孫玉榮 黃慧華 葉萍

【摘要】? ? 微信平臺憑借其優(yōu)秀的社交內(nèi)涵為個性化學(xué)習(xí)提供了新的途徑。應(yīng)用相關(guān)性分析，研究了微信平臺支持下的個性化學(xué)習(xí)學(xué)生個性的差異性導(dǎo)致的原因，給出了關(guān)鍵的影響因素，應(yīng)用四象限分析原理將學(xué)生個體數(shù)據(jù)分成了內(nèi)驅(qū)型、協(xié)作型、自主型與被動型四類，并為教師的教學(xué)策略提出了相關(guān)建議。

【關(guān)鍵詞】? ? 微信平臺? ? 個性化? ? 個體差異

《教育信息化“十三五”規(guī)劃》指出要大力推進網(wǎng)絡(luò)學(xué)習(xí)空間人人通，以促進學(xué)習(xí)型社會的發(fā)展。微信是一款使用簡單方便的信息化支撐服務(wù)軟件，作為優(yōu)秀的社交平臺，吸引了龐大的使用群體，催生了各類應(yīng)用的開展，更是憑借其信息的組織與傳播方式得到了教育界的青睞，依靠微信平臺展開的各類學(xué)習(xí)應(yīng)用研究取得了豐碩的成果。學(xué)習(xí)效率問題是一個經(jīng)典的但又恒久地吸引學(xué)者們關(guān)注的問題?，F(xiàn)有研究多集中在學(xué)習(xí)者行為與學(xué)習(xí)成績間的關(guān)系，微信作為一個新的教輔平臺，體現(xiàn)學(xué)生個體差異性的應(yīng)用還較少，因此有必要對這種差異產(chǎn)生的機理進行探討。本文研究微信平臺支持下的個性化學(xué)習(xí)者個體差異及產(chǎn)生的原因，在此基礎(chǔ)上將學(xué)生進行分類，研究成果可作為教師教學(xué)策略調(diào)整的依據(jù)。

一、相關(guān)研究

有研究表明學(xué)生的學(xué)習(xí)投入影響學(xué)習(xí)效果[1]。Fredericks[2]認為學(xué)習(xí)投入涉及到行為投入、情感投入與認知投入三個維度。圍繞著這三個維度，展開了相應(yīng)地研究。胡敏[3]，沈欣憶[4]，研究了學(xué)習(xí)者參與度與學(xué)習(xí)效果的關(guān)系，構(gòu)建模型提出了相應(yīng)的應(yīng)用策略;朱珂[5]研究了學(xué)習(xí)者的交互意愿與沉浸感對學(xué)生學(xué)習(xí)產(chǎn)生的個體差異性;Huang[6]等通過數(shù)據(jù)挖掘技術(shù)以學(xué)生者行為進行挖掘，探究其活動的模式，以此為基礎(chǔ)對學(xué)生的成績進行預(yù)測;Ferguson[7]等應(yīng)用聚類分析方法將學(xué)習(xí)者的行為進行分類，總結(jié)出十種典型的學(xué)習(xí)模式。這些研究成果都為教學(xué)組織者提供了制定策略的依據(jù)，但研究還需深化，要更好地調(diào)整策略，以達到課程教學(xué)目標(biāo)，那么個體差異性產(chǎn)生機理研究是教學(xué)中首先要解決的問題之一。個體差異主要表現(xiàn)在智力類型差異性、智力水平差異性、知識結(jié)構(gòu)差異性、性格差異和興趣差異等方面。本文在現(xiàn)有學(xué)習(xí)者行為研究的基礎(chǔ)上，剔除先天條件產(chǎn)生的個性差異，包括智力類型、智力水平差異和性格差異，著重從學(xué)生的興趣差異和知識結(jié)構(gòu)差異三個方面研究基于微信平臺的個體差異產(chǎn)生的原因及并對其進行分類。

