基于過程挖掘的在線自主學習行為模式識別及干預實證研究

李月 姜強 趙蔚

[摘? ?要] 自主學習符合人類學習的本質(zhì)，被賦予了從未有過的價值與使命，實現(xiàn)了自我驅(qū)動的學習行為。在線學習背景下，有必要挖掘?qū)W生自主學習行為模式，識別學生認知過程，尋找在線學習規(guī)律，解決自主學習能力薄弱問題。通過順序分析和聚類分析算法，對論壇、測驗、作業(yè)與評價和資源四類學習行為進行挖掘，分析高低成就學習者之間的在線自主學習行為模式差異。并基于模仿榜樣理念，以高成就學習者的學習行為模式為策略，對低成就學習者進行干預。研究結果表明高低成就學習者在線自主學習行為模式存在顯著差異，且高成就學習者的學習行為模式對低成就學習者具有指導作用，可為均衡化教學提供新思路與方法，縮小規(guī)模化教學與個性化教學的矛盾。

[關鍵詞] 自主學習; 過程挖掘; 學習行為模式; 干預; 回溯行為

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 李月（1995—），女，安徽合肥人。博士研究生，主要從事大數(shù)據(jù)學習分析研究。E-mail：liy116@nenu.edu.cn。

一、引? ?言

在大規(guī)模教學背景下，自主學習已然成為一種常態(tài)化的學習方式。自主學習是培養(yǎng)創(chuàng)新和實踐人才的迫切需要，在扎雷塔·哈蒙德的“文化響應式教學”中強調(diào)教師應引導學生從依賴他人轉(zhuǎn)向自主學習[1]?！犊茖W》（Science）中研究成果表明主動學習能夠優(yōu)化傳統(tǒng)授課的學習效果[2]，《自然》（Nature）子刊中也研究了大規(guī)模在線課程中影響自主學習效果的因素[3]。國內(nèi)學者龐維國教授認為學生應當具備自我驅(qū)動的學習動機，能夠主動規(guī)劃與學習相關的內(nèi)容、策略和時間等[4]，黃榮懷教授等認為自主學習能力是核心素養(yǎng)的本質(zhì)與關鍵點，培養(yǎng)自主學習能力是邁向未來教育的基本動力[5]，陳麗教授等認為自主學習能力對于成功的網(wǎng)絡學習至關重要[6]，表明自主學習研究受到國內(nèi)外學者的共同重視，具有重要科學研究意義。但因本源性障礙，在非監(jiān)督學習環(huán)境下，一些學習者的自我學習意識與自主學習動機薄弱，注意力與求知欲不強，導致出現(xiàn)“學習迷航”[7]。因此，如何提升在線自主學習成效是亟待研究的課題。鑒于此，本文擬采用過程挖掘技術識別高低成就學習者的在線自主學習行為模式，剖析高低成就學習者的學習歷程及知識內(nèi)化過程。同時，基于模仿榜樣效應，對低成就學習者實施教學干預，以期精準指導弱勢學生，提高自主學習能力，實現(xiàn)規(guī)?；虒W與個性化培養(yǎng)的有機結合，推動信息化時代教育變革的步伐，促進學習型社會的建成。

二、相關研究

（一）過程挖掘

過程挖掘是基于過程模型驅(qū)動方法和數(shù)據(jù)挖掘的新興學科，它不僅充分利用存儲在信息系統(tǒng)中的事件日志信息，還可以用于檢查過程的一致性、檢測瓶頸和預測執(zhí)行問題[8]。常見的過程挖掘工具有基于Java語言編寫的ProM（Process Mining）、專用于定量分析行為和時間事件的GEQS及微軟公司為企業(yè)提供商業(yè)智能服務的有力工具SSAS（Microsoft SQL Server Analysis Services）等。過程挖掘能夠分析事件序列并提供與之相關的指標，其主要目的是發(fā)現(xiàn)、監(jiān)控和改進從這些過程生成的事件日志中提取知識的實際過程。過程模型是從實際執(zhí)行或開發(fā)過程中獲得的，因此能夠提供關于實際發(fā)生事情的更多見解[9]。過程挖掘越來越多地應用于教育領域，尤其是在信息技術支持的學習和教學研究中。例如，Bannert等利用過程挖掘技術識別自主學習事件的過程模式，并通過分析個體自主學習活動的時間順序，對比最成功和最不成功學習者的學習過程[10]。Juhaňák等使用過程挖掘技術識別和區(qū)分學習管理系統(tǒng)中與測驗活動相關的不同類型的非標準學生行為，為學生在學習管理系統(tǒng)中的問答策略提供新的線索[11]。Maldonado-Mahauad等使用過程挖掘技術識別學習者在MOOC中最頻繁的六種交互序列模式，并將這六種交互序列模式分別與一個或多個自我調(diào)節(jié)學習策略相匹配，確定了綜合型、目標型和隨機型三類學習群體[12]。

