混合式教学下平行班学习行为比较分析与研究

陈逸菲，袁加伟，宋 莹，孙 宁

（无锡学院 自动化学院，江苏 无锡 214105）

0 引言

国内院校，教师通常会在一个学期对两个以上的平行班进行授课。陆厚祥等［1］通过问卷调查方式，从授课时间间隔、学生成绩等方面研究平行班教学的效果问题。汪良献等［2］提出从优秀学生比率、均分、差幅大小等指标综合比较平行班的教学效果。以上研究均采用传统课堂教学方式，比较层面仍停留在教学效果层面，受技术手段限制未能从学生的学习行为层面深入分析差异造成的真实原因。

近年来，随着混合式教学发展，许多学者开始关注混合式学习成效的评估和测量［3］。程少云等［4］研究表明，SPOC 混合式教学模式适合教学环境较差、学生自主学习能力较弱的院校，能够显著提升学生的学习积极性。罗红宇等［5-6］分别从平均分、成绩分布、学生反馈等角度，对混合式教学和传统教学的教学效果进行比较，证明混合式教学对提高学生学习兴趣和综合能力具有积极作用。然而，现有工作中对采用混合式教学的平行班的比较研究较少。

后疫情时代，混合式教学成为常态，数字化学习活动为教育数据的生成提供了条件［7］。对身处大数据时代的教师而言，通过数据构建新型教学生态、助力教学结构变革、再造教学流程已成大势所趋［8-9］。

近年来，各类教学平台［10］采集的数据被用于研究行为分析［11-12］和学习特征［13-14］，包括预测［15-16］、预警［17-18］、学习支持服务［19］等。例如，陈逸菲等［12-13］对各类学生的学习行为数据指标与期末成绩进行相关性分析，寻找对成绩影响较大的学习行为，并对指标进行聚类以探寻不同类型学生的学习特点，为教师设计教学活动提供参考。

目前，采用机器学习、深度学习算法预测学生的学业表现和发现学困生的相关研究也引起了普遍关注。蒋卓轩等［16］分析学习者的时间相关学习行为、成绩相关学习行为及论坛参与情况等信息，采用线性判别分析、逻辑回归和线性核支持向量机等方法预测学习者的学习效果。牟智佳等［17］整合正式和非正式学习下的行为数据，构建学习预警系统，实现学习过程的动态监控，为开展精准教学和学习干预提供有效依据。Adnan 等［18］提出基于机器学习和深度学习的成绩预测模型，该模型能快速、准确地识别学困生，以便于教师在最佳时机给予个性化干预。但在现有研究中，很少有通过学习行为数据分析混合式教学下平行班学习效果差异。

为此，本文以超星学习通平台上同期开课的教学班级为例，探讨导致平行班教学效果差异的原因，据此指出教师在今后教学过程中所需注意的问题，并提供相应的解决方法。

1 基本情况

由表1 可知，两个班上课时间基本同步。其中，班级A有14 学分的必修课、5 个学分的选修课和3 个学分的实验课；班级B 有15 个学分的必修课、3 个学分的选修课和5 个学分的实验课，因此班级B 的学生能用于本课程学习的时间略少。

为确保实验公平性，查阅了2 个班（自动化专业和电气工程及其自动化专业）入学时在江苏省内的招生分数线（http：//zs.bjxy.cn/info/1007/1235.htm），两个专业同属于自动化学院，录取分数线最高分和最低分相同。由此认为，两个班级学生的基础未存在明显差异。

图1 为两班期末成绩的分布情况。其中，班级A 高于90 分的比例是班级B 的2 倍以上；班级A 中60 分以上各分数段人数比例均高于班级B；班级B 不及格率较高。

Table 1 Class time of the course表1 课程上课时间

Fig.1 Distribution of final scores图1 期末成绩分布

2 行为数据比较与分析

为探讨同一门课同一名教师采用相同教学方式，造成学生成绩产生较大差异的原因，本文对两个平行班的学习行为数据进行比较分析。

2.1 整体情况

由于各班人数存在一定的差异，因此所有指标取均值进行比较。课程共发布视频92 个，时长739min，章节测验41 份，作业12 次，任务点148 个，实验报告7 次，以上任务均在课外完成。课堂活动以随堂测验、抢答、投票等方式为主，由于客观原因两个班级课堂活动次数会略有不同，因此取每次活动的人均得分进行比较。表2 为两个班级的主要学习行为指标。