二、個體差異性指標(biāo)體系、各指標(biāo)的度量與分析方法

2.1指標(biāo)體系

學(xué)習(xí)者個體差異性因素的采集和度量是進行個體差異性產(chǎn)生的原因分析的前提。受學(xué)習(xí)者興趣與知識結(jié)構(gòu)兩個方面的差異影響，學(xué)習(xí)者在學(xué)習(xí)過程中表現(xiàn)出強烈的個體差異性。首先，興趣是學(xué)習(xí)最好的老師，是學(xué)生學(xué)習(xí)的最原始驅(qū)動力，對課程學(xué)習(xí)的興趣不同，其學(xué)習(xí)的投入也不同，最明顯直接的表現(xiàn)表現(xiàn)在當(dāng)學(xué)習(xí)遇到困難時的本能反應(yīng)，有的迎難而上、有的臨陣退縮。這里所說的興趣是指情境興趣，這是一種持續(xù)時間不長的需要外界不斷刺激的興趣。好的學(xué)習(xí)環(huán)境可以激發(fā)學(xué)習(xí)者的興趣，如果學(xué)生在學(xué)習(xí)過程中能不斷地獲得進步所帶來的成就感會明顯地增強學(xué)生的學(xué)習(xí)興趣，最終將之轉(zhuǎn)化為一種持久性、穩(wěn)定狀態(tài)----個人的興趣，從而形成學(xué)生堅持學(xué)習(xí)的支撐。因此可以通過考量學(xué)習(xí)者參與學(xué)習(xí)活動、完成學(xué)習(xí)任務(wù)的態(tài)度和意志力來反映學(xué)生興趣的差異。研究中選用參與討論次數(shù)、每天在線學(xué)習(xí)總時間等與表征穩(wěn)定的學(xué)習(xí)狀態(tài)相關(guān)聯(lián)的行為因素度量;

合理的知識結(jié)構(gòu)，就是指既要有精深的專門知識，又要有廣博的知識面，反映在課程的學(xué)習(xí)上，則體現(xiàn)了學(xué)習(xí)認知能力的不同，它是與學(xué)習(xí)者對學(xué)習(xí)的理解相關(guān)的因素。一般認為學(xué)習(xí)理解能力強的學(xué)生，其學(xué)習(xí)效率也會高，因此可以從反映學(xué)生學(xué)習(xí)效率因素考查知識結(jié)構(gòu)導(dǎo)致的差異，包括各知識點內(nèi)容的學(xué)習(xí)時間之和、已完成作業(yè)數(shù)量、參與討論的次數(shù)、資源瀏覽次數(shù)等因素。

綜上，得到反映學(xué)生個體差異性的度量指標(biāo)，見表1。

2.2分析方法

研究學(xué)生的個性差異性，需要明確導(dǎo)致各差異性的因素及其之間的關(guān)系，因此在研究中首先要對指標(biāo)體系中的典型行為進行相關(guān)性分析，從不同要素之間相關(guān)性強弱確定導(dǎo)致學(xué)生個性差異的核心要素，從而更深層次地理解學(xué)生學(xué)習(xí)興趣與學(xué)生的知識結(jié)構(gòu)之間的關(guān)系;然后基于指標(biāo)體系，應(yīng)用四象限法則分析原理從學(xué)生的學(xué)習(xí)興趣和知識結(jié)構(gòu)兩個方面考慮學(xué)生個體的差異并進行分類，以發(fā)現(xiàn)學(xué)生個體性差異中隱藏的規(guī)律，為教師發(fā)現(xiàn)個性化學(xué)習(xí)中可能存在的問題提供依據(jù)，使其有針對性地進行引導(dǎo)學(xué)生進行狀態(tài)調(diào)整，加速學(xué)習(xí)進程并提高學(xué)習(xí)效率。

