滯后序列分析法在教育領域的應用研究

摘" 要" 隨著在線學習系統(tǒng)在教育環(huán)境中的普及，在線學習人數(shù)越來越多，教育者不可能了解每一個學習者的學習行為和學習效果；而且，在線學習系統(tǒng)中的學習大多是在無監(jiān)督機制的情況下進行的，在線學習者人數(shù)雖多，但學習不一定有效。為了解決上述問題，可以采用自動分析學習者學習行為和預測學習效果的滯后序列分析法。對2017—2023年的相關文獻進行分析，從教育者、學習者、教—學交互三個層面總結滯后序列分析法在教育領域的應用。滯后序列分析法為教育研究者分析學習者學習行為模式提供了一個便捷的途徑，且一直是學習分析技術領域的研究熱點。

關鍵詞" 滯后序列分析法；在線學習；學習行為；學習效果

中圖分類號：G434" " 文獻標識碼：B

文章編號：1671-489X（2024）23-0-05

1" 研究背景

近年來，網(wǎng)絡技術的發(fā)展正在改變現(xiàn)有的教育形式，在線學習、混合學習等教育形式接踵而至，越來越多的人加入在線學習的行列，在線學習以其學習資源的豐富性、開放性，教學活動的交互性、靈活性，學習者自主性等教育優(yōu)勢，得到越來越廣泛的認可。但是在線學習者人數(shù)雖多，能夠堅持完成學習并成績合格的人數(shù)卻很少[1]。有研究表明，成績合格的學習者具有明顯的外顯行為特征，但是他們的外顯行為特征對學習結果的影響程度如何，不同學習結果的學習者在學習行為模式上是否有顯著差異，都是有待進一步研究和分析的問題。

在線教育的發(fā)展使學習者信息數(shù)據(jù)量呈幾何級數(shù)增長，系統(tǒng)日志包含大量有效的學習過程信息，這為理解學習過程和教育教學、提升學習者和教育者發(fā)展水平提供了重要參考依據(jù)。一些研究者認為，學習參與者的行為序列體現(xiàn)了其學習過程的行為習慣，通過對這些數(shù)據(jù)的分析，可以獲取學習行為之間潛在的關聯(lián)機制，幫助學習者更高效地進行學習。但由于學習行為本身具有復雜性、動態(tài)性和時序性，如果僅分析系統(tǒng)日志中學習者學習行為狀態(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，采用滯后序列分析法（Lag Se-quential Analysis，LSA）在時間序列上對學習者學習行為模式進行更細的粒度分析和研究顯得尤為重要。滯后序列分析法是行為序列分析的重要方法之一，能揭示學習者學習過程中的行為序列，評估學習者學習行為隨著時間發(fā)生的概率，幫助教學者準確把握學習者潛在的學習行為模式[2]。

2" 滯后序列分析法簡介

2.1" 滯后序列分析法的起源

滯后序列分析法由Sackett在1978年提出，是一種根據(jù)統(tǒng)計理論研究行為之間順序關系的方法[2]，主要用于檢驗一種行為在另外一種行為之后出現(xiàn)的概率及其是否具有統(tǒng)計意義上的顯著性，也被稱為序列分析法。該方法最初被應用在臨床上進行病患行為分析與治療和玩家游戲行為分析等領域[3]，不僅可以實現(xiàn)行為因果關系分析，而且能夠可視化行為序列模式，有利于探索隱性行為序列[4]。近年來，教育技術研究者將其廣泛應用到教育領域中。滯后序列分析法能夠幫助教育者總結和探索復雜學習行為序列中的交叉依賴關系，并將學習行為序列中重復發(fā)生的行為整理成一條時間關系鏈[5]。參考楊現(xiàn)民等[3]和陳志雄[6]的方法，設計外顯操作和內隱交互的學習行為序列分析流程，分別如圖1、圖2所示。

