融合數(shù)據(jù)驅(qū)動(dòng)生成在線學(xué)習(xí)迷航模型的構(gòu)建及驗(yàn)證

張 曄

（南京科技職業(yè)學(xué)院 江蘇南京 210044）

1 引言

隨著教育改革的不斷深入和教育信息化的持續(xù)推進(jìn)，在線學(xué)習(xí)能夠幫助學(xué)習(xí)者實(shí)現(xiàn)溝通交流和資源共享，它已經(jīng)成為變革“教”與“學(xué)”模式的重要實(shí)踐形態(tài)。 然而，因在線學(xué)習(xí)資源泛濫、師生互動(dòng)缺乏和導(dǎo)航設(shè)計(jì)不良等問(wèn)題，學(xué)習(xí)者很容易陷入學(xué)習(xí)迷航。 如何診斷和干預(yù)學(xué)習(xí)迷航成為亟待解決的問(wèn)題，隨著大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用，融合數(shù)據(jù)生成的迷航狀態(tài)分析方法為解決在線學(xué)習(xí)迷航提供了新思路。

2 文獻(xiàn)綜述

2.1 核心概念及界定

1）在線學(xué)習(xí)

在線學(xué)習(xí)（Online Learning）是由電子通信技術(shù)、網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)等核心互聯(lián)技術(shù)衍生出來(lái)的一種重要遠(yuǎn)程實(shí)踐形式［1］。 在線學(xué)習(xí)的開放性、靈活性、互動(dòng)性、均等性、協(xié)作性、個(gè)性化、自主性等特點(diǎn)，使我們?cè)诔浞譂M足不同學(xué)習(xí)者個(gè)性化需求的同時(shí)，不再受時(shí)空、管理、資源等方面對(duì)傳統(tǒng)課堂教學(xué)的限制，有效地提高了學(xué)習(xí)效果。

2）數(shù)據(jù)驅(qū)動(dòng)

數(shù)據(jù)驅(qū)動(dòng)的概念隨著大數(shù)據(jù)的興起受到廣泛關(guān)注和頻繁使用，被解釋為通過(guò)移動(dòng)互聯(lián)網(wǎng)或者其他平臺(tái)軟件采集海量的數(shù)據(jù)，然后將數(shù)據(jù)轉(zhuǎn)化為信息，再經(jīng)過(guò)一系列過(guò)程，將相關(guān)信息進(jìn)行整合、提煉、自動(dòng)擬合為一個(gè)有效的決策模型。 有效的數(shù)據(jù)驅(qū)動(dòng)機(jī)制能夠?qū)崿F(xiàn)在線學(xué)習(xí)中隱性知識(shí)顯性化，顯性知識(shí)結(jié)構(gòu)化，可以為教育診斷與決策提供相應(yīng)指導(dǎo)。

3）學(xué)習(xí)迷航

學(xué)習(xí)者在學(xué)習(xí)過(guò)程中陷入的一種類似船舶、飛機(jī)迷失航向的負(fù)面學(xué)習(xí)狀態(tài)。 處于學(xué)習(xí)迷航的學(xué)習(xí)者無(wú)法辨識(shí)自身遇到的學(xué)習(xí)問(wèn)題，無(wú)法選取學(xué)習(xí)資源完成學(xué)習(xí)任務(wù)，而是處于一種漫游、困惑、挫折狀態(tài)，不能及時(shí)解決問(wèn)題，學(xué)習(xí)成績(jī)和效率都會(huì)受到影響。

在線學(xué)習(xí)過(guò)程中，由于師生間的“空間分離”和網(wǎng)絡(luò)學(xué)習(xí)環(huán)境的復(fù)雜性，容易存在教師情感激勵(lì)與學(xué)習(xí)指導(dǎo)不足［2］、同伴交流互動(dòng)匱乏和網(wǎng)絡(luò)資源泛濫且質(zhì)量不均衡等問(wèn)題［3］，既提高了學(xué)習(xí)者發(fā)生學(xué)習(xí)迷航的概率也容易阻礙他們的學(xué)習(xí)進(jìn)展。

