舒忠梅，屈瓊斐

（中山大學 教育學院，廣東 廣州 510275）

學生學習成果是國內外高等教育質量保障研究重點關注的熱點問題，為反映高校辦學成效提供了重要依據。評價學生學習成果的一個主要環(huán)節(jié)是運用定性或定量測量方法獲取學習成果的信息和證據［1］。然而，由于高校和大學生類別及層次的多樣性，學習目標和學習過程的復雜性，從而導致大學生學習成果的多維度性和繁雜性。

究竟哪些因素影響大學生的學習成果？采取何種方式可以提高大學生的學習成果？本研究從學習分析的視域，運用教育數據挖據技術對大學生學習成果的影響因素等進行探索。

一、學生學習成果概念界定及其研究現(xiàn)狀

學生學習成果這一概念，最早由Eisner于1979年提出，他認為學習成果本質上是以某種形式參與之后獲得的結果，無論是有意的還是無意的［2］。Fulks認為，學生學習成果是期望學生在經過學習后應該獲得的、具體的、可測量的目標和結果，包括認知、技能、態(tài)度等［3］。Astin將學習成果劃分為三個維度［4］：成果的類型、數據的類型和時間跨度。學習成果按成果類型可劃分為認知性成果和情感性成果，按數據類型可分為心理型數據和行為型數據，按時間跨度可分為大學就讀期間和大學畢業(yè)之后。黃海濤認為學生學習成果的核心含義包括：學生經過某種學習后，知識、技能、態(tài)度和情感，以及習得的能力得以增長，這種增長是具體的、可測量的［5］。綜合以上定義，本研究結合大學生學習經歷，將學生學習成果界定為：學生在參與特定的一系列大學學習后所獲得的認知、技能、能力、態(tài)度及情感體驗。

國內外關于學生學習成果的研究伴隨高等教育質量問題的逐步升溫而增多，在學生學習成果模型研究方面，為確保學生學習成果評價過程的全面性、系統(tǒng)性和連續(xù)性，Ohia等提出一個六階段評價學生學習成果的FAMOUS（formulate，ascertain，measure，observe，use，strengthen）模型［6］。Duque等通過問卷調查數據收集，采用ANOVA測試和結構方程建模技術，對學生學習成果和滿意度模型及方法進行了研究［7］。

在學生學習成果影響因素分析方面，Pike等使用2004NSSE學生調查、IPEDS及大學委員會院校數據，引入學生特征和院系特征，得出教育支出、學生投入和學生自我報告學習成果之間的中度相關關系［8］。McNaught等通過在香港大學實施面對面教學和在線學習的混合式教學設計，探索了學習設計與學生學習成果之間的關系［9］。Volkwein等探索了專業(yè)認證對學生經歷和學習成果的影響［10］。Smart探討了在“荷蘭”理論的學術氛圍影響下學生學習成果的微分模式變化與穩(wěn)定性［11］。Galbraith等探討了學生評教在學生學習成果評價中的有效性問題［12］。

國內外學術界在學生學習成果研究上取得的進展有目共睹，尤其從學校環(huán)境和條件、學生個體特征及學生學習投入等方面探索了學生學習成果模型及影響機制，為如何提升學生學習成果的決策做出了重要貢獻。但較少有學者從學生情感、行為和認知等廣泛的學習經歷角度來考察學生學習成果。從經驗的角度分析，學生參與學?；顒印⒔洑v的豐富性會對學習成果有一定影響，而學生會通過這些活動和經歷產生不同的認知體驗和經驗及作出不同情感反應，涉及的數據量大、范圍廣泛，常規(guī)的統(tǒng)計方法難以發(fā)現(xiàn)其隱性的規(guī)律，因此需要新型的數據統(tǒng)計和分析方法，即開展教育數據挖掘。另一方面，影響學生學習成果的因素復雜多樣，不同的影響因素之間也可能相互影響，例如學校環(huán)境的好壞可能影響學生自主地學習投入等。為了深入了解學生學習成果的影響因素，本研究使用逐步回歸分析和神經網絡等教育數據挖掘技術對學生學習成果數據進行挖掘，并從學習分析角度對其挖掘的結果進行意義再建構，旨在建立學生學習經歷、學校特征、學生特征與學生學習成果的錯綜復雜關系，以期為提高高校人才培養(yǎng)質量提供參考的依據。

