基于教育大數(shù)據(jù)的大規(guī)模私有在線課程中交互活動模式的研究

程罡 孫迪 尚偉偉

[摘? ?要] 作為我國開放高等教育的主要形式，大規(guī)模私有在線課程（MPOCs）的學(xué)習(xí)管理系統(tǒng)積累了大量學(xué)習(xí)者行為數(shù)據(jù)。對于這些數(shù)據(jù)的分析，能夠有效地探究教學(xué)與學(xué)習(xí)的規(guī)律，提高開放高等教育的實踐和評估。文章運用隱馬爾科夫模型識別了MPOCs中不同課程階段的學(xué)習(xí)者交互活動的序列模式。研究結(jié)果表明，MPOCs中的學(xué)習(xí)者在學(xué)習(xí)周和考試周的行為模式存在明顯差異，他們會根據(jù)不同的課程階段調(diào)整學(xué)習(xí)策略和側(cè)重點，但小組學(xué)習(xí)和討論對于學(xué)習(xí)成效的影響不大，這一研究結(jié)果與傳統(tǒng)主流研究中關(guān)于協(xié)作學(xué)習(xí)及討論的正向研究結(jié)果有比較明顯的差異。這些研究結(jié)果有助于學(xué)習(xí)者和教師動態(tài)地梳理教育教學(xué)過程，促使他們采用不同學(xué)習(xí)策略來促進(jìn)教學(xué)與學(xué)習(xí)，以及從更加細(xì)致的角度來評估開放高等教育的教學(xué)效果。

[關(guān)鍵詞] 大規(guī)模私有在線課程; 交互活動; 模式分析與評估; 隱馬爾可夫模型

[中圖分類號] G434? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 程罡（1982—），男，湖南婁底人。副教授，博士，主要從事在線教育與學(xué)習(xí)分析研究。E-mail：chenggang@ouchn.edu.cn。孫迪為通訊作者，E-mail：sundi@dlut.edu.cn。

一、引? ?言

隨著信息技術(shù)的發(fā)展，支撐在線學(xué)習(xí)的學(xué)習(xí)管理系統(tǒng)（LMS）在高等教育中得到廣泛的應(yīng)用。這些系統(tǒng)收集和記錄了大量的學(xué)習(xí)者交互數(shù)據(jù)、個人數(shù)據(jù)、系統(tǒng)信息和學(xué)術(shù)信息[1]，這些數(shù)據(jù)是課程層面的重要的教育大數(shù)據(jù)[2]。在此基礎(chǔ)上，針對教育大數(shù)據(jù)的研究方法——學(xué)習(xí)分析技術(shù)（Learning Analytics，LA）也應(yīng)運而生。學(xué)習(xí)分析突破了傳統(tǒng)研究方法在數(shù)據(jù)和分析方法上的局限，通過數(shù)據(jù)挖掘的算法，對教育大數(shù)據(jù)中的交互模式進(jìn)行深度挖掘和分析，可以呈現(xiàn)出傳統(tǒng)研究方法無法探究的潛在學(xué)習(xí)模式，加深了我們對教學(xué)與學(xué)習(xí)的認(rèn)知、理解和評估[3]，有助于我們更好地對學(xué)與教的過程進(jìn)行反思和預(yù)測、干預(yù)和優(yōu)化[4]。

研究表明，不同的學(xué)習(xí)群體在不同的學(xué)習(xí)階段，其活動模式也有著不同的特征[5]。然而，這些研究僅限于小部分學(xué)習(xí)者在傳統(tǒng)協(xié)作學(xué)習(xí)情境下的行為，并沒有針對大規(guī)模在線環(huán)境的學(xué)習(xí)者，特別是在大規(guī)模私有在線課程（Massive Private Online Courses， MPOCs）中的學(xué)習(xí)者[6]。MPOCs是我國開放高等教育（即開放大學(xué)）的主要授課形式，對于MPOCs學(xué)習(xí)者的關(guān)注并開展深入研究是非常適時和有必要的。

二、研究現(xiàn)狀

（一）基于教育大數(shù)據(jù)和學(xué)習(xí)分析的學(xué)習(xí)者交互研究

現(xiàn)階段，基于教育大數(shù)據(jù)，一些研究人員采用了多種學(xué)習(xí)分析技術(shù)，如聚類、序列模式挖掘和隱馬爾可夫模型（hidden Markov model，HMM）等，對學(xué)習(xí)過程中的交互模式進(jìn)行了挖掘和探究。