2.2 學(xué)習(xí)分析模型研究現(xiàn)狀

2011 年，學(xué)習(xí)分析與知識(shí)國(guó)際會(huì)議（The Inter?national Conference on Learning Analytics and Knowl?edge， LAK）定義學(xué)習(xí)分析為“對(duì)學(xué)習(xí)者及其學(xué)習(xí)情境的數(shù)據(jù)進(jìn)行測(cè)量、收集、分析和報(bào)告，進(jìn)而了解和優(yōu)化學(xué)習(xí)和學(xué)習(xí)發(fā)生的情境的一種應(yīng)用”［5］。

Brown［6］和Siemens［7］教授都是學(xué)習(xí)分析領(lǐng)域的專家，他們依據(jù)學(xué)習(xí)分析內(nèi)涵提出了線性學(xué)習(xí)過(guò)程分析模型，如圖1 所示。 基于模型明確的基本要素，重塑學(xué)習(xí)分析結(jié)構(gòu)和線性實(shí)施流程。 交互網(wǎng)狀學(xué)習(xí)分析模型、多因素學(xué)習(xí)分析模型、反饋環(huán)狀學(xué)習(xí)分析模型等幾類代表性模型在后續(xù)學(xué)習(xí)分析領(lǐng)域的研究過(guò)程中逐步形成。

反饋環(huán)狀學(xué)習(xí)分析模型的代表人物有加拿大阿塞巴斯卡大學(xué)的Elias 等，該模型提出了持續(xù)改進(jìn)環(huán)模型，如圖2 所示，其基礎(chǔ)是學(xué)習(xí)分析和數(shù)據(jù)分析五步法、知識(shí)管理框架等。 機(jī)構(gòu)、人力、計(jì)算機(jī)和理論等技術(shù)資源價(jià)值都是該模型所著重強(qiáng)調(diào)的，并通過(guò)選擇、收集、聚合、預(yù)測(cè)、優(yōu)化、使用、分享等循環(huán)實(shí)現(xiàn)數(shù)據(jù)采集、數(shù)據(jù)處理和結(jié)果應(yīng)用的過(guò)程。技術(shù)資源推動(dòng)“教”與“學(xué)”效果的不斷提高，使三個(gè)循環(huán)階段處于持續(xù)發(fā)展中，體現(xiàn)了學(xué)習(xí)分析過(guò)程的動(dòng)態(tài)循環(huán)特性。

圖2 Elias 的持續(xù)改進(jìn)環(huán)模型

3 模型設(shè)計(jì)

3.1 數(shù)據(jù)驅(qū)動(dòng)下在線學(xué)習(xí)迷航模型架構(gòu)

在線學(xué)習(xí)的核心是學(xué)習(xí)者個(gè)人訴求，借助互聯(lián)網(wǎng)絡(luò)技術(shù)為學(xué)習(xí)過(guò)程提供方便快捷的支持服務(wù)［8］。 離開教師管控下的學(xué)習(xí)過(guò)程容易受不同多維因素的影響，比如個(gè)體、環(huán)境等都會(huì)導(dǎo)致學(xué)習(xí)者陷入在線學(xué)習(xí)迷航狀態(tài)。

在線學(xué)習(xí)迷航診斷過(guò)程是基于數(shù)據(jù)分析方法，依據(jù)迷航診斷指標(biāo)，嘗試?yán)脤W(xué)習(xí)平臺(tái)充分提取在線學(xué)習(xí)者的相關(guān)行為數(shù)據(jù)和特征，對(duì)大量繁雜冗余的原始數(shù)據(jù)進(jìn)行清洗整理，并借助機(jī)器學(xué)習(xí)中的XGBoost 分類算法分析得出學(xué)習(xí)者行為特征去支撐在線學(xué)習(xí)迷航診斷，構(gòu)建迷航狀態(tài)檢測(cè)器，為幫助學(xué)習(xí)者擺脫學(xué)習(xí)迷航奠定數(shù)據(jù)基礎(chǔ)，精準(zhǔn)識(shí)別迷航狀態(tài)，提供個(gè)性化服務(wù)。

