孫建文 胡夢薇 劉三女牙 李卿 沈筱譞

【摘 要】

在線討論是數(shù)字教育的重要組成部分。利用豐富多元的討論行為特征開展學(xué)習(xí)績效預(yù)測分析，是揭示在線協(xié)作學(xué)習(xí)機制、提升在線教學(xué)質(zhì)量的有效途徑。本文聚焦在線教學(xué)場景下的學(xué)習(xí)者異步討論行為特征，通過構(gòu)建基于多維特征的學(xué)習(xí)績效預(yù)測模型探究各個特征的預(yù)測效力及其影響機理。以華中師范大學(xué)一門SPOC課程論壇上的164位學(xué)生為實驗對象，實驗結(jié)果表明：移動窗口和回復(fù)關(guān)系兩類社會網(wǎng)絡(luò)特征對學(xué)習(xí)績效的預(yù)測能力存在顯著差異，基于移動窗口網(wǎng)絡(luò)特征的預(yù)測能力優(yōu)于傳統(tǒng)回復(fù)網(wǎng)絡(luò);引入積極性和規(guī)律性兩個隱性時間特征之后，進一步提升了學(xué)習(xí)績效預(yù)測的準(zhǔn)確性;融合人口背景、行為頻數(shù)、社會網(wǎng)絡(luò)和時間信息等多維特征對學(xué)習(xí)績效具有較高的預(yù)測能力，準(zhǔn)確率最高可達87.44%，不僅增加了異步討論行為特征的豐富性，獲得更多對在線教學(xué)有啟示價值的信息，而且有效提升了學(xué)習(xí)績效預(yù)測能力。

【關(guān)鍵詞】? 在線教學(xué);異步討論;學(xué)習(xí)行為;學(xué)習(xí)績效;預(yù)測模型;多維特征;社會網(wǎng)絡(luò)特征;隱性時間特征

【中圖分類號】? ?G434? ? ? ? ?【文獻標(biāo)識碼】? A? ? ? ?【文章編號】? 1009-458x（2022）5-0056-08

一、引言

隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等信息技術(shù)與教育教學(xué)的不斷融合，以及新冠肺炎疫情防控常態(tài)化，在線教學(xué)正發(fā)展成為未來教育的一種趨勢（Chang， Hsu， Kwon， Kusdhany， & Hong， 2021）。與此同時，支持“師—生”“生—生”甚至“師—生—機”之間有效協(xié)作的異步討論逐漸成為在線教學(xué)的有機組成部分（Han & Ellis， 2019）。異步討論工具支持學(xué)習(xí)者跨時空、跨場景、跨終端開展社會性交互，為實現(xiàn)“人人皆學(xué)、處處能學(xué)、時時可學(xué)”的學(xué)習(xí)場景提供了重要手段?；诋惒接懻摦a(chǎn)生的海量、實時、豐富的交互類大數(shù)據(jù)，開展以學(xué)習(xí)者為中心的行為分析與績效預(yù)測，是當(dāng)前在線教學(xué)研究的熱點問題之一（De-Marcos， et al.， 2016; Galikyan & Admiraal， 2019; 胡航， 等， 2021; 沈欣憶， 等， 2020）。

當(dāng)前研究主要圍繞異步討論交互特征提取與學(xué)習(xí)績效預(yù)測模型構(gòu)建兩方面開展，尤其是如何從人口背景、行為頻數(shù)、社會網(wǎng)絡(luò)、時間信息等多維交互數(shù)據(jù)中挖掘出具有較高預(yù)測效力的特征指標(biāo)（Alyahyan & Dü teg?r， 2020; Gitinabard， Xu， Heckman， Barnes， & Lynch， 2019; Li & Baker， 2018）。近年來，盡管已取得了一系列研究成果，但在異步討論交互特征數(shù)據(jù)的多樣化、深層次信息挖掘和利用方面仍存在不足。例如，對于社會網(wǎng)絡(luò)類特征，多數(shù)研究僅局限于探索傳統(tǒng)回復(fù)關(guān)系定義下的行為特征對學(xué)習(xí)績效預(yù)測能力的影響，少有研究從社會關(guān)系多樣性視角考察更具預(yù)測效力的特征（Gitinabard， et al.， 2019）。對于時間類特征，現(xiàn)有研究大多聚焦于淺層統(tǒng)計信息（如在線時長、天數(shù)等），缺乏從時間數(shù)據(jù)中挖掘潛在的隱性特征進行學(xué)習(xí)績效預(yù)測（Barbera， Gros， & Kirschner， 2015）。針對此類問題，本文運用數(shù)據(jù)驅(qū)動的研究范式，以華中師范大學(xué)一門SPOC課程論壇中的164位學(xué)生為對象，通過對異步討論交互數(shù)據(jù)的全面、深度分析，構(gòu)建基于多維特征的學(xué)習(xí)績效預(yù)測模型，進一步揭示在線教學(xué)環(huán)境下學(xué)習(xí)者的異步討論行為特征與學(xué)習(xí)績效之間的關(guān)系，以期為后續(xù)研究提供參考。

二、相關(guān)研究

（一）學(xué)習(xí)績效預(yù)測

學(xué)習(xí)績效預(yù)測是學(xué)習(xí)分析領(lǐng)域的核心問題之一，其本質(zhì)是利用學(xué)習(xí)者在學(xué)習(xí)過程中產(chǎn)生的各類數(shù)據(jù)，運用以機器學(xué)習(xí)為代表的方法對學(xué)習(xí)績效或效果進行預(yù)測。教師可根據(jù)預(yù)測結(jié)果及時了解學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，并對學(xué)習(xí)過程進行及時干預(yù)，如改善學(xué)習(xí)者學(xué)習(xí)習(xí)慣、調(diào)整教學(xué)策略等（武法提， 等， 2019）。從任務(wù)角度劃分，學(xué)習(xí)績效預(yù)測可以是分類任務(wù)，如預(yù)測學(xué)習(xí)者是否有不及格的風(fēng)險（Gray & Perkins， 2019）;可以是回歸任務(wù)，如預(yù)測學(xué)習(xí)者關(guān)于某門課程的成績分值或者排名（Soffer & Cohen， 2019）。

