混合学习环境下高职院校学生网络学习行为研究

时间：2024-05-10

唐世星柯凤琴聂帅帅

摘要：探究高职院校学生网络学习行为特征对于提高高职院校教学水平有着重要的指导意义。为此，文章采集了承德石油高等专科学校3个专业5个班级共179名学生的《高等数学》课程网络学习数据，并基于混合式教学模式框架，优选出平台登录时长、资源学习时长等8项学习行为指标。通过采用KMO和Bartlett's球形检验发现，KMO统计量大于0.8，检验概率小于0.05，说明特征指标数据适合进行因子分析，并提取出学习参与因子、学习记载因子两项特征公因子。最后，基于K-Means聚类算法将学生的学习行为划分为三类，并针对性地制定了网上教学策略。基于混合学习环境下的高职院校学生网络学习行为具有多样性特征，因此针对不同群体因材施教成为进一步提高学生整体学习效果的关键所在。

关键词：混合学习;高职院校;网络学习;学习行为;特征聚类

中图分类号：G712 文献标志码：A 文章编号：1673-8454（2021）06-0007-05

一、引言

随着《国家职业教育改革实施方案》（简称职教20条）的发布，职业教育被定义为与普通教育同等重要地位，在我国经济社会发展中发挥着越来越重要的作用，特别是技术、技能型人才更是对经济发展起到了关键性作用。“没有职业教育现代化就没有教育现代化” [1]。教育现代化特别是信息化教学手段融入传统教学过程，更是给教育现代化提供了强有力的技术支持。2012年发布的《教育信息化十年发展规划（2011—2020年）》[2]提出“以教育信息化带动教育现代化”，并且对职业教育明确提出了要“加快职业教育信息化建设，支撑高素质技能型人才培养”。

近年来，“互联网+教育”的迅猛发展为职业教育信息化建设带来巨大的机遇与挑战，各大网络平台大力发展、推广研发的在线教学系统，如“国家开放大学”“中国大学MOOC”“爱课程”“学堂在线”等等。同时研发了很多线上教学平台，如“蓝墨云班课”“智慧职教云课堂”“超星学习通”等App。特别是2020年新冠肺炎疫情的爆发，更是凸显了网络教学平台的重要性。无论是大中专院校还是中小学，都充分利用各大线上教学平台，配合钉钉、腾讯会议等直播平台，有效解决了“停课不停教、停课不停学”的问题。

高职院校学生作为一类特殊的高等教育群体，具有养成教育欠缺、自我约束力较差、理想信念差异大等特点，其网络学习行为具有不同于其他高等教育群体的“特殊性”。因此，分析当前高职院校在校学生群体的网络学习行为，不仅对提高高职院校学生综合素质以及高职院校教学水平有着重大的指导意义，同时也符合当下社会进步和时代发展的需求。本文旨在通过分析高职院校在校学生这一特殊群体在混合学习环境下的网络学习行为特征，为高职院校教育教学提供指导性建议或策略。

二、研究基础

信息化教学手段的引入，极大地丰富了传统教学过程，对教学水平和教学质量的提高起到了一定的促进作用[3]。如何进一步分析信息化教学手段对提高教学质量的影响，则需要借助一定的技术手段。

王坚等 [4]利用因子分析和聚类分析技术，对学生网络学习行为进行了研究，提取了影响学习效果的两个主要因子：学习参与因子和课程测试因子，并据此进行聚类分析，得出学生网络学习具有群体性的特征。颜磊等 [5]使用学习分析技术对网络学习行为进行了研究，构建了网络学习行为模型，总结了学生网络学习行为的特征，指出了学习过程中所产生的问题。菅保霞等[6]基于全脑模型，采用滞后序列分析法分析了不同思维类型学习者的学习行为序列，并重点解读了其转化路径。荆永君等 [7]运用学习分析技术分析了教师在线学习行为特征，综合应用统计分析、序列分析、关联规则、社会网络分析等方法，从学习活跃、学习投入时间、学习行为序列、社会交互四个方面，分析了教师在线学习行为的群体特征，并且建议实施在线学习与线下集中研讨相结合的混合式教师培训，培训安排与支持服务、学习内容与活动设计应符合教师在线学习规律，并提供有效的技术脚手架和干预机制，以期提高教师培训效益。

1.学习分析技术

学习分析技术（Learning Analytics，简称LA）是对教师教学过程中产生的海量学生学习数据进行数据挖掘，以评估学生的学业水平、预测学生的学业进展、发现潜在的问题，为提高教学质量和教学水平给出指导建议[8]。当前，学习分析技术已经成为学者和相关教育研究机构关注的热点，并广泛应用到教育研究中。

