在线学习时长影响考试成绩分析*

熊思灿　农莹

摘   要：对在线课程学习者的学习行为数据进行分析是备受关注的热点话题之一。在线课程访问数据和学习时长作为重要的学习行为数据，能有效地反映学习者的学习规律。文章以《概率论》课程的在线访问数据及学习时长和期末成绩为蓝本，分析了期末考试成绩处于优、良、中三个等级学生之间的访问次数、访问天数和持续学习时长之间的差异性。结果表明，优、良、中三类学生之间，在访问次数和访问天数的平均值，以及持续学习0～1小时和1～2小时的平均重复频数上存在着非常显著的差异性。可见，学习者若要取得优异的成绩，加强课程访问频次，并培养1～2小时之内的持续学习习惯尤为重要。

关键词：在线课程;访问次数;持续学习时长;方差分析

中图分类号：G642.0 文献标志码：A 文章编号：1673-8454（2020）19-0042-05

一、引言

为响应教育部2018年4月13日颁布的《教育信息化2.0行动计划》，东华理工大学统计学专业的《概率论》课程于2018年9月起进行了“互联网+教育”移动教学改革。时至今日，改革已经完整运行了2个学期，教学效果逐渐凸显。为使改革效果更上一层楼，同时为下一轮教学改革实践提供相关参考，学校拟对2019—2020学年第1学期的《概率论》在线课程访问数据进行深度分析，揭示期末成绩不同等级学生之间的在线课程访问差异性，并提出深化教学改革的建议。

对在线课程的学习行为数据进行分析，是当前教育教学研究的热点之一，特别是有关在线课程的访问模式如何影响学习绩效的探索更是受到了较为广泛的关注。张媛媛等人分析了12个访问行为特征变量与期末成绩之间的相关关系，并采用多元线性回归分析的方法，得出12个特征变量对期末成绩变异的累计解释率为65.7%[1]。张家华等人以《现代教育技术》公共课程为例，分析发现学习者对资源的访问频率与其成绩呈正相关关系[2]。孙月亚对北京开放大学自主本科学习者在线学习行为的分析表明，包括文本资源访问率等在内的3个要素对学习成绩存在显著性影响，可以解释48.3%的成绩变异[3]。赵呈领等人对中国大学MOOC网站《教师如何做研究》课程的分析表明，学习者可以根据访问网络学习资源的行为相似性进行聚类，且不同类别学习者之间的学习成效差异显著[4]。肖君等人以上海开放大学在线学习者的访问大数据为研究对象，建立了学习者学习路径画像，揭示出不同成绩等级学习者的学习路径存在显著不同。优秀（90～100分）学习者的学习顺序性和条理性较强，而不及格（0～60分）学习者的学习更随意，无明显规律[5]。夏庆利等人对超星泛雅平台《财务学及技术基础》课程的线上学习数据分析表明，期末成绩与访问数呈正相关关系，相关系数为0.327，且访问数对期末成绩有重要贡献，每增加一次访问可以提高期末成绩0.032分[6]。类似的还有李逢庆等人的研究[7]。这些研究都共同揭示了一个现象，那就是访问次数与学习成绩呈正相关关系。

超星泛雅平台作为国内主要的MOOC平台之一，可以记录学习者的学习页面访问等数据[8]，而这些访问数据又能较好地反映并解释学习者的在线学习行为[9-10]。此外，王晶针对清华大学网络学堂学习者在线学习使用情况的分析表明，学习者的网络课程访问量与课件数、作业数等相关，并可把学生访问量作为受其他因素影响的因变量来看待[11]。鉴于此，本研究将重点以学习者对我校建立在超星泛雅平台的《概率论》课程访问数据为研究对象，分不同期末成绩等级来深度探讨学习者的在线课程访问差异情况。本研究区别于现有研究的主要不同是，既考虑了对学习者的访问次数、访问天数等基础层面的数据分析，也考虑了对学习者的访问学习时长等总结性的数据分析。本研究重点探讨的是期末成绩处于不同等级的学习者在访问学习时长等方面的差异性问题，为指导教育教学改革提供参考和建议。

