虚拟仿真实验学习行为分析

江波+高明+丁继红+王小霞+李万健

【摘 要】

虚拟仿真实验平台利用计算机技术模拟实际操作场景，在工程实践教学中得到了广泛应用并取得了卓越成效。分析学生在虚拟仿真实验平台上的学习行为，探究学习行为与学习成就之间的潜在联系，对于发现个体差异、理解认知过程和提高工程实践教学效果均有重要意义。本研究以“数字电路”虚拟仿真课程为例，基于虚拟仿真实验平台记录的学生学习行为数据，采用统计、相关分析等方法，对虚拟仿真实验环境下学生学习行为特征进行定量分析，并采用回归分析法探讨了虚拟仿真实验环境下学生学习行为与学习成绩之间的关联，以期为教育教学提供一定参考。研究结果表明，在课程的大部分学习行为上学习者之间均存在着差异，且学习者Diagram、FSM、Properties、Study、TextEditor五种学习行为参与程度与学习成绩存在显著的正相关关系。其中，Properties是影响学习成绩的主要因素，教师可以根据Properties学习行为参与频次在一定程度上预估学生最终取得的学习成绩并及时进行干预。

【关键词】 学习行为；学习分析；工程教育；虚拟仿真；定量分析；回归分析法；学习成绩；实践教学

【中图分类号】 G442 【文献标识码】 A 【文章编号】 1009-458x（2017）09-0011-08

一、引 言

虚拟仿真实验是指在以计算机技术和网络技术等技术为支撑所开发的虚拟实验组件上，模拟和再现真实的实验场景和实验过程的一种实验方式。它在工程实践教学中得到了越来越广泛的应用。分析学生在虚拟仿真实验平台上的学习行为，可以发现隐藏在学习行为背后的认知过程，从而为工程实践教学的优化提供有效支持，也可为学生的自我导向学习、学习危机预警和自我评估提供有力的数据支持，还可为个性化学习设计提供数据参考（顾小清， 等， 2012）。然而，目前国内关于虚拟仿真实验平台的学习行为数据的分析研究较少。究其原因，尽管虚拟仿真实验平台众多，但这类平台大多没有预留数据收集的接口，无法记录学习者的学习行为，无法对学习者的学习行为进行分析，发现其中隐含的模式。此外，相对理论课程的学习，实践课程的学习行为包含了大量复杂操作序列，进行有效分析的难度非常大（Vista， et al. ， 2016）。本研究基于已有学习行为数据集，利用数据驱动的方法分析虚拟仿真实验平台所记录的学生学习行为，研究虚拟仿真实验环境下学习行为与学习成就之间的关联。

二、学习行为分析相关研究

学习行为分析是指通过对学习者遗留在学习平台或学习系统上的数据进行挖掘与分析，探索学习者学习行为与学习效果之间关系的技术。国内外学者对学习行为分析的研究比较广泛，目前主要集中在预测、关系挖掘和教学优化三个方面。

在预测方面，当前研究主要集中在根据学习者学习行为进行学习成绩预测、辍学预测、升学预测等。如贺超凯等（2016）、宗阳等（2016）众多学者就学习者的学习行为记录，使用不同的方法来预测学习者的学习成绩（Jiang， et al. ， 2014； Romero， et al. ， 2013； Yadav， et al. ， 2012； 蒋卓轩， 等， 2015）；有的研究根据学习者的学习行为来预测学习者是继续留在平台上进行课程学习（Balakrishnan & Coetzee， 2013； Ramesh， et al. ， 2014），还是会辍学（Halawa， et al. ， 2014）；有学者利用学习系统中学习者学习行为记录来预测其能否通过学业测试（Pedro， et al. ， 2013）。

