基于ISM的在线学习参与度影响因素模型研究

摘  要： 学习参与度不高是导致在线学习辍学率高和结业率低的重要原因，探究在线学习参与度影响因素对提高在线学习质量具有重大价值。首先采用文献分析法和访谈研究法确定在线学习参与度的18个影响因素。然后分析各因素之间的逻辑关系，建立邻接矩阵，计算可达矩阵，通过层级分解，绘制在线学习参与度影响因素的结构模型。研究发现，学习动机、学习氛围是影响在线学习参与度的直接原因;知识呈现方式、平台易用性、课程难度、课程时长以及活动安排是最基础因素;其余因素作为间接因素发挥作用。最后，尝试提出改善在线学习参与度的建议，以期为后续在线课程建设提供新思路。

关键词： 在线学习;学习参与度;影响因素;ISM

中图分类号： G434    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.12.034

本文著录格式：胡凡迪，张大为. 基于ISM的在线学习参与度影响因素模型研究[J]. 软件，2019，40（12）：153157

Research on Influencing Factors Model of Online Learning Participation Based on ISM

HU Fan-di， ZHANG Da-wei

（Liaoning Normal University， College of Computer and Information Technology， Dalian 116000， China）

【Abstract】： Low participation rate is an important reason for the high dropout rate and low completion rate of online learning. It is of great value to explore the influencing factors of online learning participation to improve the quality of online learning. Firstly， literature analysis and interview research were used to determine 18 influencing factors of online learning participation. Then， analyze the logical relations among the factors， establish the adjacency matrix， calculate the accessible matrix， and draw the structure model through hierarchical decomposition. Finally， some Suggestions are proposed to improve the participation of online learning in order to provide new ideas for the construction of online courses.

【Key words】： Online learning; Learning participation; Influencing factors; ISM

0  引言

在教育信息化時代背景下，在线学习已成为教育领域中重要的学习方式。尽管在线课程学生注册数量庞大，但实际参与以及持续学习的人数并未显著增加[1]。辍学率高、结业率低、难以深入学习的现象严重影响在线学习效用，导致优质资源浪费。如何促使学习者积极投入课程，使在线学习的优势得以真正发挥成为在线教育领域中迫在眉睫的问题。

学习者主动参与是在线学习发生的必要条件，参与度的高低成为在线学习有效性的显著标志。参与度研究的代表人物Astin，A.W表明，学生参与不仅有助于提高教学质量，增强教学的社会性，同时可以让课堂充满活力，使学生真正成为教学的主人[2]。因此提高学生的学习参与度成为在线课程中实现高质量教学的一个重要切入点。然而在线学习环境下，哪些因素直接影响在线学习参与度以及如何厘清在线学习参与度影响因素之间的结构关系成为提高在线学习参与度的关键所在。为此，本文结合我国在线课程发展的实际情况，以某高校学生作为研究对象，将繁杂的在线学习参与度影响因素通过解释结构模型法（ISM）逐步形成具有良好结构关系的层级模型，以此了解影响在线学习参与度的关键因素与各要素之间的层级结构，对后续在线课程的建设与发展、学生提高学习成绩以及在线学习质量具有举足轻重的意义。

1  在线学习参与度影响因素文献回溯

众多研究者对在线学习参与度影响因素做了大量探索。从学习者基本信息的角度出发，文书锋等人认为不同性别、专业、学龄、学习层次、年龄的学生群体在学习参与度上存在差异[3]。在学习者与学习者之间的交互层面，朱文辉、靳玉乐结合两轮的行动研究得出网络化合作活动学习显著提升了学员在线学习参与度，保障了学员在分散学习期间的学习时间和学习质量[4];沈欣忆和Daniel Hickey等人研究得出基于知识情境化理论和同伴评价的方式，认为认可作业、同伴推荐、提出问题以及支持在线讨论区等因素会影响学习者的在线参与度[5]。Tucker等人在师生之间的关系方面对参与度进行研究，认为教师的态度、师生关系等都对学习参与度产生显著的影响[6]。Chi-Cheng Chang等人在课程层面认为不同程度的学习者参与对课程体系建设的影响是不同的，其中重点强调系统质量和在线交互是低参与率和高参与率之间存在差异的重要因素。针对参与在线学习的高辍学率、低结业率等问题进行研究，Freitas S I、Hone K S、LittleJohn A等人发现内容设计、学习动机、师生交互、学习反馈是影响学生参与和持续学习的关键因素[7-10];牟智佳采用多元回归分析法研究得出教师支持、教师反馈、课程内容、课程结构、感知有用和内在动机对提高MOOC学习参与度具有重要意义[11]。Selma Vonderwell和Sajit Zacharia研究表明网络学习参与和参与模式受技术、界面特征、内容领域体验、学生角色、学习风格、教学任务、信息过载等因素的影响，通过密切监控学生的参与度与参与模式，可以帮助教师识别学生的需求[12]。刘斌等人从学校、课程、学习者和教师四个方面对在线学习参与度进行分析，研究认为政策与规定、学校支持、平台的功能设计、课程规模、课程要求、评价方式、学习风格、信息素养、教学设计、教学方法等因素对在线学习参与度具有重要影响[13]。