（二）學(xué)習(xí)績效影響因素

在在線教學(xué)環(huán)境下，以異步討論為代表的數(shù)字化學(xué)習(xí)工具提供了強大的過程性數(shù)據(jù)采集能力，數(shù)據(jù)中蘊含了若干影響學(xué)習(xí)績效的因素。從數(shù)據(jù)挖掘角度看，這些因素可稱之為特征。結(jié)合已有研究，相關(guān)特征可分為以下四類：

1. 人口背景

人口背景一般指學(xué)習(xí)者的性別、年齡、父母職業(yè)等。相關(guān)研究包括：Alyahyan等（Alyahyan， et al.， 2020）通過綜述近五年的學(xué)習(xí)績效預(yù)測研究，發(fā)現(xiàn)使用較多的特征是人口統(tǒng)計變量（如學(xué)習(xí)者的性別、年齡、國籍等）;Gardner等（Gardner & Brooks， 2018）針對MOOC學(xué)習(xí)環(huán)境進行了研究，發(fā)現(xiàn)學(xué)習(xí)者的年齡和父母職業(yè)等都是學(xué)習(xí)績效的重要預(yù)測因素;Espinoza等（Espinoza & Taut， 2020）著重考察了學(xué)習(xí)者的性別和學(xué)習(xí)績效的關(guān)系，發(fā)現(xiàn)性別可以作為預(yù)測學(xué)習(xí)績效的良好特征。但是，簡單基于人口背景信息的學(xué)習(xí)績效預(yù)測能力有限，通常與其他類型的特征進行組合，實現(xiàn)基于多維特征的學(xué)習(xí)績效預(yù)測。

2. 行為頻數(shù)

行為頻數(shù)是指從學(xué)習(xí)者學(xué)習(xí)過程中提取的行為類統(tǒng)計指標(biāo)，如登錄次數(shù)、發(fā)帖數(shù)、作業(yè)數(shù)、測驗數(shù)等。Romero等（Romero， López， Luna， & Ventura， 2013）采用學(xué)習(xí)者發(fā)帖總數(shù)、發(fā)帖總句子數(shù)等特征進行學(xué)習(xí)績效預(yù)測，結(jié)果表明，發(fā)帖總數(shù)、發(fā)帖總句子數(shù)均是學(xué)習(xí)績效的良好預(yù)測因子，發(fā)帖數(shù)越多、句子數(shù)越多的學(xué)習(xí)者更愿意積極參與討論，并取得更好的成績;劉三女牙等（2017）和Li等（2018）等發(fā)現(xiàn)在學(xué)習(xí)者的在線活動日志中，如登錄次數(shù)、作業(yè)完成數(shù)、測驗完成數(shù)等是預(yù)測學(xué)習(xí)績效的強力指標(biāo);Cerezo等（Cerezo， Sánchez-Santillán， Paule- Ruiz， & Nú?ez， 2016）采用回歸分析發(fā)現(xiàn)，學(xué)習(xí)者在論壇中的發(fā)帖總字?jǐn)?shù)也可作為預(yù)測學(xué)習(xí)績效的有力指標(biāo);左明章（2018）等采用定量方法從論壇數(shù)據(jù)中提取發(fā)布時間、文本字?jǐn)?shù)等信息，然后提出基于K-means的學(xué)習(xí)績效預(yù)測模型。行為頻數(shù)具有容易采集與量化、特征語義豐富、預(yù)測能力強、可解釋性好等優(yōu)勢，是學(xué)習(xí)績效預(yù)測研究使用最廣泛的一類特征。749A67E7-4AF0-4AD6-94CB-60315305E7B6

3. 社會網(wǎng)絡(luò)

社會網(wǎng)絡(luò)本義指社會行動者（Social Actor）以及彼此關(guān)系的集合，具體到教育領(lǐng)域是指學(xué)習(xí)者之間的關(guān)系集合。從學(xué)習(xí)者互動關(guān)系中提取社會網(wǎng)絡(luò)特征有多種方法，通常可分為兩類：一是根據(jù)學(xué)習(xí)者之間的回復(fù)關(guān)系進行社會網(wǎng)絡(luò)特征提取，如直接回復(fù);二是基于學(xué)習(xí)者在討論中的共同參與情況提取特定關(guān)系，如移動窗口（Fincham， Ga evi ， & Pardo， 2018）。目前，已有大量研究根據(jù)學(xué)習(xí)者的回復(fù)關(guān)系定義社會網(wǎng)絡(luò)，并從中提取特征，分析其對學(xué)習(xí)績效的預(yù)測能力。如De-Marcos、Gitinabard等采用傳統(tǒng)回復(fù)網(wǎng)絡(luò)對學(xué)習(xí)者討論數(shù)據(jù)進行分析，挖掘出中心度、出入度等指標(biāo)，建立學(xué)習(xí)績效預(yù)測模型（De-Marcos， et al.， 2016; Gitinabard， et al.， 2019）。傳統(tǒng)研究多數(shù)集中于分析回復(fù)關(guān)系下的網(wǎng)絡(luò)特征對學(xué)習(xí)績效的預(yù)測能力，鮮有探討基于其他關(guān)系定義（如移動窗口）的網(wǎng)絡(luò)特征對學(xué)習(xí)績效預(yù)測的影響。近年來，有研究發(fā)現(xiàn)基于移動窗口定義下的社會網(wǎng)絡(luò)特征與學(xué)習(xí)績效的相關(guān)性較強（Fincham， et al.， 2018; 劉三女牙， 等， 2020）。因此，有必要進一步探究基于移動窗口等非傳統(tǒng)網(wǎng)絡(luò)特征對學(xué)習(xí)績效的預(yù)測能力。

