高校SPOC環(huán)境下學習者行為序列的差異性分析研究

劉智　王亞妮　鄭年亨　劉三蚜　孫建文　楊重陽

摘要：由于教學方式的靈活性與學習的可控性，小規(guī)模限制性在線課程（small Private Online Course，SPOC）在高等教育學府教學實踐中備受歡迎，而目前針對高校SPOC環(huán)境下學習行為模式和規(guī)律的研究還甚少。該文以華中師范大學自主開發(fā)～JSPOC平臺StarC中125175B在校大學生在一學年內的學習行為記錄作為研究對象，并對其學習行為進行了實證觀察、編碼與分析。首先邀請兩名專家對行為數據進行編碼，提取學生學習行為的二階轉移序列，然后對編碼數據采用頻率統(tǒng)計分析和二階序列分析以發(fā)現高校SPOC教學中學生行為序列的概率分布和狀態(tài)轉移模式。在此基礎上，采用滯后序列分析法（Lag Sequential Analysis，LSA）提取每個年級學生最顯著的行為模式，據此發(fā)現不同年級群體行為操作的規(guī)律性，并對不同年級下學生行為模式的差異性進行分析。最后，評估了學習平臺的可操作性、可擴展性與局限性并為今后SPOC環(huán)境下學習行為的研究提出建議。

關鍵詞：學習行為；二階序列分析；轉移序列；SPOC；差異性

中圖分類號：G434 文獻標識碼：A

一、引言

當前，慕課（Massive Open Online Courses，MOOCs）的應用在教育技術領域中引發(fā)了廣泛關注。與傳統(tǒng)線下課堂相比，慕課更具備開放性與自主性。但近兩年的研究表明，慕課平臺學生注冊數的大幅增長引發(fā)了學習質量的危機，多數學生僅注冊而不參與學習，慕課中產生的高輟學率與低完成率問題已成為限制其發(fā)展的一大挑戰(zhàn)。為克服這些問題，Fox提出僅用于校內教學的小規(guī)模限制性在線課程（Small Private Online Collfse，SPOC）概念，SPOC參考慕課的運行過程，并將其用于課堂教學的補充，是慕課的繼承和發(fā)展。與慕課相比，SPOC主要關注于課程具體內容的深入教學和對學生知識能力的重點培養(yǎng)，其學生規(guī)模較小，每門課堂均設置準入條件，少數具備資格的學生才能被納入課堂。其小規(guī)模與限制性的特點利于教師對課堂實施高效管理和個性化教學，以此增強學生的學習體驗，也有助于促進師生交流，使學生更容易獲得學業(yè)成功。Piccioni等人的研究發(fā)現，將SPOC應用于計算機科學課程時，學生在每個課程單元下的平均參與率達到71%以上，且學生上交的編程作業(yè)有80%符合習題要求。羅九同等人通過案例分析發(fā)現，設計良好的SPOC可以更契合本?；蚨嘈Ｂ摵辖虒W的模式，提高學生的學習效果。

SPOC提供了一個適應于各種教學方法的混合式學習平臺。Zhang等人近期的一項研究表明，與傳統(tǒng)課堂相比，學生在融合混合式教學的SPOC平臺中學習效率更高且學習狀態(tài)更加穩(wěn)定。該研究還顯示，學生的學習效果受到其學習時間和學習資源利用率的共同影響。雖然學習效果可以通過實驗或相關分析進行檢測，但是學習成效較好的學生的學習方式及其學習過程中的隱含行為模式尚不清楚。除此以外，學生在SPOC平臺中的學習動機尚不確定，Ziebarth等人的一項日志分析顯示，在考試期間，學生瀏覽視頻的次數呈現上升趨勢，這表明獲得更好的考試成績可能是學生在SPOC平臺中參與學習的目標之一。Piccioni等人發(fā)現，與瀏覽視頻相比，學生更傾向于參與在線測驗和練習。這一發(fā)現也讓研究者認為，測驗與練習是幫助學生在SPOC中持續(xù)深度學習的一種有效教學活動。

