基于线上课程的学生学习行为分析——以某校大学数学课程为例

金玲玲，朱厚锐

（海南师范大学数学与统计学院 海南 海口 571158）

2021 年教育部在《普通高等学校本科教育教学审核评估实施方案（2021—2025 年）》中将学生对自我学习与成长的满意度列入评估指标体系[1]。2019 年教育部发布《关于加快建设高水平本科教育全面提高人才培养能力的意见》，指出激发学生学习兴趣和潜能深化教学改革，将以学生发展为中心，积极推广混合式教学、翻转课堂等[2]。构建“以学生为中心，关注学生学习感受与过程”的教学模式成为提升高校教育质量的重要抓手。随着互联网与教育教学的深度融合发展，构建网络化、数据化、个性化以及终身化的教育体系成为教育改革与创新的方向。教师不再只是传统意义上的知识传播者，更多地成为信息技术与学科教学深度融合的引领者。借助各类网络学习平台为学生营造一个高度参与和个性化体验的网络学习空间，通过完整地记录并保存学生的在线活动数据，分析学生在线学习行为，能够更准确把握学生的学习状态，真正贯彻以学生为中心的教学理念，开展学习预警，认知诊断等服务，为精准制定教学策略提供了保障。本文以某校大学数学课程的学习者为研究对象，分析学生在线学习的显性与隐性行为，旨在为在线教学资源建设和教学策略制定的研究提供一定参考。

1 研究数据准备

1.1 学习平台数据采集

本研究以厦门大学某大学数学课程作为案例课程，从慕课网平台日志中提取，采集外显行为数据即学习者与学习环境交互产生的数据，共300 条。外显数据由两部分组成：基础知识准获取和知识输出度。基础知识准获取包括课程视频浏览Scaning、课程访问Visiting 和课程资料的阅读情况Reading。知识输出度包括课后作业完成Working和章节测试完成Testing 情况。并对所获数据进行了标准化处理。

1.2 问卷编制与分析

1.2.1 量表编制

学生的内隐学习行为，反映的是学生的内隐心理与行为表征，围绕信息获取、学习态度、学习动机及自我效能感四个维度设计。数据通过平台发放调查问卷的方式收集，调查对象为本课程的学习者，回收问卷共320 份，其中有效问卷300 份。问卷包括调查者基本信息，有性别，年级和专业类别等题项，其他量表主要采用李克特五度量表，包括14 个题项，计分从1～5 分别表示“不符合”“较不符合”“一般”“比较符合”和“非常符合”，得分越高，表明调查者与题项的描述越匹配。如表1 所示。

表1 隐性行为分析量表

信息获取反映学生根据学习目标在线获取学习资源的能力，调查设置3 个题项：I1 参与平台学习前已经具备检索能力；I2 会使用一些在线工具；I3 能借助网络资源解决困难。学习态度是学习者呈现的一种稳定持久的心理倾向，学习行为是学习态度的外在表现，设置4 个题项：A1在线学习中注意力集中；A2 能克服学习困难；A3 自觉自愿参与在线学习；A4 根据学习状态调整学习计划与目标。学习动机是推动学生学习的一种内部动力，对学习行为起到激励和指引的作用，设置3 个题项：N1 在线课程内容合理，可以学到更多知识与技能；N2 平台能及时反馈所提出问题，收获很大；N3 不断挑战新课程获得更多学分。自我效能感是学习者对自身努力所获得的价值和期望[3]，反映了学习者对学习能力和学习状态的自我评估，设置4 个题项：S1有信心完成课程任务；S2 我完成相同任务的效率会比他人高；S3 平台课程对我帮助很大；S4 学习达到了预期目标。