Table 2 Indicators of learning behavior表2 学习行为指标

其中，*号指标是由学习通平台记录的数据间接处理或变换而成，计算方法如下：

设班级人数为n，作业次数为m，第i次作业提交的人数为Hi，第i次作业在截止时间内提交的人数为hi（课程设置超过截止时间可补交作业），由此可得：

设班实验次数为k，第i次实验报告提交的人数为Ei，第i次实验报告在实验发布一周内提交的人数为ei，可得：

由表2 可知，班级A 大部分指标优于班级B。其中，在章节访问次数方面，近高出34.55%；在视频观看时长方面，近高出14.1%。虽然在作业完成率方面，两个班只相差2%，但班级A 的作业平均分、按时提交率和实验报告平均分大幅高于班级B。

但个别指标相反，例如在任务点的完成率和章节测验得分方面，班级A 略低于班级B。在查询后台数据发现，班级A 部分学生未完成全部章节测试，因此任务点完成率和章节测验的平均分较低。虽然，班级B 这两个指标高于班级A，但从后台查询任务点完成时间可知，班级B 相当一部分学生是在期末考试前突击完成测试任务。

此外，由于发布视频时并未设置防拖拽，部分学生视频任务点虽然平台记录为“完成”，但比较实际观看时长与视频原始时长，可推断出即使按照系统允许的最大倍速观看视频，也无法真正看完视频，侧面解释了为何班级A 的视频观看时长和反刍比均明显高于班级B，但视频观看得分却低于班级B。

随堂测验的目的是检验学生对上一节课知识点的掌握情况或课前自主预习情况，课堂测验每次大约3 道题，题型为选择题或判断题，设定在规定时间内每答对1 题得2 分。班级A 相较于班级B 高出0.8 分，即班级A 每次测验的得分率相较于班级B 高出10%以上。这说明在规定时间内，班级B 的答题正确率或提交率低于班级A，侧面反映了班级B 对知识点的掌握程度不如班级A。

根据以上分析初步可知，班级A 的学生整体投入课程的学习时间更多，知识点掌握情况更好。

2.2 章节访问次数

由于学生的主要学习行为会体现在章节访问次数上，为此本文对章节访问次数的分布情况、随周次变化进行分析。

2.2.1 访问次数分段统计

将章节访问次数划分成6 个不同区间进行分段统计。如图2 所示，访问次数在200-600 次的学生占大多数。其中，班级A 访问次数超过600 次的学生比例远高于班级B；班级B 访问次数低于400 次的学生明显多于班级A。由此说明，班级A 认真学习课程的学生人数更多。

Fig.2 Chapter visiting times图2 章节访问次数

2.2.2 每周访问次数

图3 为第一周至最后一周人均每日章节访问次数的变化情况。其中，第1-11 周访问次数变化平稳；第11 周因期中考试出现高峰；第12 周访问次数明显下降；18 周后因期末考试访问次数陡然增加。

由图3 可见，除17 周、19 周外，班级A 人均每日章节访问次数均高于班级B。第19 周因期末考试，班级B 访问次数突然高出班级A 近58%。从一定程度上解释了为何班级B 的任务点完成率高于班级A，但其他大部分指标均低于班级A。

Fig.3 Capita daily chapter visiting times图3 人均日章节访问次数

2.3 视频观看情况

图4 中，两个班级反刍比分布情况刚好相反，班级A 视频反刍比超过100%的学生接近总人数的38%，而班级B视频反刍比低于40% 的学生在5 个分布区间中人数最多。

2.4 作业与实验情况

课程共布置12 次作业，两个班级作业提交率只相差2%。由图5 可见，除作业11 外，班级A 学生作业按时提交率均高于班级B。此外，由图6 可见班级A 学生每次作业成绩均高于班级B。

Fig.4 Distribution of video-viewing rumination ratio图4 视频观看反刍比分布

Fig.5 Ratio of assignments being submitted on time图5 作业按时提交率

Fig.6 Average scores of assignments图6 作业平均分

图7、图8 分别为实验课后一周内提交报告和实验得分情况。由此可见，班级A 学生的表现均优于班级B。具体的，前3 次实验均为汇编语言实验，难度和工作量逐渐增加，导致学生实验完成率下降；后续实验属于接口部分，需要使用Proteus 等工具，导致学生在实验4 中花费较多时间；实验6 一周内提交率最低，调查后发现主要原因为实验6 与实验5 仅间隔5 天，且拓展题综合性较高，导致学生难以在规定时间内完成实验。