2.2" 滯后序列分析軟件和分析步驟

目前，用于行為序列分析的工具主要有Tra-MineR、ProM及GSEQ（General Sequential Querier）等軟件。TraMineR是一種免費開源R包，由日內瓦大學開發(fā)，可用于離散序列或基于時間的事件序列數(shù)據(jù)挖掘和可視化，并支持不同序列繪圖、序列格式轉換等計算、不同序列間距離計算并尋找最佳匹配序列、提取頻繁子序列、子序列間關聯(lián)規(guī)則研究等；ProM是基于Java語言編寫的可擴展性開源框架，該框架通過讀取XML格式文件，對數(shù)據(jù)集中的時間事件進行排序，通過相關插件實現(xiàn)過程數(shù)據(jù)的格式轉換、分析與可視化[7]。無論是ProM還是TraMineR功能都很強大，可視化程度高，但都要求研究者具有良好的編程能力，更適用于專業(yè)人員研究處理復雜、大規(guī)模的數(shù)據(jù)。

為方便處理數(shù)據(jù)，Bakeman和Quera研發(fā)了行為序列分析專用軟件GSEQ，該軟件可以基于時間先后順序對數(shù)據(jù)進行分析統(tǒng)計，可以統(tǒng)計簡單的聯(lián)合頻率、調整后的殘差值、持續(xù)時間和比例等，是一種可以檢驗行為序列是否具有顯著性的工具。該軟件簡化了行為序列分析流程，提高了行為序列數(shù)據(jù)處理的效率[8]。值得關注的是，在處理數(shù)據(jù)體量不是很大的行為序列數(shù)據(jù)時，GSEQ軟件的表現(xiàn)更加友好，而且其不要求研究者的編程能力，只需要研究者對學習者行為序列數(shù)據(jù)進行合理編碼。

通過已有研究來看，滯后序列分析法使用GSEQ

軟件的主要過程如下：

1）給行為序列定義行為編碼；

2）試驗實施，記錄和整理需要用到的行為；

3）對所有用到的行為進行編碼；

4）使用SPSS軟件檢驗編碼的Kappa一致性；

5）在GESQ軟件輸入行為編碼，分析行為序列；

6）選取顯著意義的行為序列，繪制行為轉換圖[3，8]；

7）解釋行為序列模式。

GSEQ軟件在分析過程中會生成兩張表格，一張是行為轉換頻次表，一張是調整后的殘差表。行為轉換頻次表代表的是某種行為引起另一種行為的頻次，調整后的殘差表代表的是根據(jù)行為轉換頻次表生成的殘差參數(shù)（z）。當z的值大于1.96時，表示此行為序列具有統(tǒng)計意義上的顯著性（P＜0.05）。

3" 研究對象的選擇

本研究使用的中文文獻檢索于中國知網(wǎng)（CNKI），

檢索的時間跨度為2017—2023年。使用“滯后序列分析”或“Lag Sequential Analysis”為主題在知網(wǎng)數(shù)據(jù)庫中進行精確查找來檢索相關文獻。在檢索完成后，對檢索到的滯后序列分析法相關文獻進行整理分析，文獻的研究內容如果是滯后序列分析法教育應用相關則納為本文研究樣本，否則丟棄。最終選定40篇文獻作為本文的研究樣本。

4" 研究目的

本研究回顧2017—2023年期間教育領域應用滯后序列分析法分析學習者學習行為的研究，希望通過整理分析相關文獻，揭示滯后序列分析法在教育領域應用的三個問題：在教育者層面分析了哪些影響學習行為的特性；學習數(shù)據(jù)怎樣反映學習者的學習行為、學習中的學習行為怎樣預測學習結果；不同互動對象和不同互動深度對學習行為和教學形式的影響。

5" 文獻內容分析

多種多樣的智能學習平臺，目前正在生成大量功能豐富的學習行為數(shù)據(jù)，為了分析探索這些行為，研究者引入滯后序列分析法，目前該方法越來越受到教育技術研究者的關注。通過對2017—2023年滯后序列法相關文獻內容的分析，本文從教育者、學習者、教—學交互三個層面分析滯后序列分析法的教育應用。

5.1" 從教育者層面分析滯后序列分析法的教育應用

滯后序列分析法是通過分析某種行為在另外一種行為之后出現(xiàn)的概率顯著性來分析行為模式，從教育者層面分析滯后序列分析法的教育應用有三個方面。

1）美國課堂研究專家Flanders[9]認為，課堂言語行為占所有教育者教學行為的比例高達80%左右，是教育者最主要的教學行為，可見課堂話語是衡量教育者課堂教學質量的一個重要指標，不僅可以影響課堂教學的效果，也影響學習者學習能力和興趣的培養(yǎng)；潘澎[10]運用滯后序列分析法分析教育論證話語類別對學習者論證水平的影響，提出在教學過程中應該關注的幾類論證話語；肖夢雅[11]提出基于滯后序列分析法進行教學話語主題詞結構關系可視化，并結合分析教學話語文本，為教育質量分析提供了一個新的視角。

