财经院校学生在线学习行为分析研究

刘丽梅

（吉林财经大学 应用数学学院，长春 130117）

在信息化背景和数字化学习时代，慕课、微课、雨课堂和学习通等信息化的教学方式和工具层出不穷，“云”课堂等网络教学作为我国教育传播系统中的新型教育媒介，为学习者打造网络化学习新生态的同时也推进了我国高校教学改革进程。由国家统计局数据可以看出，全国财经类普通本专科在校学生数占全国普通本专科在校学生数的比重很大，而其学生的质量直接关系到地方经济的发展。财经类院校学生作为在线学习的主要用户，分析学生的在线学习行为，寻找提升学生在线学习实效的路径既有理论意义又有现实意义。因此，本文基于在线教学平台，构建财经院校学生在线学习行为的分析模型，对在线学习行为进行共性和差异性分析，并定制个性化学习路径，为教育研究者变革教学模式提供新的思路。

一、在线学习行为分析现状

随着在线学习的蓬勃发展，对在线学习行为的分析方法、分析模型构建的研究越来越多地受到了国内外学者的关注。国外学者在这方面的研究明显早于国内。他们普遍认为，分析在线学习行为的目的是为了发现学习者潜在的学习规律和风格，对其进行干预和评价，以提高学习者的在线学习效果。Daniel 等基于Petri Net理论分析了学习者的学习行为。Chyan 等根据学习者的行为模式和区域差别构建了多层次的学习行为模型。Yeonjeong 等利用聚类分析法对韩国某高校的学生在线行为特征进行了分析。Durksen 等建立了基于学习者学习心理需求的概率分析模型。

国内学者起初对学生在线学习行为分析主要侧重于从不同群体、不同角度和不同平台分析学生的在线学习行为特征和行为路径。这些在线学习行为特征的获得多采用统计分析方法。随着大数据的出现，如何建立更有效的在线学习行为分析模型和丰富模型构建的理论及框架又成为学生在线学习行为研究的热点问题。胡艺龄等建立了学习者在线学习行为模型并对学习数据进行了模式分类与解析。吴林静、黄瑶等分别利用数据挖掘技术构建在线学习分析模型，探索出在线学习模式、行为分类和行为特征。杨国龙构建了在线学习行为差异化分析模型，并用聚类分析法对不同学习群体特征进行差异化分析。王丽英等构建了在线学习行为多模态数据融合模型，并对MOOC 环境下的学习行为进行了研究。钟桂凤建立了RFE 分析模型对不同模式下的在线学习行为进行了分析研究。杨孟娇等利用主成分分析法和K 均值聚类算法对开放教育学习者的学习行为进行了分析，并针对各类学习者提出了有针对性的措施，用以提高学习效果。

综上所述，国内外关于在线学习行为的理论和实践研究有着丰富的成果，但是针对财经院校建立兼顾学科特色的在线学习行为分析模型还比较少，而且对财经院校学生的在线学习行为的特征研究也不成熟，尚需要完善。因此本文将针对财经院校学生建立在线学习行为分析模型，并对财经院校学生的在线学习行为进行分析研究。

二、财经院校学生在线学习行为的评价分析

（一）在线学习行为分析维度的选择

学生的在线学习行为数据可以由在线学习平台收集，不同的学习平台在收集学生在线学习行为数据时会存在着侧重点差异。本文从在线教育平台获取财经院校主要专业课程（财政学类、统计学类、管理科学与工程类、法学类、管理类、外国语言文学类、计算机科学与技术类、金融类、经济学类）学生的在线学习行为数据，并将常用的在线学习行为纳入在线学习行为分析维度，分别为登录次数，记为X；互动参与数，指发布、回复帖子等参与讨论的次数，记为X；在线教程完成率，记为X；在线学习教学设计满意度，记为X；在线学习网络满意度，记为X；在线交流满意度，记为X；课程成绩合格率，记为X；课程成绩优秀率，记为X。本文将基于这些维度对财经院校学生的在线学习行为进行分析研究。

（二）利用熵权TOPSIS 模型对在线学习行为进行评价分析

1.数据的标准化处理

已知学生在线学习行为分析维度X，X，…，X的相关数据，利用这些数据构造矩阵X=（x），其中x是第i 门课程在维度X上的取值。为了消除X，X，…，X数据在量纲上的差异，本文采用极差标准化方法对矩阵X 进行标准化处理，得到标准化矩阵Y=（y），即