二、學生學習成果分析的理論與技術框架

1.理論框架

研究表明，問卷調查通過學生自我報告間接測量學習成果，可以準確地反映學生群體的總體學習成果水平。對于學生調查評估模型，Astin提出 I－E－O 理 論 （theory of input－environmentoutput），把學生學習評估涉及的內容分成三大方面：生源質量作為 “輸入”（input）、學習環(huán)境（environment）、學習成果作為“輸出”（output）。Pace提出“環(huán)境—經驗—發(fā)展”模型，分別從學生與學校兩個主體出發(fā)，從學生學習的投入程度、學校對學生學習支持工作的質量、學生與學校在意識觀念上的融合程度三個層面對學生學習投入質量進行分析［13］。這些經典的大學生發(fā)展理論都認為，大學生在學習經歷中可以自由選擇喜歡的學習與生活模式，由此而形成的學習投入程度將直接影響他們在學習經歷當中的收獲。這便為學校的管理人員和院校研究人員提供了一個分析學生學習、發(fā)展經歷的視角，可以通過了解不同的學習經歷、學校特性、學生特征與學習成果的關系，探索其中的規(guī)律，從而更好地了解和預測學生的學習成果，為制定更為適合學生發(fā)展的措施提供重要借鑒。

參考Astin與Pace的學生調查評估模型，筆者設計了中山大學學生學習狀況調查問卷，調查內容不僅關注學生的相關經歷，例如學習投入和努力的程度、學生與教師的交往互動等，還包括學生的情感性學習成果或通識教育的學習成果。研究從學生情感、行為和認知等廣泛的學習經歷角度，在“生源—學習—成果”的邏輯框架中，考察分析學校因素和學生因素對于學生學習成果的影響機制。調查把學生學習經歷和成果分解為生源情況、學校學習資源提供、學生與學校的融合、學生學習投入、學生成果、學校成果六大維度，從生源、學習和成果三個關鍵環(huán)節(jié)進行測量，理論框架如圖1所示。各維度下題目的內部一致性均達到0.9以上，具有較高的信度。

圖1 研究的理論框架及指標體系

2.技術框架

教育數據挖掘在確定學生學習成果的影響因素方面展示出了潛在價值［14］，如在數據中集中找出學生特征及學習經歷中真正影響其學習成果的維度；再如，識別先前未知的學生調查數據中的學習成果模式，為教育數據挖掘在高等院校研究中的應用提供了機會。運用教育數據挖掘方法，收集學生學習數據，并對此進行分類或尋找其中的關系從而開發(fā)預測模型，這些模型在改善學生學習經歷、提高學習成果等方面發(fā)揮重要作用，可以基于預測模型作出教與學方面的調整或進行必要的干預，從而優(yōu)化學生的學習體驗，或推薦外部學術服務支持學生學習。

學習分析技術圍繞與學習者學習信息相關的數據，運用不同的分析方法和數據模型來解釋這些數據，根據解釋的結果來探究學習者的學習過程與情境，發(fā)現(xiàn)學習規(guī)律；或者根據數據闡釋學習者的學習表現(xiàn)，為其提供相應反饋從而促進更加有效學習的技術［15］。學習分析不僅可以從學習者角度進行自我評估、診斷和導向，也有助于教師優(yōu)化教學、教育研究者進行個性化學習設計等［16］。

教育數據挖掘關注如何從教育大數據集中提取有用信息的技術問題，而學習分析側重于如何優(yōu)化學習及其學習環(huán)境的教育問題。Siemens等學者指出教育數據挖掘和學習分析可以聯(lián)合起來共同提供更好的服務［17］，Bienkowski等學者向美國教育部提交了關于使用教育數據挖掘和學習分析提升教育質量的研究報告。

借鑒國內外高校學生學習成果研究經驗，為確定學生學習成果多變量數據中典型的學習模式，研究采用教育數據挖掘技術對學生學習成果數據進行挖掘，并從學習分析角度對其挖掘的結果進行解讀，探索學生學習經歷、學校特征、學生特征對學生學習成果的影響機制。

三、對大學生學習成果的分析

本研究基于 “中山大學學生學習狀況調查”項目2012年在全校范圍內開展的正式在線調查，調查覆蓋全校36個學院（系），總體約為3.3萬名本科生。堅持讓學生在無壓力情況下答題，并設計了兩次催答環(huán)節(jié)，共回收問卷7 051份，回收率約為21.2%，與國際上通常的問卷回收率相比非常滿意。研究聚焦于本科樣本，全部回收的問卷根據答題時長、問卷質量標準等原則，篩選出有效問卷6 673份，有效率為94.6%。

