国内网络学习行为研究热点、发展进程与展望

陈 红，杨永锐，黄家荣

(四川师范大学 计算机科学学院，四川 成都 610101)

0 引言

1989年美国凤凰城大学最先建立网上校园[1]，网络环境下的学习作为一种全新的学习方式出现在人们的视野，2008年加拿大两位学者Dave & Bryan提出大规模开放在线课程(MOOC)，网络学习由于突破了传统课堂中时空的限制、具有学习资源丰富、学习者能够自定学习步调等优势，迅速引起了广大教育工作者的极大兴趣.受国外远程教育的影响，我国自2001年李敏国[2]发表了第一篇有关网络学习行为的论文以来，业界对网络学习行为研究逐渐展开关注.经过二十余年的努力，目前对网络学习行为的研究已经取得了丰硕成果，这些成果对我国远程教育的发展起到了积极作用.

尽管网络学习行为受到了广大研究者的关注，但有关网络学习行为研究的综述类文献微乎及微，部分研究选择一段时间内的文献进行分析梳理，例如冯天敏等[3]对近五年网络学习行为的相关研究进行了内容分析并针对现状提出建议；另外还有研究是针对网络学习行为某一具体内容进行综述，例如柴艳妹等[4]深入分析了在线学习行为研究中数据挖掘技术的整体应用情况，付淇等[5]对网络学习行为的影响因素研究进行了系统梳理.可以看出，目前网络学习行为的研究综述缺少全面的发展历程分析，为了深入网络学习行为研究的发展历程及每一时期的研究热点，本文通过对2001年到2019年12月为止国内该领域核心期刊中有关网络学习行为的论文从横向(时间线)和纵向(网络学习行为各研究内容)两个维度进行系统分析，采用可视化的方式呈现，期望为未来的研究提供参考.

1 研究设计

1.1 研究样本的选择

本研究以“网络学习行为”或“在线学习行为”或“远程学习行为”或“MOOC学习行为”等为主题，对自2001年起到2019年12月为止这一时间段，在国内较具权威性的中国知网数据库中进行期刊检索，共检索出中文文献964篇.

考虑到所选文献的权威性和较强的认可度，本研究采取以下筛选原则：(1)剔除北大中文核心期刊和CSSCI期刊以外刊物发表的文章；(2)剔除文献内容不属于教育教学领域或与研究主题无关的文献.最终筛选出符合要求的样本文献281篇.

1.2 研究方法

本文拟采用文献分析法、统计分析法、比较分析法等研究方法对我国网络学习行为的研究热点及发展进程展开研究.根据研究目的，首先对样本文献的发表情况进行基本的描述性统计与分析；其次使用citespace可视化软件生成关键词热点图谱与关键词聚类时序图，分析出我国近年来网络学习行为的研究热点；接着对网络学习行为研究的发展历程及每类研究内容进行梳理与归纳，得出网络学习行为研究的变化规律；最后，针对目前国内研究不足，结合相关分析技术及相应的学习理论，对未来网络学习行为研究提出展望.

2 文献情况分析

2.1 文献发表时间统计

为了准确把握国内网络学习行为研究的变化趋势，本研究对2001年至2019年12月的年度发文量(共281篇)进行了统计，这里的发表时间是指文章在刊物上刊登的时间，如图1所示.

图1 年度发文量统计

由图1,可以看出，国内对于“网络学习行为”的文献发表情况大致可以概括为三个时期：(1)萌芽期：2001年至2007年.2001年国内第一篇有关“网络学习行为”的文章发表，到2007年为止的这一段时间，这期间有关网络学习行为的发文量相对较少，说明这一时期处于萌芽阶段，研究者对于该领域的关注度较小.(2)发展期：2008年至2011年.2008年信息技术飞速发展，互联网逐渐普及，网络学习也越来越贴近人们的生活，该领域的研究开始受到重视，因此这一时期网络学习行为的研究相比上一阶段有所增长.(3)深入期：2012年至2019年12月.2012年，MOOC这种开放式网络课程兴起与发展，并迅速风行全球[6]，各种在线学习平台如学堂在线、腾讯课堂、网易云课堂、中国大学生MOOC等涌现，学习者使用更加便捷，加之平台的资源库不断完善，吸引了越来越多的学习者利用网络平台进行学习.为了提高在线学习的效果，研究者们开始从不同视角展开对网络学习行为的研究，因此，从2012年开始该领域的发文量整体呈爆发式增长，由此可以看出这一时期国内对于“网络学习行为”的研究掀起了高潮.

