基于二维象限分析的大学生在线学习行为研究

蔡旻君　唐睿　魏钰

[摘   要] 在线学习环境下学生的全景式行为表现反映着学生的真实学习投入状况，进而折射出线上教学的质量。研究中以混合学习环境下的SPOC实践为例，从在线学习行为的内隐性和外显性特征两个维度构建学习行为分析的象限图，试图对学习者的在线学习投入表现、学习效果以及内隐性和外显性交互影响作用的异同进行较全面的分析。研究发现：（1）在学习投入水平上，作业类学习任务达到较高的行为投入，而自主选择类的行为投入较低。（2）在线学习投入的学习效果上，全面投入类行为的学习效果要优于主动投入类行为和被动投入类行为的学习效果；而主动投入类行为和自我管理类行为的学习效果又要优于规律投入类行为和绩效投入类行为。（3）从学习行为内隐性与外显性交互影响的作用来看，当行为内隐性和外显性都呈现为高投入时，学习效果与行为投入趋于一致；当行为内隐性和外显性高低投入不一致时，学习效果并不理想。

[关键词] 在线学习行为； 学习投入； 百分等级量表； Rasch模型； 二维象限

[中图分类号] G434            [文獻标志码] A

[作者简介] 蔡旻君（1973—），男，甘肃宁县人。副教授，博士，主要从事学习科学与技术、课程设计与评价研究。E-mail：caimj916@126.com。

一、引   言

随着在线教育机构的快速崛起，有关在线学习投入的研究也在持续不断的推进中，针对学习者的在线学习投入分析从传统的自我报告转向学习过程伴随信息采集成为一种历史的必然。其中，对学习行为数据的挖掘与分析是当前在线学习投入研究的一个重要领域。学习投入集中表现为学习时间和过程的付出，一度成为学习质量的代名词。诸多研究结果也已表明，学生的在线学习行为对未来学习结果有积极的正向影响，如Pascarella等通过国外的许多研究发展就证明了学生的学习参与程度将对学习收获产生正向影响[1]。因此，分析在线学习行为数据将有助于揭示在线学习过程与结果质量之间的复杂关系，进而对在线学习资源建设及教学指导产生重要的作用。当前在线学习行为分析面临伴随性数据采集、动态趋势呈现及多维关系表征等方面的挑战，国内外众多研究人员已围绕上述内容展开不同程度的研究。

本研究以在线学习行为数据为基础来分析学生的真实在线学习情况，主要基于以下三方面的考虑：一是当前在线学习者的学习投入研究资料主要来源于行为数据，学习投入的重心还是在行为层面，认知和情感层面的数据获取只停留在实验室层面，还未能从多模态层面大规划采集学习者的在线平台数据信息，更多只是依赖于自我报告收集行为、认知和情感方面的信息。二是当前也有很多研究是从浅层（外显）行为或深层（内隐）行为对学习者学习投入展开研究，但其在缺乏研究证据的支持下就假设深层行为对学习效果影响更大，而浅层行为对学习效果的影响不大，这种经验性的推理掩盖了学习投入行为与学习效果之间的错综复杂关系，其教学评估应用的结果难免有偏差。三是象限图方法的创新应用将有助于考虑学习者的在线学习行为、认知和情感等方面的综合表现，不仅有频率性投入数据，也有实质性投入数据支持，为全面掌握学习者的在线学习投入状况提供比较完整的分类视角。

