基于学习分析的样本SPOC影响因素研究

张菲菲

[摘要]本研究以融合的学习分析模型为设计向导，以校本SPOC“专业导论”为例，以问卷调查、数据挖掘等学习分析技术手段收集数据，主要运用SPSS16.0进行数据处理。分析结果显示校本SPOC学习效果与学习目标明确程度等18个因素呈显著相关，与学习时间段等9个因素无显著相关，进一步分析得到预测模型并通过实践课程进行验证，结果显示预测模型基本有效，并在此基础上提出优化SPOC教学效果的措施。

[关键词]学习分析；校本 ；SPOC

[Abstract] The research which takes Professional Introduction for example is based on learning analytics model for design guide. It uses questionnaire survey and data mining methods to collect data. Analysis results show that the school-based SPOC learning effect is significantly related with 18 factors such as the degree of knowing learning goals， and it is no significant correlation with nine factors such as learning time. Forecast model is established from further analysis and it is verified effective through practice course. In order to improve the effect of school-based SPOC ， some teaching methods are suggested based on the significantly correlated factors in the model.

[Key words] Learning Analytics； School-based； SPOC[基金项目]本文为2016年度浙江省教育技术研究规划课题“基于学习分析技术的校本SPOC实践探索”（项目编号：JB007）的研究成果。

SPOC（Small Private Online Course）是由加州大学伯克利分校的阿曼德·福克斯 （Armando Fox，2013）教授最早提出并在课程中使用的概念，是 MOOCs 浪潮掀起后在大学课堂应用过程中发展起来的一种线上线下结合的混合教学模式。福克斯认为将 SPOC 用于教学，可以提高教师的教学手段、学生的吞吐量、学生的掌握程度以及学生的参与度[1]。国内外很多高校如哈佛大学、加州大学伯克利分校、清华大学、浙江大学等已经开始SPOC的实验，并且颇见成效。但是SPOC为何有效，其影响因素为哪些，此类研究尚不多见。基于此，我们引入被喻为“教育技术发展的第三次浪潮”的学习分析技术，从学习分析的角度探讨影响校本SPOC学习效果的因素。

一、学习分析技术

美国新媒体联盟NMC地平线报告提出学习分析是利用松散耦合的数据收集工具和分析技术，分析学习者参与、学习表现和学习过程的相关数据，进而对课程和教学进行实时评价[2]。关于学习分析技术的研究国外起步较早，在学习分析技术应用模型、学习工具开发等方面都有所积累。关于学习分析应用模型，Tynya Elias提出了數据收集、信息加工和知识应用三阶段和获取、选择、聚集、预测、使用、优化六种活动的应用模型。G.Simens则提出了学习分析应包含数据收集、分析、预测和调整四个阶段。在学习工具开发上，澳大利亚 Wollongong 大学研发了学习网络可视化评估工具 SNAAP，美国马里兰大学巴尔的摩分校研发了配合 BlackBoard 使用的 Check my activity 工具，这些工具从不同角度收集学生的行为数据，进而进行学习分析，实践表明这些工具是行之有效的。在国内，学习分析也逐渐引起热潮：顾小清等对学习分析“前世今生”、发展中的学习分析技术和学习分析应用趋势等方面内容进行了详细的阐述[3]；祝智庭等指出学习分析是自学习管理系统问世以来，教育技术发展的第三次浪潮[4]。在引入学习分析的基础上有不少学者也提出了适合国内实际教学情况的应用模型：吴忭等对学习者图示化学习过程开展序列分析[5]；武法提等分析电子学档系统记录的数据，从学习内容、学习活动、学习方式和学习评价四个方面构建学习者个性化模型[6]。

国内外关于学习分析的模型要素、工具和学习分析相关内容等方面的研究为本研究提供了相关基础。本研究采用了融合的学习分析模型（认为学习分析主要包含数据收集、分析、预测、优化四个主要阶段）为设计线路，以学习分析工具所涉及相关内容和文献分析得到的在线学习相关因素为参考收集相关数据，在此基础上通过学习分析技术建立SPOC学习效果预测模型，并在实践中验证其是否有效，进而调整优化教学措施，促进SPOC教学效果。