4. 時間信息

學(xué)習(xí)時間對于學(xué)習(xí)績效的重要性已得到研究者的關(guān)注和證明（Tangtao， Xingli， & Pei， 2018）。目前，在學(xué)習(xí)績效預(yù)測研究中對時間類特征的利用主要分為兩類：一是基于顯性時間特征，Xu等（Xu， Wang， Peng， & Wu， 2019）從4，000名學(xué)習(xí)者的在線學(xué)習(xí)數(shù)據(jù)中提取學(xué)習(xí)時長等特征，再利用決策樹、神經(jīng)網(wǎng)絡(luò)和支持向量機等機器學(xué)習(xí)算法預(yù)測學(xué)習(xí)績效;Gitinabard等（2019）從Pizza論壇中挖掘?qū)W習(xí)者的在線時間，探索其預(yù)測能力。二是挖掘基于時間的隱性特征，Boroujeni等（Boroujeni & Dillenbourg， 2019）采用時間序列方法分析學(xué)習(xí)者的學(xué)習(xí)模式如何隨時間變化，進而探索學(xué)習(xí)模式的變化對學(xué)習(xí)績效的影響。此外，Barbera等（2015）利用學(xué)習(xí)者首次參與討論的時間衡量學(xué)習(xí)的積極性，分析其對學(xué)習(xí)績效的預(yù)測能力，并對學(xué)習(xí)者傾向于何時參與學(xué)習(xí)討論進行了研究，發(fā)現(xiàn)每個學(xué)習(xí)者都有獨特的參與時間特點，對學(xué)習(xí)績效的預(yù)測也至關(guān)重要。時間信息中蘊涵了大量的隱性特征，為充分理解學(xué)習(xí)是如何隨時間推移而展開的，有必要從時間維度深入分析學(xué)習(xí)者的學(xué)習(xí)特征，挖掘出更多具有潛在價值的學(xué)習(xí)模式與規(guī)律，進一步提升學(xué)習(xí)績效的預(yù)測能力。

三、研究設(shè)計

（一）研究問題

綜上所述，圍繞在線教學(xué)異步討論環(huán)境下的人口背景、行為頻數(shù)、社會網(wǎng)絡(luò)、時間信息等特征開展學(xué)習(xí)績效預(yù)測研究，已吸引了國內(nèi)外大量學(xué)者的研究興趣并取得積極進展，目前正進一步往特征的深層分析與組合建模方向發(fā)展。因此，本文重點針對社會網(wǎng)絡(luò)和時間信息兩類特征，以非傳統(tǒng)定義下的社會網(wǎng)絡(luò)特征與基于時間維度的隱性特征為核心，探索不同特征組合對學(xué)習(xí)績效預(yù)測模型的影響。主要研究問題如下：

1. 采用移動窗口定義下的社會網(wǎng)絡(luò)特征和傳統(tǒng)回復(fù)網(wǎng)絡(luò)特征分別進行預(yù)測，對比兩者的預(yù)測能力是否存在差異？

2. 在特征集合中引入基于時間維度的隱性特征是否可進一步提升預(yù)測效果？

（二）研究對象和數(shù)據(jù)來源

研究數(shù)據(jù)源于華中師范大學(xué)2018學(xué)年秋季在SPOC平臺上開設(shè)的一門“新生研討課”，該課程主要面向英語專業(yè)一年級新生，在教學(xué)過程中引入SPOC異步在線論壇進行線上教學(xué)，學(xué)生通過發(fā)帖、回帖等方式開展各種協(xié)作性、研討性學(xué)習(xí)。經(jīng)統(tǒng)計，參與討論的師生總?cè)藬?shù)為164人，其中包括7名教師、24名大二學(xué)生和133名大一新生，帖子總數(shù)為9，798條，剔除重復(fù)帖、純標(biāo)點符號帖等無效數(shù)據(jù)后，剩余有效帖子數(shù)為9，779條。

學(xué)習(xí)績效的計算綜合考慮了學(xué)生的平時表現(xiàn)和期末考核，其中平時表現(xiàn)占80%，期末考核占20%。平時表現(xiàn)的計分規(guī)則為：課程論壇提問和回答次數(shù)占平時成績的15%，論壇資源學(xué)習(xí)占平時成績的10%，線下課堂出勤、參與度、課堂筆記占平時成績的25%，課外作業(yè)占平時成績的50%。期末考核成績的組成為：課程論文占50%，課堂成果展示占50%。

（三）研究方法

按照學(xué)習(xí)分析或教育數(shù)據(jù)挖掘的一般流程，主要包括數(shù)據(jù)清洗、特征提取、模型構(gòu)建等環(huán)節(jié)。為提高數(shù)據(jù)處理和分析的效率，采用領(lǐng)域廣泛使用的機器學(xué)習(xí)套件——Scikit-learn作為研究工具，編程語言選擇Python。

1. 數(shù)據(jù)清洗

使用Scikit-learn庫的Pandas包對數(shù)據(jù)進行清洗，包括：①使用Dropna、Fillna等函數(shù)補齊或剔除有缺失值的帖子，保持?jǐn)?shù)據(jù)的完整性;②使用Drop_ duplicates函數(shù)去除重復(fù)帖，保持?jǐn)?shù)據(jù)的唯一性。

2. 特征提取

采用以人口背景、行為頻數(shù)、社會網(wǎng)絡(luò)、時間信息等為核心的特征分類框架，在此基礎(chǔ)上開展在線教學(xué)異步討論環(huán)境下學(xué)習(xí)績效影響因素的表征與量化。

