基于数据挖掘的互联网环境下大学生深度学习影响因素实证研究

杨慧

（中国海洋大学计算机基础部，.66100）

0 引言

互联网的飞速发展，为高校的教育改革带了新的机遇。当前，大部分高校都采用混合学习、翻转学习等以“学”为导向的教育模式，学习的各个环节都离不开互联网的支持。然而，这些基于网络的教育方式是否提升了学习者的学习效果，很大程度上是直接取决于学习者在互联网环境下的深度学习水平。

1 深度学习理论

在学习科学领域中，深度学习的概念由美国学者Marton和Saljo在1976年的《学习的本质区别：结果和过程》一文中首次提出，认为深度学习是在理解学习的基础上相对于浅层学习的一种学习方式[1]。Biggs、Entwistle和McCune指出深度学习包含高水平或者主动的认知加工，而浅层学习则采用诸如机械记忆等低水平认知加工。我国学者何玲和黎加厚认为深度学习强调学习者能够批判性地学习新的思想和事实，并将它们融入原有的认知结构中，并能够将已有的知识迁移到新的情境中，从而帮助决策和解决问题[2]。互联网环境下的深度学习，是学习者在网络情境下面对海量的网络信息资源，进行主动地探索与整合以建构知识，进而反思与迁移，并应用到问题解决中的学习。同时，网络还为学习者提供了丰富的互动交流工具，为他们相互探讨，分享提供了条件，有利于学习者之间思维的碰撞，发展学习者的创新性思维和沟通合作能力。

借助计算机数据挖掘技术对互联网环境下大学生深度学习水平现状以及相关影响因素进行研究，是教育领域新的突破，有助于促进学生在网络环境下的认知深度，进而提高教学过程与学习活动的质量，实现高效深层次的网络学习。

2 数据来源及抽样方法

学习者在进行网络学习时，其网络学习行为非常复杂多样。本研究参考了布鲁姆的教育目标分类，借鉴了“美国信息加工心理学的发展理论评介”文中网络学习的一般模型[4]，在大量查阅文献和访谈专家之后，编制了《互联网环境下大学生深度学习调查问卷》。问卷采用Likert量表，由非常符合到完全不符合分为五个等级，分别赋值 5、4、3、2、1 分，分值越高，表明程度越好。为了保证调查问卷的合理性，本研究在正式投放问卷之前进行了预测，并根据多次因子分析的结果，最终得到潜变量因子4个，分别为信息素养、知识建构、深度加工和沟通，各相关测量指标共27个。同时为了更好地进行比较,本研究还将学生个体特征，即性别、学科和年级，带入模型探究这些相关因素的影响情况。

图1 网络学习的一般模型

本调查在某高校C语言程序设计课程范围内进行随机抽样，共发放了720份问卷，在删除掉部分不合格问卷之后，共回收和使用有效问卷681份。调查样本中74.6%为理工科学生。男女生比例约为3:1，而大一及大二学生占比约为80%。

3 基于计算机数据挖掘的互联网环境下大学生深度学习影响因素分析

3.1 适用性检验

本研究通过KMO和巴特利球形检验显著性概率值分析，比较了变量间偏相关系数和变量间相关性的指标，得出的KMO值为0.891，大于0.7，说明问卷符合要求，即效度可以，适合进行因素分析；巴特利特检验P值为0.000，小于0.001，说明因子的相关系数矩阵非单位矩阵，即变量前存在相关关系，可以通过进一步分析提取最少的因子同时又能解释大部分的方差。

表1 KMO和巴特利特检验

3.2 描述与统计分析

（1）网络环境下大学生深度学习水平的现状

表2 网络环境下大学生深度学习现状的描述性统计

通过表2的描述性统计我们可以看到，网络环境下大学生的深度学习水平均值约为3.256＞3，向5靠拢，说明大学生具有一定的深度学习水平。但从各维度描述数据可以看到C语言学生具备较好的信息素养（M=3.793），而网络环境下知识构建能力（M=3.182）存在不足，特别是缺乏迁移、运用等深度知识加工方式的能力（M=2.816）。

（2）网络环境下大学生深度学习水平的性别差异

本研究将文史哲、经济学、法学、教育学、管理学划分为偏文科类，而将理工农划分为偏理科类。由表3可以看出，网络环境下男女生的深度学习水平不存在显著差异。男生深度学习水平（M=3.40）略高于女生的深度学习水平（M=3.26）。虽然，男生在计算机素养方面比女生更高，但是女生在反思、整合及认知成熟度上的得分都显著高于男生。此外，施利成等研究者在2009年的研究中发现女生更能够接纳不同的意见和问题解决方法，审慎地作出判断、或暂不下判断或修改已有判断。这给出了本研究的部分解释。

（3）网络环境下大学生深度学习水平的年级差异

为了研究不同年级之间学习者的深度学习水平是否存在差异，我们进行了单因素方差分析，其结果如表4所示。计算结果表明，不同年级间学生深度学习水平存在显著差异。其中大三学生的深度学习水平要显著高于大一及大二年级的深度学习水平。这可能一方面是因为随着信息素养的提高和自身学习策略的不断调整优化，大三学生在网络环境下的深度学习水平也在提高。另一方面，这是由于大三学生课业压力相对减少，可以在网络学习中投入更多学习的时间和精力，并且专业课程对知识的深度要求学生更多得使用网络检索、整合和解决实际问题，这间接提升了深度学习能力。

