王文晶，閆俊伢

(山西工程科技職業(yè)大學(xué)信息工程學(xué)院，山西 太原 030619)

0 引言

國際人工智能教育大會2020(AIED)，大會主旨將人工智能與教育深度融合，實現(xiàn)“增強(qiáng)智能賦能教育”。Marbouti等（2016）通過挖掘本科生的課堂測驗、考試、作業(yè)等，使用樸素貝葉斯、人工神經(jīng)網(wǎng)絡(luò)等組合為一個模型，并對學(xué)習(xí)成績達(dá)到好的預(yù)測效果。Leah P.Macfadyen 等對在線生物課程數(shù)據(jù)進(jìn)行多元回歸分析、Logistic 分析以及社會網(wǎng)絡(luò)分析，開發(fā)預(yù)警系統(tǒng)。Lily Sun 構(gòu)建基于學(xué)習(xí)行為的模型，利用學(xué)習(xí)成績對學(xué)習(xí)的效果進(jìn)行驗證。維也納大學(xué)的學(xué)者通過搭建在線學(xué)習(xí)平臺，對平臺產(chǎn)生的學(xué)習(xí)數(shù)據(jù)進(jìn)行分析后，對學(xué)生學(xué)習(xí)效果進(jìn)行評價。

隨著人工智能的快速發(fā)展，如何使用大數(shù)據(jù)技術(shù)對在線學(xué)習(xí)產(chǎn)生的海量數(shù)據(jù)進(jìn)行深度挖掘，對教學(xué)效果進(jìn)行精準(zhǔn)測試，是當(dāng)前智能教育研究的熱點。近幾年，我國將學(xué)習(xí)分析技術(shù)應(yīng)用于在線學(xué)習(xí)方面的論文數(shù)量呈現(xiàn)上升趨勢。數(shù)據(jù)挖掘技術(shù)采用的模型沒有固定模型，比較多樣化。如陳晉音利用神經(jīng)網(wǎng)絡(luò)的方法分析上線學(xué)習(xí)行為，對學(xué)生的成績進(jìn)行預(yù)測，分析學(xué)習(xí)行為，得出學(xué)習(xí)者的學(xué)習(xí)規(guī)律。牟智佳通過學(xué)生的學(xué)習(xí)行為和心理學(xué)、教學(xué)學(xué)理論，構(gòu)建基于學(xué)習(xí)行為序列的識別模型，將學(xué)習(xí)者分類，并進(jìn)行干預(yù)和提出學(xué)習(xí)策略。通過文獻(xiàn)對國內(nèi)外情況進(jìn)行研究對比，從文獻(xiàn)數(shù)量上看，2007年之前比較少，2015年以后論文數(shù)量逐漸快速增長，表明在線學(xué)習(xí)行為的研究，不斷受到關(guān)注和重視。從文獻(xiàn)學(xué)科分布，該學(xué)科作為一個交叉研究領(lǐng)域，基于數(shù)據(jù)挖掘的學(xué)習(xí)診斷研究受到了教育學(xué)、教育信息技術(shù)、計算機(jī)科學(xué)等不同學(xué)科的廣泛關(guān)注。從關(guān)鍵詞高頻度看，通過高頻詞看出“網(wǎng)絡(luò)學(xué)習(xí)行為”和“在線學(xué)習(xí)/網(wǎng)絡(luò)遠(yuǎn)程/教育”是學(xué)術(shù)界關(guān)注的焦點，同時反映出網(wǎng)絡(luò)學(xué)習(xí)行為主要研究慕課平臺的自主學(xué)習(xí)行為。

通過參閱文獻(xiàn)，發(fā)現(xiàn)目前在線研究的落腳點基本都是與成績相關(guān)的學(xué)習(xí)行為的數(shù)據(jù)分析。例如，研究學(xué)習(xí)者參與線上教學(xué)活動地活躍度，相比之下，在線學(xué)習(xí)行為序列以及行為各要素之間的規(guī)律研究較少，并且行為序列更能反映學(xué)習(xí)者的認(rèn)知過程。同時，相關(guān)研究缺乏通用的框架，忽略學(xué)習(xí)行為投入的多層次和多維度特點。

