基于DEA模型的大学生网络自主学习效率评价研究

王树乔

摘   要： 随着智能终端的普及和信息技术的日新月异，在线学习、网络课程已经成为大学生自主学习的有效途径。本文对某大学在校大学生网络自主学习情况进行了问卷调研，构建了网络自主学习效率评价指标系统，并首次应用DEA模型对在校学生的网络自主学习效率进行了数据分析，更真实、客观和公正地反映大学生个性化网络学习成效，结果表明影响大学生网络自主学习效率主要来自投入学习精力不足，为高校今后进一步做好大学生网络学习评价管理工作提供了全新的思路。

关键词： 大学生网络自主学习   学习效率   评价体系   DEA模型

随着互联网技术创新、智能终端的普及，教学形式不断充实和丰富，尤其如混合教学、翻转课堂、MOOCs的教育信息化快速发展，网络学习已经成为新时代高等院校培养人才的又一重要途径[1]（13-20）。

为了构建良好的网络学习平台，学校、培训机构甚至教师个人都投入了大量资源进行理论研究和实践开放，基于保罗·内辛的语言学习目标分类和迈克尔·穆尔的独立学习理论，构建一种有效的学习指标体系或评价模型，建设良性的大学生网络学习平台和环境，一些网络课程取得了广泛好评[2]（66-71）。然而，由于受到客观（外在条件和环境）和主观（个人）因素的影响，依然存在诸多困难，主要表现在教师经验不足、教学内容与教学时数不匹配、学生学习主动性欠缺等，导致大学生网络学习行为不具合理性和科学性，网络学习成效甚微[3]（69-76）。

“外因是条件，内因是根本”[4]（12-18）。基于学习行为学理论，采用内外融合、双管齐下的方式对大学生网络学习行为现状进行调查，以淮安市某大学大二和大三学生为研究对象，通过数据包络分析（DEA）方法对处于同一网络环境下的不同学习者学习的相对有效性进行测度。

1.文献回顾

“效率”一词在《辞海》中释义为：1.一种机械在工作时的输出能力和输入能量的比值;2.消耗的劳动量与获得劳动效率的比率[5]（30-36）。从管理学角度而言，效率可理解为投入与产出之间的比例关系，亦为组织或机关在一定时间的推演投入资源所产生的结果，从整体上反映了决策单元的效益情况，通过对比分析技术无效和技术有效的决策单元，找到各个评价对象的主要问题或薄弱环节，进一步提供可操作的改进方案[6]（4-17）。

美国著名的运筹学家W. W. Cooper和A. Charnes等提出的一种有效处理具有多项输入、多项输出的部门之间相对有效性的非参数方法，不需要预先假设生产函数的类型，无关与指标数据量纲和指标赋值权重的选取，算法规避了主观因素带来影响，相对简单，具有较大的优势[7]（443-458）。

二十世纪九十年代，数据包络分析法开始应用于教育评价的领域，受到学者们的广泛关注。①评价教育信息化绩效水平。焦宝聪等（2007）[8]（38-41）首次将DEA-CCR模型引入教育信息化投入产出效率评价领域，并以北京市若干个中学为研究对象，详细介绍数据包络分析方法在教育信息化评价的具体过程。李普聪和钟元生（2009）[9]（76-79）设计高校教育信息化投资收益指标体系，综合应用DEA和加权灰色关联分析方法对四所本科院校的投资效率进行度量，指出该方法克服了权重确定的主观性。②评价教育资源配置的成效。叶前林等（2018）[10]（22-27）采用数据包络分析方法对中国31个省、市、自治区的高等教育资源配置进行评价比较，研究表明中国的高等教育资源配置总体效率处于较高水平，但教育资源配置效率不均衡趋势凸显。马萍（2017）[11]（252-255）基于2002年-2013年期间某省初中和小学的教育投入和产出相关数据，选取DEA方法度量基础教育资源配置效率，结果发现2002年-2008年间基础教育资源配置效率处于最佳，2008年之后配置效率处于规模报酬递增阶段。王伟（2017）[12]（97-103）结合DEA和DEA-Malmquist指数方法研究中国职业教育资源配置效率，指出中国的东北、东部、中部和西部“四大板块”资源配置效率依次递增。③评价学习者学习效率。鲍平平（2007）[13]（65-68）基于DEA模型建立学习评价指标体系，以华中师范大学网络学院的在校学生为研究对象，对其进行基于学习者的差异化评价。陈美华（2012）[14]（108-111）应用数据包络分析方法和主成分分析方法评价英语有效学习成效，以分析英语学习中“产出”和“投入”的关系，为英语研究和教学提供有价值的参考。汪世蓉（2010）[15]（57-59）改进动态DEA模型，并以学习效果度量为例验证改进模型的可行性。张巧红（2017）[16]（77-79）收集某班50名学生为样本数据，探索应用数据包络分析方法的分层次教学模式，为分层次教学给予客观的、翔实的数据支持。