表4 网络环境下不同学科学生深度学习水平方差分析

（4）网络环境下大学生深度学习水平的学科差异

表5 网络环境下不同学科学生深度学习水平独立样本t检验

本研究将经贸、文史哲、政法、管理学划分为偏文科类，而将理工、医药、水产划分为偏理科类。由表5可以看出，网络环境下文理科大学生的深度学习水平并不存在显著差异。文科生的深度学习水平（M=3.346）略低于理科生的深度学习水平（M=3.362）。这可能是由于理科生习惯于连续、逻辑思维模式，在网络学习环境中更善于通过深度挖掘各种资源并通过实践验证形成深层次的认知。而文科知识需要发散的思维，往往需要在网络中广泛整合信息，在对各种观点的讨论、反思中构建知识。由于高阶思维能力、反思与沟通能力都是与深度学习相契合的，且文理科学生在这两方面的优势程度近乎一致，因而不同学科学生的深度学习水平基本是持平的。

（5）网络环境下大学生深度学习水平影响因素主成分分析

为了全面、系统地分析问题，我们必须考虑了众多网络环境下影响大学生深度学习的因素，即变量。因为每个变量都在不同程度上反映了所研究问题的某些特征，并且指标之间彼此有一定的相关性，因而所得的数据在一定程度上有重叠，直接纳入分析就有可能因多元共线性而无法而出正确结论。为了追求研究的相对科学性和准确性，本研究采用主成分分析（Principal Components Analysis，PCA）对影响网络环境下大学生深度学习水平的主要因素进行探究，利用线性拟合的思路把分布在多个维度的高维数据投射到几个轴上，用一组新的互相无关的综合因子来代替原来的变量，达到数据压缩抽象的目的。

PCA算法一般通过以下4步骤实现[5]：

①对原来的p个指标数据进行标准化。

②根据公式（1），计算标准化数据矩阵的协方差矩阵C。

③求出协方差矩阵的特征根和特征向量。令协差阵的特征值为 λ1≥λ2≥…≥λp，向量 l1,l2,….,lp为相应的特征量，则第j个主成分为：

④确定主成分个数m，计算主成分方差贡献率和累积贡献率。这里我们采用了特征根＞1的方法确定了主成分个数。

⑤结合研究的问题，解释主成分蕴含的信息。

我们通过对图1主成分特征值的观察，可以发现在第六个主成分之后，特征值明显降低，表示对应的主成分包含的信息明显减少，影响较弱。表6反映了各成分的方差贡献率和累积贡献率。由于前6个主成分累计方差贡献率已经达到75.385%，且特征根均满足大于1的要求，我们有理由认为提取前6个主成分代替原来的27个变量是合理的。

为了进一步明晰各因子所表示的含义，我们对初始因子载荷矩阵进行旋转，并通过锁定在各个公因子上载荷较大的变量来解释各公因子。其中第一主成分与各个变量“整合”、“下载”、“浏览平台”、“点播网上资料”的各个系数分别为 0.73、0.69、0.67、0.66，说明第一主成分主要体现了学生对网上资料收集整合的行为对深度学习水平的影响；而第二主成分与各个变量的系数中“上传”、“SNS分享”、“群组共享”三个变量载荷加大，分别为0.71、0.69和0.68，说明在网络上进行知识分享对深度学习影响也比较强烈；以此类推，再观察与第三个、四、五、六主成分载荷较大的变量，发现可以将他们解释为“反思自我”、“参与论坛话题讨论”、“批判性学习”、“通过聊天工具或者Email向他人求助”的影响因素。

图2 主成分分析碎石图

大学生有意识地浏览网络网络并进行整合，表明他们具备了利用网络工具来获取信息的素养，同时在学习主观能动性方面有了一定突破，对信息进行整合是从浅层学习通向深度学习的阶梯。而研究同时发现论坛、社交媒体和群组已经成为大学生分享学习资料的一个重要方式，正逐渐成为大学生学习时不可或缺的手段。同时在知识建构领域，如果大学生能够自发地找出新旧知识的联系，在反思的基础上通过观察、讨论和实践的方式验证形成新观点，就能够达到对知识的深度建构。在沟通方面，网络弥补了传统课堂的时空域限制，学习者可随时问询同类学习者或者教师的见解和立场观点，并得到来自他人的帮助和反馈，给予了学习者持续有力的支持，激励学生更深入地反思和学习。

4 结语

综上，我们得到在网络环境下对学习者深度学习起关键作用的6个因子，他们按其影响程度自大到小分别是“浏览并整合网络资源”、“网络分享”、“反思自我”、“参与论坛话题讨论”、“批判性学习”、“通过聊天工具或者Email向他人求解”，也就是说学习者在这6个因子上的得分表现直接影响他们的深度学习的有效性。对于以上研究结果，下文试图做出较为合理的解释。

本研究借助计算机数据分析方法和问卷调查，通过描述性分析，从四个维度概括了网络环境下C语言学生深度学习的现状；通过差异分析，探究了性别、年级和学科因素的影响情况；通过主成分分析，提取了网络环境下影响大学生深度学习的六个主因子；通过计算旋转后的因子载荷矩阵，进一步明晰了六个主因子的内涵，并做出了合理解释，旨在为进一步提升互联网下环境下教学过程和学习活动的质量带来一些参考。

表6 主成分分析结果