（二）自主學習

齊默曼等認為自主學習是以學生為學習的主體，通過學生主動使用和調(diào)節(jié)元認知、動機與行為，從而實現(xiàn)學習目標的過程[13]。元認知與學生的自主學習密切相關，是指學習者有意識地思考他們的認知并控制認知過程的能力;動機是指學習者的自我效能感和自主性，動機也與學習者的目標緊密聯(lián)系，尤其是以掌握為導向的目標;行為是指能夠激發(fā)學習者主動管理和組織學習的行為，與學習者為了優(yōu)化學習環(huán)境而做出的決定和行動有關。班杜拉也將自主學習看作是受個體、行為和環(huán)境三要素協(xié)同作用的結果，具備自主學習能力的學習者能夠戰(zhàn)略性地調(diào)節(jié)行為和所處的學習環(huán)境[14]。如何在教學實踐中提升學生的自主學習效果，也一直是研究者們共同感興趣的教育問題。在線學習中，學習者根據(jù)自身學習偏好與策略，依據(jù)學習目標與內(nèi)容等指導，完成系列的知識內(nèi)化與生成等學習活動，所產(chǎn)生的海量數(shù)據(jù)能夠生動刻畫學習過程、再現(xiàn)學習者思維狀態(tài)[15]，從而有助于辨析不同學習者之間的學習行為模式差異，為個性化干預自主學習提供指導。研究者們從多視角提出相關的理論與實踐經(jīng)驗，劉紅霞等將智能技術賦能自主學習的發(fā)展，以充分調(diào)動學習者認知、情感、行為等多因素參與[16];李士平等基于學習分析，建立元認知與自主學習行為間的關聯(lián)關系，結果表明，根據(jù)學習者的網(wǎng)絡自主學習行為能夠推測學習者的元認知情況[17]。也有研究發(fā)現(xiàn)，通過課程的學習者與未通過課程的學習者之間具有不同的學習行為路徑特征;Beemt等的研究表明，成功的學生者表現(xiàn)出更穩(wěn)定的學習行為，這種行為與定期、分批觀看連續(xù)的課程視頻密切相關[18]。

三、在線自主學習行為模式挖掘框架

本研究主要通過數(shù)據(jù)采集、數(shù)據(jù)處理、過程挖掘和知識表示四個過程，對學習者的在線自主學習行為模式進行挖掘與分析，具體挖掘框架如圖1所示。（1）數(shù)據(jù)收集：網(wǎng)絡能夠捕捉學習者的隱性學習行為，折射學習者的真實思維和行為之間的邏輯關系[19]。在線學習行為數(shù)據(jù)的收集是研究的基石，本研究基于Moodle平臺開展，Moodle平臺會自動記錄存儲學習者的在線學習日志，其中包括時間戳、用戶名、事件名稱等數(shù)據(jù)，有助于筆者獲取有關學習行為模式的必需數(shù)據(jù)。（2）數(shù)據(jù)處理：Moodle平臺中記錄的學習者日志數(shù)據(jù)是詳盡但冗余的，研究者需要根據(jù)自身研究需求對這些數(shù)據(jù)進行清洗和篩選。剔除疑似錯誤異常的樣本，過濾重復、無效行為。處理后的數(shù)據(jù)有助于更有針對性地挖掘在線學習行為模式，以及發(fā)現(xiàn)學習者的在線學習規(guī)律。（3）過程挖掘：目前過程挖掘的算法有很多，例如基于Petri網(wǎng)模型的挖掘算法、啟發(fā)式網(wǎng)絡挖掘算法、基于模糊理論的挖掘算法等。本研究使用的Microsoft順序分析和聚類分析算法，它是一種結合了聚類和Markov鏈的混合算法，該算法的重要特征是使用順序數(shù)據(jù)，能夠通過執(zhí)行聚類分析來查找相似的順序序列（如學習者在瀏覽網(wǎng)站時的點擊流分析），使用概率性方法來確定某個數(shù)據(jù)點存在于某個分類中的概率[20]。（4）知識表示：將挖掘到的自主學習行為模式采用可視化的方式直觀呈現(xiàn)給用戶，便于后續(xù)深入地分析。

