在线教学平台学习者参与方式研究

肖睿 刘千慧 尚俊杰 黄文彬

【摘要】  随着注册学生规模的扩大，在线教学平台面临着学生辍学率高、参与度低的挑战，通过分析学生状态并提供及时指导是提高教学效果的主要途径。学生的学习参与方式被认为是与学生成绩明显相关的一个重要因素。ICAP框架（Interactive-Constructive-Active-Passive Framework）提出了一种将学习活动分类为不同参与方式的方法，本文利用平台日志数据，通过构建不同学习活动所对应的三个特征（被动视频时长占比、主动视频时长占比和作业时长占比），等级聚类得到学生的学习参与方式。结果表明，共840个学习回合被划分为四类参与方式：被动（n=80）、主动（n=366）、建构（n=75）和闲散（n=319）。研究发现，不同参与方式下的学习成绩存在差异，且根据学生参与方式序列可以识别出困难型、平衡型和轻松型三类学习状态。研究表明，基于ICAP框架，利用在线教学平台日志数据自动识别学生不同学习参与方式，可以为在线学情分析和教学设计改善等提供有益参考。

【关键词】  在线教学平台;在线学习;学生参与;学习投入;ICAP框架;等级聚类;学习分析;日志分析

【中圖分类号】   G434         【文献标识码】  A       【文章编号】  1009-458x（2021）7-0067-09

一、问题提出

随着互联网与计算机的全球化普及，在线教育成为一种受全世界学习者青睐的学习方式。然而，在注册学习者规模大幅增长的同时，学习者后续的学习参与度却极低，仅有大约5%的学生能够完成课程并取得最终成绩（蒋卓轩， 等， 2015），影响在线教育课程的教学效果。学习参与是衡量学生学习过程质量的一个重要指标，反映了学习者对于正在经历的学习活动在认知、情感和行为上的投入状态（张娜， 2012）。积极的学习参与可以促进学生学术和个人的发展（Ng， Barlow， & Elliott， 2018），因此对于教育者、管理者以及其他相关方而言促进学生参与是当前的重要问题（Lutz， et al.， 2018）。对在线教学平台上的学习参与进行量化研究，实现自动标记，并提供适当的学情监测和学习干预等支持服务，对于促进学生的深层次学习（穆肃， 等， 2019）、提高在线教学平台的教学效果具有重要意义。

学生参与（student engagement）也可译为“学习投入”“学业投入”“学习参与度”。张娜（2012）认为，参与主要侧重于行为，而投入侧重以行为为载体的心理活动，尤其是情感的高度投入。由于本研究主要讨论的是在线教学平台上学生的日志数据，侧重于学生的行为分析，因此本文统一以“学生参与”指代这一名词。学生参与是一个宽泛而复杂的多维度概念（Anderson， 2017），涉及学生教育经历的不同方面和时间的不同维度（Dmello， Dieterle， & Duckworth， 2017）。基于不同的理论传统，学生参与可以被分为情感参与、行为参与和认知参与等几种类型（Fredricks， Blumenfeld， & Paris， 2004）。

在线教学过程中，促使学生参与学习正在成为一个越来越难实现的任务（Astleitner， 2018）。教师无法通过与学习者面对面的接触收集更多的信息，同时参与的学习者人数更多，在线学习的互动方式和评价方式等均发生了明显变化。因此，如何在在线教育的新环境中识别学生参与情况成为一个有挑战的议题。与传统教学环境不同，在线教学环境的一个优势是积累了丰富的日志数据，记录了学生具体的学习活动信息，研究者与教师可以通过对学习者行为模式的阐述而推断得到学习者的学习参与情况（Ramesh， Goldwasser， Huang， Daumé III， & Getoor， 2013）。

本研究结合ICAP框架，基于在线教学平台的日志数据分析学习者的参与方式，从而为学习者提供个性化的教学方案，提高教学质量。研究中关注的问题包括：如何基于学生的日志数据识别不同的参与方式？如何验证识别得到的不同参与方式？学生参与方式的识别对学生学情分析与教学设计改善具有什么启示？

