以良好干预为目的的在线学习行为分析系统构建研究

南阳医学高等专科学校 王 博

在线学习已在教育领域广泛应用，并成为未来教育发展趋势。在线教育具有门槛成本更低、不受时空限制、每位学生学习情况都有数据记录的优势，具有平衡教育资源和对学生因材施教的可能性。目前在线教育与传统教育相比，存在自我约束能力较差的学生学习效果不佳，教学资源非标准性，教学过程的安排与辅导答疑延时，受教育者的层次与学习习惯不同等问题。在这样的态势下，建立一个针对学生在线学习行为，具有良性干预功能的教育平台显得尤为重要。本文通过在线学习行为分析归纳量化，对干预系统的功能及实现进行研究，希望可以对在线教育教学起到一定推动作用。

信息化教学的不断升级发展使我们进入了社会化学习时代，知识的获取不再单纯来源于教师传授，在线教学和混合式教学正成为教育新常态，并在今后一段时间不停推广建设。学生在学习过程中的状态起伏不定，知识获得主要源于主动参与学习活动，自主构建知识体系，被动学习效果很差。教师只有了解和明白学生学习行为背后隐藏信息，才能在学习干预中取得良好效果。教育心理学和教育学的发展，云计算和大数据技术的出现，使个性化教学可以成为现实，因材施教不再是一句空话。

1 在线学习平台学生学习行为分析研究现状

通过对知网大量期刊与学位论文研究分析发现：从2012年开始，对学习动机、学习风格、学习表现、教育数据挖掘、用户画像、个性化推荐等研究日臻成熟，但应用成果和成功案例较少，学生学习能力与学习平台对接存在一定问题，容易令学习者学习动机不停减退，导致弃学、网课通过率较低。

在算法方面：通过IRT模型、K近邻算法、k-means聚类算法、基于SVM的分析方法、多元回归算法、ELO算法、LDA方法、决策树方法、机器学习技术，可以对学生学习能力进行评估，并对接相应等级学习资源；对学习过程中产生的数据分析后可实现分类、预估、评定学习结果，从而进行预警干预。

学习行为数据采集范围维度更广，类型更丰富，指标更细化，且越来越实时化，与教学过程的融合对接愈加顺滑。同时，“以人为本”的个性化学习，“行为主义”，“建构主义”，“人本主义”，“程序学习”等理论，使学习过程和评价体系更加科学详尽。

2 确定以积极干预为目的的学习行为分析指标体系

2.1 学习行为认知理论与应用的发展

学习能力是自身知识结构和外部环境合为一体的。以哲学上事物发展的内因与外因为出发点，可将影响学习效能的因素归结为学习态度和学习能力。学习态度以学习动机为根本，受学习能力和学习偏好影响；学习能力与学习习惯、学习方法、学习环境、自身状况等主因有关，自身基本学习能力包括记忆力、感知力、理解力、阅读力、操作力、自控力、思维力、计算力、耐受力、创新力、表达力、交际力等。基本学习能力构成如表1所示。

表1 基本学习能力构成表

目前对学习行为的研究从学习科学、教学科学、评估科学、认知心理学、行为主义、认知主义、构建主义、行为分层理论、计划行为理论、理性行为理论、条件学习理论、人本主义多视点出发，已形成对学习行为产生及评测评价的深度认知：从外部刺激出发产生内在需求，形成动机，出现行为，根据达到目标与否，产生积极或消极心理及行为。对学习行为效果的评价，从行为响应到记忆保持，再到知识迁徙分层评定，评测学习过程中是否积极的进行认知加工；通过对外显学习行为的观察、量化，经学习行为模型分析，反映其内隐学习特征，从而为其形成个性化教学策略，提供“以学生为主导”的个性化学习环境，达到因材施教的教育教学目的。同时对教学流程、教学方法、教学设计、教学呈现为学习行为产生正向促进，包括感情设计、引导认知都提出了更全面的要求。从而使用科学学习方法，提升各项学习能力，助其养成良好学习习惯，形成自我管理意识，树立终身学习理念，提高学习者自我效能信念，产生更多主动性来激发学习潜能，保持学习持续性。学习习惯评测因素如表2所示。

表2 学习习惯评测因素表

2.2 分析平台所需在线学习行为的数据种类及来源

对学习行为的分析除了用于考核评测，一定要可以反映出内隐学习特征和学习认知水平及学习偏好，才能够达到自适应自主学习的要求，产生积极干预的效果，而且要关注学习行为的序列特征，因为和学习认知过程具有高度相关性。学习态度评测因素如表3所示。