二、研究设计

行为科学理论认为，行为是个体通过与环境交互而完成任务或实现目标的活动。当前众多学者关注的主要是活动的外显行为，因为大家认为行为有意义并且可靠的、不可缺少的重要标准就是可观察和可测量。可观察是指能够被他人看到，可测量是指可以通过时间或频次等方式进行数量化表达[2]。学习行为不仅存在各种外在表现形式，也反映着不同学习者的心理状态。行为治疗理论把行为分为内隐和外显两种，其中内隐行为包括思想、想象、感觉和情绪等。该理论认为，外显行为和内隐行为同出一源，处于同一连续体上，两者的重要性是相同的。外显行为可以转化为内隐行为，进而影响内隐行为；反过来，内隐行为也可影响外显行为，两者之间具有交互作用。内隐行为和外显行为一样受学习原理特别是操作条件作用原理的支配，其交互作用也遵循同样的规律。行为科学理论对在线学习的实践研究产生了很大影响，刘中宇等人提出，在线学习中要根据学习者的性格特征和需求对网络教学资源、工具和环境进行设计，充分激发、调动和控制学习行为，促进学习目标的达成[3]。本研究将在线学习行为从外显性和内隐性两个维度进行分析，以此为考查切入点，将有助于从点、线、面三级立体化分析学习者的在线学习行为状况及其对学习结果的影响关系，为进一步揭示在线学习投入机制提供有效的证据支持。

（一）数据来源

在线学习行为发生的种类与学习管理平台的功能支持有着密切关系，学习者在平台中的任何操作类型都不会超出平台允许的范围。已有学习行为数据收集中，也有学者提出从发生模块（Module）和行为动作（Action）两个维度提取行为数据。本研究中，结合“智慧树”平台特点和已有研究的启发，将在线学习行为种类的穷尽限定在学习平台提供模块（作业、文档资料、测验和课程视频等）与平台允许操作（创建、浏览/下载、修改和删除）的组合中。但在实际教学使用中，因管理员设置和课程需求的不同，在具体模块中可能存在差异，这里给出的是允许发生行为的全部集合，包括学生的登录行为。

（二）方法设计

当前有关在线学习行为的研究主要集中在点式和线性方法应用上，而采用面上方法开展的研究则很少。本研究主要采用点式、线性和面上方法相结合的思路，首先从线上学习行为的直观分类入手，再把不同学习行为表现放置在学习绩效这一线性量尺上，最后通过行为的显性特征和内隐特征“两维”与时间量上的多寡“两极”构建起在线学习投入分析的平面，从而实现全面系统地分析学习行为水平、效果以及内外特征交互影响关系的目的。

1. 学习行为投入水平研究

本研究获取学生智慧树平台上的记录日志进行分析，主要针对其登录（A）、文档资料（B）、作业（主观题C）、测验（D）、课程视频（E）這五类常见可测量的行为模块进行内外行为分类，对每一类行为发生模块上的学习行为表现进行特征描述，以达到学习行为分类的目的。因为这五个模块是学生最常见的在线学习行为，既包含学生完成课程必需的行为，也包含能体现差异性的行为。研究中将在线学习行为分为外显性与内隐性，既要保证外显性与内隐性所表现的行为之间的差异，又要秉持外显性与内隐性同出一源，以便深入探究两者间的关系。在具体确定行为表现时，根据现有平台数据进行针对性划分，即每种行为都存在其独特的外显性和内隐性。由于前期分类中发现每一类学习行为模块不只是存在一种行为表现形式，而不同的行为形式也都有各自的表现特征。此处将前期学习行为投入评价指标中的行为表现分别予以“字母+数字”形式表示。如登录（A）这一类行为模块，既可以是一种表现时长的行为（A1），也可以是一种表现为频次的行为（A2），然后将登录总时长与登录总次数等外显行为特征分别用A1-1和A2-1等来表示，行为的内隐性特征则分别用A1-2和A2-2等来表示。

从平台获取学生的相关学习行为数据之后，在前期分类的基础上，分别建立每一类行为外显性的百分等级量表和内隐性的百分等级量表。这样，针对每一位学生的学习行为投入状况就可以计算出其在学生群体中所处的位置。此处得出的百分等级位数只是单纯的描述性结果，其数量大小对其学习结果的影响作用还需要进一步推断分析。

2. 学习行为投入效果研究

从线性研究来看，为了解某一课程学习中学生所有学习行为的投入效度，并不是单纯依赖频次进行高低排序，而是依据其与学生能力的关系进行排列，Rasch模型应用中赖特图就能直观呈现其排列结果。根据Rasch模型分析原理，特定的个体对特定的项目作出特定反应的概率可以用个体能力与该项目难度的一个简单函数来表示，个体回答某一项目正确与否完全取决于个体能力和项目难度之间的比较[4]。它可以同时估计项目难度和个体能力，是包含学生能力水平和项目难度层面的双面模型。通过赖特图可直观地获取学生群体中不同学生的学习行为投入信息，越往上表明学习投入的有效程度越高，越往下表明学习投入的有效程度越低。同时，为进一步了解学生在某一具体学习行为的投入状况，可以通过Rasch模型中的孩子图（KID MAP）粗略显示其高低水平。

