摘 要 探究學生線上學習行為，可以為改進教學實踐和提升教學效果提供理論支撐。文章以SPOC平臺某課程學生線上學習行為數據為基礎，采用K均值聚類法將學生線上學習行為分為積極主動型、消極應付型、配合型和打卡型4種類型，不同學習行為的學生在各個指標上的差異具有統(tǒng)計學意義。學生在該課程上的學習行為總體良好，以配合型（56.06%）為主，積極主動型和打卡型（各占18.18%）居中，消極應付型（7.58%）最少。將線上學習任務分為瀏覽型任務（觀看視頻次數及時長）和參與型任務（討論、階段測驗得分及作業(yè)得分），聚類結果顯示參與型任務完成情況下的學習行為較好、期末考試成績較高。教師在進行線上教學設計時應重視參與型任務的安排，以提升教學效果。

關鍵詞 聚類分析；學習行為；線上學習；SPOC

中圖分類號：G434 " " " " " " " " " " " " " " 文獻標識碼：A " " DOI：10.16400/j.cnki.kjdk.2025.02.033

Analysis of SPOC Online Learning Behavior Based on K-means Clustering

HUANG Minmei

（School of Politics and Public Administration， South China Normal University， Guangzhou， Guangdong 510006）

Abstract Exploring students' online learning behavior can provide theoretical support for improving teaching practice and enhancing teaching effectiveness. The K-means clustering method based on the online learning behavior data of students in a certain course on the SPOC platform is used to divide students' online learning behavior into four types： proactive， passive coping， cooperative， and minimal-engagement. The"results show statistically significant differences in various indicators among students with different learning behaviors. Overall， students' learning behaviors in this course are good， with the majority being"cooperative （56.06%）， followed by proactive and minimal-engagement types （each accounting for 18.18%）， and the smallest group being passive"（7.58%）. The online learning tasks are divided into browsing tasks （video viewing frequency and duration） and participatory tasks （discussion， stage test scores， and homework scores）. The online learning tasks"are divided into browsing tasks （number of video views and viewing duration） and participation tasks （discussion， quiz scores， and assignment scores）. The clustering results indicate that students who perform"better in participation tasks tend to achieve higher final exam scores. Therefore， teachers should prioritize the arrangement of participation tasks in their online teaching designs to enhance educational effectiveness.

Keywords cluster analysis; learning behavior; online learning; SPOC

隨著信息技術的發(fā)展，線上教學資源和學習平臺，有效擴展了學習資源和交流渠道，為學習者提供了更高效、便捷的學習體驗。線上線下混合教學，遵循“以教師為主導、以學生為主體”的教育理念，越來越受到高校的青睞。通過對學生線上學習行為的分析，了解在線學習者利用網絡學習資源開展學習的行為和效果及其相互關系，對有效組織教學內容，合理利用教學方法、手段和各種教學資源，以最大限度地提高教學效果具有重要意義[1]。

許多文獻對在線學習者學習行為與學習成效進行了研究：龔藝等（2018）提出了在線學習投入評估模型及具體度量指標，對國家開放大學樣本數據進行聚類分析，將在線學習投入與學習績效的關系分為四種類型[2]。趙呈領等（2019）從網絡學習資源視角，對觀看視頻資源、瀏覽文檔資源等5個變量進行聚類分析，結果表明訪問網絡學習資源的行為模式與學習成效相關[3]。Peach" Robert等（2021）將概率貝葉斯模型用于研究學生在線學習行為并預測學生的表現，結果表明非死記硬背的學習任務，如互動任務或討論帖子，與更高的表現相關[4]。張思等（2021）以64" 名學生在SPOC論壇中的非結構性會話文本為對象進行數據挖掘，結果表明信息查閱行為對學生學習成績有著顯著正向影響，較多的協(xié)作交互和信息評價行為能夠促進學習者的高階認知[5]。蔡旻君，唐睿和魏鈺（2023）以混合學習環(huán)境下的SPOC實踐為例進行研究，結果表明：當行為內隱性和外顯性都呈現為高投入時，行為投入與學習效果趨于一致；當行為內隱性和外顯性高低投入不一致時，學習效果不理想[6]。

本文以SPOC平臺學生線上學習行為數據為基礎，分析學生的在線學習情況，并采用K均值聚類法對線上學習行為與學習成績進行分類，探索線上學習行為與學習成績的關系，為改進線上線下混合教學設計和提升課程教學效果提供參考。