第一類是人口背景特征集，主要包括性別（男、女）特征。

第二類是行為頻數(shù)特征集，主要包括發(fā)帖次數(shù)（學(xué)習(xí)者在論壇發(fā)帖的總次數(shù)，利用回帖和發(fā)帖的總數(shù)目來衡量）和發(fā)帖長度（學(xué)習(xí)者在論壇發(fā)帖的總字?jǐn)?shù)，利用每一條帖子的字?jǐn)?shù)之和來衡量）等特征。

第三類是社會網(wǎng)絡(luò)特征集，分別對直接回復(fù)網(wǎng)絡(luò)和移動窗口網(wǎng)絡(luò)進行定義。一方面，根據(jù)學(xué)習(xí)者之間的回復(fù)層級來提取直接回復(fù)網(wǎng)絡(luò)特征，如圖1左邊所示，主題帖可表示為S，R1和R2表示主題帖S下的一級回復(fù)帖，故R1、R2與S之間存在連線，RR1、RR2和RR3表示R1的二級回復(fù)帖，故RR1、RR2、RR3與R1之間存在連線，以此類推。另一方面，根據(jù)學(xué)習(xí)者在論壇的共同參與情況來提取移動窗口網(wǎng)絡(luò)特征，如圖1右邊所示，當(dāng)一個主題S的帖子總數(shù)小于N時所有帖子相互連接，否則定義一個大小為N的窗口在主題S中移動，每一步窗口內(nèi)的所有帖子相互連接。例如，從第一個帖子開始，S、R1和R2存在連線，然后將窗口移動到第二個帖子，R1、R2和RR1存在連線，以此類推直至窗口遍歷完主題所有帖子。與直接回復(fù)網(wǎng)絡(luò)相比，移動窗口關(guān)系特征不受回復(fù)層級影響，更平均地關(guān)注了學(xué)習(xí)者的發(fā)帖信息。本文設(shè)置移動窗口長度為3，分別從兩類社會網(wǎng)絡(luò)定義特征，包括點出度（學(xué)習(xí)者給出的回復(fù)和反饋數(shù)量）、點入度（學(xué)習(xí)者收到的回復(fù)和反饋數(shù)量）、接近中心度（反映網(wǎng)絡(luò)中某一學(xué)習(xí)者與其他學(xué)習(xí)者之間的接近程度，可采用一個節(jié)點到其他所有節(jié)點的最短路徑距離累加之和的倒數(shù)來衡量）、中介中心度（反映學(xué)習(xí)者在網(wǎng)絡(luò)中作為交流媒介的能力，可利用經(jīng)過一個節(jié)點的最短路徑數(shù)目來衡量）、特征向量中心度（反映某一學(xué)習(xí)者在網(wǎng)絡(luò)中的重要性，可采用一個節(jié)點的鄰居節(jié)點數(shù)量及鄰居節(jié)點的重要性來衡量）。749A67E7-4AF0-4AD6-94CB-60315305E7B6

圖1 兩類社會網(wǎng)絡(luò)特征定義示意圖

第四類是時間信息特征集，分別從顯性和隱性時間兩個維度定義特征。一方面，顯性時間特征包括在線討論時長（學(xué)習(xí)者在線討論總時長，可利用相鄰兩個帖子之間的時間間隔來估算，如果時間差超過一定閾值則表明學(xué)習(xí)者可能處于非有效學(xué)習(xí)狀態(tài)，不統(tǒng)計在內(nèi)）和在線討論天數(shù)（學(xué)習(xí)者在線討論總天數(shù)，利用學(xué)習(xí)者登錄情況計算）。另一方面，隱性時間特征包括積極性（學(xué)習(xí)者回復(fù)主題帖的速度，利用學(xué)習(xí)者在某一主題帖下首次回復(fù)的時間差來衡量，本質(zhì)是計算在所有主題帖下首次回復(fù)時間差的平均值）、規(guī)律性（每個討論主題下學(xué)習(xí)者首次參與回帖的縱向時間特征，利用學(xué)習(xí)者回復(fù)速度的方差來衡量，本質(zhì)是計算在所有主題帖下首次回復(fù)時間差的方差）等。其中，積極性與規(guī)律性的計算方法分別如公式（1）和公式（2）所示，n為主題貼總數(shù)，i為第i條主題貼，mi表示第i條主題貼的發(fā)布時間，ti表示學(xué)習(xí)者關(guān)于第i條主題貼的首次回帖時間。

[i=1nti-min] ? ?（1）

[[（ti-mi）-i=1nti-min]2n] （2）

綜上所述，在以人口背景、行為頻數(shù)、社會網(wǎng)絡(luò)、時間信息等為核心的分類框架下，通過對特征的進一步細(xì)分與定義得到的特征集合如表1所示。

表1 學(xué)習(xí)者特征分類和細(xì)分指標(biāo)

[特征類別 細(xì)分依據(jù) 具體指標(biāo) 人口背景 人口背景 性別 行為頻數(shù) 行為頻數(shù) 發(fā)帖次數(shù) 發(fā)帖長度 社會網(wǎng)絡(luò) 直接回復(fù)

移動窗口 出度 入度 接近中心度 中介中心度 特征向量中心度 時間信息 顯性維度 在線討論總時長 在線討論總天數(shù) 隱性維度 積極性 規(guī)律性 ]

3. 模型構(gòu)建

首先，由于不同特征的量綱不同，為避免各類特征數(shù)值取值范圍的差異對分類預(yù)測的干擾，對所有數(shù)值屬性進行標(biāo)準(zhǔn)化（Z-Score）處理。其次，在滿足正態(tài)分布的標(biāo)準(zhǔn)下，依據(jù)學(xué)習(xí)者期末成績將其學(xué)習(xí)水平劃分為三個層次：80分以下為低水平（Low），80～94分為中等水平（Middle），94分以上為高水平（High）。最后，采用五種主流的機器學(xué)習(xí)算法（邏輯回歸、決策樹、多項式SVM、高斯核SVM和神經(jīng)網(wǎng)絡(luò)），分別構(gòu)建基于在線教學(xué)異步討論行為的學(xué)習(xí)績效預(yù)測模型。所有模型均使用Scikit-learn工具訓(xùn)練，并通過五折交叉驗證法進行參數(shù)優(yōu)化與性能評估，預(yù)測結(jié)果采用準(zhǔn)確率、F1值等指標(biāo)來綜合衡量。