以上研究从不同角度探索了在线学习参与度影响因素，但对多个层面、多个因素之间的系统分析以及相互影响关系程度的研究并为提及。为此，本文通过绘制在线学习参与度影响因素的解释结构模型，对各要素的系统结构进行深入研究。

2  在线学习参与度影响因素解释结构模型建构

解释结构模型法最早由美国J·华费尔特教授在1973年提出[14]，是复杂网络的一种建模方法。它通过把复杂系统分解为若干子系统或多种要素，运用人类的实践知识与经验，从关系模型→邻接矩阵→可达矩阵→层级分级→建立解释结构模型等步骤分析各要素之间的关系以及在系统中发挥的作用。

2.1  确定要素

根据国内外有关文献的分析与总结，从中归纳出了在线学习参与度影响因素，这些因素主要集中在学生、教师、课程以及技术四个维度，并且每个维度又包括若干个因素。为确保这些因素的准确性和全面性，抽取115名参与过在线课程的学生进行访谈。将访谈问题以试卷的形式下发给受访者，重点征询的问题为你是否同意已给因素对你的学习参与度造成影响和你还认为哪些因素对你在线学习参与度造成影响。结合访谈对象的回答对已有的因素进行汇总与修改，共获得20个影响因素，得出的访谈数据结果如图1所示。

图1  在线学习参与度影响因素认同感分布

Fig.1  the distribution of identity of factors

influencing online learning participation

根據访谈结果显示，115名学生中认同“教学质量”的人数占26.9%，认同“课程论坛”的人数占18.2%，这两个因素的同意人数不到调查总数的1/2。因此将“教学质量”、“课程论坛”删除，不作为在线参与度的影响因素，最终确定18个影响因素如表1所示。

2.2  建立邻接矩阵和计算可达矩阵

根据文献研究以及对在线课程学习者的调查分析初步确定在线学习参与度影响因素之间的逻辑关系。然后邀请专家小组对影响因素关系进行分析与校对，经过两轮的修改，直至达成一致意见，确定在线学习参与度影响因素之间的关系，将已确定的

表1  在线学习参与度的影响因素

Tab.1  Factors Influencing online learning participation

维度 影响因素S 因素描述 来源

学习者 学习动机S1 学习本节课程的兴趣、爱好、意愿等 ShinYiL（2015）

学习风格S2 学习者特有的学习方法，学习策略等 HoneK S（2016）

学习兴趣S3 学习者个人对学习课程与内容是否感兴趣 分析/访谈

自我效能感S4 学生对自身高质量完成本节课的自信程度 顾小清（2016）

同伴互动S5 学生之间的交流讨论，合作分享等活动 汪雅霜（2013）

感知有用S6 学生主观认为在线学习能帮助提升学习 牟智佳（2017）

教师 活动安排S7 教师对课程的安排，如：主题讨论、互评等 分析/访谈

教学技能S8 教学方法，对教学内容的掌握情况等 SajitZachari（2005）

教师反馈S9 解决学习者的问题并对近期学业做出总结 LittleJohnA（2016）

师生互动S10 教师与学习者的在线交流互动情况 FreitasSI（2015）

课程 课程便捷性S11 在线课程随时空的改变而做出弹性的调整 分析/访谈

课程难度S12 课程内容有否有难度，是否具有普适性 分析/访谈

知识呈现方式S13 资源以视频图片等形式呈会影响学生兴趣 李明辉（2010）

课程时长S14 在线课程时间长短适合学习者学习 分析/访谈

在线激励机制S15 对优秀的学生给予证书积分等形式的奖励 张蔷（2011）

评价机制S16 课程作业，阶段性及期末考试等 沈欣忆（2015）

技术 平台易用性S17 平台是否支持在线讨论区域等支持学习服务功能. Selma（2005）

学习氛围S18 在线学习环境的学习氛围是否优越 Simona（2013）

逻辑关系将其转换成邻接矩阵A。通常邻接矩阵表达方式为：若要素与要素之间有关系，取值为1，反之则为0。最终确定在线学习参与度的邻接矩阵A如下所示。

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0

1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 1 0 1 1 1 0 0 0 0 0 1 0 1

0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 1 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0