美国EDUCAUSE分析研究中心[9]将学习分析技术定义为“使用数据和模型对学生学习进程进行评价和预测，并依据结果干预学生未来发展和发现潜在问题”。北京师范大学何克抗教授[10]将学习分析技术界定为：利用各种数据收集和数据分析工具，从教育领域的海量数据（包括在教学过程、学习过程、教学管理过程中所产生的海量数据）中，通过收集、测量、分析和报告等方式，提取出隐含的、有潜在应用价值的、涉及“教与学”或“教学管理”的过程及行为的各种信息、知识与模式，从而为教师的“教”、学生的“学”以及教学管理提供智能性的辅助决策的技术。

2.混合学习环境与网络学习行为

随着信息化教学手段的进一步发展，利用网络平台进行学习的现象变得越来越普遍。信息化教学手段的融入改变了传统教学过程，形成了现在广泛使用的教学模式，即混合教学模式。这种学习模式改善了传统教育模式存在的缺陷，有效提升了教学水平和教学质量。

孙伟[11]对混合式网络学习环境下高职学生学习成效进行了分析，得出采用混合式网络教学方式的学习效果优于完全采用网络教学方式。黄慧[12]分析了影响大学生在线学习参与度的主要因素，构建了大学生在线学习参与度测评指标体系和提升策略模型，得出提升策略模型能够有效促进大学生在线学习的积极性，提高了大学生的在线学习参与度。李宝[13]以Blackboard、微信平台以及电子教材作为支持学习的工具，重点对学生在该环境下学习满意度的影响因素进行了实证探讨，分析了学生学习满意度影响因素的层级模型，为实际教学提供了参考借鉴。彭飞霞等[14]分析了混合学习是否影响学习深度，提出了加深混合学习的学习深度是时代境遇与现实诉求，構建了加深混合学习深度的策略，加深了学习场域构建，提升了混合学习的教学设计能力和教师把控混合学习的能力。

高职院校的学生作为特殊的教育群体，在学习自律性、对知识的理解等方面存在着明显的不足，造成了学习效果不太理想的状况。因此，研究高职院校学生网络学习行为特征，对于提高高职院校教育教学效果具有指导性意义。

三、研究设计

本研究以典型高职院校的公共基础课程为例，以文献调研、问卷调查等方式，初步了解高职院校混合学习环境下网络教学以及学生网络学习现状，再结合高职院校学生网络学习的Web日志、平台交流数据等，通过文本挖掘、聚类等数据挖掘算法，确定高职院校学生网络学习行为特征，为高职院校教育教学提供指导性建议或策略。

1.网络学习行为数据采集

本研究以承德石油高等专科学校公共基础课程《高等数学》为例展开研究，该课程是国家级精品课程、国家精品课程资源共享课程，首批上线爱课程网站，同时在智慧职教云课堂建设了《高等数学》信息化课程，该课程开设周期为17周，教学资源包括教学课件、微视频、电子教材、习题库、课后作业等，供学生自主学习。

在该课程的教学过程中引入混合式教学模式理念，学生的主要学习行为源于信息化教学平台。按照学期教学计划设定“今日课堂”的教学内容，形成课前（课程公告、教学要求）、课中（导学、教学课件及视频、签到、讨论、答疑等）、课后（课后安排、课后作业、学生总结和评价等）的教学设计，教学过程主要采用“腾讯会议+智慧职教云课堂”进行。

采集的网络学习行为数据来源于智慧职教云课堂平台记录的学生学习数据，研究对象为2019年入学的大一新生，共计5个班级179人，涉及网络技术、汽车检测与维修技术、内燃机制造与维修3个专业。学习数据记录了学生网络学习过程中的各类信息，如查看学习任务、观看各类课件等教学资源、完成课堂讨论情况、课后作业的完成情况等，据此设计8个特征指标，充分反映了学生网络学习行为的个性化特征，并以期末成绩作为检验混合式教学模式的因子，如图1所示。

在混合式学习模式下，学生学习过程中产生的各个指标特征中，对教学课件、教学视频等资源的学习是学生自主学习并理解、掌握所学知识的关键环节;用学生每次登录平台时间和退出平台的时差表示平台登录时长;以学生学习教学课件、观看教学视频的学习时长和学生在线学习时长共同来表达学生在智慧职教云课堂利用网络教学资源学习的资源学习时长;平台登录频次以周为单位进行统计，反映学生学习教学资源的次数;资源查看率、活动参与率、课堂签到率表示学生课中对所有教学资源的查看程度和活动参与度，反映学生的学习态度是否端正;作业完成率、总结评价率分别反映学生课后完成作业的情况、课堂总结情况和学习评价情况。