三、應(yīng)用分析

獲取中南林業(yè)科技大學(xué)學(xué)生基于微信平臺學(xué)習(xí)《數(shù)據(jù)挖掘》課程某章節(jié)學(xué)習(xí)的相關(guān)數(shù)據(jù)，對學(xué)生學(xué)習(xí)的個體差性異展開研究。參與學(xué)生82人，采集到的數(shù)據(jù)包括學(xué)生的作業(yè)提交次數(shù)，統(tǒng)計學(xué)生在線時長，瀏覽資源的次數(shù)等數(shù)據(jù)。

3.1相關(guān)性分析

對采集到的指標(biāo)數(shù)據(jù)（1）主動上網(wǎng)學(xué)習(xí)時長;（2）參與討論次數(shù);（3）提交作業(yè)次數(shù);（4）瀏覽資源次數(shù);（5）知識學(xué)習(xí)時長等應(yīng)用SPSS進行Pearson相關(guān)系數(shù)分析，找出這些指標(biāo)間的相關(guān)性，得出的相關(guān)系數(shù)矩陣見表2。

表中可以看出，（1）與主動上網(wǎng)時長存在顯著相關(guān)的因素有知識點學(xué)習(xí)時長及瀏覽資源次數(shù)，其值都超過3，說明這些因素間存在著強相關(guān)性，可以作為教師調(diào)節(jié)學(xué)生學(xué)習(xí)的指標(biāo)，主動上網(wǎng)時間與提交作業(yè)次數(shù)呈現(xiàn)弱相關(guān)性表明學(xué)生的學(xué)習(xí)與是否提交作業(yè)之間有一定的聯(lián)系，但不是主要的因素;（2）知識點學(xué)習(xí)時長與瀏覽資源次數(shù)強相關(guān)，說明學(xué)習(xí)時間越長，資源的瀏覽量也越大，反映了學(xué)生對知識點擴充意愿強烈;（3）參與討論次數(shù)與知識點學(xué)習(xí)時長有弱相關(guān)性，但與其他因素不相關(guān)，說明是否學(xué)生參與討論與其學(xué)習(xí)并無必然的聯(lián)系，究其原因，學(xué)生學(xué)習(xí)過程中的交互愿意不強，也許與長期傳統(tǒng)教學(xué)模式下形成的學(xué)習(xí)習(xí)慣有關(guān)。（4）提交作業(yè)次數(shù)與瀏覽資源次數(shù)弱相關(guān)，說明輔助學(xué)習(xí)資源對學(xué)生的理解有一定的幫助。

3.2四象限分析

根據(jù)美國管理學(xué)家的時間管理四象限法理論，本文對學(xué)生的學(xué)習(xí)興趣和知識結(jié)構(gòu)進行劃分，以進一步分析學(xué)生學(xué)習(xí)興趣與其知識結(jié)構(gòu)之間的關(guān)系，在不影響研究結(jié)果的前提下將表示興趣度和知識結(jié)構(gòu)的各因素進行了相關(guān)處理以簡化運算：先將各指標(biāo)做最大最小化歸一化，然后分別得到興趣度量值（興趣度=主動上線學(xué)習(xí)時間與討論次數(shù)歸一化值乘積），表征知識結(jié)構(gòu)完 整度的量值（知識結(jié)構(gòu)=知識點學(xué)習(xí)時長、提交作業(yè)次數(shù)及瀏覽資源次數(shù)歸一化值的乘積），以82位同學(xué)的（興趣度，知識結(jié)構(gòu)）數(shù)據(jù)運用Excel作出四象限圖，見圖1。中心點分別取的平均值（0.55，0.61）。

