|
本文由《现代远距离教育》授权发布 作者：赵呈领 李敏 疏凤芳 黄琰 摘要
关键词：网络学习资源；聚类分析；行为模式；学习成效 一、引言 2015年7月4日，国务院发布《国务院关于积极推进“互联网+”行动的指导意见》[1]，“互联网+”催生了新型教育服务供给方式，推动了教育服务模式的变革。随着教育信息化的发展和国家对网络精品课程建设项目的推进，网络学习资源获得了井喷式的建设与发展[2]。 网络学习资源是网络学习的内容保障之一，关乎网络学习的可持续发展，且不同类型的网络学习资源具有不同的特点。视频资源将文字、声像元素融为一体，刺激学习者的多种感官并将复杂的知识变得更形象、更直观，促进学习者对知识的理解，并能更好地激发学习者的学习兴趣[3]；文本资源为学习者提供课程内容概述，具有信息储量大、携带方便、利用率较高并且方便作笔记等特点[4]；论坛中的讨论和反馈信息是学习者进行自我反思的重要资源，有利于促进知识的理解和迁移，缩短知识更新的周期。此外，从资源的产生方式来看，视频资源、文档资源、作业模板属于预设性资源，论坛中发布的主题和回复讨论产生的资源属于生成性资源。不同学习模块的评价得分是学习成效的最直接体现，学习成效优良的学习者在学习方式方法上可为其他学习者提供借鉴。 具有不同的目标、偏好和学习动机的学习者在访问不同类型的网络学习资源时可能会表现出不同的参与水平和行为模式，不同的参与水平和行为模式反过来会影响学习成效。因此，探究学习者访问不同类型网络学习资源的行为模式以及不同行为模式对学习成效的影响，可以为教学设计者提供有用的信息，进而改善现有的教学设计、教学内容安排和网络学习资源呈现方式；同时，还可以为教学设计者提供参考条件，从而开发出个性化的学习支持系统。 二、研究基础和研究问题 1.网络学习资源 目前针对网络学习资源的定义分为广义和狭义两个方面。广义的网络学习资源包括硬件资源和软件资源两类，硬件资源是指各种网络学习资源在收集、加工、存储、传递和利用过程中必须借助和依赖的相关网络硬件设施，例如电脑终端、服务器、电缆等；软件资源是指各种网络数据库（知识库或信息库）及其相关管理、存储和传输的软件、技术标准与协议（包括网络操作系统、信息存储格式标准、信息库的制作软件、IP和HTTP等）。狭义的网络学习资源仅指学习者能够用于网络学习活动的各种网络数据库[5]。网络学习资源的研究是理论与实践相结合的对策性研究，具有明显的应用性特征。目前，网络学习资源的理论研究较多，大多数研究从资源建设、技术手段和评价等视角展开。马秀麟等针对目前主流学习支持平台在网络学习资源组织方面的不足，结合大数据时代新型数据呈现方式和处理模式，提出了基于大数据理念的网络学习资源组织策略[2]。万力勇等在分析用户生成性资源的概念、特征和分类及其驱动因素、组织方式和演化机制的基础上，提出了用户生成性资源的开发和利用策略[6]。胡萍等借鉴三元交互理论，构建了在线教育资源PEI交互评价模型，发现资源对用户个体因素的满足是影响用户评价资源的首要因素，用户个体因素与用户网络交互行为在资源评价中具有相互影响的特点[7]。 2.学习者行为 泰勒在20世纪30年代提出了任务时长（Time on Task），其认为学习者在学习中投入的时间越长，相应学到的知识也就越多。对学习者的学习行为分析，指有目的地分析在线学习者在学习过程中记录下来的相关行为数据。采集的行为数据可以是学习者操作层面的相关行为日志，也可以是反映学习者认知的其他数据（例如在线讨论贴、交互文本等）。学习行为分析的目的是挖掘隐藏在行为数据背后的有价值的信息，比如行为模式、行为规律、行为习惯等，最终促进人们对于学习过程、学习结果以及学习环境的理解和优化[9]。当前国际上对在线学习行为分析的研究主要集中在以下三个方面[10]：一是关注在线学习环境建设和学习者需求；二是利用软件工具记录并追踪在线学习者的学习行为；三是探索在线学习行为对学习绩效的影响。国内学者更加关注学习行为偏好的调查[11]、行为数据的采集[12]、行为分类指标的制定[13]、学习行为概念模型与信息模型的构建以及关键实现技术[14]。 