二、数据来源及简介

本研究所用数据来源于超星泛雅平台2019—2020学年第一学期的《概率论》课程学习过程中，2018级统计学专业80名学生共60930条页面访问记录数据。该访问数据详细记录了每名学生的具体访问时间。其中，首次访问时间是2019年9月5日9时29分17秒，数据采集截止时的最后访问时间是2020年1月2日11时08分17秒。时间跨度超过119天。

《概率论》课程采用线下为主、线上为辅的移动教学模式。教师通过实体课堂的多媒体投屏和超星学习通的互动教学功能开展教学。学生通过线下听讲和线上浏览讲义、观看视频等方式进行学习。实体课堂的总学时为48学时，开课周期为12周，每周4学时。开课时间为2019年9月11日至2019年的11月29日。课程结束后，期末考试于2019年12月20日举行，之后就是成绩报送阶段。数据采集起止日比实体课堂开课起止日略有延长，这主要是考虑到整个教学周期（含成绩报送）的完整性。此外，本研究还收集了所有80名学生的期末考试成绩数据。

三、统计分析及检验

1.期末成绩等级划分

表1给出了《概率论》期末成绩的描述性统计指标值以及各个分数段的人数分布情况。可以看出，期末成绩的平均分为79.35分，标准差13.66分，最低分36分，最高分100分，极差64分。此外，85分及以上的学生有32人，占40%。75～84分的学生有22人，占27.5%。60～74分的学生有18人，占22.5%。而低于60分的学生有8人，占10%。考虑到低于60分的学生仅有8人，为使各个等级的人数相对均衡，在接下来的分析中，筆者将低于75分的学生合并为一个等级。这样，可按照期末成绩的高低，将全部80名学生分成三个等级，并分别记为优（85～100分）、良（75～84分）、中（低于75分）。每个等级的样本量分别为32、22和26。

2.持续学习时长计算

本研究所获取的是每名学生的访问时间点数据。举例来说，某学生于2019年9月18日13时55分51秒进行了课程访问，接下来再过0.167分钟，该学生再次于同日13时56分01秒进行了课程访问。之后，过了104.3分钟，该学生于同日15时40分19秒又一次进行了课程访问。此外，该学生还在2019年9月20日和21日等时间点进行了课程访问，如表2所示。

本研究假定，如果某学生前后两次访问时间间隔（表2中的第2列）在30分钟之内，则认定为该学生进行了持续性学习。否则，就认定为非持续性学习。持续性学习的时长计算，以每个新学习时段（表2中的第3列）始，至下一个新学习时段止，逐一累加求和而得。如表2所示，该学生自2019年9月18日13时55分51秒开启一个新的学习时段，至下一个学习时段开启时刻，即当日15时40分19秒，共持续学习了0.167分钟（表2中的第4列）。如果持续学习时长为0分钟，则表明该学生只进行了登录操作，而无有效学习时长。如表2所示，该学生在2019年9月18日15时40分19秒只进行了登录操作，而无有效学习，故该时段持续学习时长为0分钟。按此计算方法，对每名学生，可将访问数据转化为互不重叠的学习时段。而每个学习时段，还可计算相应的持续学习时长。

但是，由于学生的访问次数往往较多，平均而言有757次左右。因此，对每一名学生而言，所得的学习时段总数，以及相应的持续学习时长数据仍然比较散乱。就持续学习时长而言，有的是0分钟，有的大于0分钟，最长的可以超过3个小时，不便于统计分析。为此，我们对每名学生的所有学习时段，再次按照持续学习时长的长短不同进行归并处理。其归并原则是，持续学习时长为0分钟的归为第1类，持续学习时长超过0分钟但是小于等于1小时的归为第2类，持续学习时长超过1小时但是小于等于2小时的归为第3类，持续学习时长超过2小时但是小于等于3小时的归为第4类，持续学习时长超过3小时的归为第5类。然后分别计算这五类不同学习时长的学习时段频数数据，得到如图1所示的数据结构。