2）“不管是否意識到，教育者最基本的技巧就是決策?！苯逃咴谡n堂中平均每兩分鐘就會作出一次交互性決策，教學決策是教育者最為普遍的教學行為，任何教學行為都是決策的結果。馮仰存等[12]采用滯后序列分析法探索新手教師和骨干教師在教學決策上的差異，并就靜態(tài)和動態(tài)決策進行分析，給出新手教師到骨干教師的相應建議。

3）有學者研究教學行為過程中的教學媒體選擇偏好、教學行為與教學效果之間的關聯(lián)性、教學行為序列模式[13]、教學行為與學習行為相關性、以學習行為調整教學行為、層級差異[14]，并初步構建教學行為事理圖譜[15]，對課堂有效教學行為進行辨識分析[16]。

5.2" 從學習者層面分析滯后序列分析法的教育應用

目前在線學習課程主要是依據(jù)教育教學設計團隊的自我反思和學習者的課后問卷調查進行改進，但自我反思和調查問卷提供的改進意見往往帶有個人主觀性。利用學習過程數(shù)據(jù)分析學習者的學習特征與學習規(guī)律是優(yōu)化課程的重要參考。學習行為是學習者內在規(guī)律的外化體現(xiàn)，用滯后序列分析法能夠分析學習者真實而細致的學習行為，可以獲取學習者學習行為之間的潛在關聯(lián)機制。

對學習者層面的研究表明，學習行為對學習效果和教學方式有影響，該層面的研究集中于個體的學習行為研究和差異群體的學習行為研究兩類。例如：李爽等[17]研究發(fā)現(xiàn)了學習者學習操作的規(guī)律性，對不同學習行為的差異性進行了分析；江波等[18]研究證明，利用學習行為序列數(shù)據(jù)可以較準確地預測出學習者的學習成就，呈現(xiàn)更全面的在線學習圖景；王溢琴等[19]分析了不同階段學習者的行為變化，闡釋了中等群體和優(yōu)秀群體間的差異化行為模式；倪清等[20]的研究結果表明，未輟課學習者和輟課學習者的學習投入有明顯差異，前者的在線學習行為投入更高，雖然這并不令人驚訝，但是行為序列作為特征值，能夠為預測模型提供更大的信息量，進而提高學習者輟課預測預警的準確率，還是讓人眼前一亮。盡管學習者行為通常也能很好地反映教學方式和學習效果，但是多數(shù)研究者沒有考慮學習者的學習風格和學習參與特性對學習行為和教學干預的影響，對不同學習風格、不同學習參與特性的個體或者群體的干預決策缺少有力的證據(jù)支撐。

5.3" 從教—學交互層面分析滯后序列分析法的教育應用

本質上教育是一個交互過程，如果缺少交互，教學就成了機械和教條式的內容填鴨。因此，教學活動最顯著的特征被認為是交互，同時，交互也是影響學習行為和習慣最可能的潛在因素。交互一直以來都是教育方面的重要研究內容。真實教育環(huán)境中的各類互動行為蘊含了教育者對教育的深層理解和內在信念。有研究表明，智慧學習環(huán)境中存在兩種視角的互動分析——師生互動分析和生生互動分析，前者側重教和學特征的量化統(tǒng)計分析，后者側重學習者視角下的生生互動分析[4]，兩種視角都能用來分析、干預和優(yōu)化教學與學習活動。智慧教育的發(fā)展促使學習和教育數(shù)據(jù)日趨豐富，增進了研究者對教育和學習數(shù)據(jù)的深度解讀，為理解教育教學、教師發(fā)展與學習過程奠定了基礎。

從教—學交互層面分析滯后序列分析法的教育應用有三個方面。

1）師生互動。例如：王云等[21]在研究中肯定了課堂師生互動形式多樣化；江毅等[22]研究發(fā)現(xiàn)，課堂教學環(huán)境中主要存在三種類型的師生互動（知識傳授型互動、評價反饋型互動、引導追問型互動）。他們的研究也表明，師生互動的效果往往取決于互動的深度；另外，在學習者活動中，教育者進行干預、教學評價環(huán)節(jié)、教師提問策略、技術使用深度等方面仍需改進。

