陳凱泉 高蕾 孟祥紅

摘要：伴隨線上線下相結合的混合式教學的廣泛開展，線上教學平臺積累形成數量可觀、類型豐富的學習過程數據。應用學習分析技術對這些學習過程數據作出分析有望能獲得更為精準的學情，可為教學改革提供科學依據。本研究通過收集并分析一門大學課程實施混合式教學后的學習過程數據，挖掘了學習該課程的大學生在網絡平臺上的整體學習路徑，從學習風格和學業(yè)成績兩個方面挖掘形成了聚類學習路徑。路徑挖掘結果顯示，混合式教學應精細化安排不同學習模塊中的學習資源以提升資源訪問率，需豐富學習資源類型以滿足不同學習偏好，要提升學習資源的邏輯性和可視化程度以促進深度學習，還應借助小組研討以促進同伴學習和替代式學習。

關鍵詞：混合式教學;學習分析;學習路徑挖掘;教學改革

2020年春節(jié)前后暴發(fā)的新型冠狀病毒所引發(fā)的疫情給全國上下帶來較大沖擊，尤其在教育系統(tǒng)，疫情導致師生不能見面，傳統(tǒng)教學模式無法正常展開，線上教學成為當然之選?？梢灶A見，疫情過后高校教師對線上教學的應用會越來越多，線上線下相結合的混合式教學將成為高校教學的常態(tài)。在線教學平臺積累形成大量的學生在線學習數據，基于對這些學習過程數據挖掘的學習分析技術已較為成熟。著名的可汗學院是學習分析技術支撐下成功的自適應學習平臺案例，該平臺能夠根據學習者的興趣愛好及當前所處知識能力水平進行學習資源的精準推送、學習報告的動態(tài)分析及呈現等。[1]國內外高校也在大力推廣在線教育平臺的使用，如清華在線平臺、智慧樹等學習平臺在國內高校中廣泛應用，Sakai和Canvas等平臺在美國的高校應用中較為普及。在這些平臺上所形成的數據種類豐富、數據量龐大。如果僅限于應用這些數據做登錄頻次統(tǒng)計、學習時長分析、成績計算并不能對學生的學習過程作出全面深入的分析，學習過程大數據的效益不能得以充分發(fā)揮，由此對學生的學習過程干預也就缺乏科學依據。應用學習過程數據來分析學生的學習路徑以及其學習社交網絡是評測、考察學生學習過程的重要視角，混合式教學改革中應進一步開展學習路徑挖掘并據此形成更為科學有效的教學設計。

一、混合式教學中的學習路徑挖掘

（一）混合式教學的概念及特點

所謂混合式教學（Blending Learning）就是要把傳統(tǒng)教學和數字化學習的優(yōu)勢相結合，既要發(fā)揮教師引導、啟發(fā)和監(jiān)控教學過程的主導作用，又要充分體現學生作為學習過程主體的積極性、主動性和創(chuàng)造性。[2]與傳統(tǒng)教學相比，混合式教學突出體現為以下三個特點：第一，強調學生的自主性?；诰W絡信息技術的教學平臺為學生自主開展學習提供了豐富的學習資源，學生可自主開展學習。第二，增加師生的多元互動。網絡教學平臺成為師生、生生互動的重要平臺。第三，為全過程記錄學習過程提供了可能。學生在網絡教學平臺上的瀏覽過程、發(fā)言內容、完成作業(yè)練習的情況、與老師和同學的交流過程等都有望被記錄下來，為詳細分析學情提供了數據支撐。

混合式教學概念的演變先后經歷了三個階段：第一個階段是從上世紀90年代到2006年的技術應用階段，這個階段以信息技術為關注重點，主要是嘗試對各種信息技術的應用;第二個階段是從2007到2013年，重在關注師生在這種教學模式下的交互方式，教學上會混合使用傳統(tǒng)教學策略與在線教學策略，這個階段探索了自主學習、講授式教學和協作教學等各種教學策略在混合式教學模式下的應用;第三個階段是從2013年至今的“互聯網”階段。[3]這個階段把學生的學習體驗作為關注重點，高度凸顯“以學生為中心”的學習理念;伴隨教育大數據和學習分析技術的發(fā)展，對學情的關注、分析成為混合式教學研究的重要內容。