在关系挖掘方面，当前研究主要是分析学习者的哪些学习行为会影响学习参与度、学习成就。有研究发现，学业成绩与平时测验成绩、论坛活跃程度以及观看课程网页次数有比较强烈的正相关关系（贾积有， 等， 2014）。也有研究表明，学习者的课程学习动机越强，学习者在课程讨论区和Wiki表现越活跃，完成课程的可能性越高（李曼丽， 等， 2015）。傅钢善与王改花（2014）研究了学习时间跨度、学习总时长、学习次数等八种学习行为对学习效果的影响，研究表明学习效果与讨论交流、学习次数等六种学习行为具有显著的正相关关系，而與短信接收数量、平均每次在线学习停留时长两种行为呈显著负相关。田娜和陈明选（2014）根据学生的相似特性对学生进行聚类，继而再将这些特性与课程成绩进行相关分析。研究表明学生完成的课程数目、访问过的课程页面的数量与最终取得的课程分数呈正相关，而课程浏览次数、网络平台停留时间与学后测试呈负相关。

在教学优化方面，当前研究主要集中在根据学习者的学习行为来帮助教师进行教学决策。魏顺平（2011）和吴淑苹（2013）通过对教师在线培训或学习平台上的研究得知学习者活动的总体情况、模块访问的偏好和学习时间的偏好，而这些发现对评估网络培训开展情况和优化学习支持服务等都有较大的参考价值。有的研究通过对学习者提交记录的分析，帮助教师发现学习者解决问题的方式以及学习者学习失败的问题所在，进而提供相应指导（Han， et al. ， 2013）。也有研究利用学习者在使用提交系统时系统所记录的提交次数、测试通过情况、时间花费和所获成绩等信息来帮助教师发现学习表现较差的学生，从而进行早期干预，帮助学生获得理想的成绩（McBroom， et al. ， 2016）。

学习行为分析能为教师教学、学生学习和教育决策者提供支持与帮助，进而提高学生学习成绩。学习行为分析的重要性虽已被大家所认识，但国内外研究主要集中在MOOC平台、MOODLE平台上，而对虚拟仿真实验平台上的学生学习行为分析很少。本研究以某国外虚拟仿真实验平台为例，在已有学习行为分析研究的基础上，提取学习者在虚拟仿真实验平台上的相关学习行为数据，对数据结果进行必要的分析，探讨虚拟仿真实验中学习行为与学习成绩的关系。endprint

三、研究方法

（一）研究问题

目前对于学习行为尚未形成一个明确、统一的定义。不同学者从不同研究角度给出了众多不同的定义（彭文辉， 等， 2006； 吴淑苹， 2013； 杨金来， 等， 2008； 姚纯贞， 等， 2009）。本研究采用郁晓华等（2013）所阐述的学习行为定义，即学习行为是指学习者在某种动机指引下，为获得某种学习结果而与周围环境进行的双向交互活动的总和。基于此，本文主要研究以下两个问题：

（1）学习者在虚拟仿真实验课程中的学习行为特征总体情况如何？

（2）学习者的这些学习行为是否会对学习者的学习成绩产生影响？如有影响，影响程度如何？

（二）虚拟仿真实验平台及数据来源

DEEDS（Digital Electronics Education and Design Suite，数字电路教育和设计组件）是由意大利两位学者专为数字电路课程开发的一个虚拟仿真实验平台（Donzellini & Ponta， 2007）。该平台集成了“数字电路模拟器（d-DcS）”“有限状态机模拟器（d-FsM）”“微机接口与编程模拟器（d-McE）”三大模拟器。在“数字电路模拟器”模块（如图1所示），实验者可以对常规实验电路进行组装、设计与测试等模拟；“有限状态机模拟器”模块（如图2所示）为实验者提供了进行有限状态机设计、测试等模拟所需的环境；在“微机接口与编程模拟器”模块（如图3所示），实验者可以使用汇编语言练习微机编程，实现特定功能。

图1展示了模拟器模块的详细界面。区域A是标题栏，标识了当前所展示的是平台中的哪个模块。例如，当前窗口标题为“Deeds （Digital Circuit Simulator）-[D030144_1.pbs]”表示当前打开的是数字电路模拟器（d-DcS），位于后面的“[D030144_1.pbs]”表示当前文件的名称。区域B跟其他软件一样，展示的是菜单栏，其中View提供的功能是放大或缩小工作区中逻辑电路的视图大小；Circuit处可选择电路元器件；Simulation相当于一般编程软件中的Run，也就是运行电路；Tools处提供了打开其他两个模拟器（d-FsM， d-McE）的快捷菜单；Learning处提供了快速进入学习管理系统查看学习任务、学习资料的快捷菜单。区域C是工具栏。区域D是实验器件栏，提供了各种电路元器件以及逻辑运算符号。区域E是实验区或工作区，各种逻辑电路的组装在此处进行。