1 研究設(shè)計

1.1 研究問題

本研究用數(shù)據(jù)挖掘方法探究以下兩個問題：①學(xué)習(xí)者在自主學(xué)習(xí)的過程中，分析哪些行為序列與成績?yōu)檎嚓P(guān)，以期獲得與成績有顯著相關(guān)的關(guān)鍵序列。②通過對在線學(xué)習(xí)行為聚類分析，探究不同行為序列的學(xué)習(xí)者在學(xué)習(xí)效果上的差異。

1.2 課堂學(xué)習(xí)行為分類與編碼

收集268 名同學(xué)SPOC 平臺和MOOC 平臺中“智能信息處理”和“編譯技術(shù)”兩門課程的數(shù)據(jù)，包括學(xué)習(xí)者產(chǎn)生或者發(fā)布的數(shù)據(jù)。利用數(shù)據(jù)處理流水線Logstash 工具，采集學(xué)生日常在兩個平臺生成的數(shù)據(jù)日志，例如課程數(shù)據(jù)、作業(yè)數(shù)據(jù)、考試數(shù)據(jù)、觀看教學(xué)視頻等，利用Elasticsearch 軟件，對數(shù)據(jù)進(jìn)行清洗、抽取。通過交互序列分析軟件GSEQ 工具進(jìn)行頻次矩陣統(tǒng)計，得到關(guān)于學(xué)習(xí)者數(shù)據(jù)的231 個行為序列。通過參閱文獻(xiàn)中學(xué)習(xí)行為分類的方法，同時結(jié)合在線學(xué)習(xí)的特點和學(xué)生學(xué)習(xí)行為的特征，本文將在線學(xué)習(xí)劃分為四種：訪問課程行為、參與討論行為、學(xué)習(xí)資源行為、測試學(xué)習(xí)效果行為。將231 個行為序列分別劃分到四類行為中，如表1所示。

表1 行為序列分類和編碼

2 研究分析

2.1 四種行為與學(xué)習(xí)成績相關(guān)分析

通過分析工具SPSS20.0，得到18個課程訪問序列和成績之間的關(guān)聯(lián)表，具體如表2 所示。CJGW、LYCJ、CJTZ 與成績有顯著的關(guān)聯(lián)，CJGW、LYCJ 相關(guān)系數(shù)分別0.567 和0.543，三個學(xué)習(xí)行為顯著概率均為0.000，表明這兩種行為序列轉(zhuǎn)換與課程成績有顯著的正相關(guān)關(guān)聯(lián)。學(xué)習(xí)者在關(guān)注自己學(xué)習(xí)進(jìn)度的情況下，會針對自己薄弱的環(huán)節(jié)進(jìn)行學(xué)習(xí)，例如再次進(jìn)行課程學(xué)習(xí)和參與一些學(xué)習(xí)主題的討論，對提高學(xué)習(xí)成績有顯著的作用，學(xué)習(xí)者在教師授課前，主動對教學(xué)內(nèi)容預(yù)習(xí)、計劃，這些行為都是積極有效的。CJTZ 學(xué)習(xí)序列沒有與成績有顯著的關(guān)聯(lián)，顯著性為0.002，相對查看學(xué)習(xí)進(jìn)度頁面后，再進(jìn)行課件學(xué)習(xí)，對成績的促進(jìn)起更重要的作用。

表2 課程訪問行為與成績相關(guān)分析

由表3可得出，學(xué)習(xí)者通過網(wǎng)頁->查看課件資源，與成績的相關(guān)系數(shù)為0.823，顯著率為0.000，與成績有極高的相關(guān)度。通過數(shù)據(jù)顯示，學(xué)習(xí)者在課程資源上預(yù)習(xí)，投入時間和精力，學(xué)習(xí)成績會更好學(xué)習(xí)者先查找網(wǎng)絡(luò)資源然后參與討論，此序列與成績相關(guān)系數(shù)為0.712，顯著率為0.000。學(xué)習(xí)者學(xué)習(xí)完教師的課件文檔轉(zhuǎn)至討論發(fā)帖，表明學(xué)習(xí)者對課程的掌握程度以及吸收、轉(zhuǎn)換知識的程度。CJBC 與課程成績相關(guān)系數(shù)為-0.415，顯著率為0.000，負(fù)相關(guān)表明學(xué)習(xí)者可能在觀看視頻中可能出現(xiàn)拖動進(jìn)度條或者學(xué)習(xí)頻次低，或者掛線。其他兩個行為序列與成績?yōu)榈投认嚓P(guān)（0.462和0.456），涉及到共享資源學(xué)習(xí)和其他序列之間的轉(zhuǎn)換，反映出學(xué)習(xí)者學(xué)習(xí)的多樣性，但學(xué)習(xí)成績較中等，說明學(xué)習(xí)者的行為為低層次投入的序列轉(zhuǎn)換。