四、基于過程挖掘的在線自主學習行為模式識別

（一）研究對象

以“數(shù)據(jù)庫應用”課程為依托，選取東北某高校教育技術學專業(yè)的51名大一年級學生為實驗對象，實施為期8周的實驗。依據(jù)教學大綱設計了8個課程單元，每周完成一個課程單元的教學，并分別在課程第四周和第八周組織一次階段測試。其中，學生在線學習活動主要包括學習教學課件、觀看教學視頻、提交作業(yè)等。課程評價采用階段測試與平時任務得分相結合的方式，各占比50%，總分為100分。為了最小化對學生在線自主學習行為的干擾，學習者的在線表現(xiàn)不計入評價標準。

（二）在線學習行為編碼

為了更深入地理解學生學習行為之間的內(nèi)在關聯(lián)，本研究加入在線學習行為中的回溯行為?；厮菔侵競€體處理問題的過程中對已有知識的決策、回顧和應用，體現(xiàn)學生學習的反思過程，是批判思維和元認知的表現(xiàn)。它不僅能夠?qū)W習行為進行更為細致的劃分，還能夠更準確地重現(xiàn)學生在學習歷程中的認知變化。在本研究中，回溯行為主要是指學習者對以往章節(jié)內(nèi)容的回顧。本文源自論壇（Forum）、測驗（Test）、作業(yè)與評價（Assignment）和資源（Resource）四類信息，根據(jù)回溯行為將其細分為28種在線學習行為，見表1。其中，除論壇中的學習行為無回溯記錄外，其他三個模塊中都存在回溯行為，例如編碼“A1-1”表示查看先前章的學習任務，編碼“R1-1”表示觀看先前章的視頻。

（三）數(shù)據(jù)統(tǒng)計與處理

研究的前四周是教學觀察周，共收集學生在線自主學習行為數(shù)據(jù)10887條。對數(shù)據(jù)進行清洗篩選，過濾由于學習者誤操作產(chǎn)生的重復、無效行為，并對學生行為進行編碼和排序。將處理好的數(shù)據(jù)導入SSAS軟件中，進行順序分析與聚類分析，測試集為30%，定型集為70%。順序分析與聚類分析算法依據(jù)順序中包含類似路徑的案例，將學習行為模式相似的學習者劃分為兩類，案例是指學習者在某個連續(xù)時間內(nèi)完成的學習活動。依據(jù)兩類學習者的成績屬性對其進行命名，其中，分類1平均成績?yōu)?3.48，標準差為14.87，屬于低成就者;分類2平均成績?yōu)?1.12，標準差為11.47，屬于高成就者。

（四）高低成就者在線自主學習行為模式差異分析

本文根據(jù)Microsoft順序分析和聚類分析算法，挖掘并繪制高低成就者的自主學習行為模式圖（如圖2、3所示），為了便于后續(xù)的分析，除開始路徑外，研究只保留發(fā)生頻率更高、在學習過程中具有研究意義的行為與行為轉(zhuǎn)換。其中箭頭代表自主學習行為的方向，數(shù)值代表兩個行為間跳轉(zhuǎn)的概率，數(shù)值越高則代表該行為路徑發(fā)生概率越大，灰色方框代表學習者回顧已有知識的回溯行為。