二、相关研究

（一）学生参与

学生参与常用的测量方法是自我报告法，这类方法成本较低，易于管理，但是存在主观程度高，易受社会期望、回忆偏差影响等问题（Dmello， et al.， 2017）。非问卷的参与测量方法（如访谈法、教师打分法、工作样本分析法等）（张娜， 2012）依然相对主观，存在同样的问题。Dmello等人（2017）提出了一类“先进—分析—自动”的学习参与测量方法，其中基于日志数据，通过分析学生的交互模式可以识别学生参与。学习分析技术可以深入挖掘与分析学生在各个维度的学习参与数据，获取其学习参与行为的潜在规律和特点（万力勇， 2019）。

在在线教育领域，现有对学生参与的研究多是基于对“参与”的一种宽泛的定义，缺乏理论基础（Lan， Brinton， Yang， & Chiang， 2017），因此很难适用于不同的在线教学平台。Anderson等人（2014）通过分析高成绩和低成绩学生的不同行为模式来描绘学生在慕课的参与情况。蒋卓轩等人（2015）从时间、成绩和论坛三个角度分析学生的学习参与行为。还有研究者将学生参与简单分为是否两种状态加以讨论（Kizilcec， Piech， & Schneider， 2013）。另一类研究将学生参与视为隐性变量加以测量。Ramesh等人（2013）根据论坛行为特征将学生的参与方式分为被动、主动和不参与三类。Lan等人（2017）将学习参与视作一个与学习成绩直接相关的、有具体取值的潜变量。

（二）ICAP框架

ICAP框架（Interactive-Constructive-Active- Passive Framework）是基于学生活动区分学习参与方式的理论框架（Lutz， et al.， 2018）。2009年其雏形被提出（Chi， 2009），随后Chi与Wylie（2014）基于对多个实验的总结梳理提出了完整的ICAP框架。根据潜在的知识改变过程、预期认知结果与学习成果，表1列出了ICAP四种参与方式的区别，据此提出了一个可验证的假设——在学习效果方面：交互活动 > 建构活动 > 主动活动 > 被动活动。

ICAP框架以“学习者为中心”理念关照学习发生过程（王志军， 等， 2019），考虑认知参与和行为参与的对应关系，并给出了每种参与方式的操作化定义，是一种综合性教育理论和实证研究结果（李丽琴， 等， 2019）。盛群力和丁旭（2018）认为，ICAP框架可以在教学中帮助转变学习方式，辨别外显活动与认知过程的一致性，评估学习效果，指导课程设计，改进教学实践。研究人员可以根据学习者的行为表现判断学习者的不同认知层次，并以此预测学习者可能的学习成果。ICAP框架已被用于分類学生的各种活动，从而提供教学反馈，提高元认知技能（Marzouk， Rakovic， & Winne， 2016）;衍生形成有层次的教学指导策略（Astleitner， 2018）;改善教学方式，促使学生进一步参与活动（Chi， et al.， 2018）;改进任务设计方式（Lam & Muldner， 2017）;标注学生评论信息，从而改善教学内容（Yogev， Gal， Karger， Facciotti， & Igo， 2018）;对学生的论坛消息（Wang， Yang， Wen， Koedinger， & Rosé， 2015）、参与类型（Piotrkowicz， Dimitrova， Mitrovic， & Lau， 2018; Le Lant & Lawson， 2019）和教师的指导活动（Demonbrun， et al.， 2017）等进行分类。

然而，现有针对ICAP框架的实证研究多是基于线下传统的实验或者教室场景，对在线教育的相关讨论十分有限。有个别研究者将ICAP框架应用到了在线教育领域中，如Haney等人（2016）通过对学生的点击行为和成绩数据的描述性分析发现，与具体学习行为相对应的学生参与方式会影响学生的整体成绩。国内也少有学者讨论和应用ICAP框架（盛群力， 等， 2017）。

综上所述，现有学生参与研究存在测量方法不理想、缺乏理论基础等问题，且国内较少有学者应用ICAP框架探讨学生参与。根据ICAP框架，在线教学平台中学习者的各类学习行为（如观看视频、完成作业、参与讨论、线上测试等），可以根据其潜在的认知过程被划分为不同的参与方式，从而实现对学习者学习行为、参与方式和学习成果等的描述和理解，为平台的改善、课程的设置和教学的改进等提供理论支撑和有效建议。