在教育數據挖掘和分析方法上，學術界常用回歸方法分析現(xiàn)象之間的相關性，確定其因果關系，因而廣泛應用于院校研究領域［18］。但是，當分析的基礎模型為非線性模型時，回歸分析方法預測的準確性不高［19］。針對該問題，有學者探索在教育研究等領域引入神經網絡模型來提高預測的準確性［20］。神經網絡模型可以在一定的精度范圍內模擬任何非線性連續(xù)函數，提供了一種普遍而且實用的方法從樣例中學習，對于訓練數據的容錯性較好。同時，專家的先驗知識可以提高神經網絡的知識處理能力。

為此，本研究以Astin的I－E－O理論和Pace的“環(huán)境—經驗—發(fā)展”模型為基礎，為提高學生學習成果的預測準確度，首先采用回歸分析方法確定學生學習成果的影響因素，將回歸分析所確定的學生學習成果因果關系作為專家的先驗知識；在此基礎上，根據學生學習狀況調查數據具有明顯的非規(guī)律性和隨機性特征，結合回歸分析所得到的專家先驗知識，利用神經網絡優(yōu)化技術建立學生學習成果的預測模型。

1.回歸分析確定學習成果的影響因素

逐步回歸提供了一種識別與學生學習成果相關的具體經歷的方法，對上述學生學習狀況調查中的227項進行相似項合并，用向前和向后逐步回歸確定與學習成果相關的指標，對殘差圖和診斷法的徹底審查，最后確定17個獨立變量出現(xiàn)在多元回歸模型中，如圖2所示。

根據圖2，學生學習經歷中的學校學習資源提供、學生學習投入、校園文化及學校成果等四大維度的17個變量均為影響學生學習成果的重要預測變量，包括朋輩交流情況、自主學習情況、活動參與情況、課外閱讀情況、論文寫作情況、討論關注的內容情況、師生交流、課業(yè)活動及個人閑暇活動時間分配等學生因素變量，以及課程作業(yè)評價、專業(yè)學習經歷評價、學術規(guī)范指導、平等文化、多元能力的培養(yǎng)氛圍等學校因素變量。同時，在校經歷滿意度、綜合滿意度和能力培養(yǎng)滿意度等融合學校因素和學生因素的學校成果也對學生學習成果具有一定的影響。

通過圖2中的回歸分析的標準化系數可以看出，朋輩交流情況、自主學習情況和討論關注的內容情況分別是學習成果第一、第二和第三重要的預測變量，而性別、年級、所在校區(qū)等人口學變量并未出現(xiàn)在該回歸分析模型中，對學生學習成果的影響不顯著。

圖2 學習成果的回歸分析

2.神經網絡建模優(yōu)化學習成果預測分析

在上述回歸分析基礎上，為提高預測準確性，研究通過神經網絡建模優(yōu)化大學生學習成果預測結果。本研究將回歸分析所確定的學生學習成果影響因素作為專家的先驗知識，在此基礎上結合神經網絡優(yōu)化模型進一步提升處理智能，達到最佳的學生學習成果預測效果。

將神經網絡用于學生學習成果預測和評價，構建學生學習成果預測的三層神經網絡結構，其基本思路是用上述回歸模型中的確定的、影響學生學習成果的評價指標構成網絡的輸入向量，用學習成果預測值構成網絡的輸出向量，合理設計網絡結構，以及對訓練樣本數據進行有效處理，再將訓練樣本輸入到網絡進行網絡訓練，直到系統(tǒng)誤差符合指定要求后，所得到的網絡模型即是所需要的學生學習成果預測模型。

輸入層節(jié)點的個數是問卷調查中影響學生學習成果的因素個數，由圖2可知，影響因素為學生學習經歷中的學校學習資源提供、學生學習情況投入和校園文化及學校成果等4個一級指標，對應于17個二級指標，將這17個二級指標作為神經網絡的輸入層節(jié)點數。輸出層節(jié)點個數確定為1個，即被調查學生對本人學習成果的總體評價。采用試湊法將隱含層節(jié)點個數的設置為7個。由此確定基于神經網絡模型的學生學習成果預測最佳網絡拓撲結構為：17，7，1。

對于學生學習狀況調查中的6 673份有效回收問卷數據，經過分析，剔除8個數據缺失的樣本，將6 665份樣本分成兩部分：訓練樣本4 680個（70.2%），用于網絡模型訓練；檢驗樣本1 985個（29.8%），用于檢驗模型是否達到所要求的基本功能。同時，為了便于神經網絡模型訓練和學習，將6 665個樣本數據的輸入和輸出變量進行歸一化處理，將數據值處理為區(qū)間［0，1］之間。