從整體上看，高低成就學習者的自主學習行為模式之間存在顯著差異。高成就者表現(xiàn)出更為結構化的學習行為序列，學習行為間的意義連接更為緊密，而低成就者則表現(xiàn)出更加無序的學習行為序列與學習行為間的弱邏輯性。高成就者在開始自主學習時的路徑較為單一，大多是從“瀏覽當前章的課件（R2）”（發(fā)生概率為0.66）開始。而低成就者開始時的路徑則出現(xiàn)多種可能，反映了低成就者在線自主學習開始時的迷茫感;其中，最大概率出現(xiàn)的學習行為是“查看先前章的學習任務（A1-1）”（發(fā)生概率為0.40），反映出低成就者的自主學習存在延時性，可能與其學習積極性不高和拖延習慣等有關。下面將主要從資源、測驗、論壇、任務與評價四個模塊分別對高低成就者的學習行為模式差異進行分析與闡述。

在資源模塊中，高成就者存在“瀏覽當前章的課件（R2）→查看當前章的學習任務（A1）”（發(fā)生概率為0.40）和“瀏覽當前章的課件（R2）→嘗試當前章的測驗（T1）”（發(fā)生概率為0.18）兩種路徑轉(zhuǎn)換，而低成就者僅存在“瀏覽當前章的課件（R2）→查看當前章的學習任務（A1）”（發(fā)生概率為0.38）一種路徑轉(zhuǎn)換，這表明低成就者獲取知識的目的是為了完成課程任務，而高成就者會運用多種精細加工策略進行深層次的信息處理，從而將知識內(nèi)化吸收。

在測驗模塊中，低成就者從“查看先前章的試答簡報（T3-1）”跳轉(zhuǎn)到“提交先前章的測驗（T4-1）”的概率為0.78，表明低成就者在答題的過程中有22%的可能性跳轉(zhuǎn)到其他模塊尋求幫助，以獲得更高的測驗分數(shù)。而高成就者在測驗模塊主要表現(xiàn)出兩方面差異：其一，在完成測驗的過程中更專注、更自覺，完全依照從“嘗試當前章的測驗（T1）”到“查看當前章的答題情況（T5）”的順序完成答題（其間跳轉(zhuǎn)概率均為1.00），說明即使在無人監(jiān)控的情況下，高成就者仍可以誠信對待測試;其二，“查看先前章的答題情況（T5-1）→瀏覽先前章的課件（R2-1）”和“查看先前章的答題情況（T5-1）→觀看先前章的視頻（R1-1）”的路徑轉(zhuǎn)換表明，高成就者在答題過程中遇到困難，會在完成答題后及時通過觀看視頻等方式解決學習過程中的困惑，表明高成就者是真正地將自測題當作對自身知識掌握的一種考驗，而不僅僅將其當作一個任務來完成?？梢姡叱删驼咴谶M行測驗的前后表現(xiàn)出更為明顯的認知行為，學習策略也更為多樣化，而低成就者僅關注測驗的分數(shù)，缺失準備和反思環(huán)節(jié)。

在論壇模塊中，高成就者表現(xiàn)得更為積極，樂意主動發(fā)表自己的觀點;而低成就者的行為主要集中在“查看討論區(qū)（F1）”和“查看帖子（F2）”。與已有研究一致，雖然低成就者可能在課程中遇到了困難，但他們依然很少使用論壇求助[21]。值得關注的是，在高成就者的自主學習行為模式中，回帖行為比發(fā)帖行為更顯著，可能是因為他們在學習過程中碰到的挫折更少，并且愿意主動為同伴解答困惑。低成就者由于自身知識基礎和認知的局限，往往羞于在論壇中發(fā)表自己的疑問與觀點。

在任務與評價模塊中，“上傳先前章的作業(yè)（A3-1）”與“提交先前章的作業(yè)（A4-1）”被認為是不利于學習的拖延行為。可以看出，高成就者沒有出現(xiàn)遲交作業(yè)的情況，而低成就者則會時常遲交作業(yè)。有研究指出，時間管理、自我效能、學習動機等因素都可能會影響學習者的拖延行為[22]。總的來說，高成就者的學習目標更為明確，學習行為模式中包含更多有意義的連接，適合作為干預策略指導低成就者開展有序?qū)W習，利于將外部動機作用轉(zhuǎn)化為內(nèi)部動機作用，激發(fā)和培養(yǎng)正確的學習動機有利于學生關注學習任務本身，推進深度學習。

