利用WEKA提供的Apriori规则挖掘功能，得到的结果如图1所示。

图1 网络学习行为关联规则挖掘结果

针对挖掘分析得到的前50条规则，筛选其中前件和后件中包含学习风格属性或者具有一定教学指导意义的规则，共计14条。

（1）与学习风格无关的普适性规则集合及其注释

规则①:如果学习者自主学习时间较长，平时作业成绩较好，那么其期末测试成绩较好。

规则②:如果学习者协作频率较低，平时成绩较差，那么其期末测试成绩较差。

规则③:如果女性学习者期末测试成绩较好，那么其前期学历为计算机相关专业。

规则④:如果学习者协作学习频率较高，那么其花费在自主学习的时间一般。

规则⑤:如果学习者较多参与讨论和信息共享，那么其发生协作学习的频率较高。

规则⑥:如果学习者情感类型发言字数较多，那么其发生协作学习的频率偏高。

（2）分散型学习者相关规则集合及其注释

规则⑦:如果分散型学习者的期末测试成绩较好，那么其自主学习时间较长且提出的问题和讨论较多。

规则⑧:如果分散型学习者协作学习频率较低，那么其期末测试成绩较差且前期学历非计算机相关专业。

规则⑨:如果分散型学习者自主学习时间较长，那么其前期学历非计算机相关专业。

（3）聚敛型学习者相关规则集合及其注释

规则⑩:如果聚敛型学习者自主学习时间较长，较少参与协作讨论，但协作讨论时会表达自己的情绪，那么其期末测试成绩较好。

（4）适应型学习者相关规则集合及其注释

规则⑪:如果适应型学习者较少参与讨论类发言，那么其期末测试成绩偏低。

规则⑫:如果学习者协作频率较高且积极参与信息共享类发言，那么大多为适应型学习者。

（5）同化型学习者相关规则集合及其注释

规则⑬:如果是男性同化型学习者，那么其较少参与情感类和信息共享类协作讨论。

规则⑭:如果同化型学习者自主学习花费较多时间，那么其容易获得较好期末测试成绩。

3 知识应用

（1）适合不同风格学习者的网络学习方法

通过上一阶段处理可知，学习风格和学习成绩之间并不存在直接关联，但学习风格差异影响了学习行为，而学习行为将在一定程度上决定学习成绩。由规则①②可知，人机自主学习是影响期末测试成绩获取的关键，但人人协作学习参与度过低可能导致该成绩不够理想。

不同风格学习者适合的网络学习行为各具特色，学习者可以对比自身学习行为和理想行为之间的差异，及时调整完善学习过程。例如，分散型学习者擅长收集学习资料，但学习专注力可能相对涣散，根据规则⑦，可以在保障自主学习时间的前提下，加强问题总结和梳理能力将有助于成绩的提高。聚敛型学习者多共享信息并且发表情绪类言论，能够在融洽的学习氛围中弥补独自学习的孤独感，有利于产生更多更有创造力的新观点，如规则⑩。适应型学习者偏好在积极学习讨论中提供信息，如规则⑫；倘若协作层次不够深入则不利于获取理想成绩，如规则⑪；而且类似的网络学习行为，对于不同风格学习者可能获得截然不同的学习成绩，如规则⑭。同化型学习者只要自主学习时间得到保障，无论是否参与协作讨论，都比较容易取得较好成绩，而分散型学习者却不是这样，如规则⑧。因此，学习者需要掌握自身风格特征，扬长避短，促进在线学习行为的自我监督和调控，使得网络学习成为具有计划性、独立性和自我监控性的学习过程。

（2）适合不同风格学习者的网络教学方法

教师作为网络教学的引路人和辅助者，应该把学习的主动权交还给学习者。教师的参与方式主要包括四种:一是设定交互主题、组织学习路径，二是回答学习者所提问题，三是监督、鼓励学习者积极参与学习讨论，四是潜水观察、不做回应。

对于第一类参与，指导教师需要重点考虑主题的开放性、与网络课程内容的契合性和趣味性等。如规则④⑤⑥所示，协作学习参与度若只是由低层次协作组成，可能会占据学习者的自主学习时间。因此，教师需注意主题趣味性和实用性之间的平衡关系，补充合适的学习材料，提供学习向导以及学习范例样板。

对于第二类参与，教师应引导学习者自行得出结论，而非直接给出答案，避免学习者养成依赖心理。对于不同风格学习者，其引导方式略有差异——分散型学习者普遍好奇心强，愿意成为学习讨论的核心，如规则⑦⑧，教师可以为他们提供各种讨论和知识应用的空间；聚敛型学习者偏好解决实际任务和难题，而不喜欢社会性问题和人际关系，如规则⑩，教师可以为他们提供较为深入而多样的学习材料，并鼓励他们积极参与协作讨论；适应型学习者倾向于主动实践和依赖具体经验，如规则⑫，教师可以向他们提供丰富的案例知识，辅助他们得出结论。指导教师只有结合学习者的个性特征，开展个性化学习引导，才能维持学习热情、指引学习方向、调控学习进程、扩展学习深度、满足不同学习需求。

对于第三类参与，教师的情感参与可以满足学习者被尊重以及自我实现的需求。远程教学平台成为情感沟通、信息交流与知识讨论相融合的场所，可以增强学习者对网络学习环境的归属感，激发学习动机和参与意识。对部分聚敛型学习者而言，恰当的学习情感交流能够促进学习积极性，提高思维活跃度，深化对问题的理解，如规则⑩。否则，可能会出现如规则②那样的情况，学习者参与意识不高导致成绩不佳。