（二）大學混合式教學中學習路徑挖掘的必要性分析

大學教學研究中長期以來的一個研究重點即是對學情的獲取、分析與應用。受理念及技術的限制，對大學生學情數據的獲取多借助于課堂觀察、訪談、問卷調查等方法。但課堂觀察的方法僅局限于課堂，相較于學生的全部學習過程，課堂觀察所獲取的數據量極為有限。訪談、問卷調查等方法使學情數據多出自學生的主觀回答，數據的可信度不夠充分?；旌鲜浇虒W盡管不可能事無巨細地全部記錄學習過程，但學情記錄的時間維度得以擴展，不僅是課堂上，而且還有大量的課前、課后學習時間，學習過程記錄也是一種完全非介入性的方式，學情數據的可信度大幅提高。正是基于教學研究中對學情分析的迫切需求，以及混合式教學為學情數據獲取與分析所提供的技術支撐，混合式教學中的學習路徑挖掘便成為一種可能，廣大教師有望借助學習路徑挖掘來清晰地把握大學生的學習路徑，進而做出有效的教學干預，為后續(xù)的教學策略調整提供科學依據。

具體而言，學習路徑挖掘的意義主要體現為以下兩個方面：（1）探尋學習過程中學習者對知識學習的基本序列，教師據此可以調整知識呈現的順序與結構，甚至向學生個性化推薦學習內容。如浙江工業(yè)大學的李浩君、佳程等利用遺傳算法來分析學習者的學習路徑，進而為學習者個性化推薦學習資源序列，提升學習者的學習效果。[4]姜強等學者基于自主研發(fā)的個性化自適應學習系統(tǒng)，較為全面地跟蹤和記錄學習者的學習過程數據，并采用數據分析方法獲取學習者的學習路徑，通過為學習者提供學習指引來解決迷航問題。[5]（2）挖掘學生的學習風格和內容偏好。學習路徑充分反映了學生的學習風格。趙蔚等學者基于Moodle平臺上的學習者學習行為過程數據，運用SSAS順序分析和聚類分析算法，對不同學習偏好、學業(yè)成績、學習風格的學習者學習路徑進行挖掘，找出了每個學生所走過的知識地圖，然后給學生個性化的點撥與反饋。[6]此外，也有學者運用神經模糊算法，通過分析學習者的活動日志及學業(yè)成績以判斷學習者的學習特點，進而設計有利于促進個性化學習的學習路徑。[7]

（三）挖掘學習路徑的主要方法

開展學習路徑挖掘主要依托學習分析（Learning Analysis，LA）技術。該技術主要是測量、收集、分析和報告有關學生的學習行為以及學習環(huán)境的數據，用以理解和優(yōu)化學習及其產生的環(huán)境的技術。[8]美國高等教育信息化協會EDUCAUSE則認為學習分析技術就是利用數據和模型，預測學習者在學習中的進步、未來表現和發(fā)現潛在問題。[9][10]具體而言，學習分析技術主要是用于收集與學生有關的線上線下等多層次的學習過程數據，并利用各類數據分析工具對數據進行解讀，獲取有關學習者學習行為特點的規(guī)律性信息，然后通過教師或學習平臺對學習者的學習過程進行干預，從而促進學習者的學習。近些年因為人工智能技術的飛速發(fā)展，學習分析的數據類型日益豐富，正逐漸轉型為多模態(tài)數據分析。[11]

SCORM標準提出的學習路徑（Learning Path）是指學習活動的路線與序列，是學習者在一定的學習策略指導下，根據學習目標和學習內容對所需完成的學習活動的排序。[12]也有學者認為學習路徑是學習者在在線學習平臺上進行自主學習的過程中，對網頁進行點擊操作的一系列有序的記錄，存儲著學習者的在線學習行為信息。就學習路徑的設置有預設與生成兩種模式。所謂預設即是由教師根據知識地圖、教學內容設定好學習路徑，然后安排學生去執(zhí)行。生成式學習路徑設置是指由學生根據自己的學習偏好、學習風格、知識水平等在自主學習的過程中產生。應該說，當前混合式教學中學生的學習路徑受到以上兩個方面的影響，教師的預設是學生學習路徑的先導，但實踐中由于大學生學習自主性較強，自我安排最終生成的個性化學習路徑就更為普遍。

