在线学习者学习行为模式及其对学习成效的影响——基于网络学习资源视角的实证研究

关键词:网络学习资源;聚类分析;行为模式;学习成效

一、引言

2015年7月4日,国务院发布《国务院关于积极推进“互联网+”行动的指导意见》[1],“互联网+”催生了新型教育服务供给方式,推动了教育服务模式的变革。随着教育信息化的发展和国家对网络精品课程建设项目的推进,网络学习资源获得了井喷式的建设与发展[2]。

网络学习资源是网络学习的内容保障之一,关乎网络学习的可持续发展,且不同类型的网络学习资源具有不同的特点。视频资源将文字、声像元素融为一体,刺激学习者的多种感官并将复杂的知识变得更形象、更直观,促进学习者对知识的理解,并能更好地激发学习者的学习兴趣[3];文本资源为学习者提供课程内容概述,具有信息储量大、携带方便、利用率较高并且方便作笔记等特点[4];论坛中的讨论和反馈信息是学习者进行自我反思的重要资源,有利于促进知识的理解和迁移,缩短知识更新的周期。此外,从资源的产生方式来看,视频资源、文档资源、作业模板属于预设性资源,论坛中发布的主题和回复讨论产生的资源属于生成性资源。不同学习模块的评价得分是学习成效的最直接体现,学习成效优良的学习者在学习方式方法上可为其他学习者提供借鉴。

具有不同的目标、偏好和学习动机的学习者在访问不同类型的网络学习资源时可能会表现出不同的参与水平和行为模式,不同的参与水平和行为模式反过来会影响学习成效。因此,探究学习者访问不同类型网络学习资源的行为模式以及不同行为模式对学习成效的影响,可以为教学设计者提供有用的信息,进而改善现有的教学设计、教学内容安排和网络学习资源呈现方式;同时,还可以为教学设计者提供参考条件,从而开发出个性化的学习支持系统。

二、研究基础和研究问题

1.网络学习资源

2.学习者行为

3.研究问题

基于以上讨论,将研究问题分解成以下三个子问题:

(1)什么类型的网络学习资源让学习者花费更多的时长

(2)当学习者访问网络学习资源时,会出现什么样的行为模式

三、研究设计与研究过程

1.研究对象

以选修中国大学MOOC网站课程“教师如何做研究”的6258名学习者为样本,本研究捜集课程报表和成绩日志,包括学习者浏览文本资源、观看视频资源、参加讨论活动、完成作业情况等学习行为数据,并进行数据清洗和整理,筛选出成绩及格并且有行为记录的学习者1439人加以研究分析。

在这门课程中,学习者可以学习的资源类型有视频资源、文档资源、期末作业模板和论坛中发布的讨论信息。在期末考试之前,共有43个文档资源、76个视频资源、1个期末作业模板和2469个讨论主题。

本课程的评价分为课程讨论、章节测验、作业和期末考试四个部分,课程总分则由占不同比例的四种评价得分组成,分别是课程讨论15%、章节测验50%、作业15%和期末考试20%。本研究将不同模块的评价得分作为学习成效的测量指标。

2.数据收集

本研究收集的数据有两种:系统日志数据和学习者的学习成效数据(讨论评价得分、章节测试评价得分、作业评价得分、考试评价得分)。

3.研究过程

使用聚类间比较方法分析三个聚类的学习者在线参与行为和学习成效。如果变量是区间连续并且满足独立观察、正态分布和方差齐次性的假设,使用参数检验比较适合。如果变量是区间离散并且满足独立观察的假设,则可以使用非参数检验来确定因变量的三个聚类之间是否存在统计显著性;如果非参数检验具有统计意义,表明至少有一组不同于另一组;之后,可进行事后检验发现聚类群组间的差异[20]。

在分析之前,检查变量的正态分布和方差的齐次性,结果显示除了观看视频资源的时长和次数外,所有变量都违反了原假设。因此,本研究使用了Kruskal-Wallis非参数检验测量三个聚类之间是否存在差异显著性,使用Mann-WhitneyU检验进行事后分析。

本研究首先使用SPSS中的层次聚类分析来确定基于树形图的聚类数量;接下来,进行k均值聚类分析,产生三个聚类。为了汇总课程中给定类型的形成性评估的评价得分,首先使用Z-score方案标准化相同类型的评价得分,然后将其总结为该评估类型的指标值,最后,在合并成一个完整的数据集之前,使用Z-score方案再次标准化每个课程的所有指标和学习者的最终评价得分。