系統(tǒng)日志包含大量有效的學習過程信息，可以用于分析學習行為和成效間的關系，但由于學習行為具備復雜性、時序性以及動態(tài)性，僅分析系統(tǒng)日志中行為狀態(tài)的分布難以準確甄別學習過程中顯著的行為模式及其演化過程。基于以上問題，采用時間序列對學生行為模式進行更為細粒度的分析和挖掘顯得尤為重要。

二、e-Leaming環(huán)境下行為序列分析的研究概述

本研究主要采用滯后序列分析法（Lag SequentialAnalysis，LSA）對SPOC環(huán)境下的學生行為的轉移模式進行分析和挖掘。LSA是挖掘顯著行為模式的一種有效方法，目前主要用于在線論壇的交互討論和游戲型教學情境下顯著行為序列的檢測。應用LSA方法可綜合分析學生在線學習的外顯行為與內隱行為，幫助研究者了解學生的知識創(chuàng)生、知識共享和知識建構過程。近年來，e-Learning環(huán)境下學習行為的序列分析主要關注于不同學習群體的行為差異性研究和行為演化趨勢探討，其中不同的群體又分為不同性別，不同學業(yè)表現和通過聚類或特定測量機制（學習風格、學習動機等量表）所劃分的群體等。這些研究基本停留在對學生短期行為的觀察和統(tǒng)計上，且大部分研究中涉及的實驗數據規(guī)模較小，研究結果存在一定的局限性。Kapur根據學業(yè)成就將印度首都兩所高中的177名高二理科生隨機分為兩組，收集并編碼了各組學生在協(xié)作學習中的討論方式，并采用序列分析鑒別不同群體學習過程中的轉移情況。Hou和Wu跟蹤了在線網頁設計課程下40名大學生的學習過程，對學生在課程同步討論時所產生的信息進行編碼，并使用序列分析來分析高質量討論與低質量討論群體間的行為模式差異。Yang等人跟蹤了79名學生學習用Java進行安卓APP開發(fā)的過程，對學生在線測驗的行為進行編碼與序列分析，重點分析了實驗組和對照組學生行為模式的異同和前后測中行為模式的差異，研究發(fā)現前測與后測并不會影響學生進行在線測驗的行為模式。

相比M00C環(huán)境下的學習行為研究，SPOC環(huán)境下的相關研究還較少。盡管SPOC有助于促進區(qū)域化和校內教學與管理，但其仍是一個較為封閉的系統(tǒng)，其中隱藏的潛在問題可能會抑制學生知識能力的全面發(fā)展。Hou等人的研究發(fā)現，教師通過在私有學習環(huán)境中設置干預機制來提高學生的學習質量時往往會遇到困難。Park的研究表明，理解學生的學習行為與動機能幫助教學管理者創(chuàng)設吸引學生積極參與的學習情境，從而幫助他們適應在線學習模式。因此，SPOC環(huán)境下的行為分析對于學生行為偏好與學習模式的挖掘、學習環(huán)境的重構以及學習體驗的提升具有重要的研究意義和應用價值。

三、研究設計

（一）研究場景

StarC是華中師范大學基于SPOC概念設計開發(fā)的在線學習平臺（http：//moocapp.starc.tom.cn/application/mooc/）。該平臺采用云計算架構，融合同步和異步的多元互動學習模式，為在校大學生提供多種學習服務。參考M00C的基本學習元素，平臺嵌入多種學習資源（如視頻、課件、測驗、作業(yè)等）和互動學習情境（如討論、答疑與聊天室、學生互評等）。該平臺主要包括資源、通知、作業(yè)、成員和統(tǒng)計五大模塊。學生參與課堂學習的主要模塊為資源模塊，其組織結構如圖1所示。當學生進人資源模塊之后，屏幕左方自動顯示課程章節(jié)列表，每章包含若干學習單元。當選中一個學習單元，屏幕右方自動展示該單元對應的學習活動，學生進入學習活動可查看相應的教學課件資源。一個活動通常包含多個課件，且每個課件區(qū)域包含多個文件，如幻燈片、視頻、音頻、測驗和圖片等。