在探究在線學(xué)習(xí)者協(xié)作學(xué)習(xí)行為的特征上，Perera等人采用了聚類和順序?qū)W習(xí)模式挖掘的方法追蹤分析在線協(xié)作學(xué)習(xí)的交互數(shù)據(jù)[7]。該研究比較了不同組的結(jié)果，確定了某些最常見和最不常見的模式，從而使學(xué)習(xí)者和教師能夠看到群體的學(xué)習(xí)行為，發(fā)現(xiàn)問題，并及時提供反饋。另外，Martinez等人利用序列挖掘的方法分析了學(xué)習(xí)者的頻繁連續(xù)合作模式[8]，并探索了高、低不同成就群體行為模式的差異。為了探究學(xué)習(xí)者的行為模式與學(xué)習(xí)績效的關(guān)系，Jeong等人專注于研究不同成就的學(xué)習(xí)者之間的行為差異[9]，他們使用HMM方法重點分析了學(xué)習(xí)者在活動模塊與過渡行為之間的操作模式。結(jié)果表明，高成就學(xué)習(xí)者的學(xué)習(xí)行為更具線性，并且在不同的課程過程中也表現(xiàn)得更為一致。

在探究在線學(xué)習(xí)者的行為模式和交互軌跡上，Chiu等人利用時序分析的方法分析了187名大學(xué)生在學(xué)習(xí)過程中生成的概念圖數(shù)據(jù)，從中挖掘出了典型的學(xué)習(xí)行為模式[10]。Kinnebrew等人采用情境化和差分序列挖掘的方法評估并比較了40名8年級學(xué)生在網(wǎng)絡(luò)環(huán)境下的交互行為[11]。研究人員運用序列模式挖掘得到了不同小組的交互指標(biāo)，并采用差分序列挖掘的頻率算法和分級技巧，極大地提高了研究效率。

對于特定的研究主題，如預(yù)測評估、學(xué)習(xí)風(fēng)格等也是研究者關(guān)注的重點。Venant等人使用序列模式挖掘的方法發(fā)現(xiàn)了學(xué)習(xí)者行為模式與其在最終評估測試中的表現(xiàn)之間存在一定的關(guān)系，其研究結(jié)果確認(rèn)了某些學(xué)習(xí)策略與學(xué)習(xí)成績之間的相關(guān)性[12]。Fatahi等人利用數(shù)據(jù)挖掘的算法挖掘了一些高頻的序列行為模式。結(jié)果表明，序列行為模式對于學(xué)習(xí)風(fēng)格的預(yù)測具有較高的準(zhǔn)確性[13]。

通過文獻(xiàn)分析，可以發(fā)現(xiàn)以往的研究大多是基于一定設(shè)計的實驗研究，集中在協(xié)作學(xué)習(xí)、校園學(xué)習(xí)、專題研究性學(xué)習(xí)等情境中，研究對象的范圍相對狹窄。大多數(shù)研究沒有涉及MPOCs中學(xué)習(xí)者的非實驗性的日常學(xué)習(xí)行為分析。其次，現(xiàn)有研究過于注重不同成就群體的行為差異研究，忽略了對不同學(xué)習(xí)階段的行為模式的研究。此外，研究人員沒有明確區(qū)分在線學(xué)習(xí)的交互行動和交互活動。事實上，學(xué)習(xí)者之間的交互至少可以分為兩個層次：底層是微觀的交互行為，指具有教育意義的典型行為，如查看、刪除、寫入、創(chuàng)建等;第二層是交互活動，一般指學(xué)習(xí)支持系統(tǒng)中設(shè)計的學(xué)習(xí)活動模塊，每個模塊包括一系列的底層交互活動，如在Moodle中，對應(yīng)于模塊，交互活動可能包括介紹、內(nèi)容、論壇、測驗、作業(yè)等。一些研究人員側(cè)重于挖掘交互行為，而其他人可能關(guān)注交互活動。在一個理論框架內(nèi)明確地區(qū)分這兩個層次的學(xué)習(xí)者交互，可以使我們的研究重點更具體和突出，從而連貫清晰地推進(jìn)在線學(xué)習(xí)中的交互研究。

（二）典型的學(xué)習(xí)分析方法

由于研究學(xué)習(xí)交互的側(cè)重點不同，研究者所采用的學(xué)習(xí)分析的方法也有很大差異。針對交互行為的研究方法集中于序列挖掘算法和聚類算法，而針對交互活動的研究方法通常采用隱馬爾可夫模型（Hidden Markov Model，HMM）。