五、低成就者干預效果實證分析

心理學家班杜拉模仿理論提出學習即模仿。個體通過審視他人在特定環(huán)境中的表現(xiàn)及其所接受的強化，并將其示范行為作為媒介進行模仿，從而完成學習。通常，學習者傾向于與他們所認為的相似的人進行比較。例如，學習者會根據(jù)同伴的表現(xiàn)或者自己的學習經(jīng)歷進行社會比較[23]。與優(yōu)秀的同伴進行比較時，正向的社會比較可以誘發(fā)學生的學習動力，改善其行為表現(xiàn)，對學生的學業(yè)成績產(chǎn)生好的影響[24]。因此，本研究基于上述研究成果和模仿榜樣理念，對低成就者進行干預，旨在探究高成就學習者的學習行為模式對低成就學習者的指導效果。

（一）干預設計

本研究的干預對象是第一次階段測驗中成績低于60分的學習者，他們存在可能無法通過課程的學業(yè)危機，需要及時進行教學干預。學習習慣的可塑性是進行干預的前提，行為心理學的研究表明，一個習慣的形成至少需要三周以上的行為重復[25]，依據(jù)課程安排，研究的干預周期設置為四周。在干預開始前，教師向?qū)W習者提供兩條可供選擇的自主學習行為模式，其中一條為綜合型自主學習行為模式（即高成就學習者的學習行為模式），另一條為針對型自主學習行為模式，如圖4所示。綜合型學習行為模式具備高成就學習者的學習行為模式特點，適合想要全面、深層次掌握學習內(nèi)容的學習者，針對型學習行為模式適合想要快速完成學習任務的學習者，兩種學習行為模式所使用的學習資源相同。而學習者事先并不知道哪種學習行為模式為高成就學習者的學習行為模式，學習者可根據(jù)學習行為模式描述和自身需求進行選擇。教師將依據(jù)學習者選擇的學習行為模式對其進行干預，其中有10人選擇了綜合型學習行為模式，14人選擇了針對型學習行為模式。

（二）干預過程

在干預過程中，低成就者預先選擇的自主學習行為模式被用作指導干預的依據(jù)，干預過程會對低成就者的在線學習表現(xiàn)產(chǎn)生影響，教師依據(jù)目標學習行為模式與實際學習行為模式之間的差距，不斷調(diào)整干預策略、修正干預過程，從而提高目標學習行為模式的發(fā)生概率，如圖5所示。具體干預過程分為四個階段，（1）引起注意：示范行為越清晰，學習者就越容易注意到。教師根據(jù)預先選擇的自主學習行為模式對低成就學習者進行干預示范訓練，并詳細解釋這些學習行為模式背后的教育內(nèi)涵。（2）示范保持：如果學習者記不住示范行為，示范也就失去了意義，因此可以將示范行為以符號的形式表象化。在干預示范結束后，教師在Moodle平臺中上傳學習行為模式干預的文字稿，以便學習者隨時查看、記憶，以指導其行為。（3）行為再生：在教師的干預示范后，學生在自主學習中嘗試再現(xiàn)教師的示范行為，教師可以根據(jù)Moodle平臺記錄的日志信息實時掌控學生的學習行為動態(tài)，及時監(jiān)察并給予反饋，不斷地調(diào)節(jié)和修正學習者行為，使之趨近于教師演示的行為。（4）動機強化：班杜拉認為，外部強化、自我強化和替代性強化是制約再現(xiàn)行為的重要驅(qū)動力。在學習者正確再現(xiàn)示范行為后，教師可以對學習者提出積極的表揚，以激勵學習者經(jīng)常表現(xiàn)出示范行為。