（二）研究問題

本研究旨在對高校SPOC環(huán)境下的大規(guī)模的時序學習行為進行歸納、整理和分析，并挖掘群體學習行為模式與不同年級學生的行為序列差異性?；诒疚难芯磕康模疚奶岢隽艘韵?個研究問題：

1.學生所體現的不同行為具有怎樣的頻率分布？單一行為之間具有怎樣的差異？

2.StarC中群體學習行為具有怎樣的模式？群體學習行為序列具有怎樣的特點？

3.不同年級學生具有怎樣的行為特征？不同年級學生的行為模式具有怎樣的差異？

（三）研究對象與數據來源

本研究選取2014年9月之前在StarC平臺注冊的12517名華中師范大學在校大學生為研究對象，其中包括3997名大一新生，4329名大二學生，4021名大三學生和170名大四學生。后續(xù)分析的數據采集于平臺自2014年3月21號至2015年3月4號共計348天的日志記錄，共涉及2642門課程，平均每門課程包含22名學生。

（四）研究方法

基于數據的便捷性、完整性與一致性考慮，本研究采用教學專家所設計的系統(tǒng)點擊流編碼規(guī)則對行為數據編碼，并進行編碼有效性檢查。研究方法如下：

首先，收集學習系統(tǒng)中學生每次登錄登出過程中產生的點擊行為，共計23項，由兩名來自系統(tǒng)開發(fā)團隊的專家對各行為作出解釋。為便于進一步處理，將行為數據與學生信息相整合并構建事件表（學生學號、系統(tǒng)角色、域名、時間戳、事件背景與事件類型）。采用xAPI（學習經歷數據規(guī)范API）標準進行學習經歷的量化，將每一個學習活動映射為一個{學生、動作、對象、結果、內容、時間戳和權限}形式的元素表。其次，邀請兩名從事在線學習行為分析的專家對以上行為進行總結，并抽取其中最關鍵的8個行為進行編碼解釋，編碼方案如右表1所示。根據編碼準則，系統(tǒng)記錄的所有學生的行為/事件日志被自動編碼為8個行為類別，并由系統(tǒng)開發(fā)人員和教學技術專家檢驗分類結果的有效性。在對所有數據完成編碼的基礎上，計算單個行為發(fā)生的頻次，根據編碼行為的時間順序展開二階序列分析，計算行為轉移概率和序列聯合轉移概率，最后得到調整的殘差表（如：Z值表）。

本研究共編碼產生14426772個行為，這表明學生平均每天產生41456.24個行為記錄，這種大規(guī)模數據有助于對學生的長期學習行為進行代表性分析。N-gram滑動模型可自動抽取n階序列，曾被成功應用于行為預測和語言模型中。本研究對編碼后的行為數據采用N-gram方法，通過計算機編程自動構建出學生學習行為的二階轉移概率矩陣，并以此刻畫學生的行為序列模式。N-gram滑動模型偽代碼如圖2所示。

N-gram模型主要用于非結構化數據中細粒度判別信息的提取。模型參數如下：S_i表示完整的序列S中第i個行為，N表示子序列所包含的行為個數，利用S序列可抽取出N-1步轉移子序列，如：根據時間先后順序，一個完整且連續(xù)的行為序列為“A→B→C→D→E”，則二階序列可被抽取為：“A→B→C”“B→C→D”和“C→D→E”。同時，這些序列的聯合轉移概率也可以根據行為狀態(tài)之間的轉移概率來計算。