結(jié)合Siemens 的學(xué)習(xí)分析過(guò)程模型和Elias 的持續(xù)改進(jìn)環(huán)模型，嘗試構(gòu)建數(shù)據(jù)驅(qū)動(dòng)下的在線學(xué)習(xí)迷航診斷模型。

3.2 基于XGBoost 算法的在線學(xué)習(xí)迷航診斷原理

1）XGBoost 算法

研究借助機(jī)器學(xué)習(xí)XGBoost 算法實(shí)現(xiàn)精準(zhǔn)識(shí)別迷航狀態(tài)，構(gòu)建迷航狀態(tài)檢測(cè)器，學(xué)習(xí)迷航狀態(tài)檢測(cè)器的核心功能基于XGBoost 算法的狀態(tài)分類能力［9］，從而在學(xué)習(xí)狀態(tài)中將迷航狀態(tài)識(shí)別出來(lái)。

XGBoost 算法是保留了GBDT 中的一些優(yōu)點(diǎn)，又在GBDT 算法基礎(chǔ)上改進(jìn)而來(lái)的，如：集成了多個(gè)弱分類器，使用了健壯的損失函數(shù)，異常值具有非常強(qiáng)的魯棒性（穩(wěn)定性）等；XGBoost 算法與GB?DT 相比，由于GBDT 只涉及損失函數(shù)優(yōu)化時(shí)的一階導(dǎo)數(shù)，而XGBoost 可以針對(duì)損失函數(shù)展開二階泰勒公式，因此損失函數(shù)更加精確和精確；同時(shí)，在避免模型過(guò)擬合的同時(shí)，對(duì)損失函數(shù)和模型復(fù)雜度進(jìn)行權(quán)衡，XGBoost 算法還增加了正則項(xiàng)控制模型的復(fù)雜度。

2）XGBoost 算法在線學(xué)習(xí)迷航診斷流程

XGBoost 算法的實(shí)質(zhì)模型是將多個(gè)弱分類器集合在一起。 對(duì)在線學(xué)習(xí)迷航狀態(tài)診斷的模型為：

診斷模型中的x是第i條的學(xué)習(xí)行為與特征，用來(lái)預(yù)測(cè)第xi處學(xué)習(xí)狀態(tài)的結(jié)果，K 表示集成弱學(xué)習(xí)器的總數(shù)，意思是由K 棵樹集成的模型；fk是第k棵樹。 因此，基于XGBoost 的在線學(xué)習(xí)迷航診斷模型中的損失是：

損失也是預(yù)測(cè)模型的誤差，ζ 是真實(shí)值與度量的預(yù)測(cè)值之間的差距，其中yi是在線學(xué)習(xí)者的實(shí)際真實(shí)學(xué)習(xí)狀態(tài)，則是通過(guò)診斷模型預(yù)測(cè)預(yù)估的學(xué)習(xí)狀態(tài)，L（yi，）則用來(lái)記錄在xi處出現(xiàn)的錯(cuò)誤估計(jì)學(xué)習(xí)狀態(tài)的情形情況。 Ω（fk）表示樹的復(fù)雜度，它是正則項(xiàng)，用來(lái)懲罰模型復(fù)雜程度。 懲罰項(xiàng)對(duì)損失函數(shù)起到了補(bǔ)充調(diào)節(jié)和約束的作用，因此將也就是K 棵樹的復(fù)雜度的和添加至目標(biāo)函數(shù)中，就可以避免模型的過(guò)度擬合。