1.2.2 问卷信效度分析

克隆巴赫 系数(Cronbach's 系数)是心理或教育测验中最常用的信度评估工具。利用SPSS 计算量表的克隆巴赫 系数为0.939，各题项信度分析如表2 所示，该问卷整体信度较好。在量表效度上，对其进行探索性因子分析，通过主成分分析法和最大方差正交转轴法，计算KMO 的值为0.97 大于0.8，Bartlett 的球形度检验对应p 值小于0.05，检验结果显著，说明问卷设计有效。

表2 问卷各项信度情况表

2 模型构建与分析

2.1 聚类分析

K-Means 聚类是一种基于距离的无监督学习算法。该算法通过不断计算特征相似度或距离将样本划分为若干个类或簇。同类别的数据对象之间具有相同或相似性质，而不同类别的数据对象则具有较大差别[4]。首先对簇中心点进行初始化，计算各个数据点与所选K个簇中心点间的距离，并将其划分到距离最近的簇中，不断更新各个簇的中心点，直至簇中心点不再改变或满足规定的迭代式。

聚类算法描述：

①数据预处理

④令t=0，1，2…为迭代数，重复如下过程直到损失函数F 收敛；

对于每一个样本xi，将其分配给到距离最近的中心

对于每一个类中心k，重新计算该类的中心。

聚类算法的关键是确定聚类的个数，即k 值。本研究结合手肘法和轮廓系数来确定。手肘法的核心指标是SSE，即误差平方和。随着聚类数k 的增加，样本划分会更加精细，各簇的聚合程度逐渐升高，SSE 就越来越小。当k 小于真实聚类数时，k 值的增长大幅提升了各簇的聚合程度，此时SSE的下降幅度会很大，而当k接近真实聚类数时，增加k所获得的聚合程度回报会快速变小，SSE的下降幅度会骤减，并且随着k 值的不断增大而趋于平稳，故SSE 与k 的关系图呈手肘形，肘部所对应的k 值就是真实聚类数。

轮廓系数结合内聚度和分离度两个因素来评价聚类效果的好坏。ai值体现内聚度，是对象i与同簇所有样本点的平均距离；bi体现分离度，是对象i与最近簇中所有样本点的平均距离，则定义第i个对象的轮廓系数为其值越接近1，表明内聚度和分离度均较优。

基于SSE的手肘法和轮廓系数法的结合，确定K值为3。通过python 编程实现对外显行为数据的聚类，将样本数据分为三簇，整体呈现出正态分布。各簇结果如下：

0 簇：这类学生课程观看完成度平均约为0.472，课程访问次数平均19.60 次，阅读课程资料的次数平均3.75 次，作业完成度平均约在0.504，章节测试完成程度约为0.535。表明这类学生在线学习任务完成率较低，需对部分学生展开学习预警或提供学习干预等个性化服务，探求学习完成率低的原因，以便调整学习方案，将其划归于追赶型学生。

1 簇：这类学生课程观看程度平均约为0.792，课程访问次数平均约为49.96 次，阅读课程资料的次数平均约为44.32，作业完成程度平均约为0.75，章节测试完成程度在0.83 左右。这类学生任务完成度较好，还需在课程访问次数和阅读资料方面加强，属于上升型学生。

2 簇：这类学生课程观看程度平均为0.978，课程访问次数平均103.75 次，阅读课程资料的次数平均约为73，作业完成程度和章节测试完成度分别约为0.973 和0.990。可见这类学生普遍完成率高，属于稳定型学生。

2.2 模糊综合评价

模糊综合评判是解决模糊、不确定和带有主观色彩的评价问题的常见模型。可以将原本一些差异不明显或者不易定量化的因素定量化，在此通过构建模糊评判模型，实现学生隐性行为多因素对评价隶属等级的综合评价。

模型构建步骤[5]：

①确定指标因素与评价等级：

评价因素集U={U1，U2，U3，U4}，其中：U1，U2，U3，U4 分别对应信息获取、学习态度、学习动机和自我效能感四个指标。

评判集V={V1，V2，V3，V4，V5}，其中：V1 表示强，V2表示较强，V3 表示一般，V4 表示较弱，V5 表示弱。表明学生在线学习隐性行为能力的评价等级。