（三）干預成績分析

在課程的第八周進行了第二次測驗，并對干預前后的成績進行了配對樣本t檢驗。第一次階段測驗中的24名低成就者在經(jīng)過干預后，平均成績從40.29（標準差為13.474）提升到了53.29（標準差為22.726），存在顯著性差異（p=0.002<0.01），說明對低成就者的在線自主學習行為模式進行干預能夠提高其學業(yè)成績。為了檢驗高成就學習者的學習行為模式對低成就者的指導效果，對選擇不同學習行為模式的兩組學習者進行獨立樣本t檢驗。結果表明，在干預前，選擇綜合型學習行為模式的學習者成績均值為38.70，選擇針對型學習行為模式的學習者成績均值為41.43，二者之間不存在顯著性差異（Sig.=0.643>0.05）;在干預后，選擇綜合型學習行為模式的學習者成績均值為64.30（提升25.60分），選擇針對型學習行為模式的學習者成績均值為45.43（提升4.00分），二者之間存在顯著性差異（Sig.=0.007<0.05）。這表明高成就學習者的在線自主學習行為模式對低成就學習者具有更好的指導作用，其行為背后蘊含的內(nèi)在邏輯能夠促進低成就者對學業(yè)知識進行深度加工與反思，從而提升在線學習效果?？偟膩碚f，在干預后有19名學習者的成績得到了不同程度的提升，如圖6所示。其中5名學習者的學業(yè)成績達到了80分以上，但也有5名學習者的成績沒有得到改善。數(shù)據(jù)庫應用是一門注重理論與實踐融會貫通的課程，部分學生需要經(jīng)過一段時間的學習與調(diào)整，才能適應課程內(nèi)容，找到適合自己的學習步調(diào)。在這個適應過程中，學習者的先驗知識、自我效能感、學習動機和付出的努力等共同起到了決定性作用。

（四）干預效果調(diào)查分析

本文采用Likert量表設計問卷（非常同意到非常不同意，依次用5-1分表示），包括在線學習的學習效果、積極性、學習動機以及體驗感四個方面（Cronbachs α=0.803），對干預后的學生進行了問卷調(diào)查和訪談，結果見表2。

從問卷結果可以看出，與實證結果相似，多數(shù)學生對干預后的學習效果持較為肯定的態(tài)度，認為對學習行為模式進行干預提高了他們在線學習的效果，占比達到70.83%（同意與非常同意之和）。分別有66.67%和75%的學習者認為對在線學習行為模式進行干預，提升了自己學習的積極性和學習動機，愿意主動按照教師提供的在線學習行為模式進行學習，并且其學習動機出現(xiàn)了由外部動機潛移默化轉(zhuǎn)變?yōu)閮?nèi)部動機的趨勢。同時，有77.78%的學習者認為學習行為模式干預減少了在線學習的茫然感，讓原本無助的學習變得自如，愿意繼續(xù)按照干預后的學習行為模式進行自主學習。

此外，在訪談中，學習者A（選擇針對型學習行為模式）表示，“我覺得在在線學習中提供可參考的學習行為模式能夠為我指明學習的方向，按照教師提供的路徑走，心里也比較有底”。學習者B（選擇綜合型學習行為模式）認為，“自己之前害怕得低分，所以做自測題的過程中會中途尋找答案，但回答過就忘了，現(xiàn)在要連續(xù)的完成自測題，我只能在測試之前作好復習，不知不覺地提高了自己對知識點的記憶”。學習者C（選擇綜合型學習行為模式）提到，“自己之前一直很害怕在討論區(qū)發(fā)言，害怕提的問題太簡單或者沒有人回復我會很尷尬，但在干預后，我在教師的鼓勵下邁出了這一步，發(fā)現(xiàn)沒我想的那么復雜，同學們都很樂于回答我的問題，及時地解決了我的困惑，之后我會更積極地在討論區(qū)發(fā)言的”?？傊?，大多數(shù)學生表示提供學習行為模式干預能夠給予他們方向與信心，減少迷茫感、無力感，省去許多摸索的時間，提高在線學習成績。