三、研究设计

（一）数据来源

本研究的数据来源于“课工场”在线教学平台上的WEB前端课程，该课程分为44个课程小节，每个小节包含学生必须学习的视频、作业和测试。在测试中，如果每个知识点的答题准确率均超过0.67，学生就可以学习下一个课程小节，否则学生就需要在一段时间后重新测试。因此，为了通过课程小节，学生有可能进行多次的测试。完成所有的课程内容后，最终测试用于评估学生的最终学习成果。2017年共14位学生进行了为期4个月的学习。在线教学平台记录下的日志数据包含学生观看视频、完成作业、进行测试的记录，原始数据集共包含322，307条记录。在线下学生每天至少参加一次小组讨论，班主任会人工记录每位学生的问题。

为了更好地描述学生在每一学习阶段的参与情况，定义学生每完成一次测试即为完成一个学习回合。在每个学习回合中学生可能会进行各种学习活动，每个课程小节中可能需要经过多个回合的学习才能通过。然后，清理数据记录中的重复值和异常值，共得到14位学生的501条课程小节记录和840条学习回合记录，课程小节与学习回合时长的平均值、中位数和四分位差如表2所示。

每一课程小节中的学生人数和回合总数如图1所示。从图中可以看到，并不是所有学生都可以完成44个小节的学习内容，其中一些人在课程的中后期，特别是在第30个小节之后被落下。同时，人数的逐渐减少也导致了总回合数的逐渐减少。通过初步分析可以发现，为了通过每个课程小节学生可能会进行多个学习回合，根据ICAP框架的定义每个回合的参与方式都有可能发生变化。因此，本研究选取840个学习回合作为研究对象，基于日志数据识别每个回合中学生采取的参与方式。

（二）聚类特征的抽取

为了理解学生在每一学习回合中的不同参与方式，本文希望基于ICAP框架从数据集中抽取学生的行为特征对应于3类不同的学习活动。首先，为了区别被动与主动的学习活动，定义被动与主动的视频观看记录。ICAP框架中对被动学习活动的举例即为学生在没有更多操作行为的情况下一直观看视频，此时学生是在被动地接受老师所讲授的知识，达到的是对知识的最浅层理解;主动学习活动举例是学生在视频中多次进行暂停、重播、拖动等交互操作，此时学生是在对视频中的知识进行选择性地学习、回忆与加强。因此，如果视频中学生的交互操作越多，学生更有可能是在记录学习笔记或者帮助更好地理解学习材料，学生在学习中的参与程度就越深。一般来说，学生会在视频最开始点击播放，因此每次观看视频活动至少有一次交互。为了尽量剔除没有真正体现学生操作视频的交互记录，区分主动与被动的学习活动，参考已有对观看视频记录的区分方法（Haney， Atiq， Deboer， & Cox， 2016），如果交互的次数大于两次（一次最初播放+一次其他交互），则标记这条记录为主动，否则标记为被动。

然后，定义每个学习回合中被动、主动和建构三类学习活动的对应行为特征：被动视频时长占比、主动视频时长占比和作业时长占比。课程中的作业都是具体的课程项目，学生需要综合应用学到的知识，并通过编写代码的方式将思路和想法付诸实践。每一个作业都没有参考答案，因此在完成作业的过程中学生是在对已学习、已掌握的知识进行进一步加工，生成一个新的综合性的学习成果。因此，完成作业可以被归为建构的学习活动。为了消除学习回合时长差异的影响，将三个总时长分别除以所处学习回合时长，得到对应活动的时长占比。三个特征的平均值、中位数和四分位差如表3所示。

（三）研究方法

聚类是一种将相似样本划分到同一类簇中的无监督算法。为了探究与不同行为特征对应的学生参与方式，本研究对840个学习回合进行聚类分析，每一个回合对应一种参与方式。每一回合通过一个3维向量表示，对应上文所述的3类特征。数量级不同的特征会导致无效的聚类结果，因此在聚类前对每一个特征进行标准化处理。然后计算向量两两之间的余弦相似度距离，对于两个向量[Vi]=（v1i，v2i，…，vti）与[Vj]=（v1j，v2j，…，vtj），余弦相似度计算如公式（1）所示，而向量[Vi]与[Vj]的距离通过1-sim（[Vi]，[Vj]）计算。