②确定单因素评判矩阵与权重：

选取5 名专业教师和5 位学生组成10 人评判

组，对U 集中所有指标进行投票。以信息获取因素为例，投票认为强，较强，一般，较弱和弱的人数分别为3，4，2，0，1 人，按其占比确定了从U 到V 的模糊映射，其他指标方法相同。最终得到单因素模糊评判矩阵如下：

通过三类学生对各评价指标的重要程度问卷投票结果的统计，各类学生对四个指标所持的权重分别为：

③综合评判。将单因素评判矩阵与权重

向量进行模糊合成，得到三类学生的综合评判结果为：

根据最大隶属度原则，A1对应0.5，表明追赶型学生隐性行为综合评价较弱；A2对应0.4，表明上升型学生隐性行为综合评价较强；A3对应0.4，则稳定型学生的综合评价也强。

3 结论与启示

从分析结果可知，无论教师还是学生，均认为信息获取、学习态度，学习动机以及自我效能感会影响学生在线学习行为。通过聚类分析将本大学数学课程的在线学习群体分为三种类型，对于追赶型、上升型和稳定型学生，其学习能力和知识掌握水平依次上升，而学习预警依次下降。追赶型学生需要保持足够的在线学习专注度和持久度，加强自主学习管理，保证在线学习的质量；上升型学生通过设立合适的学习目标，树立积极的学习体验，不断自我激励，促进学生持续的思考与深度学习；稳定型学生，加强线上课程资源和课程内容的建设，为学生创设更多的自主选择和不断探索的条件。

建构主义学习理论认为，学习不是学习者被动地接受知识，而是积极地主动建构知识的过程。本研究正是以学习者为中心，针对学习者在线显性和隐性行为特征分析，为后续在线课程建设，教学与设计等方面提供一些启示。

3.1 加强智能型在线学习平台建设，提供个性化和精准化的教学服务

在线教育具有广阔的发展潜力与前景。通过深度学习与人工智能技术的应用，打造智能型的在线学习环境，不断优化学习与服务体验，同时根据实时用户行为数据，调整服务策略，加强教学管理，提供更精准的个性化学习服务。另外有研究表明，在线学习满意度更容易受到学生与内容的互动以及学生与界面的互动的影响，增强平台感知适用性和易用性，也会提升学习者的学习意愿。

3.2 整合教育资源，优化课程设计，促进学生的深度学习

在线教学始终指向学生学习的发生，因此在线学习资源设计可围绕以学生为中心，创设教学多样性为目标展开教学设计。针对不同的学习对象，建构并适时调整教学内容，整合教学资源，既强调学生的自主学习，又结合多种教学策略，使教学真正导向深度学习。设计学习活动是在线学习的核心[6]，教师根据在线学习资源优化组织在线学习活动。如对于大学数学这类有难度且抽象的课程，可以设计基于在线探究，合作学习和问题导向等形式来激发学习者的在线学习投入。与此同时，教师在线指导和协助行为也会影响学生的在线学习反馈行为，对学习者开展深度学习会产生积极的影响[7]。

3.3 发挥自我效能感在隐性学习行为中的连接作用，增进在线学习的情感体验

情感体验是学生感悟和认识的动力基础。在线学习自我效能感与学生的学习动机、自主学习能力、学习态度等内在属性有着密切的联系[8]。通常在线学习中行为投入往往较高，而情感投入较低。按照教学要求学生会参与在线学习活动中，而受任务驱使多数人并不是主动参与。如果学生在学习中具有积极的情感倾向，能体会到教师的认可和学习成就感，并获得更好的自我效能感，则会以更饱满的学习热情和专注度投入在线学习。因此教师要关注学生情绪，肯定学生在线学习的投入，引导学生去探索、体验和培养积极的学习情绪，激发学生的自我效能感。