0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0

1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

邻接矩阵仅反应各要素的直接影响关系，为了解析各要素之间的层级关系，需求算邻接矩阵A的可达矩阵R。计算方法为：原始矩阵A加单位矩阵I，即对角线都加上1得到相乘矩阵，对相乘矩阵连乘直到矩阵不发生变化时，即可得到可达矩阵R。公式为：（A+I）（k–1）≠（A+I）k=（A+I）（k+1）=R（K≥2）。本研究选用MATLAB数学软件计算可达矩阵R，如下所示。

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

1 1 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1

1 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 0 1

1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1

1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1

1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 1 0 0 0 0 0 1

1 1 1 1 1 1 0 0 0 1 0 0 1 0 0 0 0 1

1 0 1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1

1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 1

1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

2.3  層级分解

通过可达矩阵绘制出有向图，从而清楚地展现出各要素之间的相互关系，需对各要素进行层级分解。分解时需要定义两个集合R（Si）和A（Si）。R（Si）表示从矩阵中某一个Si出发可到达全部要素的集合，简称为可达集合（即与Si对应行中包括“1”的所有因素）;A（Si）表示从矩阵中其他要素出发都能到达某一个因素的要素Si的全部要素的集合，简称为前因集合（即与Si对应列中包括“1”的所有因素）。层级分解方法为：当满足R（Si）∩A（Si）=R（Si）时，则Si为最高层级要素。然后，将这些要素在可达矩阵中删除，重新列出要素集合表，根据相同判断条件确定下一级要素，直至将最后一层要素分层。最终划分结果为：第一层级有S1、S18;第二层级有S5、S6、S9、S10、S15;第三层级有S2、S3、S4、S8、S11、S16;第四层级有S7、S12、S13、S14、S17。

2.4  构建解释结构模型

根据可达矩阵以及要素所处层级，可建立解释结构模型。建模的方法为：根据层级划分结果可判断该模型可分四个层级;通过可达矩阵可判断两个因素之间是否存在关系。如L1和L2之间的关系，从可达矩阵可以看出，S1和S18相互等价，S15、S6、S5、S10、S9和S1有关系，即可画出从S15、S6、S5、S10、S9到S1的有向边。以此类推，画出每一个要素的直接关系（本模型未标记跨层因素之间的影响关系），绘制结果如图2所示。

图2  在线学习参与度影响因素的ISM模型

Fig.2  ISM model of factors influencing online learning participation

3  结论

从图2的ISM模型可以看出，学习动机、学习氛围处于模型最高层，是影响在线学习参与度的直接因素;知识呈现方式、平台易用性、课程时长、课程难度以及活动安排处于最底层，是所有影响因素中最基础的因素;其余为第二、三层级因素，间接影响在线学习参与度。结合在线学习参与度影响因素的ISM模型，在提高在线学习参与度时，应注意以下三方面：

3.1  注重课程设计

在线内容展示形式的多样性以及这些多样性 对学生的吸引力为在线内容的设计提供了巨大的空间[15]。基于此在线课程内容形式尽量短小精悍，知识点控制在90秒以内，完整的内容讲解控制在15分钟以内，保证学习者在高度集中的状态下完成学习。课程内容注重挑战性和成就感，趣味性，知识性和丰富性。强调知识的整体性、复杂性和逻辑性进行合理的分解和控制，达到寓教于乐，深入浅出，环环相扣，引人入胜的目标。

3.2  加强交互与反馈

在线课程学习时，教师与学习者、学习者与学习者之间处于时空分离的状态，这种状态如果处理不佳，容易让学习者感到学习孤独甚至是厌学的心理[16]。教师应引导学习者充分利用平台技术的支持，进行交流与讨论、点赞与评论、分享学习资源等活动共同完成一定的学习任务，打破在线学习时空分离的孤岛。使学习者彼此获得尊重与信任，拥有一种情感上的成就感和依赖感