四、結(jié)果分析

（一）移動窗口與傳統(tǒng)回復(fù)網(wǎng)絡(luò)定義下的特征預(yù)測能力是否存在顯著差異

首先分別將兩類社會網(wǎng)絡(luò)中提取的特征與人口背景、行為頻數(shù)和顯性時間三類特征結(jié)合，構(gòu)成特征集A與B，然后分別采用上述五種機器學(xué)習(xí)算法在特征集A與B上構(gòu)建預(yù)測模型，相應(yīng)結(jié)果如圖2所示。

圖2 基于社會網(wǎng)絡(luò)特征集A與B的預(yù)測性能對比

從圖2可見，對于準(zhǔn)確率指標(biāo)，基于特征集B構(gòu)建的五種預(yù)測模型的準(zhǔn)確率均顯著高于特征集A;對于F1值，基于特征集B的預(yù)測效果同樣普遍優(yōu)于特征集A。其中，尤其是對于多項式SVM模型，在準(zhǔn)確率和F1值上都取得高達7%的性能優(yōu)勢。因此，可以發(fā)現(xiàn)兩類社會網(wǎng)絡(luò)定義下的特征對于學(xué)習(xí)績效的預(yù)測能力存在較為明顯的差異，基于移動窗口網(wǎng)絡(luò)特征的預(yù)測能力要優(yōu)于傳統(tǒng)回復(fù)網(wǎng)絡(luò)。

究其原因，一方面是相比直接回復(fù)網(wǎng)絡(luò)，移動窗口關(guān)系定義方式不受回復(fù)層級影響，更平均地關(guān)注了論壇中學(xué)習(xí)者發(fā)布的帖子，最終提取的關(guān)系數(shù)量相對較多，從中挖掘的出入度等特征更具預(yù)測效力，這與Gitinabard等（2019）的研究結(jié)論一致;另一方面，從社會網(wǎng)絡(luò)結(jié)構(gòu)看，在直接回復(fù)網(wǎng)絡(luò)中學(xué)習(xí)者大多處于邊緣位置，教師處于中心位置，而在移動窗口網(wǎng)絡(luò)中則相反，這充分體現(xiàn)了學(xué)習(xí)者在學(xué)習(xí)過程中的主體地位。一般而言，處于中心位置的學(xué)習(xí)者更有可能獲得更高的學(xué)習(xí)績效（De-Marcos， et al.， 2016）。

由于特征集B為組合特征，包含了移動窗口社會網(wǎng)絡(luò)、人口信息、行為頻數(shù)、顯性時間等多維特征元素，其中可能存在與學(xué)習(xí)績效相關(guān)度不高或冗余的特征，有必要進行特征選擇，以進一步降低特征維數(shù)，并提升模型的預(yù)測性能，為此本文采用卡方檢驗和互信息兩種方法進行特征選擇。

1. 卡方檢驗（x2test）

卡方檢驗（x2test）是一種典型的特征選擇方法，其本質(zhì)是通過計算兩個變量間的關(guān)聯(lián)性進行特征篩選，若特征與學(xué)習(xí)績效之間的x2顯著性水平較高，則表明該特征與學(xué)習(xí)績效相關(guān)性較強，適合被選作預(yù)測因子。本文使用Scikit-learn的Chi2包計算上述特征集B中10個特征元素的x2值，得到其卡方值及相應(yīng)的p值（顯著性水平），根據(jù)這兩個值衡量每一個特征對于學(xué)習(xí)績效預(yù)測的置信度，結(jié)果如表2所示。

2. 互信息法

對于分類問題，互信息法是用于衡量某個特征對于特定類別所貢獻的信息量，信息量越大，該特征與類別之間的相關(guān)性越高。本文使用Scikit-learn的Mutual_info_classif包分別計算特征集B中10個特征元素與學(xué)習(xí)績效之間的互信息值，根據(jù)其大小進行排序，結(jié)果如表3所示。

從表2可見，在利用卡方檢驗進行篩選時，性別、接近中心度等特征的排序較為靠后，預(yù)測能力不佳，其次是在線討論天數(shù)、特征向量中心度，因此可考慮剔除這四個特征。但從表3可見，特征向量中心度的排序較高，故綜合考慮，保留特征向量中心度。這樣經(jīng)過兩類特征選擇后，特征集B中保留了7個更具預(yù)測效力的特征元素，構(gòu)成新的特征集C，然后再分別采用邏輯回歸、決策樹、多項式SVM、高斯核SVM和神經(jīng)網(wǎng)絡(luò)五種算法進行模型訓(xùn)練，得到的準(zhǔn)確率和F1值如圖3所示，五種模型的預(yù)測準(zhǔn)確率均有不同程度的提升，即用更少的特征取得了更好的預(yù)測效果，表明特征選擇的有效性。749A67E7-4AF0-4AD6-94CB-60315305E7B6