由此可见，国内学者的学术成果为本文研究提供了扎实的理论基础和实证经验，笔者首次提出了基于DEA模型建立的网络学习效率评价体系，有效评价新媒体时代大学生的学习效果，为高等院校网络教学管理和改革提供决策参考。

2.研究方法

2.1 DEA模型

CCR模型是DEA产生的第一个模型，也称为最优化模型，主要用于对某个决策单元（DMU）进行相对评价。DEA模型可以分为两种形式：一种是输出型，表示在既定投入的条件下，使得产出尽可能多;一种是输入型，即在限定产出的条件下，使得投入尽可能少。输出型模型和输入型模型的期望均是使得相对效率值尽可能达到最优，本文统一采用输入型模型。假设有n个生产部门（单元），s个产出指标和m个投入指标，各个生产部门的产出、投入数据如表1所示[17]（103-111）。

C2R模型的意义在于如果θ=1，则决策单元相对有效。如果该模型的最优解θ<1，则称被评价单元不为DEA有效，说明在保证产出不变的条件下，投入可以减少到原来投入的θ倍，θ值越小，生产单元效率越低[19]（37-45）。换一句而言，還存在一个生产单位，可以用比被评价单元更少的投入生产不少于被评价单元的产出，进一步展现出被评价单元为非相对有效。

C2R模型是基于规模收益不变的限定条件，该模型的有效状态称为DEA有效，表示同时达到规模有效和技术有效，即达到最佳状态[20]（44-51）。BCC模型为C2R模型中增加约束条件，该模型是1984年Banker等提出的，基于规模收益可变的既定情况，测算的技术效率可以分解为规模效率和纯技术效率，即技术效率为规模效率和纯技术效率的乘积，其中生产部门的投入规模因素在很大程度上决定规模效率，纯技术效率主要受到生产部门的技术和管理等方面的因素影响[21]（22-30）。当规模效率小于1时，说明生产单位没有达到规模有效，反映投入规模不当;但规模效率为1时，说明投入规模有效。当纯技术效率小于1时，说明生产单位的技术和管理水平亟待提升，没有达到技术有效;当纯技术效率为1时，反映技术水平处于同类领先、管理井然有序[22]（84-92）。

2.2指标选取和数据来源

网络环境下，大学生的学习以自主学习为主，学习成效势必会被一些因素所影响，其中有外部网络环境的因素，如网络学习资源的利用程度、学习时间、教师经验等，也有学习者自身的因素，如网络学习的态度和意识、学习者的情感、学习方法等[22]（84-92）。如果将网络环境下的自主学习视为一种具有多输出和多输入关系的学习系统，将差异化的学习结果形式视为学习者的产出，将影响学习的各个因素视为学习者对学习的多种投入，则可基于C2R模型评价处于同一网络环境下的不同大学生学习的相对效率。

一个学习者在行为、动机、元认知三方面都是积极的参与者时，学习方法是有计划的、学习的动机是自我和内在激发，对学习的时间安排是有效并守时的，自学者是自主学习，能够意识到学习带来的效果。网络环境下的自主学习除了受到行为、动机和元认知三方面内部因素的影响外，还受到网络环境的影响。为了全面评价大学生在校期间网络学习效率情况，根据本文的研究实际，在初步了解大学生网络学习情况的基础上，参考国内学者的一般做法，综合影响网络自主学习的外部和内在因素，搭建网络自主学习的输入、输出体系。