HMM以貝葉斯統(tǒng)計為基礎(chǔ)，是一種基于顯性數(shù)據(jù)的概率揭示隱性狀態(tài)的方法。在以教育大數(shù)據(jù)為基礎(chǔ)的學(xué)習(xí)分析研究中，HMM通過對一段時間內(nèi)大規(guī)模顯性學(xué)習(xí)行為數(shù)據(jù)的時序特征進(jìn)行概率挖掘，進(jìn)而分析出顯性行為背后的潛在行為模式，以揭示學(xué)習(xí)的內(nèi)在規(guī)律[14-16]。HMM由3組參數(shù)來揭示隱性活動的狀態(tài)：

·初始概率向量π：隱性活動狀態(tài)的初始概率。

·轉(zhuǎn)移概率矩陣A：每個隱性活動之間的轉(zhuǎn)移概率，表示學(xué)習(xí)者在不同的隱性狀態(tài)中轉(zhuǎn)移流動的可能程度。

·輸出概率矩陣B：用于檢測隱性活動狀態(tài)下特定顯性活動的概率。因為每個隱性活動狀態(tài)可能包括幾個可觀察的顯性活動。顯性活動概率表示在一個特定的隱性活動狀態(tài)中，組成這個隱性狀態(tài)的每一個顯性活動的概率。

由一系列連貫的隱性活動狀態(tài)組成的學(xué)習(xí)活動序列就是在線學(xué)習(xí)交互活動的潛在模式。通常，研究人員采用著名的Baum-Welch （BW）方法來計算HMM的參數(shù)（π，A，B） [17]。給定每個數(shù)據(jù)集，HMM中輸入的顯性活動序列是可觀察到的學(xué)習(xí)者從課程開始到結(jié)束的所有納入研究范圍之內(nèi)的交互活動序列。針對一個顯性活動序列的數(shù)據(jù)集，HMM算法可以挖掘出若干個參數(shù)集（π，A，B），而我們需要的是一個最優(yōu)參數(shù)集（π，A，B），這個最優(yōu)的參數(shù)集可以最大限度地擬合可觀察的活動序列所組成的隱性活動狀態(tài)序列[14，18]。HMM輸出的最大擬合的潛在活動模式是在確定最佳隱性活動狀態(tài)基礎(chǔ)上生成的最佳參數(shù)集（π，A，B）。

綜上所述，通過對文獻(xiàn)研究和學(xué)習(xí)分析方法的梳理，在本研究中，嘗試突破現(xiàn)有研究有限的實驗設(shè)計、學(xué)習(xí)環(huán)境范圍不足、研究群體過窄、研究數(shù)據(jù)量級較小等局限，聚焦于大規(guī)模私有在線課程中學(xué)習(xí)者的非實驗性的日常學(xué)習(xí)行為，采用HMM模型作為分析方法，側(cè)重于交互活動層面上的典型模式分析，探究不同學(xué)習(xí)階段中學(xué)習(xí)者的潛在活動模式。因此，本文的研究問題如下：

（1）在MPOCs的不同階段，學(xué)習(xí)者的日常交互活動有哪些典型模式;

（2）不同階段的學(xué)習(xí)模式有哪些異同。

三、研究方法與過程

（一）數(shù)據(jù)與方法

本文的研究背景是開放大學(xué)中一門為期20周的在線課程。共有1527人最終完成課程學(xué)習(xí)并參與了期末考試，所以本研究的樣本量為1527。該課程共12個學(xué)習(xí)活動模塊：介紹、公告、學(xué)習(xí)內(nèi)容、資源、作業(yè)與測驗、討論、常見問題、實驗指南、小組學(xué)習(xí)、學(xué)習(xí)績效、模擬考試、課程評價。課程中，有3次以不同學(xué)習(xí)內(nèi)容為主題的小組學(xué)習(xí)活動。課程分為兩個階段，前16周為學(xué)習(xí)周，后4周為考試周。這兩個階段將數(shù)據(jù)分為兩個數(shù)據(jù)集：學(xué)習(xí)周數(shù)據(jù)集、考試周數(shù)據(jù)集。

本研究中，12個學(xué)習(xí)活動就是HMM提到的可觀察的顯性學(xué)習(xí)活動。本研究的主要目標(biāo)是以這12個顯性學(xué)習(xí)活動為基礎(chǔ)，挖掘其背后的隱性學(xué)習(xí)狀態(tài)，以及由這些隱性學(xué)習(xí)狀態(tài)組成的潛在學(xué)習(xí)活動的模式。HMM輸出結(jié)果是由不同隱性學(xué)習(xí)狀態(tài)組成的具有時序特征的潛在學(xué)習(xí)模式。HMM分別對兩個數(shù)據(jù)集進(jìn)行潛在模式挖掘，在此基礎(chǔ)上，探究這兩個課程階段中學(xué)習(xí)者活動模式的異同。