sim（[Vi]，[Vj]）=[Vi?VjVi*|Vj|]                  （1）

基于余弦相似度距离，本研究采用等级聚类中的凝聚方法，连接方法采用完全连接法（Johnson， 1967; Defays， 1977）。凝聚方法是一种自下而上的等级聚类方法，在最初每一个数据点均被视作一个类簇，随后类簇之间相继凝聚直到最终仅保留下一个类簇。在每一轮迭代中，类簇之间两两被连接为一个新类簇，完全连接法通过计算连接后新类簇的直径（类簇内数据点两两之间距离的最大值），选择直径最小的新类簇作为一轮迭代的凝聚结果。

然后，通过计算Clainski-Harabaz（CH）指数确定最佳的聚类个数，如公式（2）所示。

s = [SSBSSW] × [N-kk-1]                      （2）

式中k是聚类个数，N是总样本数。[SSB]表示类间平均离差，用于衡量类簇之间的分离程度;[SSW]表示类内平均离差，用于衡量类簇内样本之间的分离程度（Caliński & Harabasz， 1974）。CH指数越高表明聚类效果越好。在本研究中，等级聚类算法通过Python实现，计算结果标明最佳聚类个数为4。

四、数据分析与发现

（一）参与方式聚类结果

通过等级聚类的凝聚方法得到四个類之后，计算每一类三个特征的平均值，结果如图2所示。通过对四类子群的学习活动特征的分析，本研究对四类参与方式进行了探索与界定。

类别1：被动参与方式

类别1包含10%（n=80）的学习回合。类别1的主动视频时长占比与作业时长占比均不太突出，都仅高于类别4，唯一比其他三类高的是被动视频时长占比。在初期接触新知识时，一些学生在观看视频过程中并不会过多地采取暂停和拖动行为。基于较高的被动视频时长占比、较少的操作行为和作业时长，定义类别1为被动参与方式。

类别2：主动参与方式

类别2包含44%（n=366）的学习回合。类别2的主动视频时长占比明显高于其他类别，而被动视频时长占比和作业时长占比则较低。该类描绘了一种学生主动采取行动的学习参与方式。学习中如果遇到较难理解的部分，一些学生会在观看视频时频繁进行暂停和拖动操作，从而消化、回顾、比较不同的知识点。基于较高的主动视频时长占比，定义类别2为主动参与方式。

类别3：建构参与方式

类别3包含9%（n=75）的学习回合。类别3的视频相关特征均不突出，仅比类别4高一些，但是作业时长占比是四个类别中最高的。这表明在类别3中，学生通常将主要精力放在解决、完成作业中遇到的问题上。在完成作业的过程中，学生是在进一步加工所学知识，并生成新的学习成果，从而达到对知识的深度理解，因此根据ICAP框架定义类别3为建构参与方式。

类别4：闲散参与方式

类别4包含38%（n=319）的学习回合。和其他类别相比，类别4的三个特征的标准化后均值都非常小，表明学生并没有进行过多的学习活动。类别4的产生更多是因为学生在没有通过测试的情况下，需要间隔一定的时间后才能再次进行测试。在多轮测试未通过的过程中，学生可能已经对相应的知识点进行了多次的复习和回顾，不再需要重新观看视频或者完成作业，因此处在一种闲散等待的状态中。或者是在经历了多次挫折之后，学生选择了偷懒放松，希望能在多次测试中刷到足够数量的题目，从而在下一次测试中顺利通过。基于较少的行为记录，定义类别4为闲散参与方式。

在得到四种不同类别的参与方式之后，将类别作为因素、三个特征作为观察值进行单因素方差分析。计算得到的p值均小于0.05，表明四个类别的三个特征有显著差别，聚类结果可以用于后续的进一步分析与讨论。

（二）参与方式整体分布

为了探究四种不同的参与方式在整体学习过程中的分布，绘制每个课程小节四种参与方式的平均回合数（如图3所示）。

整体而言，前半学期的学习回合总数要多于后半部分。最初学生通常需要一些时间来适应平台上课程的运作方式和具体规则，相应地可能需要更多的回合去完成每个课程小节的学习。针对小节1和3的较高的平均学习回合数，主要是因为学生被某个具体的测试题目卡住而无法通过。这些过多的闲散回合可能表明学生可能正在跨越知识上的一些“盲点”，他们无法在测试中通过这些知识点的考察，同时也没有或者不知道该如何采取行动去掌握这些知识点。这种问题信号可以被及时反馈给老师，帮助提供相应的辅导。