2）生生互動。如冷靜等[23]研究發(fā)現(xiàn)，隨著生生互動的深入，知識建構的層次逐漸提升，在不同互動階段會出現(xiàn)不同的學習行為序列模式；分析在線學習行為及序列模式有助于教育者更好地診斷影響學習結果的潛在問題，從而調整教學策略以促進學習者知識構建過程。

3）互動加深。并不是所有的交互都有助于提高學生的學習水平，怎樣增進交互深度、增強學習效果，也是研究者一直關注的核心問題。例如：梁云真等[24]的研究證明，在活動理論視角下的協(xié)作問題解決學習活動對交互深度有顯著影響；戴心來等[25]融合滯后序列分析構建了一個微觀學習分析模型，揭示虛擬學習社區(qū)中學習者的深度交互行為，進而及時發(fā)現(xiàn)教育和學習中的問題，激發(fā)學習者交互潛能。

如上所述，這些研究從教育者層面、學習者層面、教—學交互層面對滯后序列分析法的教育應用作了探索。首先，教育者層面，研究教學決策—教學行為—教學話語對學習者學習能力、學習興趣和教學效果的影響；其次，學習者層面，表明學習者學習過程數(shù)據(jù)反映學習者學習行為，并探究利用學習者學習行為預測學習結果的路徑；最后，教—學交互層面，研究怎樣增進交互深度、揭示深度交互行為、激發(fā)交互潛能。對這三個層面的探討旨在揭示這三個層面都有助于改善教育者的教學程序和學習者的學習效果。

6" 結論與展望

正如文獻分析結果所顯示的，滯后序列分析法主要用于檢驗某種行為在另外一種行為之后出現(xiàn)的概率顯著性，即查找行為序列中重復發(fā)生且有意義的事件。在教育領域，研究者使用行為序列跟蹤和分析參與者在學習中的真實行為，準確把握教育者和學習者潛在的行為模式，診斷教育者的教學行為和學習者學習中的困難并提出有針對性的建議，從而優(yōu)化參與者的教學或學習體驗，提高教學效果或學習質量。這充分體現(xiàn)了技術對教學和學習的服務支持，使得個性化教與學成為可能，并有效指導教育者后續(xù)教與學活動的設計與實施。

滯后序列分析法作為一種基于序列挖掘的行為分析方法，在醫(yī)療、游戲、教育等領域已經(jīng)有不少成功的應用案例，滯后序列分析研究的廣度與深度得到很大的拓展。這些案例在實踐上對滯后序列分析法的發(fā)展有一定的指導和借鑒意義。在總結滯后序列分析法研究現(xiàn)狀的基礎上，本文認為其在教育者、學習者、教—學交互層面都存在一些不足，例如：很少有研究者關注不同學習風格的學習者偏好怎樣的學習行為、偏好接受怎樣的教學行為，也很少有研究者關注不同性格和習慣的教育者偏好怎樣的教學行為、其教學行為更利于何種學習者接受。但毋庸置疑的是，滯后序列分析法與傳統(tǒng)的標準實驗研究、問卷調查、質性研究等方法相比，其研究所用數(shù)據(jù)大多來自真實的教育教學場景，較少會受到各種外部因素的影響與干擾，且數(shù)據(jù)采集和分析的粒度更細，能夠更精準地分析學習者的學習行為規(guī)律。滯后序列分析增進了研究者對教育與學習數(shù)據(jù)的深度解讀，為分析教學和教育的過程提供了重要途徑，隨著智慧教育與智能技術的發(fā)展，其在教育領域會得到越來越廣泛的應用。

下一階段準備在滯后序列分析中加入學習風格量表、性格和行為習慣問卷、語義分析等，分析高中課堂中的真實學習數(shù)據(jù)，探究不同性別、不同學習風格的學習者的學習成就差別和不同性別、不同授課風格的教育者的教學效果差異。希望滯后序列分析法能為教育者和學習者的雙向選擇提供系列的依據(jù)，為教育者教學程序的改善和學習者學習效果的增強提供可行的途徑。

7" 參考文獻

[1] 賀洪麗，楊曼.慕課的實踐困惑及其反思[J].現(xiàn)代教育科學，2016（12）：124-127.