目前已有的学习行为模式和学习成效相关性研究主要分析的是整个学习管理系统或讨论活动的在线参与情况。通过探索观看教学视频的总时长、登录次数、回复课程信息的次数以及创建的讨论数量与最终的课程成绩之间的关系，预测学习者的课程成绩[15]。有研究发现，在线课程学习者最终成绩与学习者在学习期间发布的讨论数量之间存在显著关系[16]。除此之外，已有研究还使用聚类分析的方法将学习者分为不同的类别，探究不同类别间的差异。Cerezo等分析了学习者在测验上花费的时长、查看理论内容所花费的时长、在论坛上花费的时长、在论坛上写下的文字数量、其他相关行为的数量以及完成任务所花费的时长等六个变量，将学习者分为四组不同的学习模式群体[17]。 3.研究问题 总而言之，大多数有关网络学习资源的研究关注理论层面，与学习行为相关的实证研究是根据整体的学习行为将学习者归类为不同的行为模式组的。本研究从网络学习资源视角，根据访问五种网络学习资源的时长将学习者进行聚类，以更清楚地了解和分析在线学习者观看网络学习资源的行为差异以及行为差异和学习成效之间的关系。 基于以上讨论，将研究问题分解成以下三个子问题： （1）什么类型的网络学习资源让学习者花费更多的时长? （2）当学习者访问网络学习资源时，会出现什么样的行为模式? （3）不同的行为模式与学习者学习成效的相关性如何? 三、研究设计与研究过程 1.研究对象 以选修中国大学MOOC网站课程“教师如何做研究”的6258名学习者为样本，本研究捜集课程报表和成绩日志，包括学习者浏览文本资源、观看视频资源、参加讨论活动、完成作业情况等学习行为数据，并进行数据清洗和整理，筛选出成绩及格并且有行为记录的学习者1439人加以研究分析。 在这门课程中，学习者可以学习的资源类型有视频资源、文档资源、期末作业模板和论坛中发布的讨论信息。在期末考试之前，共有43个文档资源、76个视频资源、1个期末作业模板和2469个讨论主题。 本课程的评价分为课程讨论、章节测验、作业和期末考试四个部分，课程总分则由占不同比例的四种评价得分组成，分别是课程讨论15％、章节测验50％、作业15％和期末考试20％。本研究将不同模块的评价得分作为学习成效的测量指标。 2.数据收集 在众多文献中，学习者参与通常被理解为包含行为、情感和认知参与的多组成结构[18]。行为参与涉及学习活动的参与；情感参与涉及对教师、同伴和活动的感受程度；认知参与可以定义为学习者在学习复杂思想或掌握困难技能方面的认知投入。虽然情感和认知参与对学习成效有重要影响，但他们的测量、推理和使用仍然具有挑战性。大多数的测量方法（例如自我报告、观察等）涉及人为干预，并且不能实时捕获大型班级参与的相关过程[19]。与情感和认知参与相比，行为参与在学习管理系统的帮助下更容易被观察和测量。网络学习平台保存了学习者在线行为的详细日志信息，包括访问日期、发出访问请求的IP地址、用户名、操作类型以及每次访问的资源类型。在在线学习的背景下，这些行为主要表现在次数和时长两个方面。鉴于此，本研究中的访问网络学习资源的行为仅通过“行动”领域确定，并且行为参与度指标包括从日志数据派生的基于次数和基于持续时长的两个特征。例如，本研究将观看视频资源的次数表示为学习者从本课程开始日期到结束日期观看视频资源的次数，而观看视频资源的时长定义为学习者整个课程期间观看视频资源花费的总时长（以秒为单位）。 本研究收集的数据有两种：系统日志数据和学习者的学习成效数据（讨论评价得分、章节测试评价得分、作业评价得分、考试评价得分）。 3.研究过程 使用聚类间比较方法分析三个聚类的学习者在线参与行为和学习成效。如果变量是区间连续并且满足独立观察、正态分布和方差齐次性的假设，使用参数检验比较适合。如果变量是区间离散并且满足独立观察的假设，则可以使用非参数检验来确定因变量的三个聚类之间是否存在统计显著性；如果非参数检验具有统计意义，表明至少有一组不同于另一组；之后，可进行事后检验发现聚类群组间的差异[20]。 