二、問題緣起及數據挖掘的方法

（一）問題緣起

本研究中的《生物化學》課程是某“雙一流”大學食品科學與工程學院中的專業(yè)基礎課程，是一系列后續(xù)專業(yè)課的先修課，對該課程知識的掌握程度直接影響整個專業(yè)的學習水平。該課程的內容涵蓋面廣，學習難度大。這門課程較早開始了混合式教學的實踐探索，任課教師多年來建設和積累起極為豐富的教學資源。教師發(fā)現學生對這些資源的使用存在較大差異，不僅是對資源的瀏覽關注時間，而且在不同資源間的訪問順序等方面都有明顯的不同，任課教師判斷正是由于這些不同引發(fā)了最終學習成績的懸殊。但這種發(fā)現及假設主要是根據經驗式的直覺判斷或對學生的訪談，缺乏量化數據的支撐，教師期望借助學習分析技術來深入挖掘學生對學習資源的使用特征，探尋在混合式教學這種教學模式下學生所經歷的學習路徑。

正是源于上述需求，本研究將深入挖掘學生在對該門課程進行自主學習的過程中產生的一系列有先后次序的學習路徑節(jié)點。本研究中用到的數據源自選修《生物化學》課程28位學生的學習過程，該課程的授課教師采用混合式教學方法，利用網絡教學平臺對傳統(tǒng)教學方式進行改進，其中，畢博公司的Blackboard平臺（以下簡稱BB平臺）作為其線上教學的輔助平臺，為學習者的課前自學、課堂活動、課后活動、章節(jié)測試、小組討論等學習環(huán)節(jié)提供學習資源及學習支持。該課程安排2018年秋季學期，持續(xù)近5個月（2018年9月至2019年1月）。研究中主要獲取了三類數據，分別是28位學習者在BB平臺上的Web頁面訪問路徑、學習者在該門課程中取得的學業(yè)成績、學習者的學習風格。其中，Web頁面的原始訪問路徑數據由畢博公司的工程師提供，學習者的學業(yè)成績已由授課教師上傳到在線學習平臺上，學習者的學習風格數據則由Felder-Silverman量表及VARK 量表測量及計算分析獲得。[13][14]

（二）數據挖掘的方法

整體路徑挖掘及聚類路徑挖掘是學習路徑挖掘的兩個重要維度，兩類挖掘開展的前提都是數據的清洗與集成。本研究中獲取的學習者網頁點擊原始路徑數據存在眾多冗余記錄，當學習者請求一個網頁時，與這個網頁有關的樣式數據等也會被記錄下來，但這些數據并不在數據挖掘的對象之內，所以應將其刪除，經過數據清洗后保留了26676條有效記錄。在數據清洗之后，還需把數據轉換成一個適合數據挖掘的描述形式。由于本研究采用順序分析及聚類分析算法，因此在轉換后的數據庫中增加了一個列，標記為Key Sequence內容類型，該列是一個序列鍵，即在原始數據的基礎上增加一列“訪問序列”，并按照非零自然數由小到大順次排序。數據形成之后，本研究采用了Microsoft的順序分析和聚類分析算法對收集到的實驗數據進行數據挖掘，使用SQL Server 2012作為數據源，對數據進行預處理及驗證，管理界面為SQL Server Management Studio，使用Microsoft BI解決方案的核心組件SQL Server Analysis Services（SSAS）完成算法選擇及模型構建。

三、數據分析與討論

由于《生物化學》課程的混合式教學開展較為成熟，數據積累較為全面和豐富，課程網絡教學平臺上提供的數據較好地支撐起了整體路徑挖掘和聚類路徑挖掘。整體路徑挖掘是把整個班級學生作為一個學習整體來分析其對學習資料的瀏覽和訪問跳轉情況，聚類路徑挖掘則是基于對全班學生的細分，按學習風格、學習成績分類形成不同的子群體，分別挖掘其學習路徑。聚類挖掘更為直觀地證實了任課教師對因學習路徑不同而導致學習成績差異的判斷，學業(yè)成績優(yōu)良的學習者比學業(yè)成績一般的學習者訪問了更多的學習模塊，且訪問的頻率也更高，能夠充分利用各種學習資料對所學內容進行鞏固練習。

