智慧学习环境下的在线学习行为分析

摘"要：本文基于智慧学习平台的在线教学受到的关注日益增多，分析在线学习现状及相关因素对提升教学质量具有重要意义。首先，通过对智慧学习平台的课程学习数据进行分析，确定学习行为指标的四个分类：学习者基本情况、操作行为、协作行为、问题解决行为；其次，利用主成分分析和聚类分析，确定学习行为与学习效果的正相关性，将学习样本分为积极型和消极型；再次，对比不同环境下的教学效果，发现在线学习在大部分情况下表现优于传统教学；最后，进行学习行为维度与学习成绩的相关性分析，得到影响学习成绩的主要因素为学习时间和学习次数。在此基础上，从学习者、教师等角度提出相应教学建议。

关键词：智慧学习平台；在线学习；学习行为分析；数据分析

Online"Learning"Behavior"Analysis"in"Intelligent"Learning"Environment

Zhao"Yuandi*"Liu"Yongxin"Yu"Huaisong

College"of"Air"Traffic"Management，Civil"Aviation"University"of"China"Tianjin"300300

Abstract：The"online"teaching"based"on"intelligent"learning"platforms"has"been"receiving"increasing"attention，and"analyzing"the"current"situation"and"related"factors"of"online"learning"is"of"great"significance"for"improving"the"teaching"quality.In"this"study，the"course"learning"data"from"intelligent"learning"platforms"were"analyzed"to"establish"four"dimensions"of"learning"behavior：learner"characteristics，operational"behavior，collaborative"behavior，and"problemsolving"behavior.Principal"component"analysis"and"cluster"analysis"were"then"employed"to"determine"the"positive"correlation"between"learning"behavior"and"learning"outcomes，classifying"the"learning"samples"into"active"and"passive"types.A"comparative"analysis"of"teaching"effectiveness"was"conducted"to"compare"online"learning"with"traditional"teaching"across"various"disciplines，revealing"that"online"learning"outperformed"traditional"teaching"in"most"cases.Finally，a"correlation"analysis"between"learning"behavior"dimensions"and"academic"performance"identified"\"learning"time\""and"\"frequency"of"learning\""as"the"main"factors"influencing"learning"outcomes.Based"on"the"findings，practical"teaching"recommendations"can"be"proposed"from"the"perspectives"of"both"students"and"teachers.

Keywords：Intelligent"learning"platform；Online"learning；Learning"behavior"analysis；Data"analysis

1"概述

智慧学习平台是当代网络教育技术与应用的集大成者，能够充分发挥网络平台的优势，将课程学习变得个性化、便利化、扁平化，同时提高学习者的学习效率。然而，基于智慧学习平台的在线学习也存在一些弊端，由于缺乏有效监管，容易导致学习者学习自觉性下降、学习效率降低等诸多问题。因此，分析在线学习中学习者的行为，并针对性地提出建议是智慧学习平台在线学习中的重要课题。

在学习行为分类模型研究中，彭文辉［1］构建了在线学习行为SFT（StructureFunctionType）分类模型。邵逸飞［2］利用文献分析、问卷调查以及孟德尔法进行体系构建与优化，并提出了教学质量评价路径。在数据实证方面，文献［3］中等学者通过潜在类别分析方法对一门大学课程的行为数据进行分类，提取了相关学习行为特征。李会等［4］基于数据分析探索影响课程成绩的关键因素，为后续课程设计提供了指导性建议。江珊［5］针对在线学习行为数据，使用聚类分析进行用户分类，并使用逻辑回归、随机森林以及梯度提升树三种模型实现了中断学习的预测。袁敏［6］以Canvas"Network平台为研究对象，利用SFT模型构建了在线学习行为指标体系，证明不同维度的学习行为之间存在显著的正相关性。代令华［7］则利用SFT模型对实际数据进行了实证，同时使用聚类分析进行了分类，构建自适应增强模型并进行验证。在学习行为研究方面，程枚［8］专注于分析学习环境对学习行为的影响，以问卷调查形式收集数据，分析智慧学习环境比传统教学模式的优势。文献［9］中的学者们对150多名学生进行问卷调查，探究学习态度、学习互动等对学习行为的影响。

综上，目前对在线学习行为的分析主要集中在分类模型的构建以及相关影响因素的探寻上。分类模型能够为后续的体系构建提供参考，并为具体的数据实证提供依据，但对不同教学环境下学习效果的对比以及针对性的建议还有所欠缺。本文先构建在线学习行为指标体系，接着收集和处理学习平台数据，使用主成分分析、聚类分析和相关性分析等方法进行在线学习行为分析，最后对不同教学环境下的学习效果进行了对比分析。

