薛艷肖 徐潤森 侯開宇

摘? ?要：近年來，在線教育得到了快速發(fā)展并逐步普及，尤其是在COVID-19爆發(fā)期間，在線教育是目前教學的基本模式。由于線上學習和線下學習有很大的差異性，研究在線學習行為對探索在線教學規(guī)律有重要意義，對在線學習行為相關領域的研究也逐漸成為了國內學者研究的熱點。文章運用文獻知識圖譜方法，以CNKI中CSSCI期刊以及WOS中的SCI期刊文獻作為研究對象，運用CiteSpace5.6R可視化知識圖譜工具對在線學習行為的研究進行分析，追蹤本領域的研究過程、研究熱點變化趨勢，為在線學習行為的進一步深入研究提供方向參考。

關鍵詞：在線學習;學習行為;知識圖譜;熱點分析;互聯網

中圖分類號：G31 文獻標志碼：A 文章編號：1673-8454（2021）07-0014-06

一、引言

近年來，隨著MOOC（慕課）等開放在線課程平臺的推動，國內在線學習已日益普及。尤其是在COVID-19疫情爆發(fā)期間，教育部提出“停課不停學”的號召，鼓勵各類學校利用各類互聯網平臺在線教學，在線學習已成為目前的一個主要學習途徑。在線學習有其自身的優(yōu)勢，也有其不足，對在線學習的規(guī)律認識不夠，在線學習的效果還難以得到普遍的認同。在線學習的行為和傳統(tǒng)線下的學習行為有很大的差異性，需要深入研究學生的在線學習行為，這將為深入理解在線教學規(guī)律提供有效的支持。相比較而言，國外學者從多個維度對在線學習行為進行了探究;[1-3]國內深入研究則起步較晚，2013年MOOC線上學習平臺啟動后才開始對在線學習平臺進行實證分析研究，這方面的研究主要聚焦于統(tǒng)計層面的研究，對學習者個體的學習效果以及學習行為的關注不夠。為了準確把握在線學習行為分析領域的研究熱點以及未來發(fā)展趨勢，本文以CNKI數據庫CSSCI來源期刊以及SCI數據庫中的文獻作為對象，采用CiteSpace知識圖譜可視化工具對在線學習行為文獻進行分析，挖掘在線學習行為的熱點以及未來趨勢，為該領域進一步的深入研究提供方向和參考建議。

二、數據來源及研究方法

1.數據來源

考慮到期刊質量以及數量，為了更好地反映研究內容的發(fā)展過程，故而采用CNKI數據庫CSSCI來源期刊和WOS的SCI核心數據庫作為檢索源，檢索跨度為2010—2020年，在CNKI數據庫CSSCI來源期刊中以“學習行為”作為主題詞進行檢索，文獻精煉后，得到文獻534篇。在WOS的SCI核心數據庫中以“online learning behavior”“online learning activity”進行檢索，精煉后得到文獻871篇。

對知網收集到的有效文獻，按發(fā)文時間統(tǒng)計（見圖1），國內關于學習行為分析研究的文獻量呈波動性上升趨勢。按發(fā)文期刊來源統(tǒng)計，534篇文獻來源于20個期刊，電化教育研究占比55.29%，其次是外語界和圖書情報工作，這3個期刊共占比69%。按學科分布，主要涉及教育理論與教育管理、計算機軟件及計算機應用、高等教育等學科，如圖2所示。

2.研究方法

通過從不同的文獻中提取出的關鍵詞，能夠有效展示學科領域的熱點內容和主題分布，本文通過對檢索的知網534篇有效文獻和SCI的871篇文獻進行關鍵詞共現、國內外研究的聚類分析對比，從而揭示學習行為研究的現狀、熱點和演進趨勢。

三、在線學習行為研究熱點網絡圖譜

1.關鍵詞共現分析

關鍵詞共現分析，可以呈現學科知識的結構、規(guī)律和分布情況，形成研究領域的“知識圖譜”。[4]其中，詞頻表示關鍵詞出現的頻率，反映出研究歷程中的熱點。中介中心性是在兩個節(jié)點之間最短路徑次數，一個節(jié)點充當中介的次數越多，它的中介中心度就越大，代表的是該領域在這段時期內的研究熱點。[4]本文運用CiteSpace，通過對收集到的CSSCI和SCI來源期刊文獻進行關鍵詞挖掘，以關鍵詞出現的頻率排序，形成在線學習行為研究的關鍵詞詞頻表，如表1、表2所示。