4 實(shí)驗(yàn)過(guò)程

4.1 數(shù)據(jù)采集

研究收集了在線開放課程平臺(tái)中《市場(chǎng)調(diào)查與分析》課程的服務(wù)器日志記錄，其中包含了192名在線學(xué)習(xí)者的基本信息、文本學(xué)習(xí)、視頻學(xué)習(xí)以及在其他相關(guān)的學(xué)習(xí)行為數(shù)據(jù)和列表，總計(jì)3770條原始數(shù)據(jù)。 每次在線學(xué)習(xí)完成后，都要求學(xué)習(xí)者進(jìn)行在線填寫內(nèi)容、提交在線調(diào)查問(wèn)卷，在線學(xué)習(xí)者的學(xué)習(xí)行為數(shù)據(jù)如表1 所示，形成匯總為各項(xiàng)在線學(xué)習(xí)行為特征的指標(biāo)。

表1 在線學(xué)習(xí)行為數(shù)據(jù)源

基于韋伯分析量表，設(shè)計(jì)了在線學(xué)習(xí)狀態(tài)的調(diào)查問(wèn)卷以獲取學(xué)習(xí)者每次學(xué)習(xí)行為所對(duì)應(yīng)的學(xué)習(xí)狀態(tài)和學(xué)習(xí)結(jié)果，劃分了正常狀態(tài)、信息迷航和思維迷航三個(gè)維度，每個(gè)維度上分別設(shè)計(jì)了5 道題，共15 題。 基于Likert 的五點(diǎn)量表設(shè)計(jì)問(wèn)卷選項(xiàng)，1至5 分別表示“完全不認(rèn)同”，“不認(rèn)同”，“不確定”，“認(rèn)同”，“完全認(rèn)同”。 為了驗(yàn)證問(wèn)卷的可靠性和有效性，利用SPSS 軟件進(jìn)行問(wèn)卷信效度分析，Cronbach’s α 系數(shù)系數(shù)為0.803， Cronbach’sα系數(shù)在各個(gè)維度分別為0.776、0.770 和0.831；調(diào)查問(wèn)卷的KMO 值為0.866，Bartlett 球形檢驗(yàn)Sig 值為0.000，數(shù)據(jù)顯示該問(wèn)卷具有較好的信度和效度。

將3770 條學(xué)習(xí)記錄進(jìn)行整理匯總，作為在線學(xué)習(xí)者的學(xué)習(xí)狀態(tài)數(shù)據(jù)集，數(shù)據(jù)集在經(jīng)過(guò)處理后作為在線學(xué)習(xí)迷航狀態(tài)檢測(cè)器的數(shù)據(jù)支撐。

4.2 實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)抽取了市場(chǎng)營(yíng)銷專業(yè)大一學(xué)生72 名在線學(xué)習(xí)者作為研究對(duì)象。 在開展實(shí)驗(yàn)調(diào)查前，大部分學(xué)習(xí)者已經(jīng)掌握了《市場(chǎng)調(diào)查與分析》中的一部分課程知識(shí)，也能夠試著回答簡(jiǎn)單問(wèn)題。 根據(jù)實(shí)驗(yàn)調(diào)查的科學(xué)性原則，根據(jù)調(diào)查對(duì)象知識(shí)水平前測(cè)結(jié)果，平均地將72 名在線學(xué)習(xí)者分為實(shí)驗(yàn)組和對(duì)照組，分別稱為A 組36 人和B 組36 人，用來(lái)保證實(shí)驗(yàn)組和對(duì)照組中的學(xué)習(xí)者他們初始知識(shí)水平和能力盡量保持大體一致。

接下來(lái)，通過(guò)對(duì)兩組成員學(xué)習(xí)迷航程度的前測(cè)試結(jié)果進(jìn)行獨(dú)立樣本T 檢驗(yàn)來(lái)完成測(cè)試，實(shí)驗(yàn)組和對(duì)照組學(xué)習(xí)者的初始在線學(xué)習(xí)迷航程度是否一致也有待進(jìn)一步驗(yàn)證，結(jié)果見(jiàn)表2。

表2 實(shí)驗(yàn)組和對(duì)照組學(xué)習(xí)者迷航程度前測(cè)結(jié)果獨(dú)立樣本t 檢驗(yàn)

t 檢驗(yàn)結(jié)果顯示，萊文方差等同性檢驗(yàn)p ＝0.167＞0.05 實(shí)驗(yàn)組和對(duì)照組的方差并無(wú)顯著差異，Sig.值（雙側(cè)） p ＝0.576＞0.05）學(xué)習(xí)者在線學(xué)習(xí)的迷航程度也無(wú)明顯差異。