由于课程任务均在课前提前发布，学生完成情况具有一定的滞后性。如图9 所示，从整体上看班级A 相较于班级B 能更快完成大部分任务点。班级B 任务点完成集中在课程结束后的几周内，而班级A 完成时间分布得更均衡。

2.5 任务点完成情况

平台记录的课堂活动指标包括随堂测验、投票和抢答。首先对这3 类指标进行归一化处理，然后进行分段统计，最后进行平行班比较分析。

Fig.7 Percentage of finishing the experiment within a week图7 实验的一周内完成率

Fig.8 Average scores of experiments图8 实验成绩

Fig.9 Accomplishment situation of tasks per month图9 每月任务点完成情况

2.6 课堂活动得分情况

2.6.1 指标处理

由于两个班的课堂活动次数存在一定的差异，首先对每个班学生的课堂活动得分进行处理，使每项得分处于［0，100］范围内，然后统计平行班人数比例在不同分数段的分布情况，计算公式如下：

其中，xi表示学习通导出的班级A 的学生i在某类课堂活动的原始积分，nA为教师在班级A 发放此类活动的次数，则表示学生i在此项课堂活动的平均得分，下标j对应B班学生相关指标。

式中，为学生i的某类课堂活动积分归一化后扩大100倍。

图10-图12 为3 种课堂活动积分的分布情况，由此可见2个平行班之间存在较大差异。

Fig.10 Distribution of vote scores图10 投票积分分布

Fig.11 Distribution of quiz scores图11 随堂测验得分分布

Fig.12 Distribution of quick-answer scores图12 抢答积分分布

图10 中两个班投票得分在80 分以上的学生占70%以上。由于投票活动规定在30-60s内参与投票即可得分，仅为了考察班级学生的听课注意力和听课态度，可见班级B中听课态度较差的学生相较于班级A 更多。

由图11 可见，班级A 随堂测验得分在［60，100］范围内的学生占比近70%，而班级B 随堂测验得分在［0，60）范围内的占比近70%，且得分在［0，20）范围内的学生远高于班级A。由此说明，班级B 相当一部分学生对知识点的掌握情况较差。

由图12 可见，在抢答环节上班级B 表现得更积极，抢答积分与其他指标存在明显的差异。可能原因是两个平行班的学生性格存在一定差异，A 班学生内敛，而B 班活跃，但班级A 分数在［80，100］范围内的学生抢答次数相较于班级B 高出2 倍更多，说明班级A 中知识点掌握情况好的学生更有信心参与抢答。

综上所述，课堂学习氛围不能完全代替学生课后投入的时间和精力，实验结果均表明学习效果的好坏与平时投入学习的时间关系更大。

3 实验结果与分析

实验结果表明，班风、学风、学习品质好坏是导致成绩差距大的最主要因素［20］。由于霍桑效应会导致学生刻意美化行为数据［21］，因而仅依靠某一类数据指标无法真实反映学生的学习状态，需要结合多种数据指标对学生进综合考量。此外，课堂气氛不能完全反映学生的学习态度和学生效果。

为此，本文建议在教学中采取如下措施：①尽可能根据班级学生学习习惯、学习风格设计合适的教学方式，在教学中融入思政元素，多方结合促使班级形成优良的学风［22］；②着重关注能够真实反映学生学习状态和习惯的行为指标，例如章节访问次数、视频反刍比、作业等提交的及时性、随堂测验成绩等，以便于教师及时对学生进行干预和指导；③在制定培养方案时，统筹考虑课程学时安排的均衡性，给予学生充足的课外学习、思考、探索时间。

4 结语

本文从章节访问次数、视频观看情况、作业和实验完成情况、任务点完成情况、课堂活动情况等角度，比较分析同一名教师在平行班之间教学效果出现明显差异的原因，指出教师在今后教学中应注意的问题，并提出了相应的解决方法。

今后，将对常态化的混合式教学过程中的其他数据进行分析。例如，根据学生日常学习行为数据对学生成绩进行预测和预警；根据任务完成情况优化教学内容，实现靶向式课程建设。