在百分等级量表分类的基础上，根据建立的外显、内隐行为的百分等级位数，将学习行为投入强度大于等于50所对应的外显、内隐学习行为定为“1”，学习行为投入强度小于50所对应的外显、内隐学习行为定为“0”，将其与学生的学习成绩作关联。随后将数据输入单维Rasch模型软件Winsteps，用该软件分析不同外显学习行为与学生学习成绩关系的赖特图，越是处于上部的学习行为代表学生的能力越强，也即这些行为对学生的学习成绩影响越大。

3. 学习行为特性交互影响研究

将学习行为序列按其外显性和内隐性两个方面进行分类后，可以借助二维象限图将学习行为分为高低组合的四种类型，分别处于四个象限中，完成基于“面”上方法的在线学习行为研究。此处二维象限中把外显行为表现作为X轴，内隐行为表现作为Y轴，再在象限中画均等的两条线呈“十”字状，将二维象限划分为A、B、C、D四个象限（如图1所示）。象限A为高投入区，即高外显性—高内隐性的投入区域；象限B为潜在投入区，即低外显性—高内隐性的投入区域；象限D为中投入区，即高外显性—低内隐性的投入区域；象限C为低投入区，即低外显性—低内隐性的投入区域。

前期在线性表现中通过单维Rasch分析，分别确定了外显行为和内隐行为对学生学习成绩的影响之后，再通过多维Rasch分析来判断外显行为和内隐行为共同影响下与学习成绩的关系，进而确定实质性投入与频次性学习投入是否一致。同时，也可以运用多维Rasch模型深入探究外显行为、内隐行为与学习结果三者之间的关系。

三、在线学习行为分析结果呈现

（一）学习行为投入水平

1. 外显学习行为投入水平

通过前期百分等级量表的制定，同时获取了全体学生的行为投入强度结果。发现在外显行为投入中，“登录总次数”“作业提交总次数”“单元测验完成平均分数”“视频平均观看进度”这四种行为投入水平相对较高，“登录总时长”“文档浏览总时长”“文档浏览总次数”“单元测验总完成次数”这四种行为投入水平相对较低，说明学生迫于制度压力，对于教师布置的测验、课程视频和作业等学习任务投入的时间精力较多，而对于文档浏览等自我决定的学习任务参与积极性程度不高。

2. 内隐学习行为投入水平

从内隐性行为的投入来看，“有效浏览文档次数”“作业超时提交次数”“单元测验结果平均增长分数”“完成期末测验与单元测验的相对时长差”这四种行为投入的强度相对较高，“每周平均登录时长”“平均登录间隔”“作业完成平均相似度”“单个测验最高答题次数”这四种行为投入水平相对较低，说明学生对于在线学习中任务导向的单元测验、作业提交等模块重视程度高，而在质量导向的学习规律性和作业检查频次方面则表现一般。

3. 学习外显行为与内隐行为投入水平的组合分析

进一步通过二维象限分类将外显学习行为投入和内隐学习行为投入简单组合，分别描绘出每一类学习行为分布的趋势蓝图，以此得出所有学生外显行为与内隐行为相结合的在线学习行为投入强度。以学生登录频次类学习行为投入水平为例，将37名学生的外显行为登录总次数与内隐行为平均登录间隔的投入强度一起放入表中，再借助二维象限将投入强度（百分位数）大于50的行为置于高频次投入，投入强度低于50的行为置于低频次投入，可得出登录频次类的学习行为投入分布图（如图2所示）。由图2可直观看出，学生的登录频次类学习行为中只有极少数学生处于高内隐、低外显的区域（象限B），而象限A（高内隐、高外显行为）和象限C（低内隐、低外显行为）的情况比较接近，更多学生还是处于象限D的区域中。这一情况表明，学生的频率性投入较高，但受情感因素影响的实质性投入较低，即针对某一学习行为投入，学生的外显性行为表现和内隐性行为表现有很大的出入，其表现水平并不一致。