參考文獻[1]研究將學(xué)生分為以下四類：圖中第Ⅰ象限的數(shù)據(jù)表示學(xué)生的興趣度濃厚，知識結(jié)構(gòu)完整，這類學(xué)生可以歸為內(nèi)驅(qū)型學(xué)生;第Ⅱ象限表示興趣度濃厚但知識點結(jié)構(gòu)不完整，這類學(xué)生可以歸為協(xié)作型學(xué)生;第Ⅲ象限表示知識結(jié)構(gòu)完整，但興趣度較欠缺，這類學(xué)生可以歸為自主型學(xué)生;第Ⅳ象限表示沒有學(xué)習(xí)興趣，知識結(jié)構(gòu)不完整，這類學(xué)生可以歸為被動型學(xué)生。該圖反映出兩個方面的問題：（1）對該課程表現(xiàn)出無興趣并且沒有形成該課程知識結(jié)構(gòu)的學(xué)生所占比例較大，老師需采取措施在提高學(xué)生的興趣，即從如何促使學(xué)生自覺上網(wǎng)，設(shè)置討論問題上入手;（2）Ⅲ象限的數(shù)據(jù)占比近1/3，這部分學(xué)生的知識結(jié)構(gòu)尚可，但興趣有待于提升，可以從幫助學(xué)生認識課程設(shè)置要達成的目的入手，使學(xué)生明確學(xué)習(xí)目標(biāo)（3）第Ⅱ象限的數(shù)據(jù)是實際教學(xué)中出現(xiàn)的比較特殊的一類學(xué)生，這類學(xué)生人數(shù)較少，表示既使學(xué)生表現(xiàn)出對課程的興趣度較高，但對知識的理解能力不足，需要加強知識深度的理解，完全依賴碎片化的微信信息學(xué)習(xí)遠遠不足以幫助學(xué)生理解知識，需加強課本知識的系統(tǒng)的學(xué)習(xí)。（4）第Ⅰ象限的數(shù)據(jù)超過1/3，這與人們的認知也是一致的，對所學(xué)知識感興趣的學(xué)生一般都會建立起完備的知識結(jié)構(gòu)體系。

四、結(jié)論與討論

研究結(jié)果表明學(xué)生的主動上網(wǎng)時長會影響學(xué)生對知識點的學(xué)習(xí)時長、瀏覽資源的次數(shù)也會增加，但對作業(yè)的影響較小;學(xué)生提交作業(yè)的主動性會隨著瀏覽資源數(shù)目的增加而增強，表明其對知識的理解與接收增強了;網(wǎng)上參與討論的次數(shù)與各因素的相關(guān)性不強，研究認為與傳統(tǒng)教學(xué)下養(yǎng)成的學(xué)習(xí)習(xí)慣有關(guān)。四象限圖有助于從宏觀上了解學(xué)生課程的學(xué)習(xí)興趣和知識結(jié)構(gòu)間的關(guān)系，教師在教學(xué)中可以根據(jù)每個學(xué)生的實際歸類，確定對學(xué)生的學(xué)習(xí)督促策略。

參? 考? 文? 獻

[1] 房萌萌，劉斌.在線學(xué)習(xí)投入的影響因素及提升策略[J].數(shù)字教育，2018（1）：40-44.

[2] FREDERICKS J A，BLUMENFELD P C，PARIS A H.School Engagement：Potential of the Concept，State of the Evidence[J]. Review of Educational Research（S0034-6543），2004，74（1）：59- 109.

[3] 胡敏.在線學(xué)習(xí)中學(xué)生參與度模型及應(yīng)用研究[D]. 武漢：華中師范大學(xué)，2015：8-13.

[4] 沈欣憶，李爽，丹尼爾，等. 如何提升MOOCs的學(xué)生參與度與學(xué)習(xí)效果--來自BOOC的經(jīng)驗[J].開放教育研究，2014，（3）：63-70.

[5]朱珂.網(wǎng)絡(luò)學(xué)習(xí)空間中學(xué)習(xí)者交互分析模型及應(yīng)用研究[J].電化教育研究，2017，（5）：43-48.

[6]Hung J，Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching，2008，（4）：426-436.

[7]Ferguson R，Clow D. Examining engagement：Analysing learner subpopulations in massive open online courses（MOOCs）[A]. ACM，Proceedings of the Fifth International Conference on Learning Analytics and Knowledge[C]. ACM，2015：51-58.