表2   網络自主学习投入产出指标体系

为了使结论更具一般性，调查结果更具代表性，笔者采用分层随机抽样的方法，既考虑专业和系别因素，又顾及男女生之间和文理科学生的差异。一共发出问卷260份，回收有效238份。答卷对象中女生96人，男生142人;大三学生110人，大二学生128人;理科生151人，文科生87人。本问卷最终确定了10个观测变量，见表2，所有项目均采用Likert7级量表的方式进行测量，要求被调研的用户清楚地表达自己的意愿，从1-7依次递增，其中1代表“非常不符合”，7代表“非常符合”。

3.实证结果分析

表3显示了大学生网络自主学习效率投入产出的指标描述性统计情况。其中，在投入指标方面，我愿意使用网络资源（BBS、网络课程、数据库等）均值为4.214分，最大值为7分，可以看出Internet在大学生网络自主学习中扮演重要角色，乐意利用网络获取信息资料;在网络学习过程中，我习惯制订学习进度、计划的均值为3.924，说明绝大部分学生并不习惯、也不擅长制订网络学习计划。在产出指标方面，通过网络清楚表达自己观点的均值为4.794，说明学生在网络上的表达能力处于中等偏上;快速获取网络学习资源并加工处理的均值为4.151，表示学生网络信息资源筛选和处理能力有待提高，web的覆盖面有限，内容杂乱，查全率不高，容易转移大学生的注意力;很大一部分学生不会使用检索技巧和检索式，甚至不懂得寻找帮助文件。大学生有必要投入一定的时间和精力关注信息素养的提升。

笔者使用DEAP2.1软件对收集的样本数据进行运算统计，得到大二、大三年级学生网络自主学习效率分年级统计情况，如表4所示：

由表可知，大三级学生样本110人，其中大学生网络自主学习综合效率有效人数为30人，占样本总数的27.27%，样本最小值为0.559，综合效率的均值为0.857;大二级学生样本为128人，其中综合效率有效的人数为18人，占样本数的14.06%，样本综合效率的最小值为0.498，平均值为0.761。由此可见，问卷调查涉及的淮安市某高校的大二和大三学生网络自主学习的整体效率尚可，但综合效率值达到有效的比例较低，未能达到三分之一。通过对比发现，大二级学生的网络自主学习综合效率有效占比为14.06%，大三级学生达到了27.27%，说明大三级学生的网络自主学习效率总体上高于大二级学生。可能是大三级学生经过3年的大学生活，较好地掌握网络自学的节奏，学习动机明确和自控能力显著提升，已经适应了大学的学习和生活。大二学生还没有完全脱离高中的学习模式，学习动机和主动性都不强，容易受到推送信息、网络广告等诱惑。另外，有些学生在潜意识里不认可甚至抵触网络学习，这些影响因素都导致大学生网络自主学习效率低下。

综合效率等于规模效率和纯技术效率的乘积。其中，规模效率体现了大学生在网络自主学习过程中投入的精力程度;纯技术效率表现为大学生在网络自主学习过程中展示出的时间管理和学习方法、技巧的应用;综合效率代表大学生网络自主学习的总体反映，集合了纯技术效率和规模效率两个方面。在大三级学生中，规模效率达到DEA有效的人数为17人，占样本数量的15.45%;纯技术效率达到技术有效的人数为42人，占样本数量的38.18%。可以看出，纯技术效率有效的人数远多于规模效率有效的人数，折射出大三级学生在网络自主学习中投入的精力存在不足，在时间管理、网络学习技巧等方面表现良好。在大二学生中，规模效率达到技术有效的人数为24人，占样本的21.82%，纯技术效率达到有效的人数为38人，占全样本的34.55%。数据显示出规律与大三级学生相似，纯技术效率达到有效的比例高于规模效率有效。

4.结论与展望

本文应用了DEA方法对在校大学生网络自主学习效率进行了研究，不仅继承了传统的评价体系，从总体上反映出了被评价对象的优势，还克服了传统的统计方法无法展示学习者个性化学习特点的缺陷。从所选取的样本大学生网络自主学习效率的研究结论来解读，网络自主学习过程中亟待解决的问题是大学生投入网络自主学习的精力不足。

