基于对抗解释结构模型的混合学习参与度影响因素分析

孙洪艳，潘 宏

西南医科大学信息与教育技术中心， 四川 泸州 646000

教育信息化2.0时代，“线上+线下”相结合的混合式教学方式成为高等教育的热点话题。学习者主动参与是混合学习环境下课程进行的必要条件，直接影响高校混合式教学的效果和质量[1]。已有研究表明，学生在线学习参与度与评价结果呈明显正相关，而且学习参与积极性直接推动学生自主学习能力的提升。学习者积极主动地参与课程学习，便能收获更多，且更能激发其学习动力；学习者不参与或参与度较低，则收获较少，且很难适应课程进度，易对课程产生厌倦情绪：因此，提高学习者混合学习环境下的参与度，已成为混合课程教学的一个重要切入点。厘清混合学习环境下参与度的影响因素以及影响因素之间存在的关系，也成为提高混合学习参与度的关键所在。

文章以某高校混合教学课程学生作为研究对象，利用对抗解释结构模型法(adversarial interpretive str- ucture modeling，AISM)，将众多关系复杂的混合学习参与度影响因素，以“由果索因”的方式逐步形成具有有向拓扑关系的两组模型，以此分析混合学习环境下影响学生参与度的根本影响因素、间接影响因素和直接影响因素，这对高校混合教学的课程设计、资源建设、学习参与度的有效提升具有非常重要的意义。

1 混合学习环境下参与度影响因素

混合学习环境下的参与度影响因素是一个复杂系统，受到学习者主体、教师参与、课程资源、学习环境等诸多因素的影响，影响因素多并且具有非线性的特征[2]。在文献检索基础上，综合国内外学习参与度的相关研究成果，通过访谈和问卷调查的方法分析确定参与度影响因素，通过专家咨询确定影响因素集并明确各影响因素之间的直接影响关系。

1.1 混合学习环境下参与度影响因素的调查研究

基于校本“医学教育技术”课程混合式教学实践，通过问题研究、文献查阅和访谈法初步辨识混合式学习环境下学习者参与度的影响因素，包括学习者主体因素、教师指导因素、平台支持因素、课程资源因素、学习者同伴因素和课程政策因素。研究将初步形成的六项调查指标设计成一份调查问卷，问卷内容主要包含三大部分：第一部分为被调查人员基本信息，包括性别、年级等；第二部分是在线学习现状调查，主要是被调查者的在线学习参与情况；第三部分为问卷主体，包含与学习参与度有关的21个题目，主要调查题目中各因素对学习者参与度的影响情况如表1所示。

表1 混合学习环境下参与度影响因素问卷设计

1.2 混合学习环境下参与度影响因素的确定

该研究通过对问卷结果的整理分析，在确定了影响因素集之后，对影响因素进行描述；并且通过专家咨询和头脑风暴法建立知识模型，得到混合学习环境下参与度影响因素之间的相关关系，如表2所示。

表2 混合学习参与度影响因素

续表

2 混合学习参与度影响因素对抗解释结构模型构建

解释结构模型(iinterpretative structural modeling,ISM)是一种综合性的系统科学方法，用于分析各种复杂体系构成元素之间的相互依赖与制约关系[3]。其基本原理是把复杂体系的各构成要素分解为若干子元素，经过一系列的拓扑运算，以结果数据为导向求出单个层级图，并将各层级图按照从上到下的顺序排列成一个多级递阶结构，即“从因到果”求得因果可达序列，以层次化的有向拓扑图表达。而该文的核心方法是在ISM结果导向的层级排序规则基础之上，引入博弈对抗(Adversarial)思想，加入与ISM排列规则对立的以原因为导向的排序规则，从下至上放置要素，即“由果索因”求得因果可达序列，从而建立一组与ISM排列规则相对立的有向拓扑图。这种逆向求解排序比较过程即为对抗解释结构模型(AISM)。AISM由于排序规则不同，得到的因素内部关系和有向拓扑层级图可能不一致，通过对两组有向拓扑图的综合比较，对混合学习参与度影响因素进行综合分析，确定各影响因素间的层次结构及相互关联关系，从而确定各因素间的影响关系[4]。据此构建模型的基本过程如下：

混合学习参与度影响因素是一个复杂的系统工程，借助AISM处理以形成结构清晰、层次分明的多级递阶影响因素模型，以便为更加科学合理地达到和提升混合学习参与度提供依据。