从四种参与方式的对比来看，被动、主动和建构三种参与方式的平均总回合数在整个学期都比较稳定，总数在1上下浮动。被动和建构的参与方式在课程的最开始即出现，而主动参与方式更多地出现在小节25及以后，随后被动的参与方式逐渐减少，主动和建构的参与方式逐渐占据主导。

（三）参与方式与学习成绩

为探究不同参与方式下学习成绩的差异，在控制回合发生排序一定的情况下，比较不同参与方式的平均成绩。从数据集中分别截取课程小节中排序为1和2的回合数据（排序在3及以后的学习回合数据过少，不在此进行讨论），比较不同参与方式下的平均成绩（如表4所示）。

从表4数据可知，排序为1时，平均成绩是主动参与方式高于被动参与方式;排序为2时，主动参与方式的平均成绩略低于被动参与，且四种参与方式的成绩存在显著差异。这可能是因为排序为2时的样本数过少导致的。根据ICAP框架的假设，认知程度越深入的参与方式越有利于学习者获得更好的学习成绩，因此被动、主动和建构三种参与方式的回合成绩应该逐步提高。分析结果表明，三类参与方式对应的成绩与ICAP框架的假设基本吻合。

值得说明的一点是，闲散参与方式的平均成绩是四种参与方式中最高的。这一现象存在两种可能性。一种是因为经过之前回合中学习的积累，学生只要再通过一次测试即可以完成课程小节的学习，导致闲散参与的回合发生总是与高成绩相联系。另外一种可能性是，高水平的学生主动选择了闲散参与的方式。有部分学生已经事先掌握了课程小节中的知识，在学习过程中会采取更少的学习行为，但是在测试中可能取得更高的分数，从而产生一次高成绩的闲散回合。

（四）不同学生的参与方式

为了展示典型学生的参与方式序列，对每位学生学习的小节数、回合数、小节数/回合数和最终成绩进行了统计（如表5所示）。小节数与回合数的比值越高，说明学生能够在更少的学习回合内通过课程小節，根据这一比值的大小，可以将学生大致均分为三类：第一类学生（n=5）的比值较低，且整体上完成的小节数也有限;第二类学生（n=5）的比值中等;第三类学生（n=4）的比值较高，完成的小节数也都在40及以上。

在这三类学生中分别挑选4、8、14三位学生，绘制他们的参与方式序列（如图4a、4b、4c所示）。三位学生分别代表困难型、平衡型和轻松型三种不同的学习状态。

如图4a所示，学生4的学习状态表现得较为困难。从整体上来看，学生4经历了更少的小节和更多的回合，特别是在小节10与12中学习回合数分别为8和7。学生4一开始采取的主要是被动与建构方式，小节13之后以闲散方式为主，小节27之后仅涉及被动和主动方式。线下的记录也可以反映该学生的这一状态。在小节1，这位学生被评价为“缺乏编程训练，学习进度较慢”，所以在编程作业上花费了大量时间，使得小节1均为建构回合。在小节10～12之间，学生4连续若干天反映自己“完成测试题有难度，需要查询后作答”“看懂视频比较吃力”，从而解释小节10和12的较多学习回合，且以被动和主动参与方式为主。同时，学生也反映自己在小节13之后，“通过测试有难度，不太能理解视频内容”，因此在参与方式上表现得比较消极。

相比之下，学生8的学习状态表现得更为平衡。绝大部分课程小节都能够在3个回合中完成，且学生8的闲散回合更少。同时，随着课程的进行，被动参与方式越来越少，主动、建构和闲散参与方式也在学习的后期被更多地采用。

与学生4和学生8相比，学生14的学习状态整体来说更加轻松。大部分小节可以在一个回合内结束，且多数是在一个闲散回合内结束。在小节30及以后，学生14以主动的学习参与方式较多，说明学生14习惯多次交互帮助理解课程内容，因此可以推测学生14的理解能力也比较强。根据线下记录，学生14的学习进度一直快于其他学生，学习进程基本是按部就班地推进，并且很少会被记录到存在一些异常问题。