在上述特征選擇過程中，性別、接近中心度和在線討論天數(shù)三項特征被剔除。究其原因：首先對于性別，同Alyahyan等（2020）和Li（2019）的研究結(jié)論一致，性別對學(xué)習(xí)績效的影響較小。其次對于接近中心度，與中介中心度和特征向量中心度等類似特征相比，其與學(xué)習(xí)績效的相關(guān)性最低，這和劉三女牙等（2020）的研究結(jié)論一致。接近中心度、中介中心度和特征向量中心度雖然都可以衡量學(xué)習(xí)者的中心地位，但接近中心度側(cè)重于利用學(xué)習(xí)者之間在討論交互中的親密程度來衡量學(xué)習(xí)者的中心度，而中介中心度和特征向量中心度側(cè)重于衡量學(xué)習(xí)者在學(xué)習(xí)互動中充當(dāng)“中介”的程度，描述了學(xué)習(xí)者調(diào)節(jié)社會交往的能力。與接近中心度相比，中介中心度和特征向量中心度更能衡量學(xué)習(xí)者的社會威望和影響力，學(xué)習(xí)者的威望越大，影響力越大，往往所取得的學(xué)習(xí)績效越高。最后對于在線討論天數(shù)特征，與此相似的是在線討論時長均可對學(xué)習(xí)者的在線討論時間進行衡量，但后者更精確地統(tǒng)計了學(xué)習(xí)者參與討論的有效時間，在線討論天數(shù)則主要反映了學(xué)習(xí)者登錄論壇的天數(shù)信息，其對學(xué)習(xí)績效的預(yù)測效力不如在線討論時長。

此外，通過以上分析可以發(fā)現(xiàn)，在四大類特征中僅有行為頻數(shù)特征未被剔除。有研究表明，在線討論頻數(shù)信息是預(yù)測學(xué)習(xí)績效的重要指標(biāo)，由于較高的論壇交互頻次行為意味著學(xué)習(xí)者愿意花更多的時間和精力用于學(xué)習(xí)，因此容易獲得較高的學(xué)業(yè)表現(xiàn)（武法提， 等， 2019; 范逸洲， 等， 2018）。本研究所使用的頻數(shù)特征包括發(fā)帖次數(shù)和發(fā)帖長度，次數(shù)越多通常代表學(xué)習(xí)者愿意投入更多的時間參與在線討論和交流，長度越長則往往意味著學(xué)習(xí)者有自己的分析和思考，主動且深度開展在線討論。

（二）引入隱性時間特征是否可以獲得更好的預(yù)測效果

將表1中定義的兩個隱性時間特征（積極性與規(guī)律性）引入篩選后的特征集C中，構(gòu)成新的特征集D，然后基于特征集D構(gòu)建預(yù)測模型，得到的預(yù)測結(jié)果如圖4所示。

從圖4可見，在引入隱性時間特征之后，五種模型的預(yù)測結(jié)果均有了進一步的提升（與圖3相比），體現(xiàn)出隱性時間特征對學(xué)習(xí)績效預(yù)測的有效性。從準(zhǔn)確率上看，決策樹模型的預(yù)測性能提升幅度最大，高達5%;高斯核SVM模型的預(yù)測效果最好，準(zhǔn)確率達87.44%;預(yù)測準(zhǔn)確率最低的是邏輯回歸模型，但和高斯核SVM模型相比也僅存在1%左右的差距。從F1值來看，高斯核SVM模型不僅準(zhǔn)確率最高，而且也取得最高的F1值，這表明采用高斯核SVM算法構(gòu)建學(xué)習(xí)績效預(yù)測模型的有效性;F1值最低的是決策樹模型，但其準(zhǔn)確率并非最低，這也說明需采用多個指標(biāo)對模型性能進行綜合評估。

以上表明，在特征集中引入積極性和規(guī)律性兩個特征后，五個模型的預(yù)測準(zhǔn)確度均高于85%，表明隱性時間特征對于提升學(xué)習(xí)績效預(yù)測的有效性。究其原因，積極性衡量學(xué)習(xí)者在討論中的整體參與情況，規(guī)律性代表學(xué)習(xí)者的縱向參與模式。積極性不高可能意味著學(xué)習(xí)者在討論中存在懈怠、拖延等狀況，體現(xiàn)出學(xué)習(xí)者學(xué)習(xí)動機不強或時間管理能力較差，從而導(dǎo)致學(xué)習(xí)質(zhì)量不高。規(guī)律性不強表示學(xué)習(xí)者難以長期保持積極參與討論的學(xué)習(xí)狀態(tài)，學(xué)習(xí)投入起伏較大，學(xué)習(xí)表現(xiàn)也因此受到影響。相比積極性，規(guī)律性更能揭示學(xué)習(xí)者在參與討論時間上的細(xì)微變化。相關(guān)研究也表明，學(xué)習(xí)時間是學(xué)習(xí)者在學(xué)習(xí)過程中需要重點把握的因素，只有妥善管理好時間，才有可能取得更好的學(xué)習(xí)績效（Xu， et al.， 2019）。

（三）教學(xué)啟示

綜上所述，融合多維異步討論行為特征有效提升了學(xué)習(xí)績效的預(yù)測能力，最高達87.44%，與已有研究（Wakelam， Jefferies， Davey， & Sun， 2020; Zohair， 2019）相比取得較大提升，表明本文所提出的特征提取、選擇以及模型構(gòu)建等方法的有效性。但需特別指出的是，學(xué)習(xí)績效預(yù)測研究并非簡單追求機器學(xué)習(xí)預(yù)測模型的高準(zhǔn)確率，更重要的是探索對提升學(xué)習(xí)者學(xué)習(xí)績效有顯著價值、對優(yōu)化教師教學(xué)過程有參考意義的可解釋、可信任的特征（劉三女牙， 等， 2021），以及時洞察和干預(yù)學(xué)習(xí)者的學(xué)習(xí)過程，反思和調(diào)整教師的教學(xué)過程，促進在線教學(xué)模式創(chuàng)新與質(zhì)量提升。具體啟示如下：