（二）学习行为投入效果

1. 外显学习行为水平与学业成绩

由图3可知，外显行为投入学生较易达到。通过对外显学习行为投入有效性数据的分析，发现单元测验完成总次数（D2-1）和登录总时长（A1-1）是最难达到的行为，共有12名学生完成。文档浏览总时长（B1-1）、文档浏览总次数（B2-1）、完成测验的及时性（D3-1）、单元测验平均完成时长（D4-1）是接下来较难达到的行为，共有19名学生完成。作业平均完成次数（C2-1）、单个视频最后观看时间距课程结束平均时间（E2-1）是相对处于中间难度的行为，共有24名学生完成。单元测验完成平均分数（D1-1）、登录总次数（A2-1）是较易达到的行为，共有35名学生完成。视频平均观看进度（E1-1）、作业提交总次数（C1-1）是最易达到的行为，所有学生都可以完成。根据Rasch模型中赖特图所给出结果，与难达到的行为相匹配的学生学习成绩越好。

再将上述行为按由上到下新的排序分类，将学生所有的外显学习行为分成三段，依据影响学习效果的外在行为因素可以形成一个新的线上学习行为分类结果，即全面投入类行为、主动投入类行为和被动投入类行为，以此突出主要的外显行为特征。

2. 内隐学习行为水平与学业成绩

内隐学习投入学生的表现差异较大，且个别行为学生实现起来有一定的困难，比如每周平均登录时长（A1-2）很难保证。在得出的赖特图（如图4所示）中，全部内隐行为在赖特图右侧展示，左侧分别代表学习者的学习成绩。赖特图中左边的学习者学习成绩越靠近顶端，代表学习者学习效果越好；右边代表内隐行为的类型，越是处于上部的学习行为代表能完成的学生越少，也即这些行为投入对学生的学习成绩影响越大。自上而下的行为分别是每周平均登录时长（A1-2）、作业完成平均相似度（C2-2）、平均登录间隔（A2-2）、单个测验最高答题次数（D2-2）、单个文档平均浏览时长（B1-2）、视频平均观看时长（E1-2）、单个测验平均提交时间间隔（D3-2）、视频平均观看间隔（E2-2）、文档有效浏览次数（B2-2）、完成期末测验与单元测验的相对时长差（D4-2）、作业超时提交次数（C1-2）、单元测验结果平均增长分数（D1-2）等。

再将上述行为按由上到下新的排序分类，将学生所有的内隐学习行为分成四段，依据影响学习效果的内在动机类因素可以形成一个新的线上学习行为分类结果，即主动投入类行为、自我管理类行为、规律投入类行为和绩效投入类行为，以此突出主要的行为内隐特征。

（三）不同学习行为特性对学习结果的交互影响

Rasch 模型通过对数转换，将学生能力和题目难度标定在同一个Logit 量尺上，直接反映学生能力水平和题目难度之间的关系[5]，赖特图就可以直观地显示这一结果。通过赖特图分析满足A象限的在线学习行为表现与学生成绩的关系，全部外显和内隐相结合的行為在赖特图右侧展示，左侧分别代表学习者的学习成绩。赖特图中左边的学习者学习成绩越靠近顶端，代表学习者学习效果越好；右边代表外显内隐相结合的行为类型，自上而下依次降低。越是处于上部的学习行为代表能完成的学生越少，也即这些行为投入对学生的学习能力影响越大。根据结果来看，自上而下的行为分别是作业完成质量（C2）、登录时长（A1）、登录次数（A2）、完成单元测验频率（D3）、观看课程视频频率（E2）、完成单元测验次数（D2）、浏览文档资料时长（B1）、完成测验时长（D4）、观看课程视频时长（E1）、浏览文档资料次数（B2）、完成测验分数变化（D1）、作业提交次数（C1）。