四、研究結果與分析

（一）學生在線行為統(tǒng)計與分析

各年級學生的編碼行為頻度如表2所示，由表2可知，全體學生中發(fā)生頻率最高的行為是參與學習活動（LA），其次是觀看課件（CW），進入學習單元（Lu）和選擇課程（CS）。發(fā)生頻率最低的行為是查看同伴信息（MB）。這一結果表明，資源模塊下，參與學習活動學生在StarC進行學習時最主要的學習行為。在其他獨立模塊中，查看作業(yè)（HW）是發(fā)生頻率最高的行為，其次是查看統(tǒng)計結果（SR），這一結果與Sinha等研究者的研究結論相似。盡管查看作業(yè)（HW）是輔助功能區(qū)最活躍的行為，但其發(fā)生頻率卻明顯低于LA（參與學習活動）和CW（觀看課件），這反映出學習活動是SPOC環(huán)境的主要元素，作業(yè)則是SPOC環(huán)境下進行學習效果評價的基準。同時也表明SPOC更側重于關注學生的學習過程。另一方面，從MB（查看同伴）行為的統(tǒng)計結果中發(fā)現，學生較少關注相同課程下的其他學生的個人信息，在學習互動方面的表現不積極，這意味著SPOC平臺應增加一些互動功能以促進同一課程下的學生的多模式通信（如：同步聊天，音頻/視頻會話等）。

為評估單一行為在各年級組間的差異性，對.編碼行為開展單因素方差分析，選取顯著性水平為0.05，計算F統(tǒng)計值和p值，比較各樣本所代表的總體均數是否相等。原假設H₀為單一行為在四個年級組間沒有顯著性差異，當p值小于顯著性0.05時拒絕原假設。實驗結果表明：七種編碼行為在各年級組間具有顯著性差異，分別為：CS（選擇課程）（F=4.26，p=0.006），LU（進入學習單元）（F=2.78，p=0.041），LA（開展學習活動）fF=3.02，p=0.030），AN（查看公告）（F=8.7，p<10^-4），HW（查看作業(yè)）（F=5.63，p=0.001），MB（查看同伴信息）（F=4.77，p=0.003）及SR（查看統(tǒng)計結果）（F=9.19，p<10^-5）。多種行為在年級組間的顯著差異映射出不同年級組間的學習模式可能具有顯著性差異。由表2可知，行為CW（觀看課件）與LA（開展學習活動）的頻度較高，學生操作較活躍，為評估CW與LA在全體學生中的差異性，對CW與LA采用配對樣本t檢驗，檢驗結果表明：全體學生CW（觀看課件）行為的發(fā)生頻率明顯低于LA（開展學習活動）行為（t檢驗統(tǒng)計結果為：t_{0.05，3}=2.50，p=0.044），這表明學生可能僅單擊進入學習活動區(qū)，并未開展實質性的瀏覽課件行為，由此反映出系統(tǒng)課件區(qū)資源設計可能存在不合理性，無法有效激發(fā)學生的學習興趣。對表2中各行為進行縱向比較發(fā)現，高年級組的CW（觀看課件）行為最不活躍，這表明高年級學生在查看課程輔導資料時可能更缺乏耐心。產生這種現象的可能原因在于高年級學生的課程任務較少，他們主要面臨就業(yè)問題，因此其可能更傾向于獲得社會經驗而不是繼續(xù)在SPOC中學習理論課程。

（二）群體學習行為模式分析

以往對學習者行為序列模式的研究往往采用一階序列分析法，所得序列形如“A→B”結構，此方法僅考慮一步轉移，忽視了過渡信息的復雜性。為捕捉深度連續(xù)的行為模式，本研究對編碼數據進行二階序列分析，計算學生行為序列的二階頻率轉移矩陣和概率轉移矩陣，并通過計算z值尋找顯著的行為模式，計算公式如公式（1）至公式f4）所示。其中O_i為二階序列i發(fā)生的次數，N₁為第一步子序列與序列i相同的二階序列總數，N₂為最后一個行為與序列i相同的二階序列總數，N為二階序列總數，z值大于1.96則表明該序列顯著，z值越高表明顯著性越強。由于二階序列包含多方向與多組合的復雜過渡事件，為便于直觀觀察，選取最顯著的8個行為模式進行可視化，分別為：CS-HW-CS、LU-LU-LU、LU-LA-CW、LA-CW-LA、AN-HW-MB、HW-CS-HW、HW-MB-SR和MB-HW-AN，群體行為轉移序列如下頁表3所示。

