唐世星 柯鳳琴 聶帥帥

摘 要：探究高職院校學生網絡學習行為特征對于提高高職院校教學水平有著重要的指導意義。為此，文章采集了承德石油高等專科學校3個專業(yè)5個班級共179名學生的《高等數(shù)學》課程網絡學習數(shù)據(jù)，并基于混合式教學模式框架，優(yōu)選出平臺登錄時長、資源學習時長等8項學習行為指標。通過采用KMO和Bartlett's球形檢驗發(fā)現(xiàn)，KMO統(tǒng)計量大于0.8，檢驗概率小于0.05，說明特征指標數(shù)據(jù)適合進行因子分析，并提取出學習參與因子、學習記載因子兩項特征公因子。最后，基于K-Means聚類算法將學生的學習行為劃分為三類，并針對性地制定了網上教學策略?；诨旌蠈W習環(huán)境下的高職院校學生網絡學習行為具有多樣性特征，因此針對不同群體因材施教成為進一步提高學生整體學習效果的關鍵所在。

關鍵詞：混合學習;高職院校;網絡學習;學習行為;特征聚類

中圖分類號：G712? ? ?文獻標志碼：A? ? ? ? ? 文章編號：1673-8454（2021）06-0007-05

一、引言

隨著《國家職業(yè)教育改革實施方案》（簡稱職教20條）的發(fā)布，職業(yè)教育被定義為與普通教育同等重要地位，在我國經濟社會發(fā)展中發(fā)揮著越來越重要的作用，特別是技術、技能型人才更是對經濟發(fā)展起到了關鍵性作用。“沒有職業(yè)教育現(xiàn)代化就沒有教育現(xiàn)代化” [1]。教育現(xiàn)代化特別是信息化教學手段融入傳統(tǒng)教學過程，更是給教育現(xiàn)代化提供了強有力的技術支持。2012年發(fā)布的《教育信息化十年發(fā)展規(guī)劃（2011—2020年）》[2]提出“以教育信息化帶動教育現(xiàn)代化”，并且對職業(yè)教育明確提出了要“加快職業(yè)教育信息化建設，支撐高素質技能型人才培養(yǎng)”。

近年來，“互聯(lián)網+教育”的迅猛發(fā)展為職業(yè)教育信息化建設帶來巨大的機遇與挑戰(zhàn)，各大網絡平臺大力發(fā)展、推廣研發(fā)的在線教學系統(tǒng)，如“國家開放大學”“中國大學MOOC”“愛課程”“學堂在線”等等。同時研發(fā)了很多線上教學平臺，如“藍墨云班課”“智慧職教云課堂”“超星學習通”等App。特別是2020年新冠肺炎疫情的爆發(fā)，更是凸顯了網絡教學平臺的重要性。無論是大中專院校還是中小學，都充分利用各大線上教學平臺，配合釘釘、騰訊會議等直播平臺，有效解決了“停課不停教、停課不停學”的問題。

高職院校學生作為一類特殊的高等教育群體，具有養(yǎng)成教育欠缺、自我約束力較差、理想信念差異大等特點，其網絡學習行為具有不同于其他高等教育群體的“特殊性”。因此，分析當前高職院校在校學生群體的網絡學習行為，不僅對提高高職院校學生綜合素質以及高職院校教學水平有著重大的指導意義，同時也符合當下社會進步和時代發(fā)展的需求。本文旨在通過分析高職院校在校學生這一特殊群體在混合學習環(huán)境下的網絡學習行為特征，為高職院校教育教學提供指導性建議或策略。

二、研究基礎

信息化教學手段的引入，極大地豐富了傳統(tǒng)教學過程，對教學水平和教學質量的提高起到了一定的促進作用[3]。如何進一步分析信息化教學手段對提高教學質量的影響，則需要借助一定的技術手段。