二、研究设计和结果

（一）数据收集

本研究中数据收集主要通过问卷调查和学习平台的大数据挖掘所得。数据收集对象为宁波大学2015级“专业导论”课程的学习者。“专业导论”课程为大一学生必修课，该课程为宁波大学校本SPOC的典型，具体结构如图1。

由于目前没有可参考的成熟的调查量表，本研究主要参考国内外学习分析工具涉及的相关内容和当前在线学习方面影响因素的研究，主要涉及以下几个大块（作为一级指标）：学习者背景特征、学习行为特征、资源特征、社交支持、技术支持、过程性学习成绩等。问卷调查主要针对主观性的问题进行展开，如学习目标明确程度、讨论形式偏好、学习内容感兴趣程度、平台操作复杂程度、SPOC学习方式的优缺点等。在问卷调查大量展开前，本研究对30名学生进行了预测以分析调查问卷的信度和效度，结果显示，信度为0.702，各潜变量的AVE最小值为0.53，均符合问卷调查的建议值要求。对于SPOC实践中相关的客观性因素主要从学习平台中挖掘所得，如性别、所属大类、学习路径、有效讨论帖数、学习时间长度、过程性学习成绩（作业或在线小测验）、综评成绩等，在研究中，我们把综评成绩作为衡量学习效果的量化指标。数据挖掘后，均通过结构化处理。问卷调查和数据挖掘通过学习平台所得。本次调查共发放1500份，收回980条，有效数据966条，有效回收率64.4%。endprint

（二）数据分析及结果呈现

本研究中主要采用SPSS16.0对收集后的数据进行结构整理和分析，主要通过两个步骤进行处理，第一阶段对各变量与学习效果做简单二元变量相关分析，根据分析结果中P值大小筛选出与学生课程学习效果呈显著相关的变量，P<0.05，则表示该变量与学习效果呈显著相关，反之则剔除，具体数据见表1。

数据分析结果显示，学习效果与学习目标明确程度、学习者讨论参与积极性、小组活动参与积极性、教师及同伴反馈、资源丰富程度、资源更新频率、学习内容能否引起兴趣、视频时间长短、视频质量、学习任务量、资源设计多样化、界面操作复杂度、技术支持响应时间、学习进度可控及智能化、作业得分、在线测验得分等因素呈极其显著相关，与讨论形式偏好、设备问题呈显著相关，与性别、专业背景、课程呈现方式偏好、学习时间段、学习时间长度、网页点击频率、浏览行为（模块学习路径）、解答他人问题积极性、网络流畅性等因素无显著相关。

上述结果与国内外有些研究结论类似，如“学习中设备问题、平台操作太复杂等问题会影响学习效果”，这与清华大学“SPOC教学效果受平台技术故障的影响也非常显著，哪怕是短暂的平台故障也会直接影响学生的学习效果”[7]的SPOC试点结果一致；视频质量目前从调查来看是处于中等水平（视频质量平均值为3.77±

0.801，5点计分，分值越高，视频质量认可度越高），说明教师的数字媒体素养有待提高，这与浙江大学关于后MOOC时期高校教学模式研究中“教师迫切需要发展信息化教学能力，提升数字媒体素养”[8]一致；关于学习中时间进度可控、可重复学习等智能化技术可以促进学习效果的提高，这与加州大学伯克利分校的SPOC推广实验结果相似“课程讲座视频的信息含量丰富、密集，学生可以暂停、回顾任何一个知识点，是一种非常高效的信息传递方式”[9]；教师、同伴的及时反馈也是能够积极促进学习效果的，这与迈克涅斯等人评论中学生们反馈“我觉得有指导会更有帮助”[10]一致。

为了进一步了解各相关因素对综评成绩的权重影响大小，在简单相关分析基础上进行第二阶段的逐步回归分析，具体分析结果如表2。用标准化回归方程表达预测学习效果为：Y=0.359X1+0.194X2+0.157X3-0.157X4-0.086X5+0.081X6+0.076X7-0.067X8。其中，Y表示综评成绩，X为表中各因素变量（X1：学习内容能否引起兴趣；X2：教师同伴反馈关注；X3：在线测验；X4：技术支持响应时间；X5：设备问题；X6：讨论参与积极性；X7：学习进度可控及智能化；X8：界面操作复杂度）。