本研究数据来源于Vahdat等（2015）收集的意大利热那亚大学（University of Genoa）计算机工程专业大一学生在DEEDS平台上学习“数字电路”实验课程的学习操作数据集。在课程的实验教学中，采用基于问题解决的教学方式，即让学生根据预设问题在所提供的实验环境下自主探究并完成课程的学习。每课时提供的学习时间为3小时，学生通过以下三个步骤进行学习：①在线查看实验任务；②在DEEDS平台上进行模拟；③完成并提交实验报告。当学生在所规定的时限内完成学习任务并提交实验报告后，即可结束该课时的学习。

为了解学生与虚拟仿真实验平台交互情况以及使用它解决问题的方式，研究者通过在学生的个人电脑上安装一款软件进行相应数据的收集，在数据收集的同时绑定学生的身份信息。学生的学习数据是通过软件识别学生所打开的应用窗口标题信息（即图1所示的A区域），进而识别学生所进行的学习活动，并同时记录下该活动的开始与结束时间等。

（三）研究样本和实验预处理

在进行数据分析之前，我们对所得到的原始数据进行了如下预处理：

（1）学习行为提取。本研究对原始数据集中所记录的15种学习活动进行了合并，提炼出9种学习行为。表1提供了学习行为的名称及其描述。

（2）学习行为发生频次与学习时间统计。界定上述学习行为之后，本研究对每位学生在实验课中对应的9种学习行为总发生频次和课程总投入学习时间（单位：分钟）分别进行了统计，最终得到包含学号、9种学习行为分别发生的频次、学习时间、期末成绩等信息的数据集。

（3）实验样本的筛选。在进行步骤（1）和步骤（2）时发现，部分学生有学习行为记录但缺少学习成绩，另外一些学生没有学习行为记录但有学习成绩。为了探询学习行为与学习成绩之间的关联，本研究舍弃了这两种情况的所有样本，最终得到的研究样本数量为92。

（四）研究工具与方法

本研究在初期使用Python编程语言对原始数据集所包含的20余万条数据进行相关的预处理工作，并生成新的数据文件。在对数据进行结构化处理后，运用SPSS 18.0进行基本的描述统计、相关分析以及多元回归分析。

四、结果与讨论

（一）学习行为总体情况

学习者在该课程中的学习情况如表2所示。表2第二行统计的是学生在该课程上所投入的时间情况，如学生在该课程上投入的最小时长和最大时长，班级学生学习的平均时长等。第三行到第十一行展示的是学习者在课程学习中9种学习行为发生频次的相关情况。第二列为班级学生某一行为发生频次的总和，如在Aulaweb这一行为上，班级学生共参与了7，154次。最后一行是对不同学习者个体在该课程9种学习行为中累计参与情况的统计，如最小值290表示某一学生9种学习行为累计参与频次的总和。此外，本研究也给出了学习者学习行为总体分布情况，如图4所示。

1. 學习时长分析

该课程共计6个课时，每个课时规定的学习时间为3个小时。如前所述，在每个课时的学习中学生只要完成并提交预设的学习任务，即可结束该课时的学习。

表2中Time这一行表示学生在该课程总的学习时间投入情况。学习时间投入的均值为589.22分钟，最小值为77.05分钟，仅高于一个课时指定时间的三分之一。与此同时，所投入学习时间的最大值达872.47分钟，接近14.5小时。其中大约有64%的学生在投入的学习时间上超过班级的平均时间投入（约10个小时）。但从学生投入学习时间的总体分布情况来看（如图4所示），不同学生在学习时间投入上是存在差异的。endprint