由此可以发现，在A象限中，即当内隐与外显行为投入一致时，作业完成质量、登录时长、登录次数、完成单元测验频率、观看课程视频频率、浏览文档资料时长、完成单元测验次数这七种外显与内隐相结合的具体行为类别出现的人数较少。

同理，分析满足B、D象限的在线学习行为表现与学生成绩的关系，全部外显和内隐相结合的行为在赖特图右侧展示，左侧分别代表学习者的学习成绩。自上而下的行为分别是浏览文档资料时长（B1）、完成单元测验次数（D2）、浏览文档资料次数（B2）、完成测验分数变化（D1）、登录时长（A1）、作业提交次数（C1）、完成测验时长（D4）、完成单元测验频率（D3）、登录次数（A2）、观看课程视频率（E2）、作业完成质量（C2）、观看课程视频时长（E1）。

由此可以发现，在B、D象限中，即外显与内隐投入不一致时，浏览文档时长、完成单元测验次数、浏览文档次数、完成测验分数变化、登录时长、作业提交次数这六种外显与内隐相结合的具体行为类别出现的人数较少。

四、讨论与建议

（一）关于学习者个体学习行为投入状况分析

1. 个体学习投入状况的“孩子图”分析

Schaufeli等制定了“学业投入量表”（Utrecht Work Engagement Scale-Student，UWES-S）[6]，从活力、奉献和专注三个维度测评大学生的学习投入水平，发现学习投入及各维度都对学习绩效具有显著积极影响，而其中奉献维度的积极效应最强。Peach等利用贝叶斯模型和时间序列数据框架，通过数据驱动分析描述了在线课程中个人和小组学习者的行为，发现高成绩学习者对于课程的投入度更高[7]。由此可见，在线学习投入与学习成绩、学习效果之间存在必然的联系，也凸显出学习行为研究的重要价值。本研究设想，如果要想进一步了解学习者个体学习外显行为的投入状况，可以通过Rasch单维分析中的“孩子图”显示其学习投入实现程度，以帮助教师更加明确每位学生能力可达到的“最近发展区”。在“孩子图”中，渐进发展区位于学生能力估计值上方和下方虚线表示的区域范围内。在“孩子图”中，不易达到的行为投入水平位于图的顶部，较易达到的投入水平位于图的底部，学习投入水平所代表的学生能力水平用中间竖直的虚线所显示的数值表示，越往高处，数值越大。在“孩子图”中，左栏显示的是学生能达到的学习投入水平，右栏显示的是学生未按标准达到的学习投入水平。通过和渐近发展区域的结合考虑，每个“孩子图”中就有了六个功能区域，左侧分为上、中、下，右侧也分为上、中、下，通过各区域的显示信息，教师可以非常直观地了解学生并开展下一步的教学，学生也可以更加清楚明了地认识到自己学习的投入情况。例如，对S学生的内隐行为，“孩子图”进行分析发现，该学生的每周平均登录时长（A1-2）（属于积极性投入）处于左上区域，表明这一行为投入强度超过了该学生的期望值，但他达到了这一行为投入强度，表明学生在积极性投入上超预期完成。该学生的单个测验最高答题次数（D2-2）、单个文档平均浏览时长（B1-2）处于左中区域，表明这两个行为表现位于其渐进发展区并完成了该行为投入；该学生的作业完成平均相似度（C2-2）、平均登录间隔（A2-2）处于右中区域，表明这两个行为表现位于其渐进发展区，但其并没有完成该行为投入，还需要在积极性上加强引导；该学生的视频平均观看间隔（E2-2）、文档有效浏览次数（B2-2）、完成期末测验与单元测验的相对时长差（D4-2）、作业超时提交次数（C1-2）、单元测验分数平均进步（D1-2）处于左下区域，表明这五个行为表现的投入强度低于其学习效果并完成了该行为投入；该学生的视频平均观看时长（E1-2）、单个测验平均提交时间间隔（D3-2）处于右下区域，表明这两个行为表现的投入强度低于其学习效果，但其并未完成该行为投入，即自我管理和规律性投入水平在个别行为层面需要加强自我努力。