2.2 文献研究对象统计

为了研究方便，本研究将研究对象进行了分类，分为接受学历教育的学习者和以知识更新为目的接受继续教育的学习者(不限性别、年龄、学历、专业等条件)两大类，其中接受学历教育的学习者又分为研究生、大学生、高职生、中小学生四类.通过对2001年至2019年12月有明确研究对象的文献进行统计，目前对于网络学习行为的研究对象所占比例较大的是大学生群体和接受继续教育的学习者群体.其中针对接受学历教育学习者的文献占55%；针对接受继续教育学习者的文献占45%；其余以中小学生、高职生、研究生为研究对象的文献共占10%.

3 研究热点

3.1 关键词共现图谱分析

为了分析近年来我国网络学习行为的研究热点，本文采用citespace可视化分析软件，设置时间区间为2014-2019，绘制了关键词共现图谱，共得到了42个节点，92条连线，本研究统计了频次大于10的关键词有8个，如图2所示.图谱中十字大小表示关键词出现的频次，节点十字越大，关键词出现频次越高[7].

图2 网络学习行为关键词共现图谱

由图2可以看出“学习分析”的节点十字最大，说明出现的频次最高，其次分别是“学习行为”“在线学习”“mooc”“大数据”“影响因素”“数据挖掘”“网络学习行为”，这几个词都是经常被作为关键词使用.

3.2 节点中心度分析

节点中心度是指通过网络中某一节点的任何最短路径的数目，它是衡量节点在整个网络中连接作用的一个指标[8].一个节点的中心度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要.根据citespace分析得出，在网络学习行为的研究中心度较高的节点有“学习分析”“在线学习”“影响因素”“在线学习行为”“学习效果”等，中心度分别为0.47、0.38、0.31、0.30、0.28，表明这些关键词在网络学习行为研究领域起着重要的连接作用.

3.3 关键词时间线图谱分析

为了更直观地了解每一时期的研究热点，本文将关键词聚类后按时间线铺展开，如图3.图3中右侧是聚类后的7类关键词，每类内容分别对应上面的时间点.可以看出，萌芽期出现的主要是网络学习行为、网络学习、学习行为等关键词，发展期、深入期出现的主要是在线学习、教育大数据、在线学习行为等内容，特别是近一年来的热点词主要为深度学习、在线学习社区.通过分析图谱(见图3)，可以发现近几年网络学习行为的研究热点主要集中在利用一些新的分析技术手段，例如数据挖掘、可视化分析等对学习者的学习行为进行分析，从而不断推进网络学习的发展.

图3 网络学习行为关键词时间线图谱

4 发展进程

4.1 总体变化趋势

本文对网络学习行为三个不同时期的研究内容进行统计后绘制了鱼骨图，如图4所示.图中从左到右的大骨依次表示萌芽期、发展期、深入期三个阶段，每个大骨上的小骨从里到外表示各研究内容占比由多到少.

图4 研究内容发展趋势鱼骨图

由图4可以总结出以下变化规律：萌芽期，研究内容主要关注网络学习行为内涵及特征、网络学习行为的影响因素等基础理论研究；发展期，随着对网络学习认识的加深以及互联网等技术的发展，在这一时期，有关网络学习行为的模型建构成为了研究重点，有关网络学习行为的内涵及特征研究仍在不断加深；深入期，由于各类网络学习平台的出现，大量学习者涌入学习平台，网络学习逐渐普及，人们越来越关注网络学习行为对学习效果的影响，此时各种数据挖掘、可视化分析等新型分析技术的出现，为网络学习行为数据多元化提供了技术支撑，因此研究热点转移到了网络学习行为的相关分析技术上面，并在此基础上探讨网络学习行为的培养策略等问题，随着研究技术支持不断丰富和完善，未来对网络学习行为的研究会更加丰富、深入.

4.2 各研究内容发展变化

为了更加深入了解网络学习行为各部分研究内容的发展变化，下面对“深入期”占比最多的五类内容：相关分析技术研究、模型建构研究、影响因素研究、内涵及特征研究、培养策略研究，做进一步的梳理.

4.2.1 相关分析技术研究

大数据时代的到来使得网络学习行为的相关分析技术研究成为了该领域的一大热点，这方面的研究主要通过收集和深入分析学习者的在线学习行为数据，实现对学习者学习行为监控、学习路径跟踪、个性化资源推荐、成绩预测等，进而提高学习者的学习效果.在网络学习行为分析技术研究方面的变化主要体现在所得的数据形式及数据分析手段两个方面.在学习行为的数据形式上，已经从早期的学习行为：操作次数、学习时长、作业完成率等简单数值形式逐渐过渡到今天的图像、文本、声音、数值等多元的数据形式；在数据分析手段方面，从最初单一的数理统计，到今天的通过图像识别技术分析学习者大脑情绪、分析学习者的眼动轨迹来判断学习过程中的认知行为、通过数据挖掘形式来分析学习者的交互行为等多种分析方式变化.例如萌芽期，韩玲[9]采用数理统计的方法, 对远程教育中学习者的部分学习行为特征进行了分析，探究了学习行为操作与学习深度、操作次数、学习时间、艾宾浩斯遗忘曲线的关系；深入期，傅钢善等[10]运用数据挖掘和统计方法对网络学习者的多种行为特征进行量化分析，探讨网络学习行为特征对学习效果的影响.