究其原因，其一，可能是学生原有知识基础存在差异导致的。例如，对实验平台以及实验所需电子元器件符号的不熟悉等原因都会使学生的学习时间投入产生差异。其二，学习风格是影响学习过程的主要因素之一，它表征学习者身上一贯表现的带有个性特征的学习方式和学习倾向，在这方面学生之间往往存在一定的差异。例如，有的学生倾向于通过动手实践来获取知识，而该课程的教学方式正迎合了其学习风格，进一步激发了这类学生的学习兴趣，因而其完成指定学习任务所花费的学习时间较少也是合理的。因此，教学者在教学设计过程中应采用适合的方式了解学生的已有知识基础及学习风格，从而安排更合适的学习内容，设计更合理的教学活动，进一步激发学生的学习兴趣，积极引导教学活动的开展。

2. 学习行为参与频次分析

表2最后一行展示的是学生在该门课程中所有学习行为参与频次的总和。研究发现，对于每一位学生来说，平均有2，264.15次学习行为被记录了下来。然而，该行所有学习行为的标准差一栏显示这些数据分布很不均匀，也就是说，不同学生在学习行为总的发生频次上存在差异。

就班级整体情况来看，在实验课的9种学习行为中，TextEditor、Deeds的发生频次分别占了18.58%、16.48%，是参与频次较高的两种学习行为。其中TextEditor表征学生在从事与实验报告相关的活动，如查看、填写实验结果等。Deeds表征学生在数字电路模拟器（d-DcS）上的相关行为，如进行电路的组装、设计、测试等。实验操作、现象观察、实验结果记录是实验操作中交替进行的活动。该结果表明，与传统的教学实验环境一样，学生在虚拟仿真实验环境下，依旧保持着及时记录实验结果的习惯。然而，图4也表明，在所有学习行为中这两种学习行为是参与度差异较大的两种行为。

在所有的学习行为中，Aulaweb的参与频次最小，仅占所有学习行为参与频次的3.43%。它表征学生从事与学习管理平台密切相关的活动，如上传实验报告、下载学习资料、查看学习任务等。这些活动在实验操作类课程中通常进行得较少，因而该行为在不同学生之间发生频次较为稳定也是正常的。

在该实验课中总体参与频次较为接近的四种学习行为是Diagram（9.00%）、FSM（9.50%）、Properties（8.70%）、Study（9.65%）。通过标准差可以发现，四种行为中发生频次较不稳定的是FSM和Study，分别为110.37和103.09。在FSM学习行为中，发生频次的最小值为0，最大值达416次，均值为215.08次。对于Study，最小值为0，最大值为544次，平均发生次数为218.46次。

其中较为特别的是Other行为，它表征除了必要的实验操作之外，课上可能发生的其他行为，如使用Facebook聊天等。但该行为在9种学习行为中所占比率却比较靠前（14.15%），该行为的频繁发生应引起教师的重视，并思考其原因。例如无关学习行为的频繁发生是说明在教学活动引导方面存在问题，还是学习内容难度过大，致使学生失去学习兴趣？对于该行为是否会在很大程度上影响学习者的学习需进一步分析。对于在数据收集时，未能够具体甄别到具体活动相关的行为Blank，其发生频次略高于Diagram、FSM、Properties、Study。另外，該学习行为发生频次的标准差表明，在该行为的参与程度上不同学生个体之间存在较大波动。

上述9种学习行为参与频次的分析表明，学生在不同种类学习行为的参与上基本都存在差异。其中，学生仅在学习任务查看行为（Aulaweb）参与频次上差异较小，表明预设的学习任务表述清晰，基本不会给学生在学习任务理解上带来疑惑。在剩余参与频次差异较大的学习行为中，需对学习行为与学习效果进行相关分析，发现学习行为与学习效果之间的关联，从而根据相关分析结果，在后续教学过程中采取相应教学措施提高教育教学效果。例如，通过分析Other行为与学习效果之间的相关性来改进教学，探究是否Other行为参与越频繁学习效果越差？若相关分析结果显示Other行为与学习效果存在负相关，亦即Other行为发生频次越多学习效果越差，则教师在后续教学中应采取干预措施，限制学生的这一行为。例如，可尝试关闭网络、限制访问路径、锁定学习活动界面等。

（二）学习行为与学习效果的关系

通过对学生学习行为的分析，本研究发现不同学生在大多数学习行为发生频次上存在较大波动。Bivariate双变量相关分析是研究两个变量之间相关关系的常用统计方法，常用的相关系数主要有Pearson简单相关系数、Spearman相关系数和Kendall相关系数等（薛薇，2013）。由于本研究分析的是两个连续数据之间的关系，且各变量基本符合正态分布，因此本研究采用Pearson系数对学习行为指标与学习成绩进行分析，分析结果如表3所示。