1. 在社會網(wǎng)絡(luò)方面，由于移動窗口網(wǎng)絡(luò)特征的預(yù)測效果優(yōu)于傳統(tǒng)回復(fù)網(wǎng)絡(luò)，因此要加大對交互分析過程中移動窗口的使用，重視移動窗口中學(xué)習(xí)者交互在提升學(xué)習(xí)績效中的重要價值。根據(jù)移動窗口社會網(wǎng)絡(luò)結(jié)構(gòu)下學(xué)習(xí)者在論壇中互動時的表現(xiàn)和社會地位，對核心成員進行適當(dāng)引導(dǎo)以建立更廣泛的社交關(guān)系，實現(xiàn)與更多班級成員進行雙向交流。同時，需要特別關(guān)注處于網(wǎng)絡(luò)邊緣的學(xué)習(xí)者，鼓勵他們積極投入學(xué)習(xí)并更多參與討論。

2. 在學(xué)習(xí)時間方面，學(xué)習(xí)者在學(xué)習(xí)過程中會產(chǎn)生一系列顯性時間數(shù)據(jù)，如在線討論時長、在線討論天數(shù)等，利用這些數(shù)據(jù)可以在一定程度上實現(xiàn)對學(xué)習(xí)績效的預(yù)測，教師也可以根據(jù)這些特征對學(xué)習(xí)者進行適當(dāng)干預(yù)。但由于每個學(xué)習(xí)者在學(xué)習(xí)過程中都有其獨特的學(xué)習(xí)模式，有必要從學(xué)習(xí)者的學(xué)習(xí)時間數(shù)據(jù)中深度挖掘其隱性學(xué)習(xí)模式，如分析學(xué)習(xí)者在不同時間段的學(xué)習(xí)積極性等隱性規(guī)律，對學(xué)習(xí)者的學(xué)習(xí)過程和狀態(tài)進行更深層次的剖析，使教師對學(xué)習(xí)者的學(xué)習(xí)特點有更精細(xì)化的洞察，以準(zhǔn)確把握學(xué)習(xí)者的真實需求（Peng & Xu， 2020），并進行有針對性的引導(dǎo)和幫助，進而提升其學(xué)習(xí)績效。

五、總結(jié)展望

本文面向當(dāng)前信息技術(shù)與教育教學(xué)融合創(chuàng)新發(fā)展的需求與趨勢，著重研究了在線教學(xué)場景下基于異步討論行為特征的學(xué)習(xí)績效預(yù)測問題，其核心在于如何從討論數(shù)據(jù)中挖掘出有教學(xué)指導(dǎo)意義和高預(yù)測效力的特征集。針對當(dāng)前研究在異步討論交互特征的多樣化、深層次信息挖掘方面存在的不足，以人口背景、行為頻數(shù)、顯性時間等基本特征信息為基礎(chǔ)，重點從社會網(wǎng)絡(luò)視角引入移動窗口和傳統(tǒng)回復(fù)網(wǎng)絡(luò)特征，以及從時間信息維度提取積極性和規(guī)律性等隱性特征，不僅增加了異步討論行為特征的豐富性，得到更多對在線教學(xué)有意義的特征，而且有效提升了學(xué)習(xí)績效預(yù)測模型的性能。749A67E7-4AF0-4AD6-94CB-60315305E7B6

未來可以進一步加大多學(xué)科交叉研究力度，利用各類新型傳感器采集在線教學(xué)環(huán)境下學(xué)習(xí)者的多模態(tài)數(shù)據(jù)，如從生理、心理等多個層面對學(xué)習(xí)者的行為與特征進行關(guān)聯(lián)分析，從帖子內(nèi)容語義方面挖掘?qū)W習(xí)者的認(rèn)知風(fēng)格，提取深度融合帖子內(nèi)容語義信息的社會網(wǎng)絡(luò)特征等。同時，也可以結(jié)合智慧教室場景，引入學(xué)習(xí)者線下學(xué)習(xí)行為數(shù)據(jù)，構(gòu)建線上線下多維特征融合的特征集，將在線行為拓展至混合教學(xué)情景，擴大學(xué)習(xí)行為分析空間，提升學(xué)習(xí)績效的預(yù)測能力。

[參考文獻]

范逸洲，汪瓊. 2018. 學(xué)業(yè)成就與學(xué)業(yè)風(fēng)險的預(yù)測——基于學(xué)習(xí)分析領(lǐng)域中預(yù)測指標(biāo)的文獻綜述[J]. 中國遠程教育（1）：5-15.

胡航，杜爽，梁佳柔，等. 2021. 學(xué)習(xí)績效預(yù)測模型構(gòu)建：源于學(xué)習(xí)行為大數(shù)據(jù)分析[J]. 中國遠程教育（4）：8-20，76.

劉三女牙，郭美伶，胡天慧，等. 2020. 不同關(guān)系定義下在線交互網(wǎng)絡(luò)特點及其與學(xué)習(xí)績效關(guān)系——以SPOC論壇為例[J]. 開放教育研究，26（3）：80-90.

劉三女牙，劉盛英杰，孫建文，等. 2021. 智能教育發(fā)展中的若干關(guān)鍵問題[J]. 中國遠程教育（4）：1-7，76.

劉三女牙，彭晛，劉智，等. 2017. 面向MOOC課程評論的學(xué)習(xí)者話題挖掘研究[J]. 電化教育研究，38（10）：30-36.

沈欣憶，劉美辰，吳健偉，等. 2020. MOOC學(xué)習(xí)者在線學(xué)習(xí)行為和學(xué)習(xí)績效評估模型研究[J]. 中國遠程教育（10）：1-8，76.

武法提，田浩. 2019. 挖掘有意義學(xué)習(xí)行為特征：學(xué)習(xí)結(jié)果預(yù)測框架[J]. 開放教育研究，25（6）：75-82.

左明章，趙蓉，王志鋒，等. 2018. 基于論壇文本的互動話語分析模式構(gòu)建與實踐[J]. 電化教育研究，39（9）：51-58.