結合關鍵詞詞頻內容，對于在線學習行為的研究，國內研究的重點主要圍繞“在線學習”“混合學習”等學習方式展開，研究聚焦于在線學習行為、學習分析，關注在線學習行為的影響因素以及學習行為和學習績效的關系，定量的研究方法中主要是描述性數據分析、結構方程等。國外研究的重點從社會媒體、學習交互、課程設計等角度，關注“學習行為”“學習模型”“系統(tǒng)”“學習表現”等，研究方法更多地應用了數據挖掘、機器學習等方法。從中介中心性來看，中心度應不小于0.05，小于0.05的關鍵詞沒有很好的代表性。如表1、表2所示，“在線學習”“學習行為”“學習分析”“慕課”在整個可視化網絡中具有顯著的地位和影響力，是整個中心詞網絡中的重要樞紐，對在線學習行為分析領域發(fā)揮了重要的作用。從在線學習領域來看，國內起步較晚，而國外領域的研究起步早，涉及領域廣泛，具有完善的“學習系統(tǒng)”，能夠通過數據進行“學習行為預測分析”。特別是近年來，在線學習行為分析在醫(yī)學教學領域得到廣泛關注。[5]

2.聚類分析

CiteSpace依據網絡結構和聚類的清晰度，提供了模塊值（簡稱Q值）和平均輪廓值（簡稱S值） 兩個指標，可以作為我們評判圖譜繪制效果的依據。[4]在CSSCI的聚類網絡中，模塊Q值為0.6806>0.3，表明聚類劃分結構顯著;平均輪廓值S>0.5，表明聚類效果合理。size即聚類的大小反映聚類中關鍵詞量。從學習行為研究領域的高頻關鍵詞、共現聚類的大小和輪廓值，選取國內外研究的主要熱點前5類聚類進行分析，如表3、表4所示。

從聚類的結果上看，在線學習行為的研究中，通過質性研究的方法，國內的研究早期主要聚焦于學習行為本身，涉及對個體學習行為、團體學習行為的特征，學習行為的模型，學習組織和對學習績效的影響等。隨后的研究更多采用了實證研究的方法，主要分析學習行為的影響因素、學習行為和學習績效的關系、學習交互對在線學習績效的影響等。隨著在線學習平臺的完善，平臺中積累了大量的學習記錄，從2017年起，大數據分析在在線學習行為的研究中占有重要位置，通過大數據和人工智能相結合的方法，研究個性化的學習、學習者特征、通過學習行為分析來反饋學習的預期績效等。

國外的在線學習行為早期主要關注于高等教育領域，重點研究在網絡環(huán)境下的學生學習參與、在線課堂教學技術對學習行為的影響等。醫(yī)學領域廣泛地開展了在線教學，在線學習研究主要關注網絡交互學習環(huán)境中護理、醫(yī)藥等學科方向的學生學習行為。隨著研究的深入，更多地關注了社會媒體情境下的在線學習行為特征，研究了基于互聯網的社會媒體、社交平臺的在線學習行為和交流方式的改變對學習行為的影響。網絡溝通對在線學習行為有深刻的影響，這方面得到了很多研究者的關注，重點研究了信息的驅動作用、學習型社區(qū)形成的機制、網絡媒體溝通在學習行為中的作用、MOOC平臺中的學習行為等。隨著平臺學習者的數據積累，大家廣泛地采用大數據和機器學習的方法研究在線學習行為。

四、在線學習行為研究熱點分析

1.在線學習行為研究

學習行為是在學習者個體自身因素的基礎上，在學習環(huán)境因素作用下，通過生活經驗和學習獲得的行為，是后天獲得的經驗性行為。不同的學習者，即使在相同的環(huán)境下，學習的效果也不相同。不同環(huán)境下，同一個學習者，學習效果也可能不同。線下學習行為的研究雖然已取得了豐富的成果，但在線學習和線下學習有顯著的差異性，線下的學習是教與學在同一個時間和空間中發(fā)生的，在線學習改變了這種時空的同步性，在線學習行為必然帶來很大的改變，通過對學習者在線學習行為進行分析，研究學習者的個體學習特征，有助于從學習者在線學習行為的角度，發(fā)現有效的在線學習行為和改善在線學習行為的影響因素，從而采取合適的措施，提升在線學習效果。夏小娜等[6]通過對用戶學習行為進行跟蹤，剖析學習興趣，構建學習新模型。伍法提等[7]基于有效學習行為的指標和特征等方面進行總結，對學習者的在線學習進行分析和評估。隨著在線學習的發(fā)展，這方面的研究將進一步受到重視。