相关分析结果显示：学习时间（Time）与Aulaweb、Deeds、Blank、Other四种学习行为参与频次与成绩无显著相关。其中，Diagram、FSM和TextEditor三种学习行为与学习成绩在0.05水平上相关，剩余的Properties和Study学习行为在0.01水平上与学习成绩相关。

综上所述，影响学生学习效果的主要是Diagram、FSM、Properties、Study以及TextEditor五种学习行为。这五种行为不仅表明了学习过程中可能存在的问题，同时也为教师改进后续教学提供了相应的建议。首先，Diagram、FSM行为表征的是学生对学习内容的参与程度。同时，相关分析表明参与时序电路图绘制活动和有限状态机内容相关活动越频繁，学习效果可能越好。因此，在今后的教学中，与逻辑电路的时序电路图绘制、有限状态机有关的内容的学习应是教师关注的重点。教师应密切关注学生在这两块内容学习中所表现出来的学习状态，在学生遇到问题时及时进行指导，让学生在问题解决中体验学习的乐趣，提高学习积极性，加强正向反馈。此外，还可以采取问卷、访谈等方式在对应课时学习结束后获取学生关于这两部分的学习反馈。在获得反馈结果的基础上，在后续教学过程中为学生提供更为合理、详尽的学习资料，帮助学生实现对该部分内容的掌握。endprint

Properties、Study两种行为体现的是学生解决问题的方式，一种是通过不断试错寻求问题解决方法，另一种是通过查询资料寻求解决办法。相关分析表明，Properties、Study学习行为参与越频繁，学习效果越理想。表明在后续的教学过程中，教师应积极引导学生通过调节实验电路参数以及阅读所提供的学习资料的方式来寻求问题解决办法，让学生学习问题解决方式，从而在问题出现时明确应采取何种措施解决问题，提高学生的学习效果。

此外，相关分析结果表明，TextEditor学习行为参与越频繁，学习效果越好。该现象表明，边实验边记录实验结果更有利于学习效果的提升。也就是说，在平时的学习过程中，教师应鼓励学生在改变实验电路输入状态测试成功时，及时记录实验结果。

（三）学习成绩影响因素回归分析

为了更加深入地了解变量的影响效果，本研究根据相关分析的结果，剔除无显著相关的学习时长（Time）以及Aulaweb、Deeds、Blank和Other行为5个变量后，对剩余的Diagram等5个变量做逐步多元回归分析（逐步回归分析的准则为：F-to-enter的概率 <= .050，F-to-remove的概率 >= .100），结果如表4所示。

结果显示：在所有的学习行为中，仅有Properties这一学习行为得以通过筛选进入最终模型。其标准系数为正值，且Sig值在0.01水平上达到显著，说明Properties学习行为参与频次可以正向预测学习者的学习成绩。此外，根据残差散点图可知（如图5所示），标准化残差绝大部分都落在（-2，2）区间以内，说明整体的拟合度比较好。

在该课程的学习中，问题解决方式有：①通过Properties行为所体现的不断试错方式；②通过Study行为所体现的阅读学习资料方式。然而，在最终的学习成绩多元线性回归分析中，仅有Properties这一学习行为得以进入最终的模型。分析其原因：其一，该课程是一门实践操作类的课程，虽然通过阅读学习资料可以获得问题解决的思路，但为了验证解决方案的正确与否还得通过实践，也就是通过调节相应参数来解决；其二，正如建构主义学习理论所阐释，知识是学习者在一定的情境下，借助其他辅助手段，通过意义建构的方式而获得的，在该课程中Properties行为体现的正是学习者通过不断尝试，不断调整参数，获得预期实验结果，建构知识的过程。