2. 个体学习投入状况的象限图分析

作为学习者个体，其在线学习行为投入表现也可以通过一张二维象限图直观显示出来，达到评价学习者学习投入强度的目的。以L学生的所有学习行为投入（如图5所示）为例，由图4可直观看出这位学生的学习行为投入强度整体较高，多数行为投入分布在高外显、高内隐（象限A）的区域中，少数行为分布在高外显、低内隐（象限D）的区域中，仅有个别行为分布在低外显、低内隐（象限C）的区域中，反映该学生的频率性投入较高，受情感因素的实质性投入有部分较低，整体在线学习行为投入水平处于高投入区。

学习投入永远离不开时间因素，如何推进解释、预测学习时间与学习结果之间复杂关系的研究将成为学习研究领域需持续关注的课题。如Li等在研究中也验证了在线学习参与和学业表现之间的相关性[8]，胡小勇等针对大学生群体的研究发现，在线学习投入对在线学习绩效具有直接正向影响[9]。从早期的学习时间与学习结果关系探讨中也可以发现一些不足，如诸多研究过于强调时间，而忽视了学习任务性质；较少考虑不同时间段学习者学习效率的变化；缺少嗜好、态度和价值对学习时间影响的考虑等。本研究将针对这一问题引入学习行为投入的可持续性探讨及其相关的评价方法，关注不同学习时段或学习主题上个体学习质量结果的异同。针对当前学习行为投入效度研究存在的不足，后续研究也将在这一方面持续开展相关工作。

（二）关于学习者线上学习行为分类及其投入效果分析

1. 外显学习行为分类及其投入效果

王改花、傅纲善编制了网络环境下学习者特征量表，通过在线行为数据的聚类分析将在线学习者分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体[10]。研究发现，高沉浸性学习者的行为表现最能体现学习者的投入水平，其表现的学习行为体现在平均每次在线学习停留时长偏低、学习次数偏高、学习时间跨度高、重复学习率高、学习笔记高、讨论交流高等方面。同理，张思等通过收集网络空间中的在线学习数据，认为参与活动平均次数、参与讨论次数、给他人回帖字数等越高，越能体现学习者的投入水平[11]。本研究中，从学习行为的外显性来看，根据影响学习效果的作用大小依次可以将学习投入重新分为三大类，即全面投入、主动投入和被动投入。根据学习行为投入水平表现来看，该教学过程中应引导学生加大主动学习投入的力度。

2. 内隐学习行为及其投入效果

从学习行为的内隐性来看，根据影响学习效果的作用大小依次可以将学习投入重新分为四大类，即主动投入、自我管理投入、规律性投入和绩效投入行为。李爽等编制远程学生学习投入评价量表，通过量表测量学生投入现状，发现行为投入中参与和专注投入显著高于坚持投入，交互投入明显低于其他三类行为投入[12]。王洪江等还根据xAPI标准所提出的在线学习活动，确定教学视频播放行为数据、视频观看时长和并发学习行为数据是当前能反映独立自主学习活动的三类数据[13]。从学生在线学习行为投入频次来看，该课程学习中学生在绩效投入方面较高，而其他行为较低，故在教学中应该加大学生的主动投入、自我管理投入和规律投入力度。

尽管已有研究均已表明，学习者的在线学习投入类型不同，其强度也各有差异，但总体上并没有形成学习者在线学习投入强度评估的常模量表，即缺乏一个客观衡量学习者在线表现优劣的基准值。相关研究也只是较多倾向于针对学习者的在线学习行为类型进行相互比较，每一种学习行为相对于其他行为都有一个相对意义上的学习投入水平高低，但针对同一类型学习者的同一学习行为投入水平评估则缺乏一个可参照的依据，并不能从绝对意义上刻画出每一位学习者的在线学习行为投入强弱程度。同时，对于学习行为投入强度的可持续性也少有研究者提及。针对当前研究存在的不足，后续研究也将在这一方面持续开展相关工作。