2.在線學習平臺研究

2012年MOOC首次在美國獲得廣泛的推廣后，2013年進入國內。國內學者關注的主要是在線學習平臺中學習行為的有效性，2015年MOOC教學模式研究成為熱點。眾多研究者從線上線下的結合、交互式學習、對學生進行適應性研究等多角度探索在線學習行為。其中主要是對在線平臺本身作用進行探究。菅保霞等[8]分析了不同思維類型學習者的學習行為序列，解讀其轉化路徑，為在線學習平臺設計、路徑和資源推薦、深度學習引導提供參考，并推動在線學習的進一步發(fā)展;彭娟等[9]基于機器學習的方法對在線學習行為進行評價。這些研究將會推動在線學習平臺進一步完善。

3.基于大數據分析的在線學習行為研究

互聯網學習平臺容易實現學生學習日志的記錄，為在線學習行為的研究提供了豐富的數據，大數據分析已成為在線學習研究的重要方法。結合人工智能中的機器學習技術，運用大數據對學習者的個性化學習、學習者特征、學習行為模式等進行分析，有助于挖掘分析出影響學習行為的因素，發(fā)掘有效的學習行為模式，從而采取有效措施，進行平臺功能改進，通過激勵與約束等功能的提供，改善學習者的學習行為，提高學習效果。張進良等[10]挖掘學生學習行為數據，針對具體情境采取合理的學習行為優(yōu)化措施，提升了學習的效果，強化了學習互動。利用機器學習技術和大數據分析方法研究學生在線學習行為，有助于改善在線學習質量。

4.在線學習行為與學習績效的關系

分析在線學習行為對學習績效的作用，通過學習行為對學習績效進行預測方面的研究，也是在線學習行為研究的一個重要內容，通過學習投入、學習行為分析等對學生學習績效進行預測，從而改進在線學習行為模式，制定在線學習績效評價體系，使在線學習評價更全面合理，有助于促進學習行為的改善。石娟等[11]研究了在線學習績效內容體系的構建。胡小勇等[12]研究了學習者特性、學習投入等學習行為與學習績效的關系。這些研究將進一步推動在線學習的發(fā)展。

通過聚類分析的結果并結合具體相關文獻的分析，得出在線學習的研究熱點主要是圍繞在線學習行為進行的，如何運用大數據對學習行為進行挖掘、怎樣利用研究和挖掘的結果提高在線學習績效，這些將會得到更多的研究者關注。

五、在線學習行為研究趨勢分析

利用CiteSpace自帶的可視化圖譜Timezone view的方式，將同一聚類的詞組放置于同一時間軸上，可以觀察到不同時期內國內外的研究重點以及趨勢，通過Burst detection，可以觀察到研究熱點趨勢開始以及結束。從研究時間線看，如圖3、圖4所示，在線學習行為的研究爆發(fā)于在2012年到2015年，從2015年開始，MOOC（慕課）學習成為了國內在線學習行為領域的研究熱點。國內學者都致力于將在線學習以及線下學習的方式進行有效的結合，關注在線課堂在中國國內的實踐運用以及適用性的研究;在“互聯網+”技術以及大數據的大規(guī)模應用下，從2017年開始，學習分析、個性化學習、大數據學習和人工智能等研究方法的采用開始成為國內研究熱點。基于用戶學習傾向和可持續(xù)性學習保障，以及學習者模型畫像、學習體驗、大數據學習行為分析等內容，將持續(xù)成為在線學習行為研究的熱點。

國外的在線學習行為研究中，如圖5、圖6所示，較早地開始了對在線學習行為的影響因素分析及通過數據進行在線學習行為的實證分析。研究主要集中于在線學習策略、適用性、合作學習、教學策略、教學問題等方面，注重學習環(huán)境和學習支持的作用。2017年開始，通過大數據結合統(tǒng)計學習、深度學習等機器學習方法，對在線學習進行用戶分類、學習行為分類、學習預測，以及從醫(yī)學心理學視角進一步開展在線學習行為研究。

六、結論

隨著互聯網、云計算等技術的高速發(fā)展，由于在線學習平臺學習成本低和連接能力強，使全球優(yōu)質教育資源的建設與共享成為可能。同時終身學習已形成廣泛的共識，時間的碎片化使人們的學習方式有了顯著的改變，這些又推動在線學習平臺的影響力不斷加強、規(guī)模不斷擴大。鑒于在線教育帶來的時空隔離性、帶來在線學習行為與線下學習行為的顯著差異性，需要進一步深入研究在線學習行為，才能有效改善在線教育質量。通過CiteSpace對該領域的研究文獻進行描述性統(tǒng)計分析和聚類分析，在此基礎上探究在線學習行為研究過程，通過可視化圖譜的直觀表現，再現“在線學習行為分析”研究的趨勢，可以得出如下結論。