因此，根据学习成绩影响因素回归分析的结果，在今后的教学过程中，当学生遇到问题时，一方面教师可以鼓励、引导学生采取调节实验电路参数的方式来寻求问题解决的办法；另一方面教师可以对学生的Properties学习行为参与频次进行统计，根据Properties参与频次的情况，在一定程度上预估学生最终可能取得的学习成绩。当发现学生学习行为与模型偏差较大时，及时采取干预措施，如通过访谈的形式与学生交流，发现问题所在（是在学习内容的理解上存在问题，还是对教师的授课方式不满意，等等），进而根据问题采取相应的补救措施，帮助学生取得预期的学习效果。

五、结论与展望

（一）結论

随着科学技术的不断发展，虚拟仿真实验平台在实验教学中的应用越来越广泛，然而对虚拟仿真实验平台上学生学习行为分析则很少。本研究尝试采用学习分析技术，通过对学习行为进行量化来分析学生在虚拟仿真实验课程中的学习行为总体情况，探询学习行为与学习成绩之间的关联。研究表明：①学生在课程的大部分学习行为上存在差异。②学生Diagram、FSM、Properties、Study、TextEditor五种学习行为参与程度与学习成绩存在显著的正相关关系。由此说明，在今后的教学中，教师应密切关注学生对时序电路图绘制以及有限状态机内容的学习状况；在问题解决方式的选择上，应鼓励学生采取试错和查阅学习资料的方式寻求答案。③五种学习行为中仅有Properties这一学习行为可以进入最终的回归模型，其参与频次对学习成绩产生的影响非常显著。据此，教师一方面可以鼓励学生积极动手实践，通过行动来验证问题解决方案的正确与否，另一方面可以根据回归分析的结果预估学生最终取得的成绩，及时发现学习问题所在并进行干预。本研究的这些发现可为今后虚拟仿真实验教学的教学活动开展、教学干预以及教学结果评价提供一定的参考。

（二）不足与未来工作

本研究总体来说是一个初步的探索性研究，研究结论存在较多的不足。首先，已有研究表明，性别、年龄等人口统计信息方面的差异也会产生学习行为上的差异。如傅钢善等（2014）发现在网络学习中，男女生在平均学习时长、学习总时长、重复学习率等方面均有显著差异。本研究由于缺少相关的人口统计信息未能就不同性别、不同年龄学生在各学习行为上进行比较，未能分析这些因素是否与学习成绩有关。其次，用于学习分析的数据类型较为简单，在数量上不够充分，因此在解释方面可能会有欠缺。最后，本研究仅从课程这一角度对不同学习行为进行分析，未能具体考察不同实验主题是否会影响学习行为之间的关联。有学者曾就虚拟仿真实验与传统实验在教学方面进行了对比分析，提出不同的教学模式适合不同的实验主题。如综合性实验和设计性实验更适宜采用虚拟仿真实验的教学模式（郑富龙， 2005）。

本研究仅对学生学习行为数据进行了量化分析，为了完善研究发现，提升其价值，未来将开展的工作包括：①利用数据挖掘方法对数据进行进一步的发掘，发现更多隐藏在学生操作行为背后的认知过程，为教育教学提供有效数据支持；②综合应用多种方法增强分析结论的完备性和可靠性，如通过访谈或问卷调查等质性研究方法弥补量化研究在情感和态度方面信息的缺失。

[参考文献]

傅钢善，王改花. 2014. 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（9）：53-57.

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

賀超凯，吴蒙. 2016. edX平台教育大数据的学习行为分析与预测[J]. 中国远程教育（6）：54-59.

贾积有，缪静敏，汪琼. 2014. MOOC学习行为及效果的大数据分析——以北大6门MOOC为例[J]. 工业和信息化教育（9）：23-29.

蒋卓轩，张岩，李晓明. 2015. 基于MOOC数据的学习行为分析与预测[J]. 计算机研究与发展（3）：614-628.

李曼丽，徐舜平，孙梦嫽. 2015. MOOC学习者课程学习行为分析——以“电路原理”课程为例[J]. 开放教育研究，21（2）：63-69.

彭文辉，杨宗凯，黄克斌. 2006. 网络学习行为分析及其模型研究[J]. 中国电化教育（10）：31-35.

田娜，陈明选. 2014. 网络教学平台学生学习行为聚类分析[J]. 中国远程教育（11）：38-41.

魏顺平. 2011. Moodle平台数据挖掘研究——以一门在线培训课程学习过程分析为例[J]. 中国远程教育（1）：24-30.