Alyahyan， E.， & Dü?teg?r， D. （2020）. Predicting academic success in higher education： Literature review and best practices. International Journal of Educational Technology in Higher Education， 17（1）， 1-21.

Barbera， E.， Gros， B.， & Kirschner， P. A. （2015）. Paradox of time in research on educational technology. Time & Society， 24（1）， 96-108.

Boroujeni， M. S.， & Dillenbourg， P. （2019）. Discovery and temporal analysis of MOOC study patterns. Journal of Learning Analytics， 6（1）， 16-33.

Busto， S.， Dumbser， M.， & Gaburro， E. （2021）. A simple but efficient concept of blended teaching of mathematics for engineering students during the COVID-19 pandemic. Education Sciences， 11（2）， 1-24.

Chang， T. Y.， Hsu， M. L.， Kwon， J. S.， Kusdhany， M. L. S.， & Hong， G. （2021）. Effect of online learning for dental education in asia during the pandemic of COVID-19. Journal of Dental Sciences， 16（4）， 1095-1101.

Cerezo， R.， Sánchez-Santillán， M.， Paule-Ruiz， M. P.， & Nú?ez， J. C. （2016）. Students LMS interaction patterns and their relationship with achievement： A case study in higher education. Computers & Education， 96， 42-54.

De-Marcos， L.， García-López， E.， García-Cabot， A.， Medina-Merodio， J. A.， Domínguez， A.， Martínez-Herráiz， J. J.， et al. （2016）. Social network analysis of a gamified e-learning course： Small-world phenomenon and network metrics as predictors of academic performance. Computers in Human Behavior， 60， 312-321.

Espinoza， A. M.， & Taut， S. （2020）. Gender and psychological variables as key factors in mathematics learning： A study of seventh graders in Chile. International Journal of Educational Research， 103， 1-16.749A67E7-4AF0-4AD6-94CB-60315305E7B6

Fincham， E.， Ga?evi ， D.， & Pardo， A. （2018）. From social ties to network processes： Do tie definitions matter？ Journal of Learning Analytics， 5（2）， 9-28.

Galikyan， I.， & Admiraal， W. （2019）. Students engagement in asynchronous online discussion： The relationship between cognitive presence， learner prominence， and academic performance. The Internet and Higher Education， 43， 1-9.

Gardner， J.， & Brooks， C. （2018）. Student success prediction in MOOCs. User Modeling and User-Adapted Interaction， 28（2）， 127-203.

Gitinabard， N.， Xu， Y.， Heckman， S.， Barnes， T.， & Lynch， C. F. （2019）. How widely can prediction models be generalized？ Performance prediction in blended courses. IEEE Transactions on Learning Technologies， 12（2）， 184-197.

Gray， C. C.， & Perkins， D. （2019）. Utilizing early engagement and machine learning to predict student outcomes. Computers & Education， 131， 22-32.

Han， F.， & Ellis， R. A. （2019）. Identifying consistent patterns of quality learning discussions in blended learning. The Internet and Higher Education， 40， 12-19.

Li， K. （2019）. MOOC learners demographics， self-regulated learning strategy， perceived learning and satisfaction： A structural equation modeling approach. Computers & Education， 132， 16-30.

Li， Q.， & Baker， R. （2018）. The different relationships between engagement and outcomes across participant subgroups in massive open online courses. Computers & Education， 127， 41-65.

Peng， X.， & Xu， Q. （2020）. Investigating learners behaviors and discourse content in MOOC course reviews. Computers & Education， 143， 1-14.

Romero， C.， López， M. I.， Luna， J. M.， & Ventura， S. （2013）. Predicting students final performance from participation in on-line discussion forums. Computers & Education， 68， 458-472.

Soffer， T.， & Cohen， A. （2019）. Students engagement characteristics predict success and completion of online courses. Journal of Computer Assisted Learning， 35（3）， 378-389.

Tang， H.， Xing， W.， & Pei， B. （2019）. Time really matters： Understanding the temporal dimension of online learning using educational data mining. Journal of Educational Computing Research， 57（5）， 1326-1347.

Wakelam， E.， Jefferies， A.， Davey， N.， & Sun， Y. （2020）. The potential for student performance prediction in small cohorts with minimal available attributes. British Journal of Educational Technology， 51（2）， 347-370.

Xu， X.， Wang， J.， Peng， H.， & Wu， R. （2019）. Prediction of academic performance associated with internet usage behaviors using machine learning algorithms. Computers in Human Behavior， 98， 166-173.

Zohair， L. M. A. （2019）. Prediction of students performance by modelling small dataset size. International Journal of Educational Technology in Higher Education， 16（1）， 1-18.

收稿日期：2021-08-22

定稿日期：2021-11-03

作者簡介：孫建文，博士，副教授，博士生導(dǎo)師;胡夢薇，碩士研究生;劉三女牙，博士，教授，博士生導(dǎo)師;李卿，博士，副教授，碩士生導(dǎo)師;沈筱譞，博士后，本文通訊作者。華中師范大學(xué)教育大數(shù)據(jù)應(yīng)用技術(shù)國家工程研究中心（430079）。

基金項目：本文受教育部人文社會科學(xué)研究青年項目“面向啟發(fā)式教學(xué)的智能課堂編排模型與方法研究”（項目編號：20YJC880083）、國家自然科學(xué)基金面上項目“多傳感數(shù)據(jù)驅(qū)動的智能課堂共享調(diào)節(jié)機理與量化分析方法”（項目編號：62077021）、教育部-中國移動科研基金研發(fā)項目“在線教育發(fā)展現(xiàn)狀分析與政策研究”（項目編號：MCM20200406）和華中師范大學(xué)研究生教學(xué)改革研究項目“AI增強的智能課堂教學(xué)編排研究與實踐”（項目編號：2020JG14）資助。749A67E7-4AF0-4AD6-94CB-60315305E7B6