王堅等 [4]利用因子分析和聚類分析技術，對學生網絡學習行為進行了研究，提取了影響學習效果的兩個主要因子：學習參與因子和課程測試因子，并據(jù)此進行聚類分析，得出學生網絡學習具有群體性的特征。顏磊等 [5]使用學習分析技術對網絡學習行為進行了研究，構建了網絡學習行為模型，總結了學生網絡學習行為的特征，指出了學習過程中所產生的問題。菅保霞等[6]基于全腦模型，采用滯后序列分析法分析了不同思維類型學習者的學習行為序列，并重點解讀了其轉化路徑。荊永君等 [7]運用學習分析技術分析了教師在線學習行為特征，綜合應用統(tǒng)計分析、序列分析、關聯(lián)規(guī)則、社會網絡分析等方法，從學習活躍、學習投入時間、學習行為序列、社會交互四個方面，分析了教師在線學習行為的群體特征，并且建議實施在線學習與線下集中研討相結合的混合式教師培訓，培訓安排與支持服務、學習內容與活動設計應符合教師在線學習規(guī)律，并提供有效的技術腳手架和干預機制，以期提高教師培訓效益。

1.學習分析技術

學習分析技術（Learning Analytics，簡稱LA）是對教師教學過程中產生的海量學生學習數(shù)據(jù)進行數(shù)據(jù)挖掘，以評估學生的學業(yè)水平、預測學生的學業(yè)進展、發(fā)現(xiàn)潛在的問題，為提高教學質量和教學水平給出指導建議[8]。當前，學習分析技術已經成為學者和相關教育研究機構關注的熱點，并廣泛應用到教育研究中。

美國EDUCAUSE分析研究中心[9]將學習分析技術定義為“使用數(shù)據(jù)和模型對學生學習進程進行評價和預測，并依據(jù)結果干預學生未來發(fā)展和發(fā)現(xiàn)潛在問題”。北京師范大學何克抗教授[10]將學習分析技術界定為：利用各種數(shù)據(jù)收集和數(shù)據(jù)分析工具，從教育領域的海量數(shù)據(jù)（包括在教學過程、學習過程、教學管理過程中所產生的海量數(shù)據(jù)）中，通過收集、測量、分析和報告等方式，提取出隱含的、有潛在應用價值的、涉及“教與學”或“教學管理”的過程及行為的各種信息、知識與模式，從而為教師的“教”、學生的“學”以及教學管理提供智能性的輔助決策的技術。

2.混合學習環(huán)境與網絡學習行為

隨著信息化教學手段的進一步發(fā)展，利用網絡平臺進行學習的現(xiàn)象變得越來越普遍。信息化教學手段的融入改變了傳統(tǒng)教學過程，形成了現(xiàn)在廣泛使用的教學模式，即混合教學模式。這種學習模式改善了傳統(tǒng)教育模式存在的缺陷，有效提升了教學水平和教學質量。

孫偉[11]對混合式網絡學習環(huán)境下高職學生學習成效進行了分析，得出采用混合式網絡教學方式的學習效果優(yōu)于完全采用網絡教學方式。黃慧[12]分析了影響大學生在線學習參與度的主要因素，構建了大學生在線學習參與度測評指標體系和提升策略模型，得出提升策略模型能夠有效促進大學生在線學習的積極性，提高了大學生的在線學習參與度。李寶[13]以Blackboard、微信平臺以及電子教材作為支持學習的工具，重點對學生在該環(huán)境下學習滿意度的影響因素進行了實證探討，分析了學生學習滿意度影響因素的層級模型，為實際教學提供了參考借鑒。彭飛霞等[14]分析了混合學習是否影響學習深度，提出了加深混合學習的學習深度是時代境遇與現(xiàn)實訴求，構建了加深混合學習深度的策略，加深了學習場域構建，提升了混合學習的教學設計能力和教師把控混合學習的能力。

高職院校的學生作為特殊的教育群體，在學習自律性、對知識的理解等方面存在著明顯的不足，造成了學習效果不太理想的狀況。因此，研究高職院校學生網絡學習行為特征，對于提高高職院校教育教學效果具有指導性意義。

三、研究設計

本研究以典型高職院校的公共基礎課程為例，以文獻調研、問卷調查等方式，初步了解高職院?；旌蠈W習環(huán)境下網絡教學以及學生網絡學習現(xiàn)狀，再結合高職院校學生網絡學習的Web日志、平臺交流數(shù)據(jù)等，通過文本挖掘、聚類等數(shù)據(jù)挖掘算法，確定高職院校學生網絡學習行為特征，為高職院校教育教學提供指導性建議或策略。