淮安市某高校的大三级学生的网络自主学习效率高于大二级学生，可能多方面原因引发这一结果，如大二学生学习动机与学习策略之间没有较好地对接，为了增强大学生的网络学习动机，首先要关注培养大学生的学习需求，让他们感知到在网络学习中有益于解决实际学习遇到的难题;确定大学生网络共同学习的范围，通过讨论网络学习心得和交流研究感悟，高效处理大学生网络自主学习精力匮乏问题。

本文的研究结论证实了采用DEA方法评价网络自主学习效率的可行性，当然，这样的方法可以进一步拓展，按照大学生生源地、专业等其他属性进行更细分的效率评价，避免了单一指标评价大学生网络自主学习成效的弊端，构建了一种全新的综合评价方法，为高校学生成绩管理工作提供了一种新的思路。

参考文献：

[1]顧小清，郭日发.教育信息化的回顾与展望：本土演进研究[J].电化教育研究，2018，39（02）.

[2]雍文静.职业教育网络学习空间中的学生学习满意度实证研究[J].中国电化教育，2018（04）.

[3]胡星.开放教育网络学习测评的实践探索与研究[J].中国远程教育，2017（07）.

[4]李玉斌，苏丹蕊，宋琳琳，陈小格，李爽.网络学习空间升级与学习方式转变[J].现代远距离教育，2017（04）.

[5]宋慧玲，张地坷，帅传敏，吕国斌.我国网络学习绩效研究文献的可视化计量分析[J].中国远程教育，2017（03）.

[6]江小涓.网络空间服务业：效率、约束及发展前景——以体育和文化产业为例[J].经济研究，2018，53（04）.

[7]Cooper W W， Ruiz J L， Sirvent I. Choosing Weights from Alternative Optimal Solutions of Dual Multiplier Models in DEA[J]. Eur J Oper Res， 2007，180（1）. https： //doi.org/10.1016/j.ejor.2006.02.037.

[8]焦宝聪，赵意焕，董黎明.基于数据包络分析的教育信息化绩效评价模型[J].电化教育研究，2007（04）.

[9]李普聪，钟元生.基于WGCA与DEA的高校教育信息化投资效益评价[J].现代教育技术，2009，19（05）.

[10]叶前林，岳中心，何育林，李刚.“双一流”建设下我国高等教育资源配置效率研究[J].黑龙江高教研究，2018（03）.

[11]马萍.学校布局调整中基础教育资源配置效率评价——基于X省2002-2013年数据的DEA分析[J].中国人口·资源与环境，2017，27（S2）.

[12]王伟.职业教育资源配置效率及其影响因素的空间计量分析[J].现代教育管理，2017（02）.

[13]鲍平平.DEA在网络学习相对有效性评价中的应用[J].现代远程教育研究，2007（06）.

[14]陈美华.基于PCA-DEA的英语有效学习过程评价模型研究[J].东南大学学报（哲学社会科学版），2012，14（06）.

[15]汪世蓉.基于动态DEA学习效果评价模型研究[J].统计与决策，2010（08）.

[16]张巧红.基于DEA模型的高等代数分层次教学探析[J].长治学院学报，2017，34（02）.

[17]张晓明，王应明，施海柳.效率视角下创新型企业关键资源优化配置研究[J].科研管理，2018，39（05）.

[18]郭淑芬，张俊.中国31个省市科技创新效率及投入冗余比较[J].科研管理，2018，39（04）.

[19]卓蓉蓉，余斌，曾菊新，郭新伟，李瑞瑞.湖北省经济空间格局演变与经济空间战略效应[J].经济地理，2018，38（03）.

[20]周文泳，金为开，柏方云.研究型大学科研效率分类评价[J].科研管理，2018，39（S1）.

[21]许恒周，赵一航，田浩辰.京津冀城市圈公共服务资源配置与人口城镇化协调效率研究[J].中国人口·资源与环境，2018，28（03）.

[22]龙亮军，王霞.上海市生态福利绩效评价研究[J].中国人口·资源与环境，2017，27（02）.

基金项目：淮阴工学院高教研究课题"新媒体环境下大学生学习动机的激发和学习行为改善研究"（课题批准号：2018XGJ17）阶段成果。