数据要反映出学前、学中、学后三个阶段的学习行为，用以对学习态度和习惯进行评定。这些数据包括登录时间及时长，预习时间、次数及时长，预习考评结果，课堂考勤，课堂互动参与（回答、抢答、随堂测、讨论），各类学习资源浏览时间、时长及次数，作业完成时间、时长及正确率，练习时间、时长、次数、正确率，考试时长、分数，学习进度表查看次数，每节课师生互评、生生互评及学习资源评价，课后辅导情况，还需包括往期学业表现和完成试题的类型与难度。

2.3 精准干预需要构建显性学习行为与隐性学习特征间的确定型关系模型

学习的隐性学习特征需要通过分析显性学习行为才能得到，以隐性学习特征来确定显性学习行为数据，再通过适合算法进行分析。

表3 学习态度评测因素表

通过对隐形学习特征的分析发掘，以学习计划为主线，课堂教学流程重塑、优化为重点，可以对学生学习习惯进行科学积极的干预与督导，加强自律培养，保证学习持续性，促进个体发展。

3 重构教学流程以产生和获取满足分析需求的数据

3.1 传统教学流程与在线教学流程的区别

虽然都是提前布置预习任务，按照教学计划进度进行教学设计，加入课堂互动、分组讨论环节增加学生参与度，课后布置作业进行强化辅导。但在线课程可以对学生的预习情况、听课情况、互动参与情况、作业完成情况进行实时记录、分析与反馈，照顾到每一位学生，是传统教学无法办到的。特别是随着数据愈加详尽，算法不断优化，功能更加丰富，真正达到了课堂翻转和因材施教的教育教学目标。

3.2 建立标准化教学流程，进行以积极干预为目标的学习过程数据采集

在课前根据学习进度表指导学生进行预习，对不预习学生进行督导，通过对各类教学资源使用及完成情况，对学生预习环节进行评测与记录，与辅导员共同进行积极干预。

上课时先进行多样化考勤（不能只依赖技术，要核查人数），对预习效果通过随堂练习（限时、不可回看、注意纪律）进行评定，实时获得反馈，针对性进行讲解。通过与实际问题或职业资格考评相结合的综合案例或项目进行分组讨论，灵活运用知识解决问题，记录讨论数据，通过随机或指定方式进行提问或演示，引导学生参与课堂。保证教学资源的实用有趣，帮助学生进行知识迁移。以多维度分析题再次进行评测，考察学生理解程度和迁移情况，课后通过作业和测试对学习情况进行再次评定，使整个学习过程完整。收集学生交流信息，对积极解答的学生提出表扬，指导不太喜欢交流的学生主动沟通。指导学生对课堂学习效果和教学资源进行合理评价。

3.3 多元化评价体系的构建

学习者的学习环境和心理活动是动态的，学习参与度与学习角色也是变化的，从学习行为数据曲线波动中发现学生学习情况变化，弄清事情原委才能进行积极有效的干预。目前在线学习平台对于学生评价体系过于松散，不能很好还原学生学习过程，对学习资源使用情况也反应较少。

单纯使用某门课程成绩进行学生学业评定是不太合理的。将学习过程中的行为数据，结合学生初始能力与最终考试成绩匹配度，以及思政考评情况，共同构成学生评价体系，才能实现以人为本的最终教育目的。不同起点的学生通过不同成绩段的维度关系，生成一个相对评价呈现其生长过程，消除长期落后造成的学习动机不足等不良因素负面影响。

3.4 教学过程实施中，学校教学工作角色的重新定义

教师角色不再只是课堂知识的讲授者，而要成为课程教学改良创新的实施者；不再只是课程资源的提供者，而成为平台资源与教学流程优化者；不再只是简单的分数评判者，而要成为学生自主学习、全面发展的促进者。要不断更新课程教学资源，调整教学策略，真正实现以学生为中心，提供更好的多样化教育服务。只有在数据支撑下，才能更加科学合理的进行教改实施，并保证改革质量；才能真正了解每一位学生，行之有效地进行引导干预；才能知道课程教学资源的优劣和教学环节的利弊，精准调整。

学生角色不再是被动的接受者，而成为主动参与者，通过对自我的认知，明白自己的定位，激发我要学的动机，从站起来、踮脚够，再到蹦一蹦。学生不再“高分低能”，而是具有创新思维的探索者。学生找到适合自己的学习方法，从不会学到会学、爱学；从随意学到计划性强、归纳总结的自主学；从一人学到一起学。学生不再恐惧学习、害怕老师，而是乐于学习、尊敬老师。学生与师生之间的地位愈加平等，从而帮助教育中最容易被忽视的高校学生群体。

