基于慕课平台学习者在线学习态度与行为研究

孙翔 黄秋蓉 林海英 冯庆革 梁艳

摘 要：网络慕课与SPOC课堂学习者在线学习态度与行为的识别和评估是“互联网+”大学教学改革的难点问题之一。首先，基于学习行为分类ICAP框架，学习活动分为交互行为、建构行为、主动行为、被动行为。其次，通过慕课在线教学平台的日志数据抓取，根据四类学习行为对数据集进行剔选与处理，构建在线学习态度和行为识别模型，将学习者分为兴趣学习型、压力学习型和虚假学习型，Kruskal wallis检验表明各学习类型综合成绩之间有显著差异。最后，从引入预警惩罚机制防刷课作弊、多管齐下提高课程黏度两个方面提出了有助于促使学习者从被动式学习向主动式学习、兴趣型学习转变的改进措施和完善途径。

关键词：慕课；在线学习态度；在线学习行为；ICAP框架

一、概述

目前，中国大学慕课、超星平台等在线教育平台都被广泛应用于高校在线教学中。但是，在线学习环境具有高度开放性和独立性，极易引发学习态度消极、违规学习行为等学习危机［1］。在线学习态度是学习者在行为、认知、情感三个方面的偏好而构成的对进行在线学习的心理准备。借助计算机技术与现代信息传播技术构建在线教学环境，学习者以网络作为媒介在此环境中进行的自主学习行为指的即是在线学习行为。教师常常运用观察、测验、访谈等手段对传统教学环境下学习者的学习历程进行分析，发现具有消极学习态度的学习者，给予及时的干预并纠正其学习行为。而在线教学环境下，教师通过慕课等平台提供的数字化学习行为数据，捕捉学习者在线学习态度和行为具有间接性、困难性［2］。因此，研究拟利用慕课平台中的视频学习数据的反刍比、章节测验成绩、主题讨论次数等指标对学习者在线学习行为进行划分和研究，为网络课程的过程跟踪、监督和评估提供方法参考。

二、文献综述

（一）在线学习态度

现有的研究主要侧重于通过构建在线学习理论分析模型，探究在线学习态度与意愿的影响因素。王卫等［3］研究发现学习者满意度和积极态度等因素对其持续学习意愿具有正向的显著影响。王天浩［4］针对大学生使用“慕课”的行为习惯和意愿等问题，提出不同的假设，设计相应的问卷，结果表明，学习态度正向影响慕课学习者的行为意向。

（二）在线学习行为

在线学习态度推动着在线学习行为的发展方向。王胤丰等［5］人研究发现学习者的学习意愿对其学习行为具有显著影响。严炜炜等［6］人研究发现，个体因素、课程因素和教师因素会影响学习者交互式持续学习行为。陈晋音等［7］人分析了在线学习者的行为特征，以此来挖掘在线学习者的个性特征与其学习效率的联系。

（三）学习行为分类框架

盛群力等［8］人首先对学习行为分类框架的基本要素与结构做一梳理，介绍其循证依据，同时对这一分类框架的价值尝试做出分析；然后基于学习行为分类框架介绍和比较了记笔记、概念图和自我解释三种学习参与活动在不同学习行为方式中的学习效果，讨论了学习行为分类框架对教学实践的启示［9］。

三、理论与方法

（一）理论模型

学习行为分类框架（InteractiveConstructiveActivePassive Framework，ICAP）是美国教育心理学教授季清华提出的一种创新性学习行为分类方法，基于学习者外显学习活动、学习参与程度区分学习行为方式的理论框架，以潜在的知识变化过程、预期认知结果和知识学习结果为依据，将学习活动分为四种不同的行为（交互、建构、主动、被动），并提出了一个关于学习效果的假设：交互学习行为>建构学习行为>主动学习行为>被动学习行为［8］且学习者学习参与程度表现出一致的规律。

（二）指标方法

参与频率、参与持续时间等指标可表征学习者参与程度；时间投入长度、投入频率和投入规律是考察学习者时间管理情况的重要指标，时间管理和分配可用于描述学习者行为和预测学习效果。沈欣忆等［10］构建学习者在线学习行为与学习绩效评估模型，结合学习形式（视频、作业、论坛）等指标，包括（1）视频学习行为：视频观看总数、总时长、完成率、复看率等；（2）作业学习行为：作业得分率、完成比例等；（3）讨论学习行为：发帖数、回帖数、发帖字数及回复数；（4）页面访问情况：学习者在线访问与课程相关页面的次数等梳理在线学习的学习行为。邢欣［11］根据筛选出的已发布任務点完成情况统计、视频观看时间分析、观看次数分析、观看总时长、视频观看反刍比、学习访问峰值、谷值变化情况统计、访问时间段统计、讨论详情统计、作业测试、综合成绩分布统计等数据，汇总分类形成五大学习行为（任务完成行为、视频观看行为、课程访问行为、参与讨论行为、作业考试行为等）。