图1为某学生五类不同持续学习时长的频数统计条图。从图1中可以看出，该名学生有36次纯登录行为，即持续学习0分钟的行为。有201次持续学习时长大于0分钟但是小于等于1小时的学习行为，其比例占到了该名学生所有253 （=36+201+12+3+1）个学习时段的79.45%。此外，该学生还存在1次学习时长超过3小时的持续学习行为。

3.持续学习时长差异及检验

针对每名学生的五类不同持续学习时长的频数变量，以及访问次数和访问天数，研究这7个变量在优、良、中三类学生之间的差异性，并作显著性检验。采用方差分析方法，所得结果如表3所示。

表3列出了访问次数、访问天数以及五类不同持续学习时长共7个变量，在优、良、中三类学生之间的差异性比较方差分析表。从表3中可以看出，优、良、中三类学生之间，在访问次数、访问天数、持续学习时长大于0分钟而小于等于1小时、持续学习时长大于1小时而小于等于2小时这4个变量上存在着非常显著的差异性。相应的F检验显著性概率分别为0.002、0.002、0.001和0.004，均小于0.01的显著性水平。这三类学生在持续学习0分钟、持续学习时长超过2小时而小于等于3小时、持续学习时长超过3小时这3个变量上不存在显著性差异，相应的F检验显著性概率分别为0.371、0.525和0.209，均高于0.05的显著性水平。

图2和图3分别列出了在三类学生之间存在显著性差异和不存在显著性差异的7个变量的均值图。从图2和图3可以看出，无论三类学生之间这7个变量的差异是否显著，随着期末成绩等级的降低，这7个变量的均值（对持续学习时长，指的是每一类学生的重复次数平均，即平均频数）都呈现十分明显的下降趋势。这表明，期末成績优秀的学生在课程访问上相比期末成绩良好以及中等的学生会更加频繁，且学习时长更长，或者同一类学习时长（比如持续学习0～1小时），但重复次数更多。本研究还表明，优、良、中三类学生主要在持续学习一两个小时之内的差异十分显著，而持续学习时间超过2个小时及以上的差异并不显著。特别地，在持续学习3个小时以上的行为中，期末成绩良好的学生甚至出现了平均重复次数超过期末成绩优秀的学生情况（如图3的右子图所示）。但是，由于平均重复次数（0.27）远不足1次，因此，笔者认为这种现象并不具有很好的说服力。此外，从图2和图3中还可以看出，学生们持续学习时长最为集中的是0～1小时，即图2中的左下子图所示。期末成绩优、良、中三个等级学生持续学习0～1小时的平均重复次数分别为134.63、104.32和88.88次，差异十分显著，且远远高于其他类别持续学习时长的平均重复次数。排在第二位的是持续学习持续0分钟的情形，即纯登录行为。如图3的左子图所示，期末成绩优、良、中三个等级学生纯登录行为的平均重复次数分别为59、51.45和50.58次，差异不显著。平均重复次数排在第三位的是持续学习时长为1～2小时的情形，优、良、中三类学生的平均重复次数分别为12.31、8.45和6.77次，且差异十分显著。平均而言，三类学生仅有1次多一点的持续学习时长为2～3小时的情形。因此，综上分析，可以发现，学生们虽然有纯登录的学习行为，但是优、良、中学生之间的差异并不明显。大家更加倾向于持续进行一两个小时之内的有效学习，并且优、良、中学生之间的差异十分明显。

四、结论与建议

1.结论

本文对《概率论》课程的学习访问数据进行了深入分析。得到如下结论。

（1）优、良、中三类学生之间的课程访问次数，以及课程访问天数均存在非常显著的差异。随着期末成绩等级的降低，平均访问次数和平均访问天数呈下降趋势。这表明，成绩越优秀的学生更倾向于越频繁地访问课程网站。