4.2.2 模型构建研究

通过研究发现，网络学习行为的模型构建涉及多个方面的研究，例如理论模型、影响因素模型以及各种应用模型等的构建.网络学习行为模型研究的变化趋势为：从最初的根据网络学习者的行为特点或影响因素来构建学习行为理论模型，逐渐发展到今天的基于不同功能的学习行为模型、个性化推荐模型、提升大学生网络学习自我效能感的行为模型、学习行为干预模型等研究，因此，对于模型研究越来越朝多层面、个性化、应用性方向发展.例如萌芽期，彭文辉等[11]提出网络学习行为系统是一个多层次、多维度的理论模型；深入期，姜强等[12]利用贝叶斯网络方法挖掘网络学习行为，构建学习风格模型，为用户提供最适合的学习对象；王改花等[13]采用决策树的数据挖掘方法对网络学习者的学习行为与成绩进行了预测,构建了适应性学习系统学习干预模型.

4.2.3 影响因素研究

由于网络学习行为与学习效果成正相关关系，并且受多方面因素的影响，因此，自国内学者开始对网络学习行为展开研究以来，网络学习行为的影响因素研究一直处于该领域的核心位置.国内研究者们对于网络学习行为影响因素的研究主要分为内部因素和外部因素两大方面.但是由于不同时期技术背景不同，对学习行为研究的认识深入程度存在差异，因此，各个时期的研究视角、研究内容和研究方法也各不相同.① 研究视角上，萌芽期间主要从“网络学习行为基本现状”角度分析影响因素；到发展期，则发展成基于各种学习理论来构建模型，以实证的方式分析影响因素；近几年，由于各学习平台的广泛使用，不同平台的技术支持、学习者使用风格存在差异等原因，因此对学习行为影响因素的研究便自然集中在不同平台、不同学习者具体行为差异的比较分析研究上.② 研究内容上，起初的研究中虽然涉及到学习者个人因素、教学模式及网上资源、学习支持服务、信息传输网络等维度，但是对各维度的深入认识还不够，仅停留在具体概念上；到了发展期，人们认识的加深，研究内容开始逐渐深化，比如开始关注学习者的学习风格、教师素养和信息质量的影响等因素；到了深入期，研究内容在发展期基础上，进一步关注绩效期望、管理机制等因素的影响，因此，研究内容越来越全面.③ 研究方法上，开始主要采用问卷调查法；到了发展期，实证研究法广泛应用，使学习行为影响因素的研究就更具有指导价值；到了深入期，随着研究技术的进步，引入了基于数据挖掘的行为分析法，使得对学习行为的研究方式更加多元.例如萌芽期，赵丕元[14]通过对网络学习行为基本现状进行调查，根据调查结果得出影响因素主要有：学习者个人因素、教学模式及网上资源、学习支持服务、信息传输网络；发展期，张家华等[15]提出以学习条件理论和教学系统要素理论为依据，构建了网络学习行为影响因素模型——LICE模型；深入期，王钱永等[16]通过构建分析MOOC学习行为的UTAUT模型得出MOOC的影响因素，石磊等[17]通过分析国家开放大学MPOC课程中学生的学习行为，探究学生学习行为的影响因素.

4.2.4 内涵及特征研究

网络学习行为涉及不同领域的知识，是一门综合性较强的研究，不同学者对于该领域的研究范畴和研究方法不同，因此对于网络学习行为的概念有不同的见解，目前国内较为认可的概念界定主要有以下两个.彭文辉等[11]认为“网络学习行为是指学习者在由现代信息所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为”，该定义强调学习者的自我导向、自我控制.王丽娜[18]将网络学习行为定义为“学习者为了达到某种学习目标，在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的与学习环境的双向交互过程”，并认为网络学习者的学习行为除了受自身心理因素影响外，外界学习环境也会影响学习行为.近几年随着研究者们对网络学习行为的研究不断深入，认为网络学习行为是一个庞大的体系，包含不同层次的行为，因此对网络学习行为的定义更加广泛.

网络学习行为的特征研究一直以来也是该领域的重点研究内容，萌芽期和发展期主要是对网络学习行为特征的整体进行研究，近几年逐渐发展为针对某一特定学习群体的行为特征进行刻画或将学习者按照行为特征进行分类，研究对象集中在大学生群体与成人学习者群体.