觀察表3可知，序列LA-LU-CW的z值最高，表明該行為序列顯著性最高，學生群體在StarC平臺學習時最傾向于遵循LU-LA-CW路徑。此外，HW-CS-HW、LU-LU-LU、CS-HW-CS、LA-CW-LA、HW-MB-SR和MB-HW-AN等二階序列模式也具有較高的z值。表3中AN、CS、HW和MB之間的轉移關系較為復雜，CS-HW-CS、AN-HW-MB、HW-CS-HW、HW-MB-SR和MB-HW-AN這五個二階序列包含AN、CS、HW和MB中至少兩種行為，其中序列AN-HW-MB和MB-HW-AN的轉移概率較高，反映了個體行為經常在AN與MB之間往返，這表明在線學習情景下學生查看作業(yè)，查看公告和查看同伴信息的行為之間具有一定的序列相關性。

（三）不同年級學生的學習行為模式分析

為了進一步探討行為模式在年級上的差異性，對各年級學生的編碼行為分別進行二階序列分析，鑒于直觀性考慮，選取各年級學生行為轉移最顯著的三個二階序列進行可視化。

大一學生行為轉移如右圖3所示。由圖3可知，行為序列CS-HW-SR（z=34.62）的概率最高，這表明大一學生在進入某一門課程之后，可能會優(yōu)先查看教師布置的課堂作業(yè)，其視完成學習任務為SPOC學習的主要目標。這與MOOC中無約束學習方式有所區(qū)別，MOOC中的課件是學生學習的核心，而作業(yè)是大多數學生的附加任務，很多MOOC學習者并不是為了完成任務而參與學習。其余兩個較為顯著的序列為HW-CS-MB（z=23.70）和LA-SR-AN（z=21.57），子序列LA-SR表明行為LA與SR之間有很強的關聯性，這意味著大一學生更傾向于在離開學習活動模塊之后直接查看統(tǒng)計結果。他們可能關注于自己的歷史行為數據和在線學習表現，如學習時長與活躍度，兩者都是評估學生最終成績的關鍵指標。

大二學生行為轉移如右圖4所示，由圖4可發(fā)現，大二學生與大一學生最顯著的三個行為序列相同，為CS-HW-SR（z=113.98）、HW-CS-MB（z=68.1 2）和LA-SR-AN（z=35.73），但大二學生在這幾個序列中的z統(tǒng)計值明顯高于大一學生，這表明大二學生在參加學習活動和查看作業(yè)的過程中更加積極主動，這可能是由于相比大一學生，大二學生的在線課程更多、學業(yè)任務更重，因此他們會更加自主地展開學習。

大三學生行為轉移如圖5所示，其最顯著的三個序列為CS-HW-SR（z=109.86）、HW-CS-SR（z=82.26）和CS-CS-LU（z=35.66），相比其他年級的學生，大三年級學生選擇課程單元的行為較顯著（CS-CS-LU），這表明大三學生可能會反復選擇課程和學習單元，他們可能并不準備學習某一門課程，因此傾向于結合自身的學習情況挑選自己認為較重要的課程與學習單元進行針對性學習。

大四學生行為轉移如圖6所示，其最顯著的三個行為模式為CS-HW-SR（z=24.00）、CS-CS-LU（z=13.77）和CS-LA-CW（z=8.04），與其他年級學生相比，大四學生在CS-HW-SR序列上表現出更低的顯著性，其他年級學生在完成作業(yè)之后，傾向于離開當前課程并查看自己在該課程中的統(tǒng)計結果（如：學習時間、每個練習的得分、整體學習進度等），這表明大四年級學生在StarC中對自己學業(yè)表現的關注程度較低。

五、結論與建議

本研究對高校SPOC學習平臺中共計12517名學生在一學年中的學習行為數據進行了觀察、編碼和分析。通過頻率統(tǒng)計分析，二階序列分析和轉移概率分析，探討研究問題，并對SPOC環(huán)境下的大學生群體學習行為模式和不同年級組之間學生學習行為模式的差異性進行分析?；谝陨狭炕治鼋Y果，對本文的研究結論系統(tǒng)歸納和梳理，并對未來的研究以及SPOC平臺的設計提出相關建議。