2.1 建立混合学习参与度影响因素的邻接矩阵

根据混合学习参与度的16个影响因素，以及它们之间的影响关系，建立混合学习环境下参与度影响因素的邻接矩阵A(如图1所示)。

图1 混合学习环境下参与度影响因素的邻接矩阵A

2.2 建立混合学习参与度影响因素可达矩阵

可达矩阵是指用矩阵形式描述图的各节点之间经过一定长度的通路后可达到的程度[5]。该研究用矩阵形式描述混合学习参与度各影响要素间经过一定长度通路后的可达程度。该研究所求可达矩阵是在邻接矩阵A的基础上加单位矩阵I，经自乘的布尔代数运算操作后，直到包括第k次幂的全部乘积相等，该乘积即为所求的可达矩阵，具体求解过程如下：

A1=A+I；A2=(A+I)2，…，Ar-1=Ar-1=R

布尔运算，直到：

(A+I)k-1≠(A+I)k=(B+I)k+1

由此，得出可达矩阵R(如图2所示)。

图2 混合学习参与度影响因素可达矩阵R

2.3 建立一般性骨架矩阵

由可达矩阵R进行缩点，即把可达矩阵中的回路当成一个点称之为缩点。缩点后得到可达矩阵R′，然后再进行缩边运算，缩边运算其本质是把重复的路径删除，方法为：

S′=R′-(R′-I)2-I

R′进行缩边得到S′，即骨架矩阵，把回路要素代入即得S,S即一般性骨架矩阵，如图3所示。

图3 一般性骨架矩阵S

2.4 层级抽取

在可达矩阵中，每个变量都有一个可达集合R(Si)、先行集合Q(Si)，以及可达集合与先行集合交集R(Si)∩Q(Si)。UP型拓扑层级图，UP型即以结果为导向的层级抽取，规则方法为R(Si)∩Q(Si)=R(Si)；DOWN型拓扑层级图，DOWN型即以原因为导向的层级抽取，规则方法为R(Si)∩Q(Si)=Q(Si)。结果如表3所示。

表3 层级抽取过程

2.5 绘制有向拓扑层级图

图4为UP型层级图，即结果导向的层级划分；图5为DOWN型层级图，即原因导向的层级划分。混合学习环境下参与度各影响因素间的可达关系由有向线段进行表示，图中双向箭头表示形成回路，即互为可达关系，同时越下层表示影响因素具有根源性，越上层因素表示影响因素具有直接性。

3 混合学习参与度影响因素层级关系分析

从图4、5可以看出，混合学习参与度影响因素可以划分为6个层次的递阶结构。根据模型的逻辑结构，混合学习参与度的6个等级可以划分为直接影响因素、间接影响因素、根本影响因素3个层次。现对混合学习环境下参与度影响因素的层级关系进行分析。

图4 结果优先型有向拓扑层级图

图5 原因优先型有向拓扑层级图

3.1 直接影响因素

直接影响因素是混合学习环境下影响学习参与度的最高层次的因素。主要表现为学习者的主体因素：自主学习能力、学习兴趣、学习风格、学习动机是学习参与度的最高层影响因素；师生互动、学习氛围分别是教师因素和环境因素中直接影响学习参与度的要素。已有研究表明，学习者在学习参与度中发挥主观能动作用，教师和学习环境是学习参与的推动条件。因此，在混合学习环境下学习者、教师、环境因素是学习参与度中的最直接影响因素，同时也证明这种模型构建的合理性。

3.2 间接影响因素

间接影响因素是拓扑层级图的中层影响因素，其构成的要素比较复杂，包括部分教师因素、政策性因素、技术因素和学习环境因素的影响。其中，教师反馈对学习者参与起积极作用。威尔等[6]的研究指出，教师提供给学生的支持和帮助对学生的积极参与具有正向促进作用，学习过程中教师提供及时的帮助会使学生更加努力，并在学校其他活动中也会更自觉地遵纪守规。政策因素和学习环境因素主要对学习参与意愿产生影响，在线学习过程的成绩认定会在很大程度上影响学习者的学习参与行为，当周围具有积极的学习氛围时，学习者就会具有较强的学习参与意识，从而提高自身的学习参与度。教学平台对学习的支持影响学习者的学习体验，而便捷有效的网上互动可以影响学习参与氛围，从而间接影响学习参与度。