在分析之前，检查变量的正态分布和方差的齐次性，结果显示除了观看视频资源的时长和次数外，所有变量都违反了原假设。因此，本研究使用了 Kruskal - Wallis非参数检验测量三个聚类之间是否存在差异显著性，使用Mann - Whitney U检验进行事后分析。 本研究首先使用SPSS中的层次聚类分析来确定基于树形图的聚类数量；接下来，进行k均值聚类分析，产生三个聚类。为了汇总课程中给定类型的形成性评估的评价得分，首先使用Z- score方案标准化相同类型的评价得分，然后将其总结为该评估类型的指标值，最后，在合并成一个完整的数据集之前，使用Z- score方案再次标准化每个课程的所有指标和学习者的最终评价得分。 四、研究结果 1.访问网络学习资源所花费的时长 在所有成绩及格的学习者中，有1363人观看了视频网络学习资源，1209人学习了文档网络学习资源，1241人查看了作业模板，916人在讨论论坛中阅读和回复了其他学习者发起的讨论帖，721人在讨论论坛中发起讨论主题。表1列出了访问不同类型网络学习资源的行为变量及其均值和标准差。可以发现，学习者频繁地观看视频资源，观看视频资源花费的时长和次数均多于学习其他类型的资源；其余依次是浏览文档资源、参考作业模板、阅读回复讨论信息和发起讨论主题。 2.学习者访问网络学习资源的差异 为了将具有相似学习模式的学习者分为同类组，对五个变量进行了k均值聚类分析：观看视频资源的时长、测览文档资源的时长、参考作业模板的时长、阅读回复讨论的时长以及发起讨论主题的时长。在进行分析之前，对五个变量进行了标准化转换，以减少聚类分析中的偏差。如表2所示，确定了三个聚类。从花费在观看视频资源、浏览文档资源和参考作业模板等预设性资源上的时长看，聚类1（n＝575）和聚类3（n＝84）明显多于聚类2（n＝780），并且聚类1（n＝575）略少于聚类3（n＝84）。从花费在阅读回复讨论和发起讨论主题等生成性资源上的时长看，聚类3（n＝84）明显多于聚类1（n=575）和聚类2（n＝780）。 为了清楚地了解三个聚类中的学习者访问不同类型网络学习资源的行为，使用 Kruskal - Wallis测试来比较三个聚类的学习者访问各类资源的次数和花费的时长，结果如表3所示。 表3中成对Mann - Whitney U Test揭示了聚类之间的均值存在显著的差异，从访问视频、文档和参考作业模板等预设性资源的时长和次数来看，聚类1与聚类3均大于聚类2，且和聚类2之间存在明显差异；聚类3的学习者观看视频资源的次数和参考作业模板的次数均大于聚类1的学习者，且存在明显差异；除此之外，聚类1和聚类3之间不存在明显差异。在阅读回复讨论和发起讨论主题等生成性资源的时长和次数方面，聚类1与聚类3均大于聚类2，且和聚类2之间存在明显差异；聚类3大于聚类1，二者之间存在明显差异。 总之，从表3中发现三个聚类中的学习者访问不同类型的网络学习资源的行为存在差异。由于聚类2的学习者访问各类网络学习资源的时长和次数明显少于聚类1和聚类3，且存在显著差异，因此可将聚类2标记为“网络学习资源低频率学习者”。聚类3观看视频资源时长、浏览文档资源的时长和次数以及参考作业模板的时长略高于聚类1，但并没有明显差异；聚类3观看视频资源的次数，发起讨论主题的时长和次数以及阅读回复讨论信息的次数和时长均高于聚类1，并存在明显差异。进一步分析可发现，积极访问网络学习资源的学习者可以分为两种类型：集中使用所有网络学习资源和选择性地集中使用一部分网络学习资源。因此可将聚类3标记为“网络学习资源高频率学习者”，聚类1标记为“预设性资源密集学习者”。 3.行为模式与学习成效的关系 为了检验这三个聚类的学习者在学习成效方面是否存在不同，本研究进行了Kruskal - Wallis检验。如表4所示，章节测试评价得分（P＝0.463）和考试评价得分（P＝0.067）不存在显著差异，三个聚类的作业评价得分（P＝0.000）、讨论评价得分（P＝0.000）和课程总分方面有显著差异（P＝0.000）。