因此得出根據(jù)知識(shí)水平進(jìn)行平均分組之后，實(shí)驗(yàn)組與對(duì)照組兩組學(xué)習(xí)者在線學(xué)習(xí)的迷航程度也趨于一致，是可以繼續(xù)開展后續(xù)迷航程度的相關(guān)調(diào)查的。

4.3 實(shí)驗(yàn)過(guò)程

緩解學(xué)習(xí)者在線學(xué)習(xí)的迷航程度和提升學(xué)習(xí)者的學(xué)習(xí)效率效果是本次應(yīng)用迷航診斷模型的實(shí)驗(yàn)主要目的。 在互聯(lián)網(wǎng)學(xué)習(xí)迷航診斷系統(tǒng)的技術(shù)支持下，開展實(shí)驗(yàn)，實(shí)驗(yàn)過(guò)程如圖4 所示。

圖4 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)共開展8 周，分為一、二兩個(gè)階段。 在階段一，實(shí)驗(yàn)組和對(duì)照組的學(xué)習(xí)者都在網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)進(jìn)行3 周學(xué)習(xí)，以此來(lái)驗(yàn)證在未使用學(xué)習(xí)迷航診斷系統(tǒng)的情境下，對(duì)照組與實(shí)驗(yàn)組他們的知識(shí)水平和迷航程度是否還能保持一致；在階段二，我們將開展5 周學(xué)習(xí)，實(shí)驗(yàn)組A 組學(xué)習(xí)者將使用帶有學(xué)習(xí)迷航診斷系統(tǒng)的平臺(tái)，對(duì)照組B 組學(xué)習(xí)者仍然使用之前的在線學(xué)習(xí)平臺(tái)，主要是用來(lái)驗(yàn)證使用了學(xué)習(xí)迷航診斷系統(tǒng)的平臺(tái)是否能夠減輕在線學(xué)習(xí)迷航程度和提升學(xué)習(xí)者學(xué)習(xí)效率與成績(jī)。 需要注意的是，8 周的實(shí)驗(yàn)，要進(jìn)行三次知識(shí)水平測(cè)試來(lái)觀察學(xué)習(xí)者們知識(shí)水平的變化，其次，每周還應(yīng)測(cè)量在線學(xué)習(xí)迷航程度，分析實(shí)驗(yàn)組和對(duì)照組在線學(xué)習(xí)迷航程度的變化。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)組與對(duì)照組的學(xué)習(xí)狀態(tài)分布情況

兩組學(xué)習(xí)者在線學(xué)習(xí)時(shí)的學(xué)習(xí)狀態(tài)分布情況以及學(xué)習(xí)狀態(tài)分布的變化情況都是通過(guò)XGBoost 算法進(jìn)行診斷，分析在線學(xué)習(xí)過(guò)程中產(chǎn)生的行為數(shù)據(jù)。

圖5 所示，在第一階段（1－3 周） 實(shí)驗(yàn)組中的各維度人數(shù)占比沒(méi)有明顯變化，表示一般的在線平臺(tái)學(xué)習(xí)不會(huì)影響學(xué)習(xí)者迷航狀態(tài)；在第二階段（4－8 周），當(dāng)實(shí)驗(yàn)組開始利用帶有迷航系統(tǒng)的在線學(xué)習(xí)平臺(tái)后，正常狀態(tài)學(xué)習(xí)者的比例有了明顯增加，信息迷航和思維迷航的人數(shù)比例顯著減少。

圖5 實(shí)驗(yàn)組學(xué)習(xí)者學(xué)習(xí)狀態(tài)分布情況圖

通過(guò)圖6 可以看出，在實(shí)驗(yàn)的第二階段開始后，在線學(xué)習(xí)迷航診斷系統(tǒng)發(fā)揮了一定的干預(yù)作用，實(shí)驗(yàn)組學(xué)習(xí)狀態(tài)分布變化顯著。