1.網絡學習行為數(shù)據(jù)采集

本研究以承德石油高等?？茖W校公共基礎課程《高等數(shù)學》為例展開研究，該課程是國家級精品課程、國家精品課程資源共享課程，首批上線愛課程網站，同時在智慧職教云課堂建設了《高等數(shù)學》信息化課程，該課程開設周期為17周，教學資源包括教學課件、微視頻、電子教材、習題庫、課后作業(yè)等，供學生自主學習。

在該課程的教學過程中引入混合式教學模式理念，學生的主要學習行為源于信息化教學平臺。按照學期教學計劃設定“今日課堂”的教學內容，形成課前（課程公告、教學要求）、課中（導學、教學課件及視頻、簽到、討論、答疑等）、課后（課后安排、課后作業(yè)、學生總結和評價等）的教學設計，教學過程主要采用“騰訊會議+智慧職教云課堂”進行。

采集的網絡學習行為數(shù)據(jù)來源于智慧職教云課堂平臺記錄的學生學習數(shù)據(jù)，研究對象為2019年入學的大一新生，共計5個班級179人，涉及網絡技術、汽車檢測與維修技術、內燃機制造與維修3個專業(yè)。學習數(shù)據(jù)記錄了學生網絡學習過程中的各類信息，如查看學習任務、觀看各類課件等教學資源、完成課堂討論情況、課后作業(yè)的完成情況等，據(jù)此設計8個特征指標，充分反映了學生網絡學習行為的個性化特征，并以期末成績作為檢驗混合式教學模式的因子，如圖1所示。

在混合式學習模式下，學生學習過程中產生的各個指標特征中，對教學課件、教學視頻等資源的學習是學生自主學習并理解、掌握所學知識的關鍵環(huán)節(jié);用學生每次登錄平臺時間和退出平臺的時差表示平臺登錄時長;以學生學習教學課件、觀看教學視頻的學習時長和學生在線學習時長共同來表達學生在智慧職教云課堂利用網絡教學資源學習的資源學習時長;平臺登錄頻次以周為單位進行統(tǒng)計，反映學生學習教學資源的次數(shù);資源查看率、活動參與率、課堂簽到率表示學生課中對所有教學資源的查看程度和活動參與度，反映學生的學習態(tài)度是否端正;作業(yè)完成率、總結評價率分別反映學生課后完成作業(yè)的情況、課堂總結情況和學習評價情況。

2.學習行為因子分析

學習行為指標特征充分反映了學生學習過程中各方面的特征。由于學生的個體差異，導致學習行為參差不齊，智慧職教云課堂平臺對應的8個指標特征也相應生成了大量的學習數(shù)據(jù)。研究表明，眾多特征變量中一定存在著相互關聯(lián)的信息，即這些特征指標在一定程度上會存在信息重疊，因此可以通過機器學習算法的降維技術來實現(xiàn)學習行為特征指標的冗余分析和特征提取[15]。常用的降維技術有主成分分析法（PCA）、因子分析法（FA）和獨立成分分析法（ICA）。

本文采用因子分析法對學習行為進行研究，進而對8個特征指標進行有效的特征提取。因子分析法把原來多個特征指標劃分為少數(shù)幾個綜合性指標，這些綜合性指標既能充分反映信息特征，又是彼此相互獨立的[16]。由于學習行為特征指標數(shù)據(jù)量綱不同，因此必須對原始數(shù)據(jù)進行標準化預處理，以消除各指標量綱和數(shù)量級的影響。

筆者借助SPSS軟件進行因子分析，首先進行相關性分析，計算原指標特征之間的相關系數(shù)矩陣，進行統(tǒng)計檢驗。然后使用巴特利特球形檢驗（Bartlett's Test of Sphericity）和KMO（Kaiser-Meyer-Olkin）檢驗統(tǒng)計量進行檢驗（見表1），用于檢測待分析的特征指標數(shù)據(jù)是否適合進行因子分析以及效果如何。從表1中可見，KMO統(tǒng)計量大于0.8，檢驗概率小于0.05，說明特征指標數(shù)據(jù)適合進行因子分析。