1" 教學模式

為了達到多元化教學目標，通過教學探索和實踐，目前，在線上平臺提供了課程PPT、案例資料、拓展學習材料、教學視頻等教學資源，設置了考勤、討論、課后作業(yè)、小組練習、階段測試等，逐漸形成了如圖1所示的線上線下混合教學模式。在課前教學中，教師通過在線平臺發(fā)布預習和學習任務，課程PPT、案例材料以及教學視頻等教學資源，引導學生提前了解課程內容，從而發(fā)揮網絡課堂優(yōu)勢，培養(yǎng)學生自學能力，增強學生學習興趣。在線下課堂中，針對線上學習中的重點和難點進行深入講解，借助云課堂進行課堂練習考查當節(jié)學習效果，并進行疑難解答。在課后，設置課后作業(yè)和小組練習，使學生對課堂知識進行充分消化吸收，也可以提供課程前沿知識和拓展案例，引導學生探索和解決高階性問題。同時，利用在線平臺收集學生的學習反饋和意見，不斷優(yōu)化教學內容和教學方法。

2" 數據來源

以SPOC平臺某管理科學專業(yè)必修課程的某年級一個班級66名學生為研究樣本。課程中共設有18個文檔資源、38個教學視頻資源、67個討論主題、5項作業(yè)和" 9個階段測試。如表1所示，本文收集了課程中學生學習統(tǒng)計數據和課程數據，整理了包括視頻觀看次數、觀看視頻時長、討論區(qū)評論和回復數、階段測驗得分和作業(yè)得分等學習行為數據，并從教務管理系統(tǒng)中收集該門課程的期末考試卷面成績。

表2描述性統(tǒng)計結果顯示，視頻觀看次數均值為31.17，標準差為5.5，表明大部分學生觀看了課程平臺提供的教學視頻資源。觀看視頻時長最大值為1455分鐘，最小值僅為121分鐘，標準差為234.63，可知學生觀看視頻時長差異較大。同時在討論區(qū)評論、階段測驗和作業(yè)得分方面，最小值為0，說明存在學生未完成的情況，標準差較大表明學生學習差異較大。該班級期末考試平均成績?yōu)?4.89分，說明學生整體成績良好；標準差為9.69，一方面表明考試題目設計較合理，有一定的區(qū)分度，另一方面表明學生之間的能力差異較大，可能是由于學生的學習基礎、學習方法、學習習慣等方面的不同所致。為了更好地分析學生學習行為及其對學習成績的影響，有必要采用聚類分析法進一步對樣本進行更深入的分析。

3" 學生線上學習行為聚類分析

3.1" K均值聚類算法與聚類過程

聚類分析是一種將一批樣本或變量，按照它們在性質上的親疏程度進行分類的方法。K均值法（K-Means" Algorithm）是一種比較流行的動態(tài)聚類法。其基本步驟為：①選擇k個樣本作為初始聚類中心，或者將所有樣本分成k個初始類，然后將這k個類的重心（均值）作為初始聚類中心；②對所有樣本逐個進行歸類，計算每個樣本與各聚類中心之間的距離，把每個樣本分配給距離它最近的聚類中心，每分配一個樣本，就根據聚類中現有的樣本重新計算聚類中心；③重復步驟②，直至所有樣本都不能再分配為止" [7]。

本文使用了SPSS工具進行聚類分析。從表2中的各個指標均值可以看出，6項指標的數量級有較大差異。為避免指標值差異過大對分類結果產生影響，聚類分析之前，采用Z-score方案對各指標原始數據進行標準化處理。

3.2" 聚類結果分析

根據K均值聚類結果進行整理，得出4個類別的學習行為。每個類型的學生編號以及學生人數如表3所示。聚類4的人數最多為，37人，聚類1的人數最少，僅有5人，聚類2和聚類3人數相等，均為12人。

從表4的方差分析結果可知，分類后各變量在不同類別之間的差異都是顯著的（P值為0.000），說明把66個學生分成4類是比較合理的。

從圖2不同類別指標標準化結果的雷達圖可知，聚類1觀看視頻時長標準化均值較其他5個指標大，而且聚類1的期末考試成績標準化均值在4類中最低；聚類2的6項指標在4個類別中都最大；聚類3在視頻觀看次數和時長2個指標標準化均值上比聚類4大，但是在討論區(qū)評論數、階段測驗、作業(yè)以及期末考試成績這4個指標標準化均值上都比聚類4低。