2"智慧学习平台介绍及指标体系构建

2.1"智慧学习平台介绍

郁金香智慧学习平台（TULIP——Taskbased"Ultra"Learning"Intelligent"Platform）是由中国民航大学空中交通管理学院自主开发的在线学习平台，旨在实现知识的自主构架和相关技能的自动评估，打造一种革新式的在线教育模式。平台将学习任务设计为闯关模式，完成每个任务所需的全新知识均隐藏在平台的资源库中，并辅以三道逐级递增的“锦囊”作为提示，学习者需要自行查找、探索、辨识和分析，将任务逐一解锁。

本文选取该平台中的“管制规则与程序”课程作为研究对象，通过对学习平台产生的数据进行整理和分析，探究学习者在智慧学习平台中进行学习的行为因素及其产生的影响。

2.2"在线学习行为指标体系构建

TULIP平台能够统计多种学习行为数据，参考在线学习行为三维SFT分类模型［1］，提取与学习行为相关性较高的指标，从学习者基本信息、操作行为、协作行为和问题解决行为四个维度构建在线学习行为指标体系，如下表所示。

3"在线学习行为数据分析

3.1"基于数据的在线学习行为分析

本课程包含“见缝插针”“伺机待发”等20种学习任务，每位学习者可多次完成同一任务，取成绩最高值作为最终任务成绩。由于学习者可以自主选择任务进行学习，所以不同的学习者所参与的任务数量存在差异。根据统计，共有797名学习者参与本课程学习，25949次完成学习，其中完成任务7059次，平均每次完成任务需学习3.68次。各任务完成次数差距不大，完成次数最多的有561次，约占7.9%，完成次数最少的有207次，约占3.1%。

利用主成分分析方法计算各原始变量权重为：最高成绩25%、学习时间21%、学习次数18%、互动次数16%、“锦囊”次数14%、资料查看次数4%、资料查看时间2%。可以看出，成绩较好的学习者在网络学习的过程中一般也有着较好的表现；而当学习者的学习行为较差时，其最终成绩也不理想。由此可知，学习者的学习成绩与其在学习中的行为因素有着较强的正相关性。此外，学习行为指标中学习时间、学习次数占比较高，可认定为关键指标。

选取两个主成分进行KMEANS方法聚类分析，生成两类样本。第一类样本的学习行为较差且成绩较低，定义为消极型学习者；第二类样本的学习成绩较为突出，各方面学习行为较为良好，定义为积极型学习者。

3.2"影响学习效果的行为因素

为了分析学习者的在线学习行为对学习效果的影响，从在线学习行为指标体系中的操作行为、协作行为、问题解决行为三个维度分别与体现学习效果的指标进行相关性分析，计算斯皮尔曼相关系数，得到影响学习行为的行为因素。

操作行为维度的指标与学习成绩之间的显著性Sig为0，说明操作行为的各个指标与学习成绩相关性显著。“锦囊”次数、资料查看次数、资料查看时间三个指标的相关系数均大于0，分别为0.310、0.320、0.317，均呈低度相关。因此，操作行为与学习成绩呈正相关，其中主要影响因素为资料查看次数。

协作行为维度的指标与学习成绩之间的显著性Sig为0，说明协作行为的各个指标与学习成绩相关性显著，相关系数为0.421，呈低度相关。

问题解决行为维度的指标与学习成绩之间的显著性Sig为0，说明问题解决行为与学习成绩相关性显著。学习次数的相关系数为0.483，呈低度相关；学习时间的相关系数为0.544，呈中度相关。因此，问题解决行为与学习成绩呈较为显著的正相关，其中主要影响因素为学习时间。

3.3"在线学习与传统教学的对比分析

为了分析不同环境下的学习效果，将传统教学和智慧学习平台环境下的学习成绩数据进行对比分析。本文使用的数据包含A、B两组，分别是来自于在传统教学模式和TULIP平台环境下，学习者进行学习与课堂练习的统计结果。数据样本包含8种不同题目下的统计数据，包含学习环境、题目类型、学习得分、学习时间等。

在学习时间对比方面，两种环境下的学习时间较为接近，在线学习的平均时间为178.28秒，稍短于传统教学下的平均时间181.88秒。在学习成绩对比方面，测试成绩满分为5分，在线学习的平均成绩为4.05分，略优于传统教学下的4.01分。为进一步分析两者区别，使用学习得分与学习时间的比值来评估学习效率，可以得出绝大部分题目中在线学习的学习效率均高于传统教学。

4"基于智慧学习平台的在线教学建议

4.1"问题与挑战

（1）学习者的积极性有待加强。根据学习行为数据分析结果发现，学习行为良好、学习态度认真的学习者往往能够取得更高的分数，但是这样的学习者所占比例偏低。虽然智慧学习平台提供了良好的学习环境和丰富的学习资源，但在调动学习者积极性方面仍有不足，需要进一步开发这种新颖的教学模式。