（1）在線學習已成為一種重要的學習方式。從研究論文上可以看出在線學習的發(fā)展，在線學習的研究論文量增長迅速，從總體上已細分成眾多研究領域。其中在線學習行為研究也得到了眾多研究者的關注，2012年MOOC的發(fā)展與推動，使研究者廣泛關注互聯網在線學習行為這一領域，從著眼于在線學習影響因素轉變?yōu)殛P注個性學習者的學習行為上。從2015年開始國內以在線學習、學習行為、智慧學習、大數據學習、教育數字化等為代表的研究網絡正在逐步形成，國外學者在2012年開始就進行了實證研究，并在2017年開始，隨著機器學習尤其是深度學習等技術的發(fā)展，更多地采用了大數據分析方法對學習者的個人行為進行探究。

（2）在線學習行為研究已逐步深入。現階段國內科研學者對在線學習行為的關注點主要是通過對學習者行為影響因素的探究，來建立合理的預測模型與預警模型，通過反饋提升在線學習效果。國外的研究從在線學習行為模型逐步深入到社會媒體、網絡溝通、媒體交互等對在線學習行為的影響，信息對在線學習行為的驅動作用，社交網絡平臺的作用，學習型社區(qū)形成的機制等。目前國內學習行為的改善方法以及構建有效學習行為模型的合理機制研究較少，研究成果還沒有能夠被有效檢驗，目前的互聯網學習平臺的功能還存在這方面的不足，因而在線學習效果還有待進一步提升。在線學習能夠方便地跟蹤每個學習者學習記錄，國外的在線學習研究更多地開始關注對學習者個性化服務方面，通過對學習者在線學習行為的分析進行個性化的學習推薦、反饋并提供相關服務。研究普適化的有效學習行為模式和個性化的學習服務將成為重要的研究趨勢。

（3）機器學習方法和大數據結合將成為重要的研究手段。在進一步的研究方向上，主要體現在智慧學習以及學習行為的大數據分析方面，具體表現在學生的畫像、學習平臺的自適應優(yōu)化、通過數據分析學習者的興趣及意愿、學習服務的個性化、通過學習測量引導在線學習行為方式的改變等。學習行為理論的研究、機器學習技術的使用、學習大數據的分析，將逐步提高互聯網學習平臺的效用和學習者持續(xù)的在線學習意愿，將有效地推動智慧學習的發(fā)展。

參考文獻：

[1]Petty，T.，&Farinde，A.Inverstigating student engagement in an online nathematics course through windows into leaching and learning[J].Journal of Online Learning and Teaching，2013，9（2）：261-270.

[2]Guo，W.，Chen，Y.，Lei，J.，& Wen，Y.The effects of facilitating feedback on online discussion[J].Education Sciences，2014（4）：193-208.

[3]Lonsdale，Chris. An internet-supported school physical activity intervention in low socioeconomic status communities： results from the activity and motivation in physical education（amped） cluster randomised controlled trial. BRITISH JOURNAL OF SPORTS MEDICINE DOI 10.1136/bjsports-2017-097904.

[4]曹晶，張沛黎，周亞麗.基于CiteSpaceⅢ的國外中亞研究分析[J].農業(yè)圖書情報學刊，2018，30（9）：19-26.

[5]汪文新，江舜杰，陳美林，趙宇，余悅.基于CiteSpace近15年來我國醫(yī)患關系領域研究熱點探討[J].中國衛(wèi)生事業(yè)管理，2018（5）：340-342.

[6]夏小娜，戚萬學.興趣驅動的用戶借閱行為分析及啟發(fā)式借閱流程模型構建[J].圖書館理論與實踐，2020（1）：57-64.

[7]武法提，田浩.挖掘有意義學習行為特征：學習結果預測框架[J].開放教育研究，2019（6）：75-82.

[8]菅保霞，姜強，趙蔚.基于全腦模型的在線學習者學習行為序列分析[J].現代教育技術，2020，30（1）：107-113.

[9]彭娟，李紅杰.基于機器學習的在線學習行為評價研究[J].計算機產品與流通，2019（4）：136.

[10]張進良，魏立鵬，劉斌.智能化環(huán)境中基于學習分析的學習行為優(yōu)化研究[J].遠程教育雜志，2020，38（2）：69-79.

[11]石娟，黃潔.基于問題的Web-CKB的學習績效內容體系的構建[J].現代教育技術，2011（4）：84-87.

[12]胡小勇，徐歡云，陳澤璇.學習者信息素養(yǎng)、在線學習投入及學習績效關系的實證研究[J].中國電化教育，2020（3）：77-84.

（編輯：王天鵬）