結合圖2和表5的結果：聚類2學生占比為18.18%，這類學生期末成績均值為89.58分，其他指標在各類別中均最好，說明這類學生學習主動性高，學習效果好。聚類4的學生占全體學生的比例最大為56.06%，對于討論區(qū)評論、階段測驗和作業(yè)等任務投入較多，完成度較好，期末考試成績良好。聚類3的學生重視完成視頻觀看次數和時長等任務，但是忽視參與討論、階段測驗和作業(yè)等任務，期末考試成績中等。聚類1的學生占全體學生的7.5%，這類學生期末成績均值僅為66.6分，這類學生學習積極性低，學習效果差。

4" 討論與建議

進一步地，將課程中的任務分成瀏覽型任務和參與型任務兩類：瀏覽型任務要求學生觀看教學視頻，學習相關知識點；參與型任務則要求學生圍繞教學知識點，進行深入思考，并運用相關知識點解決相關問題?？梢园岩曨l觀看次數、視頻觀看時長作為衡量學生瀏覽型任務完成情況的指標；將討論區(qū)評論數、階段測試得分和作業(yè)得分等指標作為衡量學生參與型任務完成情況的指標。

將學生根據參與型任務和瀏覽型任務完成情況兩個維度的高低進行組合，可以將學習行為分為四種類型（如圖3所示）。瀏覽型任務和參與型任務完成情況雙低的稱為消極應付型；瀏覽型任務和參與型任務完成情況雙高的稱為積極主動型；瀏覽型任務完成情況高、參與型任務完成情況低的為打卡型；瀏覽型任務完成情況低、參與型任務完成情況高的為配合型學生。

聚類1的學生屬于消極應付型學生，這類學生既不觀看視頻，也不完成討論和作業(yè)等參與型任務，成績最差。聚類2的學生屬于積極主動型學生，這類學生不僅認真觀看視頻，而且積極參加討論，認真完成作業(yè)和階段測驗，善于思考，勤于練習，成績優(yōu)秀。聚類3的學生屬于打卡型學生，關注于觀看視頻，但卻忽視對知識點的思考和應用，成績中等。聚類4的學生屬于配合型學生，更注重主動完成參與型任務，成績良好。通過上述分析可知，在觀看教學視頻的前提下，積極參與討論、完成平時作業(yè)和階段測驗，對于提高期末考試成績具有重要作用。

綜合上述對學生線上學習行為的分析可知：為了有效提升學生的學習效果，在教學設計時，教師應重視參與型任務的安排，組織學生圍繞學習主題展開討論，并及時對學生測驗、作業(yè)中存在的問題給予反饋，以有效促進學生提高完成參與型任務的質量；同時在對學生進行學習效果綜合評價時，應適當增加參與型任務指標的權重，并降低瀏覽型任務指標的權重，以客觀真實地反映學生過程學習的效果。

基金項目：華南師范大學2020年校級“質量工程”建設項目“課程思政背景下《項目管理》線上線下混合教學改革實踐探索”；2021年校級“質量工程”建設項目“管理決策模擬綜合實驗教學中心”。

參考文獻

[1] 趙嵬，姚?，?后疫情時代大學生網絡學習何以有效——基于網絡學習效能與學習行為關系的分析[J].高教論壇，2023（4）：23-27.

[2] 龔藝，劉波，譚明杰，等.遠程教育中在線學習投入與學習績效關系的實證研究[J].成人教育，2018，38（6）：24-28.

[3] 趙呈領，李敏，疏鳳芳，等.在線學習者學習行為模式及其對學習成效的影響——基于網絡學習資源視角的實證研究[J].現代遠距離教育，2019，184（4）：20-27.

[4] Robert L Peach，Sam F Greenbury，Iain G Johnston，et al.Understanding learner behaviour in online courses with Bayesian modelling and time"series characterization[J].Scientific Reports，2021，11（1）：2823-2823.

[5] 張思，高倩倩，馬鑫倩，等.私播課論壇中學習者會話行為建模研究[J].電化教育研究，2021，42（11）：63-68，106.

[6] 蔡旻君，唐睿，魏鈺.基于二維象限分析的大學生在線學習行為研究——以混合學習環(huán)境下的SPOC實踐為例[J].電化教育研究，2023，44（8）：49-56.

[7] 王學民.應用多元統(tǒng)計分析（第六版）[M].上海：上海財經大學出版社，2021.