根據(jù)SPSS軟件因子分析計算結果，得到總方差解釋表（見表2），由主成分提取原則（特征值大于1）可知，可以提取出兩個公共因子。這兩個公共因子已經包含了絕大部分的信息（累計貢獻率達到77.203%），可以解釋原特征指標77.203%的方差。在旋轉后的因子載荷矩陣中（見表3），第一個公共因子在特征指標X1、X3、X4、X5、X6、X7上有較大載荷，體現(xiàn)了這六個指標較強的線性相關性，可歸結為在線學習參與度，記為學習參與因子;第二個公共因子在特征指標X2、X8上有較大載荷，體現(xiàn)了這兩個指標較強的線性相關性，可歸結為學習記載指標，記為學習記載因子。

由因子得分矩陣可得出兩個公共因子的得分表達式如下：

F1=0.147X1-0.074X2+0.265X3+0.218X4+0.195X5+0.203X6+0.178X7-0.16X8

F2=0.017X1+0.574X2-0.026X3+0.018X4-0.135X5-0.003X6-0.017X7+0.614X8

3.學習行為聚類分析

學習行為聚類分析的目的在于通過對不同學生的歸類研究，找到他們學習行為的相似之處，將學生劃分為不同類型的特征群體。本研究使用基于歐氏距離的K-Means聚類算法，該算法將學生學習行為數(shù)據(jù)集合按照最小距離原則劃分為K個類別，但是類數(shù)K如何確定一直缺乏科學依據(jù)。本研究采用Xie-Beni指數(shù)確定最優(yōu)聚類數(shù)[17]，得到最優(yōu)聚類數(shù)為K=3，如表4所示。

按照最優(yōu)聚類數(shù)，使用K-Means聚類算法將179位學生劃分為三類，各類的中心點和樣本數(shù)量見表5。

依據(jù)分類結果，結合學生學習特征指標數(shù)據(jù)，可以得出以下結果：

第一類學生數(shù)量占比60%，這類學生占比最高，聚類中心點為（0.83，0.89），表明線上教學環(huán)節(jié)的設置與大多數(shù)學生的需求相匹配，對提高教學質量具有積極的作用。這類學生對線上學習方式參與度高，能夠積極主動地學習線上教學資源，對教學課件、教學視頻等學習資源的理解掌握較好;平臺登錄時間長，資源學習時間長，查看率高，學習過程具有連貫性特征;努力完成課堂作業(yè)，積極通過測試練習提高知識儲備;學生樂于利用線上平臺進行交流、學習。這部分學生能夠很好地利用網絡教學平臺進行學習，學習效果較好，教師可以適當引入激勵措施，進一步鼓勵學生參與線上教學的自主性與熱情。

第二類學生數(shù)量占比16%，這類學生數(shù)量最少，聚類中心點為（0.41，0.37），表明這類學生主動參與線上教學的程度最差，在教學資源的學習、線上教學的參與度、課后作業(yè)的完成情況等方面較差，不能適應線上教學過程中自我約束、自我激勵的要求。這部分學生如果一直保持這種學習狀態(tài)，最終會達不到《高等數(shù)學》課程的教學要求，甚至會出現(xiàn)掛科現(xiàn)象。因此，應該對他們引入相應的輔助手段，如加強傳統(tǒng)課堂教學的學習，增加輔導答疑的次數(shù)，從班級中選出學習成績優(yōu)秀的學生組建幫扶小組，對這一小部分學生給予學習幫扶等，以改善他們的學習態(tài)度和學習行為的有效轉換，提高他們的學習積極性，掌握《高等數(shù)學》知識體系，達到教學要求。

第三類學生數(shù)量占比24%，聚類中心點為（0.49，0.72），表明這部分學生對線上教學平臺資源的學習投入方面相對不足，但課堂簽到率較高、作業(yè)完成情況較好，能夠體現(xiàn)學生想通過完成作業(yè)來快速掌握所學知識，以達到教學基本要求，但又對線上教學過程的其他環(huán)節(jié)不夠重視。針對這部分學生，教師應該及時加強交流溝通，引導他們要全面學習，注意中間過程，真正學到所需要的知識。