3.3 根本影响因素

混合学习环境下学习参与度的根本影响因素是教学活动安排、课程难易度、在线知识呈现方式、课程便捷性、视频长度。根本影响因素对其他要素的影响较为广泛。混合学习环境下知识主要以网络课程的形式呈现，这为教学内容多路径呈现提供了空间，促使个性化学习成为现实。合理设计教学活动以及教学资源，可促使不同学习程度的学习者找到合适的学习路径，从而吸引学习者的主动参与。

4 混合学习环境下参与度提升策略

学习参与度是众多因素相互作用、共同影响的结果，以往学者的研究主要关注不同因素对参与度效果的影响，而学习参与度不同影响因素之间的关系和影响程度几乎无人研究。基于此，文章在混合学习参与度影响因素分析的基础上，运用对抗解释结构模型法，对各因素之间的层级关系以及对学习参与度的影响程度进行分析。结果表明，课程资源建设因素对在线学习参与度影响最为深远，是影响混合学习参与度的根本因素；教师反馈、教学平台易用性、在线成绩认定政策、同伴互助等教师、教学平台和政策性因素，通常会影响学习者的参与意愿，在混合学习环境下参与度提升过程中发挥着间接影响作用；学习者主体因素和教师指导因素对学习参与度的影响最为明显，其中自主学习能力、学习动机、学习风格、学习兴趣等直接影响学习参与度。依据研究结论，文章提出以下混合学习环境下参与度提升策略：

4.1 注重课程设计环节，优化课程资源建设

混合式学习环境下优化课程资源建设，应该从两方面考虑：一方面要注重混合课程资源开发的设计环节。以学习理论、教学理论、教育传播理论、混合式教学理论等现代教育教学理论作为理论基础，不断探索优化课程教学资源中指导性资源、内容性资源、过程性资源和环境性资源体系的设计；另一方面在课程资源开发过程中要注重媒体的优化组合。根据学习者认知发展和客观实际，优化资源开发媒体选择，建设以学生为主体，各类资源、设备、媒介等为辅助工具，各要素相互融合的学习资源系统。

混合学习课程资源的设计开发，应该根据教学需求和学习者的不同学习层次，开发不同课程内容模块。学习者根据自己学习程度选择相适应的学习路径，为不同的学习背景和不同学习需求的学习者提供一种最适合自己的学习途径，以达到学习的最优化。

4.2 完善学习激励机制，提高学习主体有效参与

学习者的有效参与是课程进行的必要条件，是衡量学习参与的重要指标。哈佛大学管理学教授詹姆斯[7]认为，在适当的激励机制下人的潜能能够得到更大限度的发挥，比无激励机制下平均高出60%。混合学习环境下，学习激励机制受学习者个体因素、教师因素、政策因素、学习环境的影响。教师(专家)是激励主体，应根据不同学习者的个体差异，通过制定相应的激励措施，激发学习者的学习动机，从而促进学习的有效进行。

4.3 借助信息技术优势，推动学习智慧化发展

随着“互联网+教育”的融合发展，智能识别技术在教学中的应用不断提高，智慧化学习逐渐成为现代教育发展的重要方向：一方面基于网络的教学平台越来越智能化，能够对学习者的视频学习、文档下载、互动交流等各种学习行为的数据进行跟踪记录。充分利用平台上所记录的每一位学习者的数据信息分析学习者自身存在的优点与不足,进而根据学习者不同学习水平和其个性化的需求，为其推送相适应的学习资源。另一方面应用智能装备(视觉记录仪、生物电波测试等)识别数据进行学习行为的大数据分析，为更加精确地掌握学习者心理、动作等学习行为提供便利。

5 结束语

基于对抗解释结构模型对混合学习环境下参与度各影响因素进行层级划分和层级关系计算解释，从总体上掌握了各影响因素对学习参与度的影响机理和不同因素之间的相互作用机制，了解不同影响因素对混合学习参与度的影响程度，对混合学习环境下学习参与度提升提供指导；但文章还存在一些不足之处，例如对抗解释结构模型仅是一种定性分析手段，对各影响因素之间的相互作用关系大小没有进行定量分析。今后，在扩大混合学习各影响因素研究范围的基础上，运用定性分析和定量分析相结合的方法以验证多种影响因素的关系结构和相互作用程度，将成为进一步的研究目标。