（二）不同階段的潛在活動模式

通過HMM算法分別對學(xué)習(xí)周和考試周兩個不同的數(shù)據(jù)集進(jìn)行挖掘，學(xué)習(xí)周和考試周的最佳隱性狀態(tài)數(shù)量均為4。這里僅以學(xué)習(xí)周數(shù)據(jù)集為例，梳理HMM分析的全過程。

如圖1所示，學(xué)習(xí)周數(shù)據(jù)集的最佳隱性狀態(tài)為4。以此為基礎(chǔ)，表1中學(xué)習(xí)周的初始向量π顯示了學(xué)習(xí)者對于每個隱性狀態(tài)的投入程度，如學(xué)習(xí)者對于第一個隱性狀態(tài)的投入度是30%。表2顯示了各個隱性狀態(tài)之間轉(zhuǎn)移的概率。因為學(xué)習(xí)過程是流動的，學(xué)習(xí)者不可避免地會處于多個學(xué)習(xí)狀態(tài)的變化之中。例如，表2中的第2行顯示的是學(xué)習(xí)者在隱性狀態(tài)1與本狀態(tài)和其他三個狀態(tài)之間流動的可能性。表3顯示的是每個隱性的學(xué)習(xí)狀態(tài)中包含的顯性學(xué)習(xí)活動及其比例。例如，學(xué)習(xí)周中，隱性狀態(tài)1中主要包含了“學(xué)習(xí)內(nèi)容”“作業(yè)與測驗”等2個顯性的學(xué)習(xí)活動，第2列顯示了每個學(xué)習(xí)活動所占用該狀態(tài)的時間，“學(xué)習(xí)內(nèi)容”占狀態(tài)1全部時間的46.1%，“作業(yè)與測驗”占狀態(tài)1全部時間的30.4%。

綜合表1—3的內(nèi)容，我們得出圖2，即學(xué)習(xí)周中學(xué)習(xí)者的潛在學(xué)習(xí)模式。表1與表3的數(shù)據(jù)在每個隱性狀態(tài)節(jié)點的內(nèi)部顯示，表2的數(shù)據(jù)在每個狀態(tài)節(jié)點之間通過箭頭來標(biāo)注。

通過圖2我們可以看出，在學(xué)習(xí)周，學(xué)習(xí)者的潛在學(xué)習(xí)活動的模式由4個隱性狀態(tài)組成。狀態(tài)1占學(xué)習(xí)者整體投入度的30%，狀態(tài)2占學(xué)習(xí)者整體投入度的4.5%，狀態(tài)3占學(xué)習(xí)者整體投入度的63.5%，狀態(tài)4占學(xué)習(xí)者整體投入度的2%。在隱性狀態(tài)1中，頻繁的顯性交互活動有“學(xué)習(xí)內(nèi)容”和“作業(yè)與測驗”兩類。學(xué)習(xí)者對于“學(xué)習(xí)內(nèi)容”的投入時間為整個隱性狀態(tài)1的46.1%，對于“作業(yè)與測驗”的投入時間占狀態(tài)1的30.4%?；谶@兩個主要的顯性活動，我們可以將隱性狀態(tài)1定義為“學(xué)習(xí)與自測”狀態(tài)。同樣，隱性狀態(tài)2可以定義為“小組學(xué)習(xí)”狀態(tài)，因為學(xué)習(xí)者投入60.7%的時間來進(jìn)行小組學(xué)習(xí)，投入了32.5%的時間來使用各種資源輔助自身的學(xué)習(xí)。隱性狀態(tài)3是 “學(xué)習(xí)績效”狀態(tài)。隱性狀態(tài)4是“討論”狀態(tài)。這四個連貫的隱性學(xué)習(xí)狀態(tài)連在一起，就構(gòu)成了學(xué)習(xí)者在學(xué)習(xí)周的交互活動模式。圖2中的箭頭指示了在這個潛在的交互活動模式中，學(xué)習(xí)者在各個狀態(tài)之間的流動和轉(zhuǎn)移的可能性。如圖2所示，在學(xué)習(xí)周，學(xué)習(xí)者從狀態(tài)1開始他們的學(xué)習(xí)進(jìn)程，之后有63.8%的可能性留在狀態(tài)1繼續(xù)學(xué)習(xí)課程內(nèi)容并進(jìn)行作業(yè)與測驗，有34%的可能轉(zhuǎn)移到狀態(tài)3中查看自己和同伴的學(xué)習(xí)績效。學(xué)習(xí)者進(jìn)入狀態(tài)3之后，有93.5%的可能轉(zhuǎn)移到狀態(tài)4中進(jìn)行各種討論。之后，學(xué)習(xí)者會進(jìn)入狀態(tài)2。進(jìn)行小組學(xué)習(xí)之后，學(xué)習(xí)者有56.4%的可能性會返回狀態(tài)1展開進(jìn)一步學(xué)習(xí)，有28.7%的可能性進(jìn)入狀態(tài)3查看學(xué)習(xí)績效。