（三）关于学习投入精准度分析

1. 象限图示例

诸多研究证明，学习投入与学习结果呈正相关，即时间付出越多，学习效果越好。但学生学习的总时间是有限的，对每一门在线课程的学习时间也需要合理分配，不仅不同的学习行为投入对学习效果的影响大小各异，而且外显行为与内隐行为投入程度的不同也会影响到学习结果。因此，以学习成绩为参照，借助多维Rasch分析对外显行为与内隐行为在投入程度上的影响力大小进行研究，明确学习行为投入的精准度（适切行为阈值），进而对学生的在线学习行为投入作出更为科学理性的评价。

在前期点式和线性研究的基础上，学习行为投入的频次高低（强度）以及和学习成绩的关系（有效性）都已明确，还需进一步细化分类，将同处高投入的内隐、外显行为再分别划分为“一般高H1、中等高H2、非常高H3”三个层级，这样在A象限（高內隐与高外显）上由不同的内隐、外显行为层级关系组合将其分割成九个区域［如图6（a）所示］。同样将低投入区的内隐、外显行为分别划分为“一般低L1、中等低L2、非常低L3”三个层级，结合A象限的层级组合关系，这样在B象限（高内隐与低外显）和D象限（低内隐与高外显）上同样被分割出九个区域［如图6（b）所示］。

2. 多层面Rasch分析构想

通过前面的分析得到了能体现学习者更高能力水平的学习行为，可进一步明确处于“高外显—高内隐”的A象限中的具体行为投入强度区间，即进一步分析这些学习行为究竟处于哪一区间最能影响学习者的学习质量，判断这些内隐与外显行为表现落在H1、H2、H3三个层级组合形成的九个区域（H1H1、H1H2、H1H3；H2H1、H2H2、H2H3；H3H1、H3H2、H3H3）中的具体位置。以此方法对平台记录数据进行分析，进一步明确在线学习行为投入强度与学习成绩的关系。可以尝试使用多维Rasch模型先来验证学习者的成绩与外显性投入和内隐性投入间的关系。多维Rasch模型允许分析多种因素与学习效果的关系，因此，可以尝试从学习成绩、行为的内隐和外显水平、具体行为类型三个方面构建多维的Rasch模型，在A象限和B、D象限，内隐行为表现和外显行为表现都可以分为三个层级。通过对个体在线学习行为的内隐性分析来考查学习者学习质量综合水平的动态变化，进而可以弥补静态学习质量水平分析的不足，判断学习者学习质量发展的可持续性，是一种考查学习者学习投入情感因素和认知因素的重要手段。

关于学习投入的精准度主要涉及学生如何学习的问题，即综合考虑行为类型与投入时间共同对学习效果的影响作用。目前对于学习投入精准度的研究尚缺乏全面细化的投入分析模型，但从投入类型和投入时间两方面结合分析的研究已陆续展开。宗阳等在RFM模型基础上依据xMOOC在线学习过程特点，提出中国MOOCs学习者的价值衡量模型ML-RFT，采用模型指标原始值与所有学习者平均值比较的方法将MOOCs学习者分为八类，有针对性地对每类学习者提供个性化的学习支持策略[14]。Wang结合网上学习过程的行为特征提出了“三维度四层次”的学生分析框架接触模型，采用不同方法对学生学习投入的三个维度进行精准分析研究[15]。从已有的研究成果看，众多研究主要采用描述性统计或回归分析，仅能表征少量行为投入的简单线性关系，缺少对不同阶段认知、行为及情感投入综合影响关系的结构化考查。同时，研究结果仅停留在对于学习行为投入维度的划分，缺乏对投入时间系列与学习质量关系的对比分析，对于学习者某一具体学习行为表现的最佳阈值区间还缺乏科学的论证。后续研究将借助象限图和Rasch多维分析对在线学习行为投入的最佳区域作进一步跟踪分析。

[参考文献]

[1] PASCARELLA E T， SEIFERT T A， BLAICH C. How effective are the NSSE benchmarks in predicting important educational outcomes？[J].Change the magazine of higher learning，2010，42（1）：16-22.

[2] 李松林.课堂教学行为分析引论[J].教育理论与实践，2005（7）：48-51.