在成对Mann- Whitney U Test比较结果中，“网络学习资源高频率学习者”和“预设性资源密集学习者”之间的作业评价得分（P＝0.427）、讨论评价得分（P=0.914）和课程总分（P＝0.697）不存在显著差异，剩余所有比较在统计学上存在显著差异。 三个聚类中学习者的考试评价得分显示出略微的差异（P＝0.067），Mann- Whitney U Test显示在聚类1和聚类2之间存在显著差异（P＝0.024＜0.05）。 如表4所示，三个聚类学习者的章节测试评价得分和考试评价得分不存在显著差异；“网络学习资源高频率学习者”（聚类3）和“预设性资源密集学习者”（聚类1）获得的作业评价得分、讨论评价得分和课程总分都高于“网络学习资源低频率学习者”（聚类2），且存在明显差异；“网络学习资源高频率学习者”和“预设性资源密集学习者”之间的作业评价得分、讨论评价得分和课程总分无明显差异；但“预设性资源密集学习者”的考试评价得分高于“网络学习资源低频率学习者”，且存在显著差异。 五、结论与启示 1.完善网络学习资源多样性建设，均衡提升各类资源应用 本研究基于MOOC平台的系统日志，探究哪种类型的网络学习资源让学习者花费更多的时长和次数学习。研究发现，学习者更频繁地观看视频资源，观看视频资源花费的时长和次数均多于其他类学习资源；其次是文档资源、作业模板、阅读回复讨论和发起讨论主题。 结果表明，学习者更频繁地査看与网络课程直接相关的学习资源。MOOC平台中的视频资源主要是以微课的形式呈现给学习者，考虑到视频资源是MOOC的重要资源形式，也是最主要的教学形式，承载着课程主要的教学内容[21]，因此学习者的学习行为以观看视频为主，这与MOOC课程的学习资源设置形式密不可分。建议针对其他类型的网络学习资源，实施有效的引导策略，充分展现各类网络学习资源的优势，使网络学习者充分利用各类学习资源。 当前，网络学习资源朝着共享共建的方向快速发展，每个人在享用所需的优质网络学习资源的同时都可以参与网络学习资源的创建，并可以合法分享。因此，建议网络资源建设者抓住“互联网+”时代网络学习资源建设及其管理平台建设的良好机遇，鼓励学习者从网络学习资源的“消费者”转向资源的“产消者”，在消费网络学习资源的同时不断生产优质网络资源，紧跟以大众参与、协同创作为核心的资源“共创共享”时代的步伐，搭建多方参与、多方共赢的网络学习资源建设大平台，吸引各方力量贡献智慧、协同发展，从而构建富足的信息社会网络学习资源建设新常态。 2.满足学习者对网络学习资源的个性化需求，激发学习者学习兴趣 本研究对观看视频资源、浏览文档资源、参考作业模板、阅读回复讨论和发起讨论主题所花费的时长进行聚类分析，将具有相似访问网络学习资源行为的学习者进行聚类，产生三个聚类：“网络学习资源低频率学习者”、“网络学习资源高频率学习者”和“预设性资源密集学习者”。“网络学习资源低频率学习者”访问各类网络学习资源花费的时长和访问的次数都少于“网络学习资源高频率学习者”和“预设性资源密集学习者”；而“网络学习资源高频率学习者”访问各类网络学习资源花费的时长和访问的次数都是最多的；“预设性资源密集学习者”仅仅是访问视频资源、文档资源和作业模板等预设性资源的时长和次数比较多。 建议针对不同聚类学习者的行为特征和规律制定教学策略，提升学习者的学习参与度。聚类分析可以使教师和学习者都能及时发现学习者的行为规律和特征，方便教师因材施教，有针对性地制定教学策略，及时引导和干预学习者，教师可以通过多种手段激发学习者的学习动机；采用自适应资源推送的方式，提供学习者感兴趣的网络学习资源，满足其对网络学习资源的个性化需求。针对“网络学习资源低频率学习者”，教师还可以重点关注、查明原因、有效监督，可使用电子邮件或者短信的形式提醒其按时学习，养成良好的学习习惯，提高管理时间的能力。学习者自身也可通过学习进度提示或者数字仪表盘等自我监督的方式，清晰地了解自己和其他学习者的学习进度，以发现自己学习的不足和与其他学习者的行为差距，激发学习者的学习动机。