同樣，圖3顯示了考試周中學(xué)習(xí)者的潛在交互活動模式。在考試周，學(xué)習(xí)者的潛在學(xué)習(xí)活動的模式也由4個隱性狀態(tài)組成。狀態(tài)1占學(xué)習(xí)者整體投入度的32.2%，狀態(tài)2占學(xué)習(xí)者整體投入度的52.3%，狀態(tài)3占學(xué)習(xí)者整體投入度的4%，狀態(tài)4占學(xué)習(xí)者整體投入度的11.5%。在隱性狀態(tài)1中，頻繁的顯性交互活動有“模擬考試”和“資源”兩類。學(xué)習(xí)者對于“模擬考試”的投入時間為整個隱性狀態(tài)1的59.4%，對于“資源”的投入時間占狀態(tài)1的28.7%?；谶@兩個主要的顯性活動，我們將隱性狀態(tài)1定義為“?？肌睜顟B(tài)。同樣，隱性狀態(tài)2可以定義為“學(xué)習(xí)績效”狀態(tài)，因為學(xué)習(xí)者幾乎投入了全部的時間來查看學(xué)習(xí)績效。隱性狀態(tài)3是“討論”狀態(tài)。隱性狀態(tài)4是“學(xué)習(xí)與自測”狀態(tài)。這四個連貫的隱性學(xué)習(xí)狀態(tài)連在一起，就構(gòu)成了學(xué)習(xí)者在考試周的交互活動模式。圖3中的箭頭標(biāo)注了在這個潛在的交互活動模式中，學(xué)習(xí)者在各個狀態(tài)之間的流動和轉(zhuǎn)移的可能性。如圖3所示，在考試周，學(xué)習(xí)者從狀態(tài)1開始他們的課程活動，之后有56.8%的可能性留在狀態(tài)1繼續(xù)利用各種資源進(jìn)行模擬考試，有41%的可能轉(zhuǎn)移到狀態(tài)2中查看自己和同伴的學(xué)習(xí)績效。之后，學(xué)習(xí)者有96%的可能轉(zhuǎn)移到狀態(tài)3中進(jìn)行各種討論。討論之后，學(xué)習(xí)者會有26.4%的可能性進(jìn)入狀態(tài)4對學(xué)習(xí)內(nèi)容和作用測驗進(jìn)行復(fù)習(xí);有66.5%的可能性重新返回狀態(tài)1，再進(jìn)行?？加?xùn)練。而進(jìn)入狀態(tài)4的學(xué)習(xí)者，會有69.7%的可能性轉(zhuǎn)移到狀態(tài)2中查看自己和同伴的學(xué)習(xí)績效，有25.7%的可能性回到狀態(tài)1中，進(jìn)行模擬考試。

HMM清晰地挖掘出了在一段長時間的學(xué)習(xí)過程中，學(xué)習(xí)者的隱性學(xué)習(xí)狀態(tài)和由這些狀態(tài)組成的潛在學(xué)習(xí)交互活動的模式。這類研究結(jié)果對于我們把握學(xué)習(xí)者的學(xué)習(xí)活動流程和梳理課程的進(jìn)展是非常有幫助的。

（三）不同階段的模式比較

基于圖2與圖3所示，以及上文對于學(xué)習(xí)者在不同課程階段的交互活動模式的詳細(xì)闡述，可以從以下幾個方面來梳理學(xué)習(xí)者在這兩個階段中學(xué)習(xí)模式的異同：

1. 潛在模式的構(gòu)成

本研究中，學(xué)習(xí)周和考試周的潛在交互活動的模式都由4個隱性狀態(tài)組成，但是構(gòu)成兩個模式的隱性狀態(tài)和序列是不同的。學(xué)習(xí)周模式由“學(xué)習(xí)與自測”“小組學(xué)習(xí)”“學(xué)習(xí)績效”“討論”四個狀態(tài)組成，與課程階段主要相關(guān)的狀態(tài)是“學(xué)習(xí)與自測”，占整個模式投入度的30%?？荚囍苣Ｊ接伞澳？肌薄皩W(xué)習(xí)績效”“討論”“學(xué)習(xí)與自測”四個狀態(tài)組成，與課程階段主要相關(guān)的狀態(tài)是“?？肌?，占整個模式投入度的32.2%。