（三）预测模型有效性验证

为了验证上述预测模型的可行性和有效性，本研究选择一门SPOC实践课程《德语国家概况》进行试验。该课程共35名学生，一学期共34学时，每4周一次线下讨论课。

預测研究设计方案主要步骤为：（1）课程进行到一半时，设置一个期中测试，其成绩作为实际学习效果的量化指标；（2）通过学习平台问卷系统和后台程序收集回归方程相关因素的数据，将收集的数据进行结构化处理后代入到预测模型中，得到预测的学习效果；（3）将该成绩与实际学习效果进行独立样本t检验验证预测学习效果与实际学习效果是否有显著差异；（4）如有显著差异，则说明预测模型的有效性有待改正；（5）如无显著性差异则说明预测模型具有一定的有效性，根据回归方程中的相关因素，对教学实践做相应的优化调整。期中预测学习效果与实际学习效果的独立样本t检验数据为F=0.426，p=0.516，df=68。数据显示，预测学习效果与实际学习效果无显著性差异（如表3）。

（四）调整及优化

为了提高SPOC课程的学习效果，针对预测模型中的相关因素，教务管理部门要有针对性地进行教学干预。

（1）提高教学内容的实用性和趣味性，

加快更新频率，增加资源丰富程度，不断吸取新的教学方式方法。

（2）通过培训、讨论等形式提高教师授课的业务水平和录制视频的技巧，以定期培训（如ppt培训、视频制作等）、技术指导、教师观摩和讨论等形式积极帮助教师提高信息素养。

（3）在师生互动方面，对学生提问及时给予反馈，或通过引导性手段促发进一步的思考。讨论环节通过精心设置话题，将讨论深度和趣味性相结合的方式提高学生讨论积极性。对于讨论积极性不高的同学，通过结对、小组督促等形式提高积极性。

（4）对成绩不太理想的学生，通过关注、谈话等形式，使其明确课程学习目标，合理安排学习进度，对于作业、疑问及时给予反馈，必要时给予特殊辅导。

（5）在技术设备支持层面，优化学校教学设备条件，优化支撑校本SPOC的学习平台和稳定性。在平台技术支撑上，通过问题导航等设置让同学明确下一步操作，以及碰到何种问题应如何解决的步骤，同时通过建qq群等形式积极帮助学生解决问题。

四、研究局限性

在上述研究中，虽然预测模型能在实践

课程中较好地解释实际的教学效果，但在教

学实践中也存在着一定的局限性，该研究的主要局限性概括如下：

（1）“专业导论课”作为一门基础课程，通过该课程得出的预测模型虽然在实践课程中得到了验证，但是否对所有课程都行之有效则有待验证。

（2）在调查设计中，由于目前尚未有成熟量表可供参考，所设计的调查因素可能有所欠缺，尚需在实践中进一步完善优化。

（3）目前调整优化手段主要是通过“补短板”的形式，优化措施针对成绩不太理想的学生，针对成绩中上或者有特长的学生则需要进行个性化的设计，有待下一步的深入研究。

参考文献

[1]罗九同，孙梦，顾小清.混合学习视角下 MOOC的创新研究：SPOC案例分析[J].现代教育技术，2014（7）：18-25.

[2] 曹帅，王以宁等.学习分析技术的研究现状与未来趋势-基于2011-2015年LAK会议论文的分析[J].中国电化教育，2016（5）：78-84.

[3] 顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.

[4] 祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013（5）：5-12.

[5] 吴忭，顾小清. 图示化学习工具促进知能发展的学习行为模式分析[J].开放教育研究，2014（10）：59-66.

[6] 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.中国电化教育，2014（3）：63-69.

[7]康叶钦.在线教育的“后MOOC时代”—SPOC解析[J].清华大学教育研究，2014（2）：85-93.

[8]李红美，陆国栋，张剑平.后MOOC时期高等学校教学新模式探索.高等工程教育研究，2014（6）： 58-67.

[9]徐葳，贾永政，Fox， A..从MOOC到SPOC--基于加州大学伯克利分校和清华大学MOOC实践的学术对话[J].现代远程教育研究，2014（4）：13-22.

[10] 约翰·巴格利.反思 MOOC 热潮[J].开放教育研究.2014（2）：9-17.endprint