圖6 實(shí)驗(yàn)組學(xué)習(xí)者學(xué)習(xí)狀態(tài)分布情況圖

5.2 在線學(xué)習(xí)迷航程度變化情況

在實(shí)驗(yàn)過(guò)程中，每周還應(yīng)測(cè)量在線學(xué)習(xí)迷航程度，測(cè)量結(jié)果生成兩組學(xué)習(xí)者迷航程度的變化折線圖，可以直接觀察迷航程度的變化情況，如圖7 所示。

圖7 迷航程度變化情況

由圖7－（a）可知，實(shí)驗(yàn)組與對(duì)比組在1－3 周的學(xué)習(xí)迷航程度總體上并無(wú)明顯差異，但實(shí)驗(yàn)組在4－8 周的實(shí)驗(yàn)開始后，學(xué)習(xí)者進(jìn)入帶有在線學(xué)習(xí)迷航診斷系統(tǒng)的平臺(tái)學(xué)習(xí)，迷航程度明顯低于對(duì)照組，且效果相對(duì)顯著。 圖7－（b）和圖7－（c）的結(jié)果顯示，實(shí)驗(yàn)組的信息迷航和思維迷航的程度都有較大緩解，對(duì)照組則幾乎沒(méi)有變化。

5.3 學(xué)習(xí)成績(jī)比較分析

1）實(shí)驗(yàn)組和對(duì)照組中測(cè)成績(jī)分析

成績(jī)反映對(duì)知識(shí)的掌握情況，研究分別在實(shí)驗(yàn)前、第一階段結(jié)束時(shí)、第二階段結(jié)束時(shí)進(jìn)行，對(duì)學(xué)習(xí)者進(jìn)行了前測(cè)、中測(cè)和后測(cè)。 兩組學(xué)習(xí)者的知識(shí)水平在前測(cè)時(shí)并沒(méi)有太大差異，因此僅對(duì)中測(cè)和后測(cè)成績(jī)展開分析。

對(duì)中測(cè)成績(jī)做獨(dú)立樣本t 檢驗(yàn)，判斷兩組的知識(shí)水平是否在未用系統(tǒng)前保持一致，表3 結(jié)果顯示兩組的中測(cè)結(jié)果（p ＝0.671＞0.05）無(wú)明顯差異。

表3 實(shí)驗(yàn)組和對(duì)照組的中測(cè)成績(jī)獨(dú)立樣本t 檢驗(yàn)

2）實(shí)驗(yàn)組和對(duì)照組后測(cè)成績(jī)分析

采用協(xié)方差對(duì)兩組學(xué)生后測(cè)成績(jī)進(jìn)行分析，協(xié)變量設(shè)為中測(cè)成績(jī)，因變量設(shè)為后測(cè)成績(jī)，組別為固定因子，經(jīng)過(guò)調(diào)整，表4 結(jié)果說(shuō)明實(shí)驗(yàn)組和對(duì)照組的成績(jī)均值相差6.66，成績(jī)存在明顯差異（p ＝0.016＜0.05），數(shù)據(jù)表明實(shí)驗(yàn)組的學(xué)習(xí)者在使用在線學(xué)習(xí)迷航診斷系統(tǒng)后，學(xué)習(xí)成績(jī)比對(duì)照組學(xué)習(xí)者有著明顯提高。

表4 實(shí)驗(yàn)組和對(duì)照組的后測(cè)成績(jī)差異

6 結(jié)語(yǔ)

以在線學(xué)習(xí)迷航模型的有效落地作為研究目的，設(shè)計(jì)迷航診斷系統(tǒng)，通過(guò)應(yīng)用效果分析，說(shuō)明在線學(xué)習(xí)迷航診斷系統(tǒng)確實(shí)能夠有效降低學(xué)習(xí)者的迷航程度，提升學(xué)習(xí)者的學(xué)習(xí)效率、成績(jī)和效用，表明在線學(xué)習(xí)迷航模型在實(shí)際應(yīng)用中的可行性和有效性。