2. 隱性狀態(tài)的比較

圖2與圖3也明確顯示，無論學(xué)習(xí)周還是考試周，“學(xué)習(xí)績效”都是學(xué)習(xí)者投入度最高的活動，占到整個階段性投入度的50%以上。學(xué)習(xí)者不僅頻繁查看自己在課程中的行為績效，也非常關(guān)注同伴的學(xué)習(xí)績效，尤其是小組學(xué)習(xí)中同組成員的學(xué)習(xí)績效?！坝懻摗币彩莾蓚€階段中學(xué)習(xí)者都投入的學(xué)習(xí)活動，但是與構(gòu)成模式的其他隱性狀態(tài)相比，“討論”活動的投入度占比是最低的。此外，“小組學(xué)習(xí)”和“學(xué)習(xí)與自測”是學(xué)習(xí)者在學(xué)習(xí)周和考試周較為次要的不同活動。雖然在學(xué)習(xí)周有三次強(qiáng)制的小組學(xué)習(xí)活動，但是學(xué)習(xí)者對于“小組學(xué)習(xí)”的投入度僅占整個學(xué)習(xí)周的4.5%。

3. 學(xué)習(xí)者轉(zhuǎn)移路徑的分析

學(xué)習(xí)周活動模式的起始狀態(tài)是“學(xué)習(xí)與自測”。作為學(xué)習(xí)周模式的主要活動，學(xué)習(xí)者用46.1%的時間用來進(jìn)行課程學(xué)習(xí)，用30.4%的時間完成作業(yè)與自測。學(xué)習(xí)者在這一狀態(tài)的黏性較大，有63.8%的可能性繼續(xù)留在本狀態(tài)進(jìn)行學(xué)習(xí)，而另外34%的可能性會轉(zhuǎn)到最具吸引力的“學(xué)習(xí)績效”活動中去。從“學(xué)習(xí)績效”到“討論”，再到“小組學(xué)習(xí)”，是學(xué)習(xí)者在學(xué)習(xí)周從起始狀態(tài)之后的主要轉(zhuǎn)移路徑?？荚囍芑顒幽Ｊ降钠鹗紶顟B(tài)是“?？肌?，作為考試周的主要活動，“?？肌钡酿ば砸脖容^大，學(xué)習(xí)者有56.8%的可能性會留在本狀態(tài)進(jìn)行復(fù)習(xí)，但是也有41%的可能性轉(zhuǎn)移到“學(xué)習(xí)績效”模塊，而且這個轉(zhuǎn)移的概率比學(xué)習(xí)周從起始狀態(tài)到“學(xué)習(xí)績效”模塊的轉(zhuǎn)移概率要大。從“學(xué)習(xí)績效”到“討論”，再到“學(xué)習(xí)與自測”，是考試周學(xué)習(xí)者從起始狀態(tài)之后主要的轉(zhuǎn)移路徑。通過比較，我們可以發(fā)現(xiàn)，兩個階段中，學(xué)習(xí)者從起始狀態(tài)到“學(xué)習(xí)績效”“討論”，再到另外一個隱性狀態(tài)的轉(zhuǎn)移路徑是相對類似的，但是該隱性狀態(tài)之后的轉(zhuǎn)移路徑出現(xiàn)了較大的差異。這種差異顯示了學(xué)習(xí)者不同的學(xué)習(xí)需求和策略，需要引起教師和課程設(shè)計者的關(guān)注。

四、討論與總結(jié)

本研究側(cè)重于交互活動的層面，采用一種探索性的學(xué)習(xí)分析方法——HMM對MPOCs中非實驗性的日常課程的不同階段進(jìn)行了學(xué)習(xí)模式挖掘和分析。研究結(jié)果可以從以下幾個方面提供一些價值和反思：首先，本研究給出了一個具體的利用學(xué)習(xí)分析技術(shù)進(jìn)行教育大數(shù)據(jù)研究的例子，HMM的分析結(jié)果說明了學(xué)習(xí)分析的方法對于挖掘教育大數(shù)據(jù)的有效性和創(chuàng)新性，即不同課程階段的交互活動模式確實有所不同，而且傳統(tǒng)的定性或者統(tǒng)計的方法不能夠充分地描述和定量地辨別這種潛在的差異。其次，兩個課程階段的不同模式的比較和分析為進(jìn)行有效教學(xué)和促進(jìn)學(xué)習(xí)提供了可參考的信息。