四、研究结果

1.访问网络学习资源所花费的时长

在所有成绩及格的学习者中,有1363人观看了视频网络学习资源,1209人学习了文档网络学习资源,1241人查看了作业模板,916人在讨论论坛中阅读和回复了其他学习者发起的讨论帖,721人在讨论论坛中发起讨论主题。表1列出了访问不同类型网络学习资源的行为变量及其均值和标准差。可以发现,学习者频繁地观看视频资源,观看视频资源花费的时长和次数均多于学习其他类型的资源;其余依次是浏览文档资源、参考作业模板、阅读回复讨论信息和发起讨论主题。

2.学习者访问网络学习资源的差异

为了将具有相似学习模式的学习者分为同类组,对五个变量进行了k均值聚类分析:观看视频资源的时长、测览文档资源的时长、参考作业模板的时长、阅读回复讨论的时长以及发起讨论主题的时长。在进行分析之前,对五个变量进行了标准化转换,以减少聚类分析中的偏差。如表2所示,确定了三个聚类。从花费在观看视频资源、浏览文档资源和参考作业模板等预设性资源上的时长看,聚类1(n=575)和聚类3(n=84)明显多于聚类2(n=780),并且聚类1(n=575)略少于聚类3(n=84)。从花费在阅读回复讨论和发起讨论主题等生成性资源上的时长看,聚类3(n=84)明显多于聚类1(n=575)和聚类2(n=780)。

为了清楚地了解三个聚类中的学习者访问不同类型网络学习资源的行为,使用Kruskal-Wallis测试来比较三个聚类的学习者访问各类资源的次数和花费的时长,结果如表3所示。

表3中成对Mann-WhitneyUTest揭示了聚类之间的均值存在显著的差异,从访问视频、文档和参考作业模板等预设性资源的时长和次数来看,聚类1与聚类3均大于聚类2,且和聚类2之间存在明显差异;聚类3的学习者观看视频资源的次数和参考作业模板的次数均大于聚类1的学习者,且存在明显差异;除此之外,聚类1和聚类3之间不存在明显差异。在阅读回复讨论和发起讨论主题等生成性资源的时长和次数方面,聚类1与聚类3均大于聚类2,且和聚类2之间存在明显差异;聚类3大于聚类1,二者之间存在明显差异。

总之,从表3中发现三个聚类中的学习者访问不同类型的网络学习资源的行为存在差异。由于聚类2的学习者访问各类网络学习资源的时长和次数明显少于聚类1和聚类3,且存在显著差异,因此可将聚类2标记为“网络学习资源低频率学习者”。聚类3观看视频资源时长、浏览文档资源的时长和次数以及参考作业模板的时长略高于聚类1,但并没有明显差异;聚类3观看视频资源的次数,发起讨论主题的时长和次数以及阅读回复讨论信息的次数和时长均高于聚类1,并存在明显差异。进一步分析可发现,积极访问网络学习资源的学习者可以分为两种类型:集中使用所有网络学习资源和选择性地集中使用一部分网络学习资源。因此可将聚类3标记为“网络学习资源高频率学习者”,聚类1标记为“预设性资源密集学习者”。

3.行为模式与学习成效的关系

为了检验这三个聚类的学习者在学习成效方面是否存在不同,本研究进行了Kruskal-Wallis检验。如表4所示,章节测试评价得分(P=0.463)和考试评价得分(P=0.067)不存在显著差异,三个聚类的作业评价得分(P=0.000)、讨论评价得分(P=0.000)和课程总分方面有显著差异(P=0.000)。在成对Mann-WhitneyUTest比较结果中,“网络学习资源高频率学习者”和“预设性资源密集学习者”之间的作业评价得分(P=0.427)、讨论评价得分(P=0.914)和课程总分(P=0.697)不存在显著差异,剩余所有比较在统计学上存在显著差异。

三个聚类中学习者的考试评价得分显示出略微的差异(P=0.067),Mann-WhitneyUTest显示在聚类1和聚类2之间存在显著差异(P=0.024<0.05)。

如表4所示,三个聚类学习者的章节测试评价得分和考试评价得分不存在显著差异;“网络学习资源高频率学习者”(聚类3)和“预设性资源密集学习者”(聚类1)获得的作业评价得分、讨论评价得分和课程总分都高于“网络学习资源低频率学习者”(聚类2),且存在明显差异;“网络学习资源高频率学习者”和“预设性资源密集学习者”之间的作业评价得分、讨论评价得分和课程总分无明显差异;但“预设性资源密集学习者”的考试评价得分高于“网络学习资源低频率学习者”,且存在显著差异。