有了数据支撑，辅导员可以从管理学生变为服务学生，从说教学生变为引导学生，泛泛指导变为精准干预。学校管理者可以精确对专业、学科、课程、系部院、教师、学生进行针对性管理，行政管理行之有据，效率提高。

4 在线学习行为分析平台的构建

4.1 云平台和大数据环境的搭建

搭建学习分析平台是学习行为分析的基础，云计算平台主要进行数据处理和数据存储，本质是虚拟化技术。大多数私有云搭建会选用OpenStack，但考虑易用性和技术成本，本平台选用VMware vSphere ESXi具体实现，部署在硬件配置为双10核Xeon CPU，128G内存，2040G硬盘的浪潮英信NF5270M5服务器上，虚拟出核心交换机、数据处理服务器和存储服务器。

数据分析服务器使用LinuxCent6.5操作系统，在其上部署Hadoop和Spark生态环境，主要完成数据分析功能。学习平台服务器使用Linux操作系统+MySQL数据库+Apache Web服务器，采用B/S和C/S相结合的方式提供全流程教学服务，考试系统和评测系统部署在Windows Server2008+MySQL+Web服务器上。搭建存储服务器并挂载到数据处理服务器上，使共享数据保持统一。教学平台完成课堂的教学、考评及分析结果呈现，数据处理服务器根据展示需求，对各类型数据进行分析。

4.2 平台的主要功能及实现

平台以学生成长为目标，教学流程设计为主线来确定功能模块。重点是分析学习数据，通过实时反馈来优化教学流程，保证教学质量。

主要有教学、反馈、考试、资源管理、评测、评价、教学管理7个主模块。教学模块有考勤、投票/问卷、选人、讨论、随堂练、随堂测、分组、评分、作业等功能，用以采集学生上课过程中的学习数据；反馈模块有预习、课堂参与度、随堂练/测、讨论、作业、考试、章节知识点学习、学习能力、自主学习、学习进度、学习习惯、教学资源、教学质量等情况反馈的功能，对学生学习、教学环节、教学质量和教学资源进行评测；考试模块有常规教学考试与职业技能（执业资格）考试；评价模块包括教学效果评价和教学资源评价；教学管理模块包括院系、专业、课程、教师、学生管理功能；评测模块包括各种学习能力和心理评测。

平台使用Java语言编制，使用统计算法对各类学习行为进行量化，使用k-means等聚类算法对各种学习行为进行聚类分析，使用FS-group算法对学习过程行为数据及行为序列与学习效果、各学习能力与学习效果提升的影响进行相关性分析。使用百度Echarts和阿里AntV图表框架来进行各种分析结果的可视化展示，主要包括学习曲线、学习进度条、学习速度表、学习能力雷达图、自我分析（学习持续性、稳定性、主动性、自律性）、各种评测结果的柱图饼图、各专业班级学生之间的对比分析，及相似性和相关性的后台数据分析。

4.3 平台使用中的问题及优化策略

平台在使用中还有不少地方需要优化，比如模型中调参问题，部分计算结果并不能很好地反映出事物联系的真实性。模型非常复杂，多因素问题中仅考虑了主要因素；量表设计在独立环境中表现不错，但有不少无效结果问卷；学习过程中因为学生信息素养不够，导致前期生成较多脏数据，使得后期数据显示增幅过大。这需要在平台持续使用中，通过数据不断全面累积，量表和算法参数不停优化，教学流程和教学方法提升完善，才能使分析结果更趋于准确。

随着大数据思维的建立，结合学生生活数据、参与学科活动、社团活动、运动、劳动及就业等信息，在保护隐私数据情况下，可对学习行为的产生与发展进行更详尽地分析研究：不同类型的学生在什么样的教学环境（场景）和教学方式（手段）中学习表现更好；与家庭、社会调查相结合可反映出更深层次的学习行为信息。

总结：随着信息意识和数据意识不断增强，教师数据分析能力与创新能力不断提升，多元评价体系和实时学习干预的构建，教学流程不断优化，学习生态环境将得到极大改善，学生的学习热情与持续性和稳定性不断增强，因材施教与个性化学习因为大数据技术的支撑得以真正实现。未来进一步对个体学习与群体学习行为进行分析比对，发现不同学习群体的差异性行为，从而更精确地确定学习行为中的关键事件，实现智慧教学，是后续教育研究的重要内容。