为了营造良好的学习氛围，教师需激发学习者的学习动机与热情，高度重视学习者的意愿与感受。适当给予学习者鼓励或奖励，让学习者产生一种自信心，认为有能力解决未来的学习任务。此外还需及时反馈学习意见，定期总结学生在阶段性学习中出现的问题，为学生提供答疑视频，增强学习者在虚拟空间中所缺乏的归属感。

3.3  大力开发技术平台

由于学习者特征不同，学习者对知识的需求也会不同。利用平台技术跟踪收集大量有关学习者的学习数据，包括随堂测试和期末考试成绩等，对学习者的个性化学习需求进行预测。实现在线学习个性化评估与诊断，判断学习者存在的优势与不足，设计出符合学习者个性化需求的课程和推送个性化资源。

目前情感参与相比认知和行为参与研究比较薄弱，尤其是如何真实的测量学习者的在线学习情感还有一些困难[17]。随着智能识别技术不断提高，眼动仪（视觉记录仪）[18]、瞬间显示器[19]、生物电波测试等设备可充分运用到在线学习中，识别学习者在学习过程中细微的表情变化，从而对在线学习情感参与度进行更精准的测量。

参考文献

[1]HOOD N， LITTLEJOHN A， MILLIGAN C. Context counts： how learners'contexts influence learning in a MOOC[J]. Computers &education， 2015， 91（12）： 83-91.

[2]Astin， A. W. Student involvement： A development theory for higher education[J]. Journal of College Student Personnel， 1984， （25）： 297-308.

[3]文书锋， 孙道金. 远程学习者学习参与度及其提升策略研究——以中国人民大学网络教育为例[J]. 中国电化教育， 2017（09）： 39-46.

[4]朱文辉， 靳玉乐. 网络化合作活动学习对教育硕士在线学习参与度影响的行动研究[J]. 中国电化教育， 2013（08）： 48-53.

[5]沈欣忆， 胡雯璟， Daniel Hickey. 提升在线学习参与度和学习效果的策略探究及有效性分析[J]. 中国电化教育， 2015（02）： 21-28.

[6]Tucker C M， Zayco R A， et al. Teacher and child variables as predictorsof academic engagement among low-income African Americanchildren[J]. Psychology in the Schools， 2010， 39（4）： 477-488.

[7]Chi-Cheng Chang， Chaoyun Liang， Kuen-Ming Shu， et al. lteration of Influencing Factors of e-Learning Continued

Intention for Different Degrees of Online Participation [J]. International Review of Research in Open and Distributed

Learning， 2015（4）： 33-61.

[8]Freitas S I， Morgan J， Gibson D. Will MOOCs transform learning and teaching in higher education？ Engagement and course retention in online learning provision [J]. British journal of educational technology， 2015， 46（3）： 455-471.

[9]Hone K S， EL Said G R. Exploring the factors affecting MOOC retention： a survey study [J]. Computers & education， 2016， 98（3）： 157-168.

[10]LittleJohn A， Hood N， Milligan C， et al. Learning in MOOCs： motivations and self-regulated learning in MOOCs [J]. Theinternet and higher education， 2016， 29（4）： 40-48.

[11]牟智佳. MOOCs學习参与度影响因素的结构关系与效应研究——自我决定理论的视角[J]. 电化教育研究， 2017， 38（10）： 37-43

[12]Selma Vonderwell， Sajit Zachariah. Factors that Influence Participation In Online Learning [J]. Journal of Research on Technology in Education， 2005（2）： 213-230.

[13]房萌萌， 刘斌. 在线学习投入的影响因素及提升策略[J]. 数字教育， 2018， 4（01）： 40-44

[14]Warfield John N. Binary matrices in system modding[J]. IEEE Trans. on Systems Man&Cyberneties， 1973（9）： 441- 449.

[15]尹航， 杨欢， 崔海斌， 等. 基于大数据应用的虚拟化云平台建设方法研究[J]. 软件， 2018， 39（4）： 201-207.

[16]孙吉鹏， 袁郭苑， 杜泽林. 学习行为分析的段落粒度在线教程系统[J]. 软件， 2018， 39（4）： 137-141.

[17]李秋雨， 李玉斌， 姚巧红. 在线学习投入的研究现状——基于WoS数据库近十年文献的分析[J]. 软件， 2019， 40（02）： 16-22.

[18]陈雁， 卿济民， 林必毅. 大数据技术在视频监控中的应用[J]. 软件， 2018， 39（11）： 72-76.

[19]叶诗韵， 黄志成. 基于人脸识别的考生身份识别应用研究[J]. 软件， 2018， 39（12）： 37-39.