针对“预设性资源密集学习者”，教师可开展多样的交互活动（如及时回复、即时交流、组建学习共同体等），使学习者获得较高的参与感，提升学习者对生成性资源的参与度。 教育技术的一个核心和持久问题是适应和支持学习者个体因不同学习目标和学习能力而规划并提供教学环境与教学条件[22]。不同的学习者由于学习偏好、学习动机和已具备的知识水平不同对网络学习资源的需求也不同。在网络学习资源组织和课程建设方面，以真实的问题为起点激发学习者的学习兴趣、以学习者的兴趣为动力触发学习者的学习活动，从而更加积极主动地参与学习并逐步热爱学习。资源的建设者需要理性思考网络学习资源的内容、呈现方式以及资源交互是否足够“人性化”，是否满足了学习者对网络学习资源的个性化需求，遵循“简约而不简单”的基本原则，最大化地提升每位学习者的学习满意度，真正获取有价值的知识，从而满足不同学习者的个性化需求。 3.不断完善评价体系，促进优质网络学习资源建设 对三个聚类进行 Kruskal - Wallis检验和Mann - Whitney U检验，分析发现三个聚类的作业评价得分、讨论评价得分和课程总分差异显著，表明访问网络学习资源的行为与学习成效相关。已有研究表明，沉浸状态对学习有积极影响[23]，“网络学习资源高频率学习者”和“预设性资源密集学习者”比“网络学习资源低频率学习者”获得了明显更高的作业评价得分、讨论评价得分和课程总分，这一结果代表学习者投入更多时间和精力访问网络学习资源就会取得更好的学习成效。该结果与Lust等的研究一致：学习行为密集型用户和不连贯的用户在任务评价得分方面明显优于稀疏性用户[24]。而三个聚类的章节测试评价得分和考试评价得分没有显著差异，可能存在影响章节测试评价得分和考试评价得分的其他因素，比如学习者互评等。 在学习课程结束之前，根据聚类分析的结果，可以对学习者最终的学习效果进行预测，针对学习效果不理想的学习者可进行学习预警和干预。在不同的学习阶段提供相应的干预策略，这就要求对学习者的聚类分析是不断更新的，保证实时进行分析，整个学习周期循环进行。倘若学习者在某一阶段出现学习危机，应及时给予恰当的干预。针对“网络学习资源低频率学习者”，应该推送一些其感兴趣和难度相对较低的网络学习资源，不能加重其认知负荷，同时需要加强对“网络学习资源低频率学习者”的监督，使用任务驱动的形式（设置奖励措施等）激发其学习兴趣和学习动机，从而提升其学习效果。针对“网络学习资源高频率学习者”和“预设性资源密集学习者”可以推送一些其感兴趣的课外网络学习资源，扩展视野，丰富学习内容，保持其学习的热情，促使学习效果最优化。 一方面加强优质网络学习资源建设，按照“开放、共享、合作、共赢、融合、创新”的要求，聚焦网络学习资源建设，全力推进网络学习资源建设最优化，再上新台阶。另一方面构建立体评价体系，评价要从多个方面准确地反映学习者的学习状况，还要有激励性，要能够促进学习者在学习上做出进一步的努力。 六、研究展望 研究和探索学习者在学习开放课程中网络学习资源的学习行为大数据，可以更好地促进在线开放课程中网络学习资源的设计、开发、实施和评价，使教学内容更加丰富和充实，教学过程更加流畅和有效，对实现学习者的高效学习有重要意义。 本研究对在线学习者的网络学习资源访问行为如何影响学习成效开展了验证性分析，后续研究可以对这些因果关系做进一步的对照实验，并进一步探究在线学习者选择不同类型网络学习资源的影响因素。此外，本研究仅考虑了在线行为作为量化学生参与度的指标，未来的研究还应该考虑认知和情感参与的指标，进而解释不同类型的参与和在线学习成效之间的关系。 致谢：本研究所用数据来自北京大学数字化学习研究中心“教师如何做研究”，特此感谢！ 基金项目：教育部—中国移动科研基金2017年度项目“信息技术支持下的区域教研模式研究及试点”（编号：MCM20170502）。 作者简介：赵呈领，华中师范大学教育信息技术学院教授，博士生导师；李敏，华中师范大学教育信息技术学院硕士研究生；疏凤芳，黄琰，华中师范大学教育信息技术学院博士研究生。 |
|
|