五、讨论

本研究基于ICAP框架，提出了利用日志数据自动识别学习者参与方式的方案，通过一门在线课程的数据进行了实证研究，并在此基础上分析了整体课程期间参与方式的分布，探究了参与方式与学习成绩之间的关系，以及不同学生参与方式的差异。基于上述数据分析结果，可以得出以下结论：

第一，ICAP框架可以作为在线学习数据分析的理论基础，实现对学生参与方式的自动标注。通过定义ICAP框架中与被动、主动和建构相对应的学习活动特征并聚类，可以发现在参与方式上具有明显不同模式的学习者，从而为后续的学情监测和学习干预等服务提供支撑。同时，分析结果中不同参与方式成绩的比较也基本验证了ICAP框架中对学习成果的假设，即建构 >被动 >主动，这也与Haney等人（2016）的研究结论相一致。然而，受本研究平台数据的限制，暂时无法讨论其他可以从ICAP框架衍生出的更为丰富的学习活动特征，后续ICAP框架的应用研究可以在此基础上进一步扩展。

第二，教学管理方式会影响学生实际采取的参与方式。本研究所采用的课程规定学生必须观看视频、完成作业之后才能进行测试，反映到参与方式的整体分布上，每一课程小节学生基本都需要经历被动、主动和建构三种参与方式中的一种或者多种，这一现象可能与所学习的知识点无关。随着学习的逐步深入，学生也会逐步调整合适的参与方式以适应课程内容，反映在后期主动和建构参与方式的增多。根据ICAP框架，被动、主动和建构三种参与方式对学习效果的促进程度是逐渐递增的，已有学者结合ICAP框架改进学习资源设计（王志军， 等， 2019）和教学模式（李丽琴， 等， 2019），因此如何改善教学设计以促进学生更深层次的学习参与是可以研究且需要深入探讨的问题。

第三，本研究发现，同一参与方式如果发生的顺序不同，对应学习成绩也存在差异。被动与主动的参与方式随着发生顺序的延后，平均学习成绩有所降低。可能的解释是，如果被动与主动的参与方式倾向于随后发生，更可能说明学生在学习过程中遇到了困难，或者反映了学生的学习能力不足。被动的参与方式一般会在知识点学习初期出现，而如果学生在后期采取了被动参与方式，可能是因为遇到了无法解决的难题，同时又不清楚难题对应的知识点的具体位置，只能“回炉重造”，从头开始学习相应的视频内容。在这种情况下，学生对整体的知识体系没有明确的把握，甚至对个别知识点还没有达到简单记忆的水平，因此很有可能在小节测试中取得比较低的成绩，此时就需要提供对应的教学指导或者干预，而建构与闲散参与方式随着发生顺序的延后，平均学习成绩在提高。这比较符合正常的学习规律，说明后来发生的建构参与和闲散参与更有可能帮助学生提高成绩。

第四，学生在整个课程中的参与方式序列可以反映不同学生的学习状态。本研究根据学生参与方式的序列识别出学生三类学习状态：困难型、平衡型和轻松型。教师对学生的线下记录也验证了学生的实际学习状态与问题。比较三位典型学生的情况可以发现，学生整体的学习状态又可能受到学生本人的学习能力、课程的教学设计和教师的教学水平等因素的影响，从而影响学生整体的学习效率。后续基于对更多学生日志数据的收集与分析，有可能进一步实现学生学习状态的分类，以及对学生整体学习效果的预测，从而为及时的教学干预提供参考。

六、总结

本研究基于日志数据，根据ICAP框架对认知参与活动的操作性界定，创造性地提出了与三种参与方式相对应的学习活动特征——被动视频时长占比、主动视频时长占比和作业时长占比，并通过聚类分析得到了被动、主动、建构和闲散四种参与方式。本研究所提取的三种特征与具体的学习环境无关，因此可以被推广应用到其他在线教学场景中。通过学习成绩的对比可以发现，不同参与方式下的成绩与ICAP框架的假设基本吻合，学生整体的参与方式序列还可以反映不同学生的学习状态，线下记录也验证了描述的合理性。本研究的结果说明，ICAP框架可以用于识别学生参与方式，从而为后续的教学设计和成绩预测等提供参考。