四、案例分析与实践应用

（一）研究对象与数据剔选

研究数据来源于中国大学慕课平台的“环境管理学”公共课程项目，该课程于2016年9月正式发布，截至2022年11月共举办了17期，每期历时16周。课程共11个单元，包括课程学习任务点、期末在线考试和主题讨论。每单元需要学习者平均观看7个视频、参与2个讨论和1个章节测验。最终成绩由课程音视频（20%）、章节测验（20%）、课程讨论（20%）和期末考试（40%）加权而成。

自该课程2021、2022年度的开课班级中，选取两个班级的学习者为研究对象，共352人。根据平台收录的学习者的行为数据集，通过前期数据清洗（即处理原始数据中的噪声数据、无关数据、缺失值、脏数据、孤立点等），有部分学习者未完成课程学习、未参与期末考试，故列为无效数据，最终有效样本量总计314人。该课程属于公共课程，在线学习者来自不同的院系专业，较好地保证了研究对象的随机性和多样性。

基于ICAP框架，根据慕课在线教学平台的日志数据记录，可有效地抽取学习者的学习行为特征、识别学习者在线学习态度，四种学习行为方式分别对应完成课程任务点的时间跨度、观看学习视频的反刍比、阶段性章节测验成绩、知识体系主题讨论交流次数四个指标。

被动学习者机械地观看视频、被动地接受知识；主动学习者在视频中多次进行暂停、重播，选择性地回忆知识与加强记忆。因此，如果学习者在单个学习视频中累计观看时长远超过该视频的原始时长，根据视频反刍比指标计算公式R=T/U（其中R为反刍比、T为累计观看时长、U为视频原始时长），反刍比数值越高，学习者越有可能是在观看学习视频的同时记录学习笔记、理解学习内容。

建构学习者整合新旧知识、程序性知识，用于新情境的推断，过程中学习者不断地自我提问、整合信息、解决问题，实现的是对知识的深度理解。阶段性章节测验具有逻辑性、整体性，是检验建构学习者的有效手段，适于单个学习章节视频任务完成之后作为学习任务点发放，学习者可根据个人学习进度适时完成测验，实现对自身知识建构程度的阶段性评估。

交互学习者通过讨论交流解决学习搭档或教师提出的理解性问题，此时学习者接纳新的想法、创造新的信息，实现深度的理解。参与讨论有助于学习者查缺补漏、完善知识学习框架，学习者参与主题讨论的次数在一定程度上可以反映学习者积极性以及对内容的理解程度。

（二）在线学习态度和行为识别模型

学习行为指标相关性。基于以上假设，由MOOC平台输出行为数据，使用SPSS 27.0和Excel软件预处理原始数据，主要包括数据的集合、归纳、计算及转换工作。通过Spearman相关性分析，对学习者的行为特征进行整合，解析学习行为与综合成绩之间的关系，进一步确定学习影响因素指标。结果发现：（1）综合成绩与章节测验成绩、主题讨论次数、视频反刍比存在显著相关性，保证了后续成绩验证的可信性。前两个指标与考试成绩的相关系数均超过0.4，说明存在强相关性。（2）章节测验成绩、主题讨论次数、视频反刍比之间存在弱相关性。

根据与综合成绩存在显著相关的因素（视频反刍比、章节测验成绩、主题讨论次数），可识别并分类慕课学习者的学习态度与行为类型，即兴趣学习型、压力学习型和虚假学习型，三种类型学习者的视频反刍比分别大于105%、58%～105%、小于85%，章节测验成绩分别大于85分、60～85分、小于60分，主题讨论次数分别大于15次、9～15次、小于9次。划分结果表明，314名学习者中仅有11人存在自主学习的意愿，占总人数的35%，属于兴趣学习型；压力学习者人数最高，有264人，占比高达84.1%；39位学习者疑似虚假学习型，占总人数的12.4%。

为验证在线学习态度和行为识别模型的准确性，引入课程综合成绩进行验证。因为时间、精力的投入和积极的学习态度理应产生正面的学习绩效，所以基于综合成绩验证的基本前提假设为：兴趣学习者＞压力学习者＞虚假学习者。据统计，三类学习者综合成绩分别为：兴趣学习型926分、压力学习型88.0分、虚假学习型65.8分。基于以上统计与假设，对三类学习者学习效果（成绩）进行Kruskal wallis检验，结果表明渐进显著性水平小于0.001，各类型学习者综合成绩之间有显著差异，在线学习态度和行为识别模型得到验证。