表3 資源學(xué)習(xí)行為序列與成績相關(guān)分析

從表4 可看出，三個測試行為序列與學(xué)習(xí)者成績有低相關(guān)度，也反映出學(xué)習(xí)者在測試之前的行為序列蹤跡。LCBC 行為序列表明，學(xué)生在測試之前，通過課件文檔，復(fù)習(xí)所學(xué)內(nèi)容，然后進(jìn)行測試，學(xué)習(xí)效果會得到提升，符合學(xué)習(xí)者學(xué)習(xí)規(guī)律。BCCJ 行為序列表明學(xué)習(xí)者測試后對學(xué)習(xí)進(jìn)度進(jìn)行追溯，可看出學(xué)習(xí)者比較重視學(xué)習(xí)情況和知識點的掌握程度，間接與成績發(fā)生關(guān)聯(lián)。CJGW 行為序列表明學(xué)生在進(jìn)行測試完成后，發(fā)現(xiàn)問題，重新返回查看文檔，這個動作序列被不斷重復(fù)，一方面，表明學(xué)習(xí)成績的導(dǎo)向性導(dǎo)致學(xué)習(xí)者不斷重復(fù)學(xué)習(xí)資料，另一方面，也表明課件是學(xué)習(xí)者學(xué)習(xí)課程的重要資料，也是測試的依據(jù)。

表4 學(xué)習(xí)行為序列與成績相關(guān)分析

表5 中可看出，新討論主題->上傳共享資源行為序列與成績相關(guān)性最高，說明學(xué)習(xí)者通過討論方式對知識有更好的理解，循循漸進(jìn)的學(xué)習(xí)，對知識有更深的理解，從而進(jìn)一步發(fā)帖，表明對教學(xué)知識點的深入掌握，同時也表明對學(xué)習(xí)有高的積極性和學(xué)習(xí)動機(jī)。LTGW 行為序列與成績相關(guān)度為0.006，表明此序列轉(zhuǎn)換與成績沒有關(guān)聯(lián)，同時反映出討論參與行為與學(xué)習(xí)效果是由強(qiáng)的關(guān)聯(lián)關(guān)系。通過研究LTGW 行為序列的學(xué)習(xí)者參與的討論和發(fā)表的主題，基本偏離主體內(nèi)容，可能是由于學(xué)習(xí)者缺乏知識的建構(gòu)和成績導(dǎo)向的引導(dǎo)，導(dǎo)致學(xué)習(xí)者的參與度較低。

表5 參與行為序列與成績相關(guān)分析

2.2 基于在線學(xué)習(xí)行為的學(xué)習(xí)者分類

由于單變量分析不一定能正確反映學(xué)習(xí)者的情況，故本文又采用多元線性回歸方法，探討行為序列對學(xué)習(xí)效果的影響。根據(jù)聚類分析結(jié)果得到，訪問課程行為參與數(shù)（C）、學(xué)習(xí)行為序列參與數(shù)（S）、參與行為序列參與數(shù)（I）、學(xué)習(xí)資源行為參與數(shù)（R）四類行為序列特征。通過聚類方法對行為序列特征進(jìn)行聚類分析，聚類結(jié)果為四類，如表6 所示。在聚類分析中，各個行為序列都有顯著性，都為0.000，同時可看出，聚類選取的變量比較合理，但是各個行為序列變量在不同類之間的顯著性有所差別。故在此基礎(chǔ)上，對四類行為序列的參與程度做相關(guān)分析，如圖1所示。