每個課程階段學(xué)習(xí)者對于不同學(xué)習(xí)活動投入度的量化確定，可以提高研究者對學(xué)習(xí)者學(xué)習(xí)狀況的把握程度。研究顯示：不同的課程階段，學(xué)習(xí)者都有特定的主要學(xué)習(xí)狀態(tài)，這些學(xué)習(xí)狀態(tài)一般由幾個表面上相對獨立的學(xué)習(xí)活動組成，學(xué)習(xí)者對這些活動的投入也有所不同。學(xué)習(xí)者在不同狀態(tài)之間的轉(zhuǎn)移也有一定的規(guī)律可循，例如，從主要學(xué)習(xí)狀態(tài)轉(zhuǎn)到績效的查看和論壇的討論，然后是對次要投入狀態(tài)的關(guān)注和對主要學(xué)習(xí)狀態(tài)的回歸。又如，HMM的挖掘結(jié)果顯示，“學(xué)習(xí)績效”是學(xué)習(xí)者在兩個階段中投入度最高的活動，這有力地證明了學(xué)習(xí)者關(guān)心自己或同伴在整個群體中的排名，可能會影響學(xué)生的參與和學(xué)習(xí)的努力程度。因此，課程設(shè)計者可以在學(xué)習(xí)績效活動中設(shè)計一些相關(guān)模塊和接口，提供資源和反饋，引導(dǎo)學(xué)習(xí)者積極地投入到課程學(xué)習(xí)中?；谶@些清晰立體的量化描述和分析，教師和學(xué)習(xí)者都可以更好地梳理學(xué)習(xí)過程，提高教學(xué)和學(xué)習(xí)的效果。

另一個值得討論的方面是小組學(xué)習(xí)和討論活動對于課程學(xué)習(xí)的有效性。眾所周知，在線討論和小組學(xué)習(xí)是許多在線課程中設(shè)計的典型活動[19-21] ，支持者們認(rèn)為在線討論可以支持主動學(xué)習(xí)和知識構(gòu)建[22]。同樣，許多關(guān)于協(xié)作學(xué)習(xí)的研究也表明，協(xié)作學(xué)習(xí)可以幫助學(xué)習(xí)者培養(yǎng)更高階思維能力，建立更多的支持性關(guān)系以緩解孤立狀態(tài)[23-24]。然而，與之前研究結(jié)果不同，本研究中，發(fā)現(xiàn)學(xué)習(xí)者很少參與討論和小組學(xué)習(xí)，這兩個活動幾乎都沒有影響學(xué)習(xí)過程。由于樣本局限在一門課程中，因此，研究結(jié)果不會導(dǎo)致對在線討論和小組學(xué)習(xí)有效性的根本性挑戰(zhàn)。但值得注意的是，在MPOCs背景下的論壇討論和小組學(xué)習(xí)，可能有一些特殊的屬性有待今后深入地進(jìn)行研究。

與以往的實驗性研究不同，本研究的結(jié)果更接近在日?，F(xiàn)實狀態(tài)下的真實狀況，這有助于教師更好地掌握學(xué)習(xí)者真實的交互活動的特點和規(guī)律，以學(xué)習(xí)者為中心設(shè)計和開發(fā)課程。同時，研究仍存在部分局限性，其分析數(shù)據(jù)只來源于一所開放大學(xué)的一門課程，并且追蹤的時間僅為一個學(xué)期，雖然樣本數(shù)量和交互行為的數(shù)據(jù)量級較大，但是在更廣闊的范圍內(nèi)，本研究結(jié)果還不足以得出某種活動模式就是典型的有代表性的模式。在本研究的基礎(chǔ)上，后續(xù)的研究中會繼續(xù)拓展研究對象的范圍，增加其多樣性，最終通過對大量數(shù)據(jù)長期追蹤和分析，不斷挖掘典型的學(xué)習(xí)活動模式，建立不同的推薦系統(tǒng)，及時地為學(xué)習(xí)者提供支持和反饋，真正達(dá)到大規(guī)模個性化教學(xué)的目的。

[參考文獻(xiàn)]

[1] DANIEL B K. Big Data in higher education： the big picture[M]// DANIEL B K. Big data and learning analytics in higher education. Switzerland： Springer International Publishing， 2017： 19-28.

[2] 楊現(xiàn)民，王榴卉，唐斯斯.教育大數(shù)據(jù)的應(yīng)用模式與政策建議[J].電化教育研究，2015，36（9）： 54-61，69.

[3] KRUMM A E， WADDINGTON R J， TEASLEY S D， et al. A learning management system-based early warning system for academic advising in undergraduate engineering[M]// LARUSSON J A， WHITE B. Learning analytics： from research to practice. New York： Springer， 2014： 103-119.

[4] 祝智庭，沈德梅.學(xué)習(xí)分析學(xué)：智慧教育的科學(xué)力量[J].電化教育研究，2013，34（5）：5-12，19.