虽然得到了一些较有启发性的研究结果，本研究还存在以下不足：首先，数据所涵盖的学生数量有限，现有研究也不足以通过14人的数据分析学生在整体学习参与方式上的差异。后续计划通过收集更多学生的日志数据，尝试比较不同学生的学习参与方式序列，从而识别出不同学生的学习行为模式。其次，在ICAP框架中，同样的学习活动蕴含的可能是不同层次的认知活动（Chi， et al.， 2014），本文并没有对此加以讨论。例如，尽管学生在不进行任何操作的情况下观看视频，如果学生在这一过程中进行的是将新知识与已掌握的旧知识进行对比、整合等认知活动，那么这些行为就应该被划分到主动而不是被动参与方式下。因此，有研究也指出应该结合行为和认知两个层次上的信息去定义和分析学生参与（Lutz， et al.， 2018）。最后，限于数据来源，本研究无法将ICAP框架中交互的参与方式囊括到具体的分析中。后续计划通过对线下记录的编码处理，梳理学生在讨论、协作等方面的学习活动，从而为交互参与方式的描绘提供数据支持。

[参考文献]

蒋卓轩，张岩，李晓明. 2015. 基于MOOC数据的学习行为分析与预测[J]. 计算机研究与发展，52（3）：614-628.

李丽琴，许锋华. 2019. 基于ICAP学习方式分类学的初中物理习题教学模式变革[J]. 教学与管理（36）：115-118.

穆肃，王孝金. 2019. 参与和投入而非肤浅和简单——在线学习中的深层次学习[J]. 中国远程教育（2）：17-25，92-93.

盛群力，丁旭. 2018. “ICAP学习方式分类学”的循证研究[J]. 武汉科技大学学报（社会科学版），20（2）：218-223.

盛群力，丁旭，滕梅芳. 2017. 参与就是能力——“ICAP 学习方式分类学”研究述要与价值分析[J]. 开放教育研究，23（2）：46-54.

万力勇. 2019. 数字化学习中的学习者参与：联结学习动机与学习绩效——访俄亥俄州立大学知名学者谢魁教授[J]. 现代远程教育研究，31（4）：11-18，46.

王志军，冯小燕. 2019. 基于学习参与视角的移动学习资源画面设计研究[J]. 电化教育研究（6）：91-97.

張娜. 2012. 国内外学习参与及其学校影响因素研究综述[J]. 心理研究，5（2）：83-92.

Anderson， E. （2017）. Measurement of online student engagement： utilization of continuous online student behavior indicators as items in a partial credit rasch model. USA： University of Denver.

Anderson， A.， Huttenlocher， D.， Kleinberg， J.， & Leskovec， J. （2014）. Engaging with massive online courses. In Proceedings of the 23rd International Conference on World Wide Web （pp. 687-698）. ACM.

Astleitner， H. （2018）. Multidimensional engagement in learning-an integrated instructional design approach. Journal of Instructional Research， 7， 6-32.

Caliński， T.， & Harabasz， J. （1974）. A dendrite method for cluster analysis. Communications in Statistics-Theory and Methods， 3（1）， 1-27.

Chi， M. T. （2009）. Active-constructive-interactive： A conceptual framework for differentiating learning activities. Topics in Cognitive Science， 1（1）， 73-105.

Chi， M. T.， Adams， J.， Bogusch， E. B.， Bruchok， C.， Kang， S.， Lancaster， M.， et al. （2018）. Translating the ICAP theory of cognitive engagement into practice. Cognitive Science， 42（6）， 1777-1832.

Chi， M. T.， & Wylie， R. （2014）. The ICAP framework： Linking cognitive engagement to active learning outcomes. Educational Psychologist， 49（4）， 219-243.

Defays， D. （1977）. An efficient algorithm for a complete link method. The Computer Journal， 20（4）， 364-366.

Demonbrun， M.， Finelli， C. J.， Prince， M.， Borrego， M.， Shekhar， P.， Henderson， C.， et al. （2017）. Creating an instrument to measure student response to instructional practices. Journal of Engineering Education， 106（2）， 273-298.