表6 聚類結(jié)果

圖1為四類學(xué)習(xí)者參與訪問課程、學(xué)習(xí)行為、參與行為序列、學(xué)習(xí)資源四種活動的參與數(shù)。學(xué)習(xí)者參與程度最高的是C活動，參與數(shù)最低的I活動，每一類學(xué)習(xí)者體現(xiàn)到不同的學(xué)習(xí)行為上的數(shù)據(jù)也不同，這就體現(xiàn)出學(xué)習(xí)者在線學(xué)習(xí)中的個性化、差異化，具體如下：

第一類，學(xué)習(xí)自主型，共計5人，占總?cè)藬?shù)3.9%，此類學(xué)習(xí)者人數(shù)占比是最低的，參加C1R1S1I1的均值均高于其他三類，活躍度較高，能夠充分利用在線學(xué)習(xí)提供的資源來重構(gòu)知識，主動學(xué)習(xí)者，有強(qiáng)的自主學(xué)習(xí)動力，較少依賴教師，有較好的學(xué)習(xí)習(xí)慣。

第二類，游離型，共51人，占總?cè)藬?shù)39.6%，此類學(xué)習(xí)者討論參與數(shù)高于第三類和第四類學(xué)習(xí)者，參與行為序列高于平均水平，參加討論活動的積極性較高，參與學(xué)習(xí)的時長也高于總體平均水平，但參與課程測試、訪問課程資源次數(shù)較低，不活躍，所以需要提供給此類學(xué)習(xí)者學(xué)習(xí)策略和有效的個性化學(xué)習(xí)路徑，從而提升學(xué)習(xí)動機(jī)和自身自控能力。

第三類，順應(yīng)型，學(xué)習(xí)者的重心放在測試、資源和課程學(xué)習(xí)上，共21 人，占總數(shù)16.1%，從圖1 可看出，此類學(xué)習(xí)者對資源和課程訪問的序列值相對高，有可能只是跟隨教師進(jìn)行淺層次的學(xué)習(xí)，學(xué)習(xí)積極性較高，但是參與討論行為較少，對此類學(xué)習(xí)者，應(yīng)考慮推薦更優(yōu)質(zhì)的資源和個性化學(xué)習(xí)方案。

圖1 各類學(xué)習(xí)者參與行為序列活動數(shù)

第四類，低投入型，共178 人，占總?cè)藬?shù)40.4%，此類學(xué)習(xí)者比其他三個類別參與學(xué)習(xí)序列值低，在平臺中缺乏學(xué)習(xí)動力，不是很重視成績的高低，只是為了完成教師布置的任務(wù)，由于此類人數(shù)占比大，所以教師更應(yīng)關(guān)注此類學(xué)習(xí)者，加強(qiáng)教學(xué)設(shè)計、注重情境教學(xué)，激發(fā)其對知識的渴望和學(xué)習(xí)動力，并實時跟蹤其學(xué)習(xí)路徑，推薦有效的學(xué)習(xí)路徑和教學(xué)策略。

3 結(jié)束語

本文將在線學(xué)習(xí)行為投入理論與行為序列聚類結(jié)果相結(jié)合，研究基于學(xué)習(xí)序列與成績之間的關(guān)聯(lián)，從而幫助學(xué)習(xí)者建立正確的學(xué)習(xí)行為模式，進(jìn)而提高學(xué)習(xí)效果。首先使用單一相關(guān)分析四類學(xué)習(xí)行為與成績之間的關(guān)聯(lián)，然后用多元線性回歸方法，確定四類學(xué)習(xí)行為中影響學(xué)習(xí)效果的關(guān)鍵行為序列，并分析行為序列變量對學(xué)習(xí)效果的影響。由于本模型的實驗樣本是建立在兩門計算機(jī)專業(yè)課程的數(shù)據(jù)上，選取的學(xué)科樣本和年級有一定的局限性，所以收集的數(shù)據(jù)不能完全反映在線學(xué)習(xí)的全貌，下一步將增大樣本的數(shù)量，進(jìn)一步完善分析結(jié)果。同時采用多種學(xué)習(xí)分析技術(shù)進(jìn)行對比實驗，遵循個性化偏好和差異，給學(xué)習(xí)者量身定做有效的個性化學(xué)習(xí)路徑。