吴淑苹. 2013. 基于数据挖掘的教师网络学习行为分析与研究[J]. 教师教育研究，25（3）：47-55.

薛薇. 2013. SPSS统计分析方法与应用[M]. 第3版. 北京：电子工业出版社.

杨金来，洪伟林，张翼翔. 2008. 网络学习行为的实时监控研究与实践[J]. 开放教育研究（4）：87-92.

姚纯贞，米建荣，王红成. 2009. 国内外学习行为研究综述[J]. 教学与管理（30）：48-50.

郁晓华，顾小清. 2013. 学习活动流：一个学习分析的行为模型[J]. 远程教育杂志（4）：20-28.

郑富龙. 2005. 仿真实验与传统实验的教学探索[J]. 实验室研究与探索，24（9）：84-86.

宗阳，孙洪涛，张亨国，等. 2016. MOOCs学习行为与学习效果的逻辑回归分析[J]. 中国远程教育（5）：14-22，79.

Balakrishnan G.， Coetzee D. （2013）. Predicting Student Retention in Massive Open Online Courses using Hidden Markov Models. Retrieved October 12， 2016 from https：//www2.eecs.berkeley.edu/Pubs/TechRpts/2013/EESC-2013-109.pdf

Donzellini G.， Ponta D. （2007）. A Simulation Environment for e-Learning in Digital Design. IEEE Transactions on Industrial Electronics， 54（6）， 3078-3085.

Han F.， Veeramachaneni K.， O'Reilly U. M. （2013）. Analyzing Millions of Submissions to Help MOOC Instructors Understand Problem Solving. Retrieved October 10， 2016 from http：//groups.csail.mit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/ProblemAnalytics.pdf

Halawa S.， Greene D.， Mitchell J. （2014）. Dropout Prediction in MOOCs using Learner Activity Features. In Cress， U.， Kloos， C. D. （Eds.）， Proceedings of the European MOOC Stakeholder Summit （EMOOCS 2014） （pp. 58-65）.

Jiang S.， Williams A.， Schenke K.， et al. （2014）. Predicting MOOC Performance with Week 1 Behavior. In Stamper， J.， Pardos， Z.， Mavrikis， M.， McLaren， B. M. （eds.）， Proceedings of the 7th International Conference on Educational Data Mining （pp. 273-275）.

McBroom J.， Jeffries B.， Koprinska I.， et al. （2016）. Mining behaviours of students in autograding submission system logs. In Barnes， T.， Chi， M.， Feng M. （eds.）， Proceedings of the 9th International Conference on Educational Data Mining （pp. 159-166）.

Pedro M. O.， Baker R.， Bowers A.， et al. （2013）. Predicting College Enrollment from Student Interaction with an Intelligent Tutoring System in Middle School. In DMello， S. K.， Calvo， R. A.， Olney， A. （eds.）， Proceedings of the 6th International Conference on Educational Data Mining （pp. 177-184）.endprint

Romero C.， Espejo P. G.， Zafra A.， et al. （2013）. Web usage mining for predicting final marks of students that use Moodle courses. Computer Applications in Engineering Education， 21（1）， 135-146.

Ramesh A.， Goldwasser D.， Huang B.， et al. （2014）. Learning Latent Engagement Patterns of Students in Online Courses. In Brodley， C. E.， Stone， P. （eds.）， Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence （pp. 1272-1278）. Palo Alto： The AAAI Press.

Vahdat M.， Oneto L.， Anguita D.， et al. （2015）. A Learning Analytics Approach to Correlate the Academic Achievements of Students with Interaction Data from an Educational Simulator. In： Conole， G.， et al. （eds.）， EC-TEL 2015 （pp. 352-366）. Berlin： Springer.

Vista A.， Awwal N.， Care E. （2016）. Sequential actions as markers of behavioural and cognitive processes： Extracting empirical pathways from data streams of complex tasks. Computers & Education， 92， 15-36.

Yadav S. K.， Bharadwaj B.， Pal S. （2012）. Data mining applications： A comparative study for predicting student's performance. International Journal of Innovative Technology & Creative Engineering， 1（12）， 13-19.

責任编辑 刘 莉endprint