[5] 陳麗.遠(yuǎn)程學(xué)習(xí)的教學(xué)交互模型和教學(xué)交互層次塔[J].中國遠(yuǎn)程教育，2004（3）：24-28.

[6] 石磊，程罡，劉志敏，馮立國.大規(guī)模私有型在線課程建設(shè)模式及其質(zhì)量保障機(jī)制——以國家開放大學(xué)網(wǎng)絡(luò)課程建設(shè)過程為例[J]. 中國遠(yuǎn)程教育，2018（8）：10.

[7] PERERA D， KAY J， KOPRINSKA I， et al. Clustering and sequential pattern mining of online collaborative learning data[J]. IEEE transactions on knowledge and data engineering， 2009， 21 （6）： 759-772.

[8] MARTINEZ R， YACEF K， KAY J， et al. Analysing frequent sequential patterns of collaborative learning activity around an interactive tabletop[C/OL]. 4th International Conference on Educational Data Mining， 2011：111-120[2021-07-08]. https：//www.academia.edu/1408235/Analysing_frequent_sequential_patterns_of_collaborative_learning_activity_around_an_interactive_tabletop.

[9] JEONG H， BISWAS G， JOHNSON J， et al. Analysis of productive learning behaviors in a structured inquiry cycle using hidden Markov models[C/OL]. 3rd International Conference on Educational Data Mining， 2010：81-90[2021-06-13]. https：//educational datamining.org/EDM2010/uploads/proc/edm2010_submission_59.pdf.

[10] CHIU C， LIN C. Sequential pattern analysis： method and application in exploring how students develop concept maps[J]. The Turkish online journal of educational technology， 2012， 11 （1）： 145-153.

[11] KINNEBREW J S， LORETZ K M， BISWAS G. A contextualized， differential sequence mining method to derive students' learning behavior patterns[J]. JEDM-Journal of educational data mining， 2013， 5 （1）： 190-219.

[12] VENANT R， SHARMA K， VIDAL P， et al. Using sequential pattern mining to explore learners' behaviors and evaluate their correlation with performance in inquiry-based learning[C/OL]. European Conference on Technology Enhanced Learning， 2017：286-299 [2021-09-15]. https：//oatao.univ-toulouse.fr/19113/.

[13] FATAHI S， SHABANALI-FAMI F， MORADI H. An empirical study of using sequential behavior pattern mining approach to predict learning styles[J]. Education and information technologies， 2018， 23 （4）： 1427-1445.

[14] BAHI L， BROWN P F， DE SOUZA P V， et al. Maximum mutual information estimation of hidden Markov model parameters for speech recognition[J]. Proceedings of the IEEE-IECEJ-AS International Conference on Acoustics， Speech， and Signal Processing， 1986 （1）： 49-52.

[15] BEN-YISHAI A， BURSHTEIN D. A discriminative training algorithm for hidden Markov models[J]. IEEE transactions on speech and audio processing， 2004， 12 （3）： 204-217.

[16] LI C， BISWAS G. A Bayesian approach for structural learning with hidden Markov models[J]. Scientific programming， 2002， 10 （3）： 201-219.

[17] BAUM L E， PETRIE T， SOULES G， et al. A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains[J]. Annals of Mathematical statistics， 1970， 41 （1）： 164-171.

[18] KWONG S， HE Q， MAN K F. Training approach for hidden Markov models[J]. Electronics letters， 1996， 32 （17）： 1554-1555.

[19] CHAN J， HEW K F， CHEUNG W S. Asynchronous online discussion thread development： examining growth patterns and peer—facilitation techniques[J]. Journal of computer assisted learning， 2009， 25 （5）： 438-452.

[20] GULBRANDSEN C， WALSH C A， FULTON A E， et al. Evaluating asynchronous discussion as social constructivist pedagogy in an online undergraduate gerontological social work course[J]. International journal of learning， teaching and educational research， 2015， 10 （4）： 94-111.

[21] O'MALLEY C. Computer supported collaborative learning[M]. Berlin： Springer Science & Business Media，2012.

[22] HEW K F. Student perceptions of peer versus instructor facilitation of asynchronous online discussions： further findings from three cases[J]. Instructional science， 2015， 43 （1）： 19-38.

[23] BARKLEY E F， CROSS K P， MAJOR C H. Collaborative learning techniques： a handbook for college faculty[M]. San Francisico， CA： John Wiley & Sons，2014.

[24] MASON W， WATTS D J. Collaborative learning in networks[J]. Proceedings of the national academy of sciences， 2012， 109 （3）： 764-769.