（一）整體路徑挖掘

對選修該課程的28位學習者進行學習路徑的挖掘，得到如圖1所示的狀態(tài)轉換視圖。通過查看課前自學、課堂活動、課后活動三個學習模塊節(jié)點的跳轉情況，發(fā)現整體上的學習路徑與授課教師在平臺上的模塊設置基本保持一致，即課堂活動與其下設的重點解析、課堂資料、隨堂討論和檢測之間的跳轉概率較大，課后活動與其下設的小組作業(yè)、課后測驗、課后討論之間的跳轉概率較大，這一定程度上也說明了本次學習路徑挖掘的可靠性較好。

從圖1中可以發(fā)現，學習者的學習路徑不盡相同，但課程小節(jié)、課程章節(jié)、課前自學、PPT資料、自學自測、課后測驗六個學習模塊被訪問的概率較高，即學生的參與程度較高，說明在教師的要求下，學習者能夠借助在線平臺較好地完成課前自學任務及課后測驗，教師也能夠借助在線平臺的監(jiān)督功能掌控學生的自學情況及課后測驗狀況。同時，從圖1還可以看到，自學自測的自我跳轉概率為67%，課后測驗的自我跳轉概率為37%，由此可以看出，在教師允許測驗多次提交的情況下，大部分學生愿意多次嘗試從而獲得自己滿意的分數，課后測驗的跳轉概率大大低于自測的跳轉概率，反映出傳統(tǒng)課堂教學對學生的知識掌握起到不可替代的作用。

（二）聚類路徑挖掘

在學習過程中，學生具有很大的個體差異，如在學習風格、知識水平方面，這些差異正是教師進行因材施教的依據。為了進一步探究不同學習風格、不同知識水平學習者的學習路徑，本研究按照學習者的學習風格及學業(yè)成績對數據分類整理，利用SSAS順序分析及聚類分析算法挖掘學習者的模塊訪問路徑數據，依此總結出不同學習風格、不同知識水平學習者的學習路徑特點。

（一）精細化安排不同學習模塊中的學習資源以提升資源訪問率

在線學習模塊劃分清晰、內容組織合理，能夠顯著提升學習平臺的易用性，有助于學習者快速找到目標學習資料，提高學習興趣。教師應將不同類型的學習資料按照用途、格式類型等分別放在相應的模塊中。在對視覺型和言語型學習者的學習路徑進行特點分析時，表1中的數據顯示，視覺型學習者訪問課前自學模塊中視頻資源的占比為2.4%，而章節(jié)性補充材料里的視頻資源訪問占比僅有0.1%，同樣，言語型學習者對章節(jié)性補充材料中視頻資源的訪問直接為零。由此可見，視頻資料放在自學模塊里的訪問率比放在章節(jié)補充資料里的訪問率高，教師應將視頻資料分散地放入相應的自學模塊。

（二）豐富學習資源類型以滿足不同學習偏好

當前的學習資源早已從簡單的書本、報告等文本材料拓展到圖片、視頻、動畫等更為直觀的學習材料。從對視覺型和言語型學習者的學習路徑挖掘結果可以看出，不同學習風格的學習者所偏好的學習材料類型差異明顯，研究結果顯示如果要達到保證學習者有效學習的目的，應該確保學習者學習使用的是與其學習風格特性相匹配的學習資料。[16]所以，為了滿足不同學習風格的學習者對學習資源類型的需求，教師最好能夠提供包括視頻圖片、流程圖、圖表等在內的直觀學習材料以及論文、報告等文本類材料。特別需要強調的是，在線學習平臺中不能僅僅存放講義，教師還應把一些生動的應用實例放到教學平臺中，如有可能還可以把日?？蒲兄械囊恍┻^程性資料呈現給學生，以此激發(fā)學生學習興趣，也能促進科研與教學的融合。

（三）提升學習資源的邏輯性和可視化程度以促進深度學習

邏輯性強、組織結構清晰的學習資料有助于學生對知識的掌握。在本研究中，綜合型學習者對“課程介紹”模塊的訪問所占比高于序列型學習者對其的訪問占比，而序列型學習者對“預習提綱”模塊的訪問占比高于綜合型學習者對其的訪問占比，這一結果證明了綜合型學習者傾向于從整體到局部的學習習慣，傾向于先對知識有框架性的整體認識，序列型學習者則傾向于從局部到整體的學習習慣，習慣于先學習有邏輯的具體知識點，然后才有學習內容的框架體系。所以教師應該對所提供的學習資料進行科學組織，讓其具有較強的邏輯性，并可借助知識圖譜、知識框架等形式呈現教學內容，這樣既有助于序列型學習者的學習，也有利于綜合型學習者的知識掌握。此外，教師還可以引導學生用思維導圖工具對知識進行梳理和建構，從而促進學生對知識的深入理解和整體把握。