四、結論與建議

本研究分析了高職院校在校學生這一特殊群體在混合學習環(huán)境下的網絡學習行為特征及其影響因素。線上教學因學習形式泛在化、學習資源豐富多樣、課堂教學組織靈活多樣、教學評價方式多元化而備受廣大教育工作者和學習者的青睞，也逐漸改變了傳統(tǒng)教學模式，特別是在新冠肺炎疫情的影響下，更是把線上教學推向了一個新高度。混合學習環(huán)境下學生網絡學習行為的研究，為進一步改革教育教學模式提供了參考。

首先，以典型高職院校——承德石油高等?？茖W校的《高等數(shù)學》課程為例，通過收集學生的線上學習特征數(shù)據(jù)，分析了學生《高等數(shù)學》課程的網絡學習行為特征，即從數(shù)據(jù)角度研究學生的網絡學習行為。

其次，通過對網絡學習行為特征指標數(shù)據(jù)的聚類結果可知，不同學生的網絡學習行為對學習效果的控制機制也有所不同。最優(yōu)聚類結果分為三類，說明學生的網絡學習行為尚有提升的空間。如何在教學過程中因材施教、進一步提高課程的整體學習效果，是任課教師在教學過程中應該重點考慮的問題。

最后，聚類對學生群體應是動態(tài)劃分的，應用大數(shù)據(jù)技術結合聚類方法適時掌握學生的類別歸屬變化，找到造成變化的根本原因，及時給予激勵或者指導，讓學生往更好的方向發(fā)展。通過適時統(tǒng)計學生網絡學習行為特征數(shù)據(jù)，運用數(shù)據(jù)挖掘技術對學生學習行為規(guī)律進行指導，推送相關學習資源，滿足學生階段性學習需求，并對將來的學習路徑、學習效果進行預測，實現(xiàn)動態(tài)化、智能化學習，創(chuàng)建自適應的學習系統(tǒng)。

參考文獻：

[1]國發(fā)[2019]4號.國務院關于印發(fā)國家職業(yè)教育改革實施方案的通知[Z].

[2]教技[2012]5號.教育部關于印發(fā)《教育信息化十年發(fā)展規(guī)劃（2011-2020年）》的通知[Z].

[3]劉鑄嬌.大數(shù)據(jù)背景下高職院校信息化教學現(xiàn)狀及對策[J].科教文匯（上旬刊），2020（5）：113-114.

[4]王堅，張媛媛，柴艷妹.基于因子分析和聚類分析的學生網絡學習行為研究[J].中國教育技術裝備，2019（18）：3-5.

[5]顏磊，祁冰.基于學習分析技術的網絡學習行為研究[J].吉林廣播電視大學學報，2019（5）：14-15.

[6]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(xiàn)代教育技術，2020，30（1）：107-113.

[7]荊永君，李昕.學習分析技術支持下的教師在線學習行為特征分析[J].中國電化教育，2020（2）：75-82.

[8]王紫琴，彭嫻，吳砥.學習分析技術規(guī)范比較研究[J].開放教育研究，2017，23（1）：93-101.

[9]Johnson L， Adams S， Cummins M. Horizon report： 2012 higher education edition[J].New Media Consortium，2012，24（4）：42.

[10]何克抗.“學習分析技術”在我國的新發(fā)展[J].電化教育研究，2016，37（7）：5-13.

[11]孫偉.混合式網絡學習環(huán)境對高職學生學習成效的影響分析[J].當代職業(yè)教育，2014（3）：69-71+48.

[12]黃慧.混合式學習環(huán)境下大學生在線學習參與度提升策略研究[D].上海：上海師范大學，2017.

[13]李寶.混合式學習環(huán)境下學生學習滿意度影響因素模型的構建與實證研究[D].西安：陜西師范大學，2016.

[14]彭飛霞，陽雯.混合學習如何加深學習深度——兼及教育大數(shù)據(jù)如何支持學習分析[J].現(xiàn)代遠距離教育，2017（2）：31-39.

[15]畢達天，邱長波，張晗.數(shù)據(jù)降維技術研究現(xiàn)狀及其進展[J].情報理論與實踐，2013，36（2）：125-128.

[16]劉愛玉，田志鵬.SPSS數(shù)據(jù)分析教程[M].北京：北京大學出版社，2017.

[17]唐世星，陳軍，柯鳳琴.基于FCM算法的小腦基因模糊聚類分析[J].數(shù)學的實踐與認識，2010，40（12）：74-79.

（編輯：李曉萍）