4.2.5 培养策略研究

网络学习行为的培养策略大部分是在探究其影响因素的基础上提出的，通过分析每一时期的研究成果可以看出，网络学习行为的培养策略主要从学习者、教师、网络学习环境、学习资源几个方面展开，当然，不同研究者提出的培养策略略有不同.变化规律为：萌芽期主要在对学习者学习行为的调查分析基础上提出针对性的培养策略，后续逐渐发展为在探究学习者的行为特征、影响因素、学习行为与学习效果关系的基础上而提出培养策略，随着数据挖掘技术的广泛应用，又在各类行为数据分析基础上提出相应的培养策略，因而针对性、实效性更强.例如萌芽期，徐红彩[19]从在校大学生网络学习行为调查的视角出发提出策略；深入期，杜小玉等[20]在探究网络学习行为影响因素的基础上，从学习者、学习资源、监管者、国家政策各个维度提出相应策略，李小娟等[21]对学习者的行为数据进行分析从而构建了在线学习行为与学习绩效的模型，在此基础上提出了网络学习行为的培养策略.

5 研究展望

5.1 研究对象向中小学生、高职生、研究生以及特殊群体发展

随着教育信息化的不断推进，中小学越来越重视对学生信息素养的培养，翻转课堂、智慧课堂、远程教育等已经成为当代中小学较为常见的教学形式；同时，高职生、大学生、研究生在课堂学习与课外自主学习方面也离不开网络环境；另外，继续教育的终身化、社会化、信息化、专业化、市场化、国际化改革已纳入到了国家议事日程之中[22]，以知识更新为目的接受继续教育的学习者更是不在少数.统计表明，目前对于网络学习行为的研究主要集中在大学生群体和接受继续教育的学习者，因此，网络学习行为的研究对象还要向中小学生、高职生、研究生等群体发展.

另一方面，在现实社会中，还存在一个特殊群体(聋哑人)，他们因为先天或者后天的某些原因造成听觉通道受损，在接收外界信息时主要靠视觉感知[23].他们除了听力受损出现语言表达能力障碍外，其他方面与正常人是完全相同的.如何使他们能够较好地融入社会，并具备网络环境下的终身学习能力，成为能够自食其力的劳动者和社会财富的创造者？因此，研究网络环境下聋生的学习行为，探讨如何培养这一群体在网络环境下的学习行为尤为重要.

5.2 关注人工智能环境下学习者学习行为的研究

目前，以教育机器人和智能学习系统为代表的人工智能技术逐渐开始应用于教育中，由于人工智能在自然语言处理、机器学习、模式识别、神经网络、遗传算法等技术支持下，具备超强的运算能力和学习能力，因此，将人工智能应用于教育领域必然会对学习方式产生极大影响.例如，在培养目标上，将以学习者的问题解决能力、知识迁移能力、自主学习能力、协作学习能力等作为目标；在学习方式上，将出现人工智能环境下的个性化学习，以及以解决问题为主的跨学科领域的深度学习；在信息呈现方式上，传统的文本、图形图像、视频动画等冲破原有单一属性的限制，实现跨媒介交互及多媒体融合等.这些变化使得学习者的学习行为不同于传统的网络学习行为，因此，开展人工智能环境下学习行为的研究尤为重要.

5.3 网络学习行为预测研究

目前对网络学习行为的研究普遍针对学习者已发生的学习行为展开的，研究内容包括学习者的学习风格、认知特点、情感态度等不同时所产生的学习行为与学习效果的关系.在外界学习环境和资源相同的情况下，每个个体的学习行为序列都具有一定的规律和特点，如何通过数据挖掘等形式归纳出每类学习者在网络环境下的学习行为规律，以实现对学习者下一步学习行为的有效预测以及通过预测结果而发出及时有效的行为干预.这种行为干预方式对正确引导学习者在具体的环境中发出合理的学习行为具有积极作用，目前这方面的研究相对较少.

5.4 学习行为评价数据多元化，评价标准具体化

随着各种行为分析技术的飞速发展，传统用于评价学习行为的数据形式，如登录时长、访问次数、浏览时间、交互次数等简单数值型数据已经不能满足研究需求，而是需要结合图像识别、语音识别、数据挖掘等技术将学习者在网络环境中学习行为路径(包括跨应用、跨平台的行为数据)进行采集，分析其行为特点及情感倾向，以获得更为真实有效的评价结果.同时，随着人工智能在教育领域的渗透，系统能够根据学习者画像进行个性化资源推送，实现个性化学习，在这种环境下，不同学习者由于学习目标、学习风格、学习资源、认知结构等的差异，会产生不同学习行为，评价每个个体具体的学习行为是否适合、是否高效，需要根据具体的情况来分析.因此，评价方式要针对个体情况设定，实现评价标准具体化.