（2）智慧学习平台的功能有待完善。根据样本数据相关性分析发现，当学习者进行更长时间或者更多次数的阅读时，其学习成绩往往更为理想，而且使用“锦囊”、查看提示、留言互动等操作行为与协作行为均对学习效果产生正面影响。然而，由于实时性、便捷性等原因，学习者对平台提供的交互功能并没有形成很好的使用习惯，各功能性模块的使用率偏低，无法充分发挥智慧学习平台的作用。

（3）任务设置科学性有待改进。根据样本数据统计结果发现，在不同的任务类型下，学习者的学习时间、学习次数、学习成绩均有较大差别，证明在任务设置的科学性和均衡性上应进一步优化，保证学习者在自主学习过程中能够顺利掌握相关知识点。

4.2"建议与措施

基于学习行为数据分析结果，针对上述问题提出以下改进建议与措施。

（1）加大平台宣传及监管力度。针对学习者积极性欠缺的问题，一方面，需要向学习者全面宣传智慧学习平台的作用及优势，吸引学习者主动尝试；另一方面，需要加强在线学习的监管措施，如通过积分制对学习者进行奖惩，保证学习者的投入。

（2）丰富平台功能及使用方法。针对平台功能不完善的问题，需要充分调研学习者的学习习惯，优化平台各功能模块的使用方式，如以磁贴、弹窗等方式辅助学习者；同时应设置专门课时对平台的功能进行介绍，培养学习者的使用技巧。

（3）优化任务内容及题目难度。对于任务优化问题，需要教师通过构建课程知识体系图谱，深入分析各知识点的逻辑关系，以深入浅出的方式设置可懂度较高的任务；广泛收集学习者的反馈意见，从学习者角度进一步优化任务形式，提升教学效果。

（4）创新教学模式及教学环境。通过对比不同教学环境下的学习效果，能够发现传统教学与线上教学各有优势。因此，在未来的教学工作中，不应盲目选择某种单一教学模式，而应该将两种教学环境充分融合，创新形成一种新型教学模式，采用灵活的教学策略，实现教学效果的不断提升。

结语

本文基于中国民航大学空中交通管理学院自主研发的郁金香智慧学习平台，通过采集学习行为数据，建立在线学习行为指标体系，确定了学习者的基本情况、操作行为、协作行为、问题解决行为四个研究维度。利用主成分分析和聚类分析方法，对样本中的学习行为与学习效果数据进行相关性分析，在此基础上实现对不同学习环境下学习效果的对比分析。通过总结目前基于智慧学习平台的在线教学中的问题，从学习者和教师角度提出教学改进建议。在未来的发展中，智慧学习平台应不断完善和创新，以实现更好的教学效果。

参考文献：

［1］彭文辉.网络学习行为分析及建模［D］.武汉：华中师范大学，2012.

［2］邵逸飞.高校公共体育课线上教学质量评价指标体系研究［D］.阜阳：阜阳师范大学，2021.

［3］PARK"Y，YU"J"H，JO"IH.Clustering"blended"learning"courses"by"online"behavior"data：A"case"study"in"a"Korean"higher"education"institute［J］.Internet"amp;"Higher"Education，2016，29（04）：111.

［4］李会，胡笑梅，魏瑞斌.线上学习行为中影响课程学习效果的因素分析：以管理信息系统课程为例［J］.信阳农林学院学报，2020，30（02）：153156.

［5］江珊.慕课网用户在线学习行为研究［D］.武汉：中南财经政法大学，2020.

［6］袁敏.大数据环境下在线学习行为分析及学习成绩预测研究［D］.上海：上海工程技术大学，2021.

［7］代令华.大学生网络学习行为分析［D］.延吉：延边大学，2021.

［8］程玫.智慧学习环境中的学习行为分析研究［D］.南京：南京邮电大学，2014.

［9］PRIOR"D，MAZZNOV"J，MEACHEAM"D，et"al.Attitude，digital"literacy"and"Self"efficacy：Flowon"effects"for"online"learning"behavior［J］.Internet"amp;"Higher"Education，2016，29（04）：9197.

基金项目：中国交通教育研究会教育科学研究课题“教育信息化背景下民航交通教育4C理念与AeroRacing模式创新与实践”（JT2022YB093）；天津市普通高等学校本科教学质量与教学改革研究计划项目重点项目“基于‘知识分类模型’的‘智慧平台+课堂教学’协同教学模式创新与实践”（A231005901）

*通讯作者：赵元棣（1983—"），男，汉族，天津人，博士，中国民航大学空中交通管理学院副教授，主要从事智能空中交通系统教学与科学研究。