根據上述模型，利用PASW Statistics 18進行仿真，采用4 680個訓練樣本對模型進行訓練，設定訓練誤差的最小相對變化為0.000 1，訓練錯誤率的最小相對變化為0.001；將1 985個樣本作為測試樣本。經過多次實驗，輸出結果O即為學生學習成果的預測情況，其取值范圍為［0，1］。根據學生學習成果總體評價的優(yōu)（O≥0.9）、良（0.8≤O＜0.9）、中（0.7≤O＜0.8）、合格（0.6≤O＜0.7）和差（O＜0.6）五級水平，輸出結果與被調查學生對本人學習成果的總體評價結果相比較具有良好的一致性和準確性。表1隨機列舉了部分網絡輸出結果與學生自評結果比較情況，由于樣本較多，未全部列出。

該神經網絡模型通過對學生調查數據的輸入輸出樣本進行自動學習，按照指定的精度逼近復雜的非線性映射；并自動調整網絡結構參數，使得在給定輸入的情況下產生期望的輸出。結果表明，該神經網絡模型不僅能夠滿足誤差精度的要求，而且訓練速度快，容錯性和泛化性較好。在回歸分析所獲得的專家先驗知識基礎上，利用神經網絡構建學生學習成果預測模型，結構簡單，具有較好的客觀性和預測效果。上述訓練好的神經網絡模型可用來對學生學習成果進行科學、合理地預測和評價。

表1 部分網絡輸出結果與學生自評結果比較

四、結論與啟示

本研究通過回歸分析，結合神經網絡建模等教育數據挖掘技術，從學生學習經歷中的學生個體和學校兩大層面進行分析，構建學生學習成果的預測和評價模型，在“生源—學習—成果”的邏輯框架中探究學校因素和學生因素對于學習成果的影響機制。根據上述分析，得出以下主要結論：

（1）在學生個體方面，學生學習投入是影響學習成果的最重要因素，包括自主學習情況、活動參與情況、課外閱讀情況、論文寫作情況、朋輩交流情況、討論關注的內容情況、師生交流、課業(yè)活動、個人閑暇活動時間分配等方面。性別、年級、所在校區(qū)等人口學變量對學生學習成果的影響不顯著，而朋輩交流情況、自主學習情況和討論關注的內容情況分別是學生學習成果前三種重要的預測變量。

（2）在學校方面，學校學習資源提供、校園文化，以及學校成果等也是影響學習成果的重要因素，包括課程作業(yè)評價、專業(yè)學習經歷評價、學術規(guī)范指導、平等文化、多元能力的培養(yǎng)氛圍。

（3）在學校因素和學生因素融合方面，在校經歷滿意度、綜合滿意度和能力培養(yǎng)滿意度等學校成果對學習成果也具有一定的影響。

上述研究結論驗證了Tinto的學生融合理論中社交系統(tǒng)和學術系統(tǒng)對學生學習成果的重要影響，學生取得較好的學習成果，依賴于他們在學習經歷中能否將自身的經驗和目標與學校系統(tǒng)內部的學術系統(tǒng)和社交系統(tǒng)相融合［21］。學術系統(tǒng)代表學生個人的課業(yè)表現(xiàn)、智力發(fā)展、學業(yè)成就等綜合表現(xiàn)，如圖2中自主學習情況、活動參與情況、課外閱讀情況、論文寫作情況、討論關注的內容情況及課業(yè)活動等屬于學術系統(tǒng)的范疇。社交系統(tǒng)代表學生在校內的同伴關系、師生關系、社交行為等綜合表現(xiàn)，如圖2中朋輩交流情況、師生交流及個人閑暇活動時間分配等屬于社交系統(tǒng)的范疇。

根據上述分析，為了提高人才培養(yǎng)質量，提升學生學習成果，高校一方面要改善教學質量，保障師資隊伍質量，激勵教師合理安排課堂教學活動，以基于問題和項目的教學策略，結合課程內容設計相應的挑戰(zhàn)性問題，激發(fā)學生學習的積極主動性；另一方面，高校也要不斷完善教學條件，合理設置人才培養(yǎng)方案和課程體系，提升圖書館、網絡等資源服務水平；再者，高校在高度關注和促進大學生在學習經歷中積極投入、自主學習的同時，鼓勵其加強與同學、教師之間的交流。