六、結? ?語

培養(yǎng)學習者的自主發(fā)展、自我管理能力，是促進學習者全面發(fā)展、終身發(fā)展的有效途徑。成功不能復制，但為學習者提供可參考的在線自主學習行為模式，可以協(xié)助學習者在自主學習中減少迷茫與無助感，也可以幫助學生獲得更高的學業(yè)成就。本文采用過程挖掘方法，分析高低成就學習者在線自主學習行為模式的差異及高成就者的學習行為模式對低成就學習者的干預影響。研究結果顯示：（1）高成就學習者的在線自主學習行為模式更清晰，行為之間的意義連接更為緊密，而低成就學習者則表現(xiàn)更加無序與茫然。（2）高成就者的學習內(nèi)在動機更為強烈，善于主動地運用認知策略去深層加工信息、內(nèi)化新知，而低成就者的學習行為主要受外在動機驅(qū)動，停留在對信息的淺層處理與應用上。（3）高成就學習者在答題的過程中更加專注，他們在測驗結束后會及時回顧資源，進一步鞏固知識、重構知識體系，體現(xiàn)了知識吸收與內(nèi)化的過程，符合自主學習的內(nèi)生邏輯。同時，利用榜樣效應，采用實證研究發(fā)現(xiàn)高成就學習者的在線自主學習行為模式對低成就學生具有更好的指導作用，低成就學生的學習動機在干預中逐漸明晰，其認知加工和自我評估等高階能力得到不斷發(fā)展。在線自主學習中，為學習困難者提供高成就者的學習行為模式，發(fā)揮榜樣效應，能夠幫助其進行更有效的自主學習，培養(yǎng)自主探究學習能力，為精準個性化學習提供理論依據(jù)，促進規(guī)?；逃c個性化培養(yǎng)的有機融合。在下一步研究中，將開展基于時間多尺度的行為模式挖掘，對比分析不同時間段學習者的學習行為模式差異，并探索其與學習者學業(yè)成績間的內(nèi)在聯(lián)系，以期為多維度剖析學習過程和個性化干預提供幫助。

[參考文獻]

[1] HAMMOND Z. Culturally responsive teaching and the brain： promoting authentic engagement and rigor among culturally and linguistically diverse students[M]. California： Corwin Press， 2014.

[2] MCCARTNEY M. Active learning： the twilight of Chem 101？[J]. Science， 2014， 344（6189）： 1239-1240.

[3] CARVALHO P F， SANA F， YAN V X. Self-regulated spacing in a massive open online course is related to better learning[J]. Npj science of learning， 2020， 5（1）： 1-7.

[4] 龐維國. 論學生的自主學習[J].華東師范大學學報（教育科學版），2001（2）：78-83.

[5] 黃榮懷，汪燕，王歡歡，逯行，高博俊.未來教育之教學新形態(tài)：彈性教學與主動學習[J].現(xiàn)代遠程教育研究，2020，32（3）：3-14.

[6] 趙宏，陳麗.遠程學習者自主學習能力培養(yǎng)方法研究[J].電化教育研究，2012，33（10）：56-63.

[7] 姜強，潘星竹，趙蔚，劉紅霞. 網(wǎng)絡學習空間中教師激勵風格對學習投入的影響研究——SDT中內(nèi)部動機的中介效應[J].中國電化教育，2018（9）：7-16.

[8] AALST W M P V D. Process mining： discovery， conformance and enhancement of business processes[M]. Berlin： Springer Publishing Company， 2011.

[9] RODR？魱GUEZ M C， NISTAL M L， FONTE F A M， et al. Exploring the application of process mining to support self-regulated learning： an initial analysis with video lectures[C]//Global engineering education conference. Tenerife： IEEE， 2018： 1766-1774.

[10] BANNERT M， REIMANN P， SONNENBERG C， et al. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning， 2014， 9（2）： 161-185.

[11] JUHANAK L， ZOUNEK J， ROHLIKOVA L， et al. Using process mining to analyze students' quiz-taking behavior patterns in a learning management system[J]. Computers in human behavior， 2017， 92（3）： 496-506.