1.在單一學習行為轉移的頻率分布方面，該平臺在資源模塊中設置了嵌套的學習路徑，以幫助學生通過循序漸進的方式掌握所學知識。四種學習行為（CS、LU、LA和CW）的統(tǒng)計分析證實，這種嵌套的學習路徑對大多學生具有良好的適用性（約占學習活動的87%），比較多種行為頻度發(fā)現，學生瀏覽課件的頻度顯著低于參與學習活動的頻度，反映出當前課件的設計水平不能適應教學培養(yǎng)機制或不能有效激發(fā)學生的學習興趣，因此，對課件的數量和質量進行同步控制可能有助于提高學生的學習參與度。

2.在群體學習行為序列方面，一方面StarC平臺所嵌套的學習路徑引導學生按照LU-LA-CW的流程進行學習，這使得初學者可以直接采取有效的學習順序，減少重復嘗試所不必要的時間。另一方面，序列分析的結果反映出學習行為主要在LU、LA和CW之間轉換，這表明這些行為之間具有顯著的連續(xù)性。根據二階序列分析，本研究得出以下結論：（1）當AN、HW、MB～SR出現在二階序列的中間位置時，該學生有極大的概率會離開當前課程；（2）多數序列以查看作業(yè)為中間環(huán)節(jié)，這表明完成作業(yè)是學生在此學習平臺上的主要動機；（3）學生傾向于通過查看可視化的學習統(tǒng)計結果來追蹤其歷史學習過程，這表明學生很關注自己在StarC中的表現。在虛擬學習環(huán)境中，學習成績的可視化已被證明有助于培養(yǎng)學生的反思意識。由于學生通常需要在分析學習目標和查看作業(yè)時回顧學習內容，平臺各模塊的獨立化可能影響學生的反思性學習過程，本研究建議在平臺的資源模塊中嵌入更多具有反思機制的學習情境，例如在課程學習模塊中添加評論、討論和互評功能來豐富學習場景，從而培養(yǎng)學生資源模塊的黏性。

3.在每個年級的行為轉移方面，本研究評估了單一行為及行為模式在不同年級學生間的差異，分析結果顯示，大二學生為學習行為活躍度最高的群體，大四學生行為活躍度顯著低于其他年級。大一新生傾向于查看的任課教師的教學通告和自身學習狀態(tài)的可視化圖形之后，對以往的學習活動進行回顧，導致這種現象的可能原因是大一新生初次接觸在線學習平臺，他們對平臺的操作不夠熟練，需要通過反復地回溯各種單元活動來消化知識，這種反思性學習方式可能有助于個體學習過程的優(yōu)化。大二學生在與CS（選擇課程）和HW（查看作業(yè)）相關的操作上表現更活躍，這可能是因為大二學生的學業(yè)任務比其他年級學生更重，因此他們對解決作業(yè)問題的關注程度更高。同時，大二學生需要選擇多門課程來取得學分，因此其行為經常在不同的課程之間頻繁轉移。大三學生在登錄平臺后，通常首先訪問學習單元以提高其活躍度與學習時長，然后查看同伴信息，統(tǒng)計結果或課程公告。這意味著，大三學生視學習績效可視化為重要反饋與激勵。就大四學生而言，其課業(yè)任務較輕，因此平臺學習資源可能并不適用于面臨就業(yè)的學生，建議將專業(yè)化崗位指導作為一個單獨的模塊加入到StarC平臺，以滿足大四學生的個性化需求。

本研究利用高校SPOC平臺上在校大學生的大規(guī)模學習數據，進行群體行為模式分析和年級組之間學習行為模式的差異性比較，旨在挖掘高校學生潛在的學習行為模式或習慣，并以此評估當前模塊的可改造性。本研究主要采用二階序列分析挖掘群體與不同年級組的細粒度學習行為模式。在今后的研究中，希望將學生的情感、學習興趣、認知、社交和知識水平與行為序列進行聯合分析，并利用自動序列模式挖掘與社區(qū)發(fā)現技術以進一步提升高校SPOC學習平臺的個性化與智能化導學水平。

收稿日期：2017年2月25日

責任編輯：宋靈青