需要指出的是，高等教育教學機構在辦學使命、辦學方式、辦學規(guī)模、辦學資源、專業(yè)設置、課程安排、資金來源、學生特征等方面存在著巨大的差異。盡管該研究只是針對某所 “985工程”高校，基于學生學習狀況問卷調查數據進行回歸分析和神經網絡建模等教育數據挖掘方式，來分析和預測學生學習成果及其影響因素，不代表結果的普適性，但分析所確定的學生學習經歷中的學習成果測量，為提升學習成果項目開發(fā)等提供了指導。同時，隨著我國高等教育機構的信息化辦學水平的逐步提高和大型教育數據庫的日益普及，高等院校積累了大量的學生學習相關的教育教學信息，未來的研究需要進一步結合高校招生情況、教學資源配置、人才培養(yǎng)方案、學生事務管理等方面的教育教學數據進行廣泛地挖掘和分析，從而全面深入地探討學生學習成果的影響機制。

［1］馬彥利，胡壽平，崔立敏.當今美國高等教育質量評估的焦點：學生學習成果評估［J］.復旦教育論壇，2012，10（4）：78－84.

［2］Eisner E W.The Educational Imagination［M］.New York：Macmillan，1979：103.

［3］Fulks J.Assessing Student Learning in Higher Education［EB/OL］.（2009－09－28）［2013－11－20］.http：//online.bakersfieldcollege.edu/courseassessment/Section2 ＿Background/Section2＿2WhatAssessment.htm.

［4］Astin A W.Assessment for Excellence：the Philosophy and Practice of Assessment and Evaluation in Higher Education［M］.Phoenix：Oryx，1993.

［5］黃海濤.美國高等教育中的“學生學習成果評估”：內涵與特征［J］.高等教育研究，2010，31（7）：97－104.

［6］Ohia U O.A Model for Effectively Assessing Student Learning Outcomes［J］.Contemporary Issues in Education Research，2011，4（3）：25－32.

［7］Duque L C，Weeks J R.Towards a Model and Methodology for Assessing Student Learning Outcomes and Satisfaction［J］.Quality Assurance in Education，2010，18（2）：84－105.

［8］Pike G R，Kuh G D，McCormick A C，et al.If and When Money Matters：The Relationships Among Educational Expenditures，Student Engagement and Students'Learning Outcomes［J］.Research in Higher Education，2011，52（1）：81－106.

［9］McNaught C，Lam P，Cheng K F.Investigating Relationships Between Features of Learning Designs and Student Learning Outcomes［J］.Educational Technology Research and Development，2012，60（2）：271－286.

［10］Volkwein J F，Lattuca L R，Harper B J，et al.Measuring the Impact of Professional Accreditation on Student Experiences and Learning Outcomes［J］.Research in Higher Education，2007，48（2）：251－282.

［11］Smart J C.Differential Patterns of Change and Stability in Student Learning Outcomes in Holland's Academic Environments：The Role of Environmental Consistency［J］.Research in Higher Education，2010，51（5）：468－482.

［12］Galbraith C S，Merrill G B，Kline D M.Are Student Evaluations of Teaching Effectiveness Valid for Measuring Student Learning Outcomes in Business Related Classes？A Neural Network and Bayesian Analyses［J］.Research in Higher Education，2012，53（3）：353－374.

［13］Pace C R.Quality，Content，and Context in the Assessment of Student Learning and Development in College［M］.Washington，D.C.：Office of Educational Research and Improvement，1986：45－48.

［14］Bienkowski M，F(xiàn)eng M，Means B.Enhancing Teaching and Learning Through Educational Data Mining and Learning Analytics：An Issue Brief［R］.Washington，D.C.：SRI International，2012.

［15］祝智庭，沈德梅.學習分析學：智慧教育的科學力量［J］.電化教育研究，2013（5）：5－12.

［16］吳永和，陳丹，馬曉玲，等.學習分析：教育信息化的新浪潮［J］.遠程教育雜志，2013（4）：11－19.

［17］Siemens G，Baker R S J.Learning Analytics and Educational Data Mining：Towards Communication and Collaboration［C］//Proceedings of the 2nd International Conference on Learning Analytics and Knowledge.Vancouver：ACM，2012：252－254.

［18］Frizell J A，Shippen Jr.B S，Luna A L.Regression Analysis：Legal Applications in Institutional Research［J］.New Directions for Institutional Research，2008，138：85－103.

［19］Everson H T.Using Artificial Neural Networks in Educational Research：Some Comparisons with Linear Statistical Models［C］.New Orleans：American Educational Research Association Conference，1994.

［20］González J M B，DesJardins S L.Artificial Neural Networks：A New Approach to Predicting Application Behavior［J］.Research in Higher Education，2002，43（2）：235－258.

［21］Tinto V.Dropout from Higher Education：A Theoretical Synthesis of Recent Research［J］.Review of Educational Research，1975，45（1）：89－125.