2.利用熵权法确定各维度权重

本文采用熵权法确定在线学习行为分析维度X，X，…，X的权重，具体过程如下。

计算第j 个维度的信息熵，即

计算第j 个维度的分散程度，即

最终算出第j 个维度的权重，即

利用熵权法得出X、X、X、X、X、X、X、X的 权重，见表1。

表1 在线学习行为分析维度的权重

从表1 中可以看出，该财经院校学生的在线学习行为主要评价指标是人均互动参与数、在线学习教学设计满意度、课程成绩合格率和在线学习网络满意度。

3.构建TOPSIS 模型，确定理想解

首先构造加权规范化矩阵

然后通过公式

4.计算距离

5.计算综合评价指数

表2 列出了该财经院校主要专业课程学生的在线学习行为综合评价指数。

表2 学生在线学习的综合评价指数

由聚类分析可知：

财经院校学生在线学习行为优秀的专业群为法学类、管理科学与工程类和统计学类。

在线学习行为良好的专业群为计算机科学与技术类、金融类。

在线学习行为中等的专业群为财政学类、经济学类和外国语言文学类。

在线学习行为最差的专业群为管理类。

三、财经院校学生在线学习行为的障碍因子分析

同为财经院校主要专业课程，学生的在线学习行为却参差不齐，为了激发财经院校学生对在线学习行为的投入，提升在线学习的有效性，本文利用障碍度模型对财经院校各专业学生在线学习行为的障碍因子进行了分析。

然后通过比较分析得出财经院校各专业学生在线学习行为障碍因子的共性特征和差异性特征。

其中共性特征包括如下几点。

（1）财经院校各专业学生在线学习行为人均互动参与数是财经院校各专业学生在线学习行为最大障碍因子的频次最高，因此财经院校各专业学生在线学习行为的共性特征是互动参与数少。由于在线学习中，师生之间的沟通交流会存在时滞性，从而使得师生互动缺乏及时性和有效性。

（2）在线课程完成率在各门类课程中的障碍因子值都比较小，说明学生对在线课程的学习能保证学习进度。

差异性特征则包括以下几点。

（1）登录次数成为统计学类、法学类、计算机科学与技术类的学生在线学习行为的主要障碍因子，说明这些专业的学生在学习过程中缺少主动性，学习的积极性有待提高。

（2）在线学习教学设计的满意度是管理类、外国语言文学类的学生在线学习行为的主要障碍因子，说明这些课程的教学设计和教师的能力有待提高。只有高质量的课程才能吸引学生，从而带动学习行为的提升。

（3）在线学习网络满意度是财政学类、经济学类的学生在线学习行为的主要障碍因子，说明流畅的网络环境是保证在线学习的先决条件。

（4）课程成绩合格率成为统计学类、管理科学与工程类、金融类的学生在线学习行为的主要障碍因子，说明在这些专业门类中在线学习成绩合格率不高，与这些学科的教学内容、知识特点有关系。

四、提升财经院校学生在线学习实效的路径

（一）搭建QQ 群、微信群等教师和学生最熟悉的网络交流平台，实现及时、有效的师生交流

教师在线上布置了作业或学习资源包等资料，可以在QQ 群、微信群中告诉学生，使学生能及时收到信息，并完成任务。对于线上不懂的内容，学生可以在QQ 群、微信群中向师生请教，实现灵活及时地交互交流。既保证了学习效率，又提高了互动参与数，从而提高了学生在线学习的实效。

（二）建立学生在线学习行为的预警机制，并采取有效的督促措施，保证有效的在线学习的投入

教师要及时关注学生在线学习的登录次数、进入课程次数及在线时长等学习参数，当这些数据明显落后于全班平均水平的时候，教师应对相关学生做出相应预警，进行必要的督促、提醒及数据追踪，以帮助其调整学习节奏，及时跟上课程学习进度。从而保证在线学习的投入和取得满意的课程成绩。

（三）加强校园无线网络建设和优化，为财经院校学生在线学习提供流畅的网络环境，保证在线学习的流畅感

加快校园无线网络升级改造和优化，合理运用新的信息技术，建立稳定可靠的入网环境，确保网络的平稳性和优质的传输质量，满足在线教学的需要，从而能够及时、有效地提高财经院校学生在线学习的效率。

（四）将“共生效应”等心理效应理论与财经院校在线教学实践结合，以提高财经院校学生在线学习实效

共生效应，就是一个群体在各个个体间相互刺激、相互给予及相互依存的过程中而产生的一种新功能、新作用和新效果。教师和学生之间可以产生共生效应，学生和学生之间可以产生共生效应，教师和教师之间可以产生共生效应。因此，从教育主体、教育客体、教育环体和教育介体四个层面出发，基于“共生效应”理论在教学内容、教学方法和教学手段在课前、课中及课后等方面提出具体的教学优化策略，形成四个要素“合力”，整合教育资源，激发教育内生动力，以促进学生在线学习实效的提高。

五、结束语

本文以财经院校学生在线学习的行为数据为背景，结合熵权法和TOPSIS 模型的特点，建立了财经院校学生在线学习行为分析模型，并对财经院校学生的在线学习行为进行了评价分析和比较分析，得出学生在线学习行为优、良、中和差四个等级的专业课程群。然后用障碍度模型得出财经院校各专业学生在线学习行为障碍因子的共性特征和差异性特征，基于这些特征提出提升财经院校学生在线学习实效的路径。希望本文研究结果能促使财经院校学生得到有效的在线学习行为，为提高在线学习实效提供更多的实践参考与理论依据。