（三）在线教学策略建议

1.视频学习：引导学习者按顺序学习，严格把控虚假学习行为发生

研究发现，视频学习过程中，有同学不按照原本的视频顺序学习，有逆序学习、乱序学习，这对视频学习结果有很大的影响。一般来说，线上课程的视频学习内容有一定的连续性和逻辑性，而按照视频顺序进行学习，有利于知识框架的构建。通过教师引导学习者进行学习，不仅能提升学习效率，而且能通过提升学习者的记忆效果，从而提升学习效果。

另外，视频的学习统计是通过计算视频时长的结果，而有部分同学存在视频学习时长少于规定时长，而视频学习成绩为满分的现象。这就表明视频学习过程中有虚假学习现象以及倍速播放学习视频的现象。为了提高线上学习效果，应该对虚假学习行为采取管制措施，同时引导学习者用合适的学习方式进行学习。

2.学习论坛：提升讨论质量，营造活跃的学习氛围

学习论坛是学习者与教师、学习者与学习者沟通交流的重要场所，营造活跃的学习氛围尤其重要。学习论坛不仅能达到学习成员们互相督促，共同进步的效果，同时还能带给学习者交流与思考，从而提升整体学习效果。研究结果表明，同学们参与讨论积极性较高，但存在回帖质量不高的问题。

3.章节测验：关注作业设计，提高学习者学习效率

章节测验是对每一章节学习效果的检测，测验结果可以提醒同学们对薄弱知识点的学习，同时也让学习者们对线上考核方式进一步了解。但研究表明，部分学习者对章节测验并不重视，章节测验不仅对综合成绩有一定的影响，同时也是同学们阶段性学习成果的检验。在章节测验题目的设计上，也要更加贴近视频内容，可以使视频学习与章节测验学习效果达到1+1＞2的效果。因此，在开展慕课学习的过程中，作业的设计、收集、评价等环节应尤为重视，这有利于教师督促、保证学习者高效、按时地完成作业。

4.学习习惯：引导学习者制订个人学习计划，培养良好的在线学习习惯

通过数据分析发现，很大一部分同学存在拖延学习现象，在临近期末考试时突击学习，导致学习十分仓促，学习效果不佳，因此在学习开始前，制订一个合理的学习计划尤为重要。教师可通过线上监督的方式进行监督学习，通过设计章节测验、发起讨论、即时答疑等手段进行干预，同时对学习进度慢的同学进行提醒，使得学习者学习时间分布均衡，减少考前突击学习现象。

参考文献：

［1］陈长胜，刘梅，沈书生，等.慕课学习完成者的学习效率及其群体差异性研究［J］.中國远程教育，2021（10）：3947.

［2］毛刚，刘清堂，李鹤，等.网络学习环境下问题学习行为分析模型的研究与应用［J］.电化教育研究，2016（11）：3237.

［3］王卫，史锐涵，李晓娜.基于心流体验的在线学习持续意愿影响因素研究［J］.中国远程教育，2017（5）：1723.

［4］王天浩.基于TAM模型的大学生“慕课”使用影响因素研究［C］.北京：教育科学发展科研学术国际论坛论文集，2022：9698.

［5］王胤丰，闫强.基于UTAUT模型的学生MOOC学习意愿的影响因素研究［J］.北京邮电大学学报（社会科学版），2016（2）：96103.

［6］严炜炜，王玲，虞佳缘，等.基于网络视频的用户交互式持续学习行为影响因素研究［J］.情报科学，2021，39（10）：2531.

［7］陈晋音，方航，林翔，等.基于在线学习行为分析的个性化学习推荐［J］.计算机科学，2018（S2）：422426.

［8］盛群力，丁旭，滕梅芳.参与就是能力——“ICAP学习方式分类学”研究述要与价值分析［J］.开放教育研究，2017，23（2）：4654.

［9］盛群力，丁旭.“ICAP学习方式分类学”的循证研究［J］.武汉科技大学学报（社会科学版），2018，20（2）：218223.

［10］沈欣忆，刘美辰，吴健伟，等.MOOC学习者在线学习行为和学习绩效评估模型研究［J］.中国远程教育，2020（10）：18.

［11］邢欣.基于网络教学平台的学习分析技术在排球专修课中的应用研究［D］.山西：山西师范大学，2020.

基金项目：广西高等教育本科教学改革工程重点项目（2019JGZ100）；广西高等教育本科教学改革工程一般A类项目（2022JGA117）

作者简介：孙翔（1982— ），男，壮族，广西南宁人，副教授，研究方向：环境管理研究。