[2] BERK R H， BAKEMAN R， GOTTMAN J M. Observing in-teraction：An introduction to sequential analysis[J].Technometrics，1997，34（1）：112-113.

[3] 楊現(xiàn)民，王懷波，李冀紅.滯后序列分析法在學習行為分析中的應用[J].中國電化教育，2016（2）：17-23，32.

[4] 江毅，王煒，李辰鈺，等.智慧教室環(huán)境下師生互動行為研究[J].現(xiàn)代遠距離教育，2019（3）：13-21.

[5] FARAONE S V， DORFMAN D D. Lag sequential analysis：Robust statistical methods[J].Psychological Bulletin，1987，101（2）：312-323.

[6] 陳志雄.中職語文混合式學習中學習者在線學習行為序列分析[J].福建輕紡，2019（3）：39-44.

[7] GABADINHO A， RITSCHARD G， STUDER M， et al. Mining"sequence data in R with the TraMineR package： A user’s guide[EB/OL].[2024-01-02].https：//www.researchgate.net/publication/342889620_Mining_sequence_data_in_R_with_the_TraMineR_package_A_user’s_guide.

[8] BAKEMAN R， QUERA V. Analyzing interaction： Se-quential analysis with SDIS and GSEQ[EB/OL].[2024-01-02].https：//www.researchgate.net/publication/243772947_Analyzing_interaction_Sequential_analysis_with_SDIS_and_GSEQ.

[9] FLANDERS N A. Analyzing teaching behavior[M].NJ：Addison-Wesley Educational Publishers Inc，1970.

[10] 潘澎.高中物理課堂論證話語分析研究[D].曲阜：曲阜師范大學，2021.

[11] 肖夢雅.基于改進的主題分割模型在教師話語文本分析中的應用研究[D].武漢：華中師范大學，2020.

[12] 馮仰存，曹凡，張懷浩.基于滯后序列分析法的教學決策行為比較研究[J].現(xiàn)代教育技術，2022，32（2）：63-71.

[13] 張佳鈺.基于TPACK的高中理科教師課堂行為研究[D].長春：東北師范大學，2020.

[14] 彭林華，林曉凡.基于滯后序列分析的智慧課堂教學行為研究[J].現(xiàn)代教育技術，2021，31（7）：55-61.

[15] 張海，崔宇路，余露瑤，等.基于數(shù)據(jù)挖掘的智慧課堂教學行為事理圖譜研究[J].遠程教育雜志，2020，38（2）：80-88.

[16] 劉革平，孫帆，廖劍.基于行為序列分析的智慧課堂有效教學行為辨識[J].現(xiàn)代教育技術，2023，33（6）：82-91.

[17] 李爽，鐘瑤，喻忱，等.基于行為序列分析對在線學習參與模式的探索[J].中國電化教育，2017（3）：88-95.

[18] 江波，高明，陳志翰，等.基于行為序列的學習過程分析與學習效果預測[J].現(xiàn)代遠程教育研究，2018（2）：103-112.

[19] 王溢琴，齊悅.基于LSA的在線學習行為序列演變分析[J].中國信息技術教育，2022（8）：108-112.

[20] 倪清，胡永斌，錢靜，等.基于行為序列的在線學習投入與學習行為研究[J].成人教育，2023，43（1）：49-56.

[21] 王云，黃林楠.信息化環(huán)境下高校課堂教學互動行為序列研究：以某高?！冬F(xiàn)代教育技術》課為例[J].中國教育信息化，2021（7）：73-77.

[22] 江毅，王煒，康苗苗.基于行為序列分析的師生互動效果研究[J].現(xiàn)代遠距離教育，2019（6）：53-61.

[23] 冷靜，路曉旭，宋金陽.大學生在線知識建構行為及序列模式分析[J].中國遠程教育，2022（1）：85-91.

[24] 梁云真，朱珂，趙呈領.協(xié)作問題解決學習活動促進交互深度的實證研究[J].電化教育研究，2017，38（10）：87-92，99.

[25] 戴心來，王麗紅，崔春陽，等.基于學習分析的虛擬學習社區(qū)社會性交互研究[J].電化教育研究，2015，36（12）：59-64.