[3] 刘中宇，周晓.行为科学理论指导下的高校大学生网络学习行为研究[J].中国电化教育，2008（5）：46-48.

[4] 晏子.心理科学领域内的客观测量——Rasch模型之特点及发展趋势[J].心理科学进展，2010，18（8）：298-305.

[5] 袁洁.基于Rasch模型的大学英语分级考试质量分析[J].东南大学学报（哲学社会科学版），2016，S1（18）：142-145.

[6] SCHAUFELI W B， SALANOVA M， GONZ？譧LEZ-ROM？譧 V， et al. The measurement of engagement and burnout： a two sample confirmatory factor analytic approach[J]. Journal of happiness studies，2002（1）：71-92.

[7] PEACH R L， GREENBURY S F， JOHNSTON I G， et al. Understanding learner behaviour in online courses with Bayesian modelling and time series characterisation[J].Scientific reports，2021，11（1）：1-15.

[8] LI N，WANG J， ZHANG X， et al.Investigation of face-to-face class attendance，virtual learning engagement and academic performance in a blended learning environment[J].International journal of information and education technology，2021，11（3）：112-118.

[9] 胡小勇，徐欢云，陈泽璇.学习者信息素养、在线学习投入及学习绩效关系的实证研究[J].中国电化教育，2020（3）：77-84.

[10] 王改花，傅钢善.数据挖掘视角下网络学习者行为特征聚类分析[J].现代远程教育研究，2018（4）：106-112.

[11] 张思，刘清堂，雷诗捷，等.网络学习空间中学习者学习投入的研究：网络学习行为的大数据分析[J].中国电化教育，2017（4）：24-30，40.

[12] 李爽，喻忱.远程学生学習投入评价量表编制与应用[J].开放教育研究，2015，21（6）：62-70，103.

[13] 王洪江，穆肃，黄洁，温慧群.自主学习投入度实时分析方法及应用研究[J].电化教育研究，2017，38（10）：44-50.

[14] 宗阳，郑勤华，陈丽.中国MOOCs学习者价值研究——基于RFM模型的在线学习行为分析[J].现代远距离教育，2016，4（2）：21-28.

[15] WANG P.Research on model of student engagement in online learning[J].Eurasia journal of mathematics，science and technology education，2017，13（7）：2869-2882.

A Study of Online Learning Behavior of College Students Based on

Two-dimensional Quadrant Analysis

—Taking the Practice of SPOC in Blended Learning Environment as

An Example

CAI Minjun1，  TANG Rui2，  WEI Yu1

（1.School of Educational Technology， Northwest Normal University， Lanzhou Gansu 730070;

2.Lanzhou Institute of Technology， Lanzhou Gansu 730050）

[Abstract] The panoramic behavioral performance of students in online learning environment reflects students' real learning engagement， which in turn reflects the quality of online teaching. Taking the practice of SPOC in a blended learning environment as an example， this study constructs a quadrant diagram for learning behavior analysis from two dimensions of implicit and explicit characteristics of online learning behavior， trying to conduct a more comprehensive analysis of learners' online learning engagement performance， learning effects， and the similarities and differences between implicit and explicit interactive effects. It is found that （1） at the level of learning engagement， learning tasks such as homework achieve a higher behavior engagement， while self-selected learning tasks has a lower behavior engagement. （2） In terms of the learning effect of online learning engagement， the learning effects of fully engaged behaviors are better than those of actively engaged behaviors and passively engaged behaviors. And the learning effects of actively engaged behaviors and self-management behaviors are better than those of regularly engaged behaviors and performance-based engagement behaviors. （3） From the perspective of the interaction between implicit and explicit learning behaviors， when implicit and explicit behavior are both presented in high engagement， the learning effect tends to be consistent with behavior engagement. When the engagement of implicit and explicit behaviors is inconsistent， the learning effect is not satisfactory.

[Keywords] Online Learning Behavior; Learning Engagement; Percentile Scale; Rasch Model; Two-dimensional Quadrant

基金項目：2023年甘肃省高校教师创新基金项目“基于象限图分析的西部高校大学生在线学习质量研究”（项目编号：2023A-010）