[12] MALDONADO-MAHAUAD J， P？魪REZ-SANAGUST？魱N M， KIZILCEC R F， et al. Mining theory-based patterns from Big data： identifying self-regulated learning strategies in Massive Open Online Courses[J]. Computers in human behavior， 2018， 80（3）： 179-196.

[13] SCHUNK D H， ZIMMERMAN B J. Self-Regulation of learning and performance： issues and educational applications[M]. New Jersey： Lawrence Erlbaum Associates， 1994.

[14] BANDURA A. Social foundations of thought and action： a social cognitive theory[M]. New Jersey： Prentice Hall， 1986.

[15] 菅保霞，姜強，趙蔚.基于全腦模型的在線學習者學習行為序列分析[J].現(xiàn)代教育技術，2020，30（1）：107-113.

[16] 劉紅霞，李士平，姜強，趙蔚.智能技術賦能自我調(diào)節(jié)學習的內(nèi)涵轉(zhuǎn)型、制約瓶頸與發(fā)展路徑[J].遠程教育雜志，2020，38（4）：105-112.

[17] 李士平，趙蔚，劉紅霞，劉東亮，劉鳳娟.數(shù)據(jù)表征元認知：基于學習分析的網(wǎng)絡自主學習行為研究[J].電化教育研究，2017，38（3）：41-47.

[18] BEEMT A V D， BUIJS J， AALST W V D. Analysing structured learning behaviour in Massive Open Online Courses （MOOCs）： an approach based on process mining and clustering[J]. The international review of research in open and distributed learning， 2018， 19（5）： 38-60.

[19] 胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J].開放教育研究，2014，20（2）：102-110.

[20] DUNCAN O ， SHERER T. Microsoft sequence clustering algorithm[EB/OL].（2018-08-05）[2020-07-29]. https：//docs.microsoft.com/en-us/analysis-services/data-mining/microsoft-sequence-clustering-algorithm？view=asallproducts-allversions.

[21] CONIJN R， BEEMT A V D， CUIJPERS P. Predicting student performance in a blended MOOC[J]. Journal of computer assisted learning， 2018， 34（5）： 615-628.

[22] 楊雪，姜強，趙蔚，李勇帆，李松.大數(shù)據(jù)時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017，38（7）：51-57.

[23] DELAVAL M， MICHINOV N， BOHEC O L， et al. How can students' academic performance in statistics be improved？ Testing the influence of social and temporal-self comparison feedback in a web-based training environment[J]. Interactive learning environments， 2017， 25（1）：35-47.

[24] KOLL？魻FFEL B， JONG T D. Can performance feedback during instruction boost knowledge acquisition？ Contrasting criterion-based and social comparison feedback[J]. Interactive learning environments， 2016， 24（7）： 1428-1438.

[25] 殷寶媛，武法提.學習習慣在線干預的原理與模型設計[J].電化教育研究，2019，40（12）：72-79.

An Empirical Study on Online Self-regulated Learning Behavior Pattern Recognition and Intervention Based on Process Mining

LI Yue，? JIANG Qiang，? ZHAO Wei

（School of Information Science and Technology， Northeast Normal University， Changchun Jilin 130117）

[Abstract] Self-regulated learning conforms to the nature of human learning， and is endowed with unprecedented values and missions， thus realizing self-driven learning behavior. In the context of online learning， it is necessary to mine the behavior patterns of students' self-regulated learning， identify learners' cognitive processes， find online learning rules， and solve the problem of weak ability of autonomous learning. Through sequential analysis and cluster analysis algorithm， this paper excavates four types of learning behaviors （ forums， quizzes， assignments and assessments and resources） and analyzes the differences in online self-regulated learning behavior patterns between high- and low- achievement learners. Based on the idea of imitating the example， this paper takes the learning behavior patterns of high-achievement learners as the strategy to intervene the low-achievement learners. The results show that there are significant differences in the online self-regulated learning behavior patterns of high- and low-achievement learners. And the learning behavior patterns of high-achievement learners have a guiding role for low-achievement learners， which can provide new ideas and methods for balanced teaching and reduce the contradiction between large-scale learning and personalized learning.

[Keywords] Self-regulated Learning; Process Mining; Learning Behavior Patterns; Intervention; Retrospective Behavior