Dmello， S.， Dieterle， E.， & Duckworth， A. （2017）. Advanced， analytic， automated （AAA） measurement of engagement during learning. Educational Psychologist， 52（2）， 104-123.

Fredricks， J. A.， Blumenfeld， P. C.， & Paris， A. H. （2004）. School engagement： Potential of the concept， state of the evidence. Review of Educational Research， 74（1）， 59-109.

Johnson， S. C. （1967）. Hierarchical clustering schemes. Psychometrika， 32（3）， 241-254.

Haney， C. L.， Atiq， S. Z.， Deboer， J.， & Cox， D. （2016）. Comparing different learning activities in a global neuroscience MOOC. In Proceedings of the 123rd ASEE Annual Conference & Exposition. ASEE.

Kizilcec， R. F.， Piech， C.， & Schneider， E. （2013）. Deconstructing disengagement： analyzing learner subpopulations in massive open online courses. In Proceedings of the 3rd International Conference on Learning Analytics and Knowledge （pp. 170-179）. ACM.

Kuh， G. D. （2003）. What were learning about student engagement from nsse： benchmarks for effective educational practices. Change： The Magazine of Higher Learning， 35（2）， 24-32.

Lam， R.， & Muldner， K. （2017）. Manipulating cognitive engagement in preparation-to-collaborate tasks and the effects on learning. Learning and Instruction， 52， 90-101.

Lan， A. S.， Brinton， C. G.， Yang， T. Y.， & Chiang， M. （2017）. Behavior-based latent variable model for learner engagement. In Proceedings of the 10th International Conference on Educational Data Mining （pp. 64-71）. ERIC.

Le Lant， C.， & Lawson， M. J. （2019）. A new student engagement observational instrument for use with students with intellectual disability. Journal of Research in Special Educational Needs， 19（4）， 304-314.

Lutz， B. D.， Barlow， A. J.， Hunsu， N.， Groen， C. J.， Brown， A. P. E. S.， Adesope， O.， et al. （2018）. Measuring engineering students in-class cognitive engagement： survey development informed by contemporary educational theories. In Proceedings of the 125th ASEE Annual Conference & Exposition. ASEE.

Marzouk， Z.， Rakovic， M.， & Winne， P. H. （2016）. Generating learning analytics to improve learners metacognitive skills using nstudy trace data and the ICAP framework. In Proceedings of the Learning Analytics and Knowledge Workshop on Learning Analytics for learners （pp. 11-16）. CEUR.

Ng， C.， Bartlett， B.， & Elliott， S. N. （2018）. Engagement for what purpose？ Engagement toward what outcome？ Empowering engagement for students from challenging backgrounds. In C. Ng， B. Bartlett， & S.N. Elliott （Eds.）， Empowering engagement （pp.191-209）. New York： Springer.

Piotrkowicz， A.， Dimitrova， V.， Mitrovic， A.， & Lau， L. （2018）. Using the explicit user profile to predict user engagement in active video watching. In Proceedings of the 26th Conference on User Modeling， Adaptation and Personalization （pp. 365-366）. ACM.

Ramesh， A.， Goldwasser， D.， Huang， B.， Daumé III， H.， & Getoor， L. （2013）. Modeling learner engagement in MOOCs using probabilistic soft logic. In Proceedings of NIPS Workshop on Data Driven Education.

Wang， X.， Yang， D.， Wen， M.， Koedinger， K.， & Rosé， C. P. （2015）. Investigating how students cognitive behavior in mooc discussion forums affect learning gains. In Proceedings of the 8th International Conference on Educational Data Mining （pp.226-233）. ERIC.

Yogev， E.， Gal， K.， Karger， D.， Facciotti， M. T.， & Igo， M. （2018）. Classifying and visualizing students cognitive engagement in course readings. In Proceedings of the 5th Annual ACM Conference on Learning at Scale （pp.1-10）. ACM.

收稿日期：2020-03-25

定稿日期：2020-08-04

作者簡介：肖睿，博士研究生，北京大学教育学院学习科学实验室（100871）。

刘千慧，硕士研究生，本文通讯作者，北京大学信息管理系（100871）。

尚俊杰，博士，副教授，博士生导师，北京大学教育学院学习科学实验室（100871）。

黄文彬，博士，副教授，硕士生导师，北京大学信息管理系（100871）。