（四）增加小組研討以促進同伴學習和替代式學習

同伴學習帶來的積極作用有時并不低于教師的指導。本研究中的學習者有41%屬于活躍型，59%屬于沉思型。根據數據挖掘及個案分析的結果可以得出，小組討論活動對兩類學習者均有積極的影響，活躍型的學習者喜歡在小組學習、喜歡在交流中學習，所以在論壇中的活躍度會相對較高，但在本研究的個案分析中發(fā)現，偏向于獨立思考的沉思型學習者會在討論區(qū)向老師主動提出自己在學習中遇到的困惑，而這些困惑可以被其他學習者共享，可以進一步引起同伴之間的交流討論，這個過程有利于知識的生成和建構，一定程度上還會促進替代式學習的發(fā)生。[17]因此，在線教學中應充分利用平臺上支撐小組教學的各種工具，鼓勵和引導學生利用這些工具開展互動，作為教師也應積極參與互動、解疑釋惑。

參考文獻：

[1]孟冰紋，肖玉敏，唐婷婷，謝蓉.美國可汗學院數據平臺功能與數據分析框架研究及啟示[J].圖書館研究與工作，2018（9）：41-47.

[2]何克抗.從Blending Learning 看教育技術理論的新發(fā)展（上）[J].電化教育研究，2004（3）：1-6.

[3]馮曉英，王瑞雪，吳怡君.國內外混合式教學研究現狀述評——基于混合式教學的分析框架[J].遠程教育雜志，2018（5）：13-24.

[4]李浩君，徐佳程，房邵敏，謝蘇超.個性化移動學習路徑優(yōu)化策略應用研究[J].電化教育研究，2016（1）：39-44.

[5]姜強，趙蔚，王朋嬌，王麗萍.基于大數據的個性化自適應在線學習分析模型及實現[J].中國電化教育，2015（1）：85-92.

[6]趙蔚，李士平.基于學習分析的自我調節(jié)學習路徑挖掘與反饋研究[J].中國電化教育，2018（10）：15-21.

[7]朱建東，劉名卓，蔣麗麗.基于神經模糊方法的數字化學習路徑的優(yōu)化選擇[J].情報雜志，2010（8）：114-118.

[8]周皖婧，辛濤，劉拓.“互聯網+”背景下的學生個性化學習系統(tǒng)開發(fā)：現狀與啟示[J].清華大學教育研究，2016（6）：79-84.

[9]顧小清，張進良，蔡慧英.學習分析：正在浮現中的數據技術[J].遠程教育雜志，2012（1）：18-25.

[10]Leveraging Learning Analytics to Guide Online Learning Design.[EB/OL].[2020-01-09].https：//events.educause.edu/archives/2012/educause-midwest-regional-conference-2012/proceedings/leveraging-learning-analytics-to-guide-online-learning-design.

[11]陳凱泉，張春雪，吳玥玥，劉璐.教育人工智能（EAI）中的多模態(tài)學習分析、適應性反饋及人機協同[J].遠程教育雜志，2019（5）：24-34.

[12]趙呈領，陳智慧，黃志芳.適應性學習路徑推薦算法及應用研究[J].中國電化教育，2015（8）：85-91.

[13]R.M.Felder，L.K.Silverman.Learning/Teaching Styles in Engineering Education[J].Engineering Education，1998，78：674-681.

[14]魯娟，劉斌.基于上海市醫(yī)學生的VARK量表結果的另一種分析方法及實證應用[J].中華醫(yī)學教育探索雜志，2018，17（10）：999-1006.

[15]袁振國.當代教育學[M].第4版.北京：教育科學出版社，2010：105.

[16]楊娟，宋曉玲，喬興媚.自主在線學習環(huán)境下學習行為與學習風格偏向性的關聯分析研究[J].中國遠程教育，2017（10）：47-54.

[17]Chi M.T.，Roy M，Hausmann R G，et al.Observing Tutorial Dialogues Collaboratively：Insights about Human Tutoring Effectiveness from Vicarious Learning.[J].Cognitive Science，2008，32（2）：301-341.

（責任編輯劉第紅）