五、结论与启示

1.完善网络学习资源多样性建设,均衡提升各类资源应用

本研究基于MOOC平台的系统日志,探究哪种类型的网络学习资源让学习者花费更多的时长和次数学习。研究发现,学习者更频繁地观看视频资源,观看视频资源花费的时长和次数均多于其他类学习资源;其次是文档资源、作业模板、阅读回复讨论和发起讨论主题。

2.满足学习者对网络学习资源的个性化需求,激发学习者学习兴趣

本研究对观看视频资源、浏览文档资源、参考作业模板、阅读回复讨论和发起讨论主题所花费的时长进行聚类分析,将具有相似访问网络学习资源行为的学习者进行聚类,产生三个聚类:“网络学习资源低频率学习者”、“网络学习资源高频率学习者”和“预设性资源密集学习者”。“网络学习资源低频率学习者”访问各类网络学习资源花费的时长和访问的次数都少于“网络学习资源高频率学习者”和“预设性资源密集学习者”;而“网络学习资源高频率学习者”访问各类网络学习资源花费的时长和访问的次数都是最多的;“预设性资源密集学习者”仅仅是访问视频资源、文档资源和作业模板等预设性资源的时长和次数比较多。

教育技术的一个核心和持久问题是适应和支持学习者个体因不同学习目标和学习能力而规划并提供教学环境与教学条件[22]。不同的学习者由于学习偏好、学习动机和已具备的知识水平不同对网络学习资源的需求也不同。在网络学习资源组织和课程建设方面,以真实的问题为起点激发学习者的学习兴趣、以学习者的兴趣为动力触发学习者的学习活动,从而更加积极主动地参与学习并逐步热爱学习。资源的建设者需要理性思考网络学习资源的内容、呈现方式以及资源交互是否足够“人性化”,是否满足了学习者对网络学习资源的个性化需求,遵循“简约而不简单”的基本原则,最大化地提升每位学习者的学习满意度,真正获取有价值的知识,从而满足不同学习者的个性化需求。

3.不断完善评价体系,促进优质网络学习资源建设

在学习课程结束之前,根据聚类分析的结果,可以对学习者最终的学习效果进行预测,针对学习效果不理想的学习者可进行学习预警和干预。在不同的学习阶段提供相应的干预策略,这就要求对学习者的聚类分析是不断更新的,保证实时进行分析,整个学习周期循环进行。倘若学习者在某一阶段出现学习危机,应及时给予恰当的干预。针对“网络学习资源低频率学习者”,应该推送一些其感兴趣和难度相对较低的网络学习资源,不能加重其认知负荷,同时需要加强对“网络学习资源低频率学习者”的监督,使用任务驱动的形式(设置奖励措施等)激发其学习兴趣和学习动机,从而提升其学习效果。针对“网络学习资源高频率学习者”和“预设性资源密集学习者”可以推送一些其感兴趣的课外网络学习资源,扩展视野,丰富学习内容,保持其学习的热情,促使学习效果最优化。

一方面加强优质网络学习资源建设,按照“开放、共享、合作、共赢、融合、创新”的要求,聚焦网络学习资源建设,全力推进网络学习资源建设最优化,再上新台阶。另一方面构建立体评价体系,评价要从多个方面准确地反映学习者的学习状况,还要有激励性,要能够促进学习者在学习上做出进一步的努力。

六、研究展望

研究和探索学习者在学习开放课程中网络学习资源的学习行为大数据,可以更好地促进在线开放课程中网络学习资源的设计、开发、实施和评价,使教学内容更加丰富和充实,教学过程更加流畅和有效,对实现学习者的高效学习有重要意义。

本研究对在线学习者的网络学习资源访问行为如何影响学习成效开展了验证性分析,后续研究可以对这些因果关系做进一步的对照实验,并进一步探究在线学习者选择不同类型网络学习资源的影响因素。此外,本研究仅考虑了在线行为作为量化学生参与度的指标,未来的研究还应该考虑认知和情感参与的指标,进而解释不同类型的参与和在线学习成效之间的关系。

致谢:本研究所用数据来自北京大学数字化学习研究中心“教师如何做研究”,特此感谢!