（2）优、良、中三类学生之间的持续学习时长为0～1小时和1～2小时的时候，其平均重复频数之间存在非常显著的差异，而持续学习时长为0分钟，以及2～3小时和超过3小时时，其平均重复频数之间不存在显著的差异。随着期末成绩等级的降低，持续学习不同时长段的平均重复频数均呈整体下降趋势。这表明，成绩越优秀的学生相较于成绩不太好的学生，更容易保持自身的持续学习习惯。

（3）优、良、中三类学生分别以平均重复次数134.63、104.32和88.88次的频数持续学习0～1小时;其次是分别以59、51.45和50.58的平均重复频数持续学习0分钟，即纯登录行为;再其次是分别以12.31、8.45和6.77的平均重复频数持续学习1～2小时。优、良、中三类学生都以较少（1次多一点或者不足1次）的平均重复频数持续学习2～3小时和超过3小时。这表明，学生们成绩优劣的影响因素可能与学生们持续学习一两个小时的学习习惯有关，特别是与一个小时之内的有效学习习惯有关。这里所谓的“习惯”，是指同样的行为重复的频次。

2.建议

根据本研究所得结论，笔者提出如下建议以改进在线学习者的学习效果。

（1）勤访问

无论从平均访问次数、平均访问天数、还是纯登录行为的平均重复频次等来看，成绩优异的学生相较于成绩不那么好的学生都有更高的访问均值。因此，要使学习成绩提高，勤访问很重要。只有多访问课程网站，才能有效获取相关资源，开展学习，提高成绩。

（2）多学习

分析表明，优秀的学生更频繁地进行持续学习，无论持续学习时长是0～1小时还是1～2小时或更长的时间。而能够显著区别不同学生重复学习频次差异的是持续学习0～1小时和1～2小时的情形。这启示学生，应该多加强学习，不要因为空余时间短而放弃立即学习，更不要因为学习时间多而延后学习。应该充分利用在线课程网站资源，以及移动互联网的实时学习优势，及时有效地进行学习，来提高自身的学习成绩，获得相应的专业发展。

（3）塑良习

良好的习惯不是一朝养成的。纵观本文研究，可以发现，那些学习优秀的学生在持续学习0～1小时的重复频次上明显高于学习不太好的学生。重复次数越高，表明该学生的学习习惯越稳定。反之，为使良好的学习习惯得以养成，学生唯有不断地重复学习，鞭策自己持续前行。而教师也应该在教学过程中，有意识地帮助学习者养成重复学习、经常访问的好习惯。

参考文献：

[1]张媛媛，李爽. MOOC课程资源访问模式与学习绩效的关系研究[J].中国远程教育，2019（6）：22-32，93.

[2]张家华，邹琴，祝智庭.基于Moodle平台的在线学习深度分析研究[J].电化教育研究，2016，37（12）：46-51.

[3]孫月亚.开放大学远程学习者在线学习行为的特征分析[J].中国电化教育，2015（8）：64-71.

[4]赵呈领，李敏，疏凤芳等.在线学习者学习行为模式及其对学习成效的影响——基于网络学习资源视角的实证研究[J].现代远距离教育，2019（4）：20-27.

[5]肖君，乔惠，李雪娇.大数据环境下在线学习者画像的构建[J].开放教育研究，2019，25（4）：111-120.

[6]夏庆利，罗一清.大学翻转课堂教学效果实证研究——以《财务学及技术基础》课程翻转教学为例[J].大学教育科学，2017（2）：47-56，125.

[7]李逢庆，韩晓玲.混合式教学质量评价体系的构建与实践[J].中国电化教育，2017（11）：108-113.

[8]马金钟，马森.基于学习者视角的国内主要MOOC平台比较研究[J].延边大学学报（社会科学版），2019，52（4）：104-110，143.

[9]王济军.基于SPOC的翻转课堂教学模式及其效果研究——以“摄影基础”为例[J].现代远距离教育，2018（1）：44-49.

[10]顾容，张蜜，杨青青等.基于SPOC翻转课堂的探讨：实证与反思[J].高教探索，2017（1）：27-32.

[11]王晶.清华大学网络学堂学生使用情况统计与分析[J].现代教育技术，2014，24（7）：106-112，119.

（编辑：王晓明）