对于第四类参与，教师虽然没有和学习者发生直接交互，但有利于掌握他们的个性特征，了解当前学习进展，便于下次学习讨论的合理分组。不同风格学习者的协作学习行为差异较大，如规则⑫⑬，分散型和适应型学习者更倾向于参与积极讨论，而同化型和聚敛型学习者更愿意倾听他人意见、更喜欢独自思考。让学习者自由选择分组，他们往往会选择相互熟悉的同学组成小组，容易出现讨论过程中一言堂、搭便车的现象，会直接影响学习效果，出现如规则④那样的情况。因此，教师可以通过观察参与者的学习表现，掌握其学习风格，为实现组内异质、组间同质的协作分组提供基础。

四 总结与展望

学习者的学习风格通过影响网络学习行为决定学习成绩的获取。一方面，从网络学习方法来看，分散型和适应型学习者需提高协作学习层次，加强问题的总结和梳理能力，而活跃的聚敛型学习者更容易取得好成绩；协作学习表现对同化型学习者影响并不大，自主学习效果是其获取成绩的关键。另一方面，从网络教学方法来看，教师在设计网络教学过程时，需平衡趣味性和实用性之间的关系；在回答学习者问题时，需结合学习者不同风格，引导学习者自行得出结论；在鼓励学习者参与讨论时，需特别关注聚敛型学习者；在组织协作学习时，需根据学习风格差异划分协作小组。

本研究由于人数有限，其研究结果的准确性和普适性有待进一步精化。此外，由于学习分析技术受限于数据收集范围，数据大多来源于远程教学平台或浏览器数据，并未捕获学习者在离线状态下现实情境中的学习行为。因此，如何利用可穿戴计算等前沿技术，扩大数据捕获范围，从而深入了解网络学习的全过程，是未来工作的研究方向。

[1]武法提,牟智佳.电子书包中基于大数据的学生个性化分析模型构建与实现路径[J].中国电化教育,2014,(3):63-69.

[2]Brooks C, Erickson G, Greer J, et al. Modelling and quantifying the behaviors of students in lecture capture environments[J]. Computers & Education, 2014,75:282-292.

[3]Ruipérez-Valiente J A, Muñoz-Merino P J, Leony D, et al. ALAS-KA: A learning analytics extension for better understanding the learning process in the Khan Academy platform[J]. Computers in Human Behavior, 2014,(4):90-101.

[4]马杰,赵蔚,张洁,等.基于学习分析技术的预测模型构建与实证研究[J].现代教育技术,2014,(11):30-38.

[5]Tseng C R, Chu H C, Hwang G J, et al. Development of an adaptive learning system with two sources of personalization information[J]. Computers and Education, 2008,51(2):776-786.

[6]Oughton J M, Reed M W. The effect of hypermedia knowledge and learning style on student-centered concept maps about hypermedia[J]. Journal of Research on Computing in Education, 2000,32(3):366-375.

[7]Wang K H, Wang T H, Wang W L, et al. Learning styles and formative assessment strategy: enhancing student achievement in web-based learning[J]. Journal of Computer Assisted Learning, 2006,22(3):207-217.

[8]Sun K T, Lin Y C, Yu C J. A study on learning effect among different learning styles in a web-based lab of science for elementary school students[J]. Computers &Education, 2008,50(4):1411-1422.

[9]吴青,罗儒国.基于网络学习行为的学习风格挖掘[J].现代远距离教育,2014,(1):54-62.

[10]Soller A, Stevens R. Applications of stochastic analyses for collaborative learning and cognitive assessment[J]. Applications of Stochastic Analyses for Collaborative Learning & Cognitive Assessment, 2007.

Empirical Research on E-Learning Behavior based on Association Rules

WU Qing1LUO Ru-guo1WANG Quan-yu2
(1. Educational Scientific Institute, Wuhan University, Wuhan, Hubei, China 430000; 2. School of Continuous Education, China University of Geosciences, Wuhan, Hubei, China 430000)

Large volume of data existed in distance education platform embodies the learners’ personalities and the processes of knowledge building. Because of the limited teacher energy and lacked regulation of learning process etc., this data has not been fully utilized. The E-Learning behavior data in distance education platform is selected from a continuous education school, to find the inherent laws among learning styles, E-Learning behaviors and academic records based on association rules, and converted them to knowledge which benefits to optimize teaching decision and process, thus helping students with different learning styles improve their behaviors, as well as teachers perfect their teaching process according to the learners’ personalities in different teaching types.

E-Learning behavior; learning style; academic record; association rules mining

G40-057

A【论文编号】1009—8097（2015）07—0088—07【DOI】10.3969/j.issn.1009-8097.2015.07.014

编辑:小米

本文为全国教育科学“十二五”规划2013年度教育部青年课题“基于数据挖掘的网络学习行为分析及其教学策略研究”（项目编号：ECA130375）、湖北省教育科学“十二五”规划2013年度课题“基于网络学习行为的学习风格挖掘及其教学策略研究”（项目编号：2013B004）的阶段性研究成果。

吴青，讲师，博士，研究方向为教育数据挖掘、学习分析、计算机支持的协作学习等，邮箱为58554930@qq.com。

2015年2月4日