基金项目:教育部—中国移动科研基金2017年度项目“信息技术支持下的区域教研模式研究及试点”(编号:MCM20170502)。

作者简介:赵呈领,华中师范大学教育信息技术学院教授,博士生导师;李敏,华中师范大学教育信息技术学院硕士研究生;疏凤芳,黄琰,华中师范大学教育信息技术学院博士研究生。

THE END
1.《在线学习中的个人数据和隐私保护手册》发布在这些环境中,学习者可以在任何地方(独立)学习,并与教师和其他学习者互动。《手册》系统梳理了在线学习中的个人数据安全风险,从学习前、学习中、学习后三个方面提出了个人数据保护的具体策略,旨在阐述如何保护在线学习个人数据的基本思路,并就具体的学习活动对学习者进行具体指导,力求使学习环境成为一个智能的个人http://baijiahao.baidu.com/s?id=1669911917468631563&wfr=spider&for=pc
2.ee-Learning数据挖掘是一种通过分析在线学习平台上的数据来了解学习者行为、优化教学内容、提升学习效果的方法。e-Learning数据挖掘的核心在于数据收集、数据预处理、数据分析和结果应用。其中,数据收集是指从在线学习平台中获取学习者的各种行为数据,如点击次数、学习时间、考试成绩等。数据预处理则是对这些数据进行清理和https://www.fanruan.com/blog/article/617729/
3.社区教育领域正经历着一场前所未有的变革。机器学习作为人工智能的核心技术之一,正逐渐渗透到教育的各个环节,为智能教育的发展注入了新的活力。 2. 机器学习在教育中的应用 机器学习在教育领域的应用已经越来越广泛。首先,个性化学习是机器学习在教育中的一大亮点。通过分析学生的学习数据,机器学习算法能够为学生提供量https://open.alipay.com/portal/forum/post/184101036
4.基于深度学习的在线课堂参与度评估:方法模型与实验验证然而,在具体的在线教育实践过程中,诸多问题逐渐凸显。大部分在线学习平台普遍存在监管缺失以及教学反馈滞后的现象,这直接导致教学效果难以达到预期。据Jordan对慕课课程的统计分析,平均每堂课程的完成人数仅占课程参与人数的15%,少数课程的完成率最高仅达52.1%,这一数据充分表明学习者在在线课堂中的参与度极低。此外,https://blog.csdn.net/cnzzs/article/details/143899600
5.教育的软件:开启智慧学习的新篇章一、教育软件的分类与功能 教育软件种类繁多,按照功能和应用场景,我们可以将其大致分为以下几类: 在线学习平台:如中国大学MOOC、知到等,这些平台提供了丰富的课程资源,涵盖了各个学科领域,为学习者提供了自主学习的机会。 作业辅导软件:作业帮、小猿搜题等,这些软件通过智能识别题目,为学习者提供详细的解题思路和答案,https://www.pbids.com/aboutUs/pbidsNews/1861300105820344320
6.理论资讯随着大数据技术的兴起与广泛应用,教学大数据在职业教育领域的应用价值已逐步被推向全新的高度,并为精准教学提供了契机。借助大数据智能教育系统,实现教学数据的实时采集、存储、挖掘和分析,使得教学决策变得更为精准客观;通过职业技能与素养成长过程中的行为数据分析,能够精准识别每一位学习者个性化的学习需求和特征,从而帮助https://www.nmpaied.org.cn/article/264580
7.的成分增多,可能每个学习者学习情况不尽相同,教师可以在学刷刷题APP(shuashuati.com)是专业的大学生刷题搜题拍题答疑工具,刷刷题提供在网络教学中,学习者()的成分增多,可能每个学习者学习情况不尽相同,教师可以在学习过程中随时对一部分或者个别学习者进行评价,并且给他们反馈。A.自主学习B.协作学习C.探索学习D.远程学习的答https://www.shuashuati.com/ti/3d885e6f9f374efebba0cb3f68393a86.html?fm=bdbdsd2f170946dbc9be259ae6f8b2990b4c9
8.在线教学中教师该不该出镜?——教师呈现对学习者的影响研究综述20世纪90年代以来,随着互联网教育的发展,社会临场感理论逐步被引入教育技术领域,成为人们研究在线教育的重要理论基础。在网络视频学习中,学习者通过观看视频材料完成学习任务。很多研究者认为,在线学习环境与传统面授课堂不同,缺少一种身临其境、真人互动的感觉,会增加学习者与教师的心理距离,产生一种不真实感或疏离感,https://maimai.cn/article/detail?fid=1573008428&efid=1L0HpJEuzdHXBz4I7wnTmg