2.学习行为因子分析

学习行为指标特征充分反映了学生学习过程中各方面的特征。由于学生的个体差异，导致学习行为参差不齐，智慧职教云课堂平台对应的8个指标特征也相应生成了大量的学习数据。研究表明，众多特征变量中一定存在着相互关联的信息，即这些特征指标在一定程度上会存在信息重叠，因此可以通过机器学习算法的降维技术来实现学习行为特征指标的冗余分析和特征提取[15]。常用的降维技术有主成分分析法（PCA）、因子分析法（FA）和独立成分分析法（ICA）。

本文采用因子分析法对学习行为进行研究，进而对8个特征指标进行有效的特征提取。因子分析法把原来多个特征指标划分为少数几个综合性指标，这些综合性指标既能充分反映信息特征，又是彼此相互独立的[16]。由于学习行为特征指标数据量纲不同，因此必须对原始数据进行标准化预处理，以消除各指标量纲和数量级的影响。

筆者借助SPSS软件进行因子分析，首先进行相关性分析，计算原指标特征之间的相关系数矩阵，进行统计检验。然后使用巴特利特球形检验（Bartlett's Test of Sphericity）和KMO（Kaiser-Meyer-Olkin）检验统计量进行检验（见表1），用于检测待分析的特征指标数据是否适合进行因子分析以及效果如何。从表1中可见，KMO统计量大于0.8，检验概率小于0.05，说明特征指标数据适合进行因子分析。

根据SPSS软件因子分析计算结果，得到总方差解释表（见表2），由主成分提取原则（特征值大于1）可知，可以提取出两个公共因子。这两个公共因子已经包含了绝大部分的信息（累计贡献率达到77.203%），可以解释原特征指标77.203%的方差。在旋转后的因子载荷矩阵中（见表3），第一个公共因子在特征指标X1、X3、X4、X5、X6、X7上有较大载荷，体现了这六个指标较强的线性相关性，可归结为在线学习参与度，记为学习参与因子;第二个公共因子在特征指标X2、X8上有较大载荷，体现了这两个指标较强的线性相关性，可归结为学习记载指标，记为学习记载因子。

由因子得分矩阵可得出两个公共因子的得分表达式如下：

F1=0.147X1-0.074X2+0.265X3+0.218X4+0.195X5+0.203X6+0.178X7-0.16X8

F2=0.017X1+0.574X2-0.026X3+0.018X4-0.135X5-0.003X6-0.017X7+0.614X8

3.学习行为聚类分析

学习行为聚类分析的目的在于通过对不同学生的归类研究，找到他们学习行为的相似之处，将学生划分为不同类型的特征群体。本研究使用基于欧氏距离的K-Means聚类算法，该算法将学生学习行为数据集合按照最小距离原则划分为K个类别，但是类数K如何确定一直缺乏科学依据。本研究采用Xie-Beni指数确定最优聚类数[17]，得到最优聚类数为K=3，如表4所示。

按照最优聚类数，使用K-Means聚类算法将179位学生划分为三类，各类的中心点和样本数量见表5。

依据分类结果，结合学生学习特征指标数据，可以得出以下结果：

第一类学生数量占比60%，这类学生占比最高，聚类中心点为（0.83，0.89），表明线上教学环节的设置与大多数学生的需求相匹配，对提高教学质量具有积极的作用。这类学生对线上学习方式参与度高，能够积极主动地学习线上教学资源，对教学课件、教学视频等学习资源的理解掌握较好;平台登录时间长，资源学习时间长，查看率高，学习过程具有连贯性特征;努力完成课堂作业，积极通过测试练习提高知识储备;学生乐于利用线上平台进行交流、学习。这部分学生能够很好地利用网络教学平台进行学习，学习效果较好，教师可以适当引入激励措施，进一步鼓励学生参与线上教学的自主性与热情。

第二类学生数量占比16%，这类学生数量最少，聚类中心点为（0.41，0.37），表明这类学生主动参与线上教学的程度最差，在教学资源的学习、线上教学的参与度、课后作业的完成情况等方面较差，不能适应线上教学过程中自我约束、自我激励的要求。这部分学生如果一直保持这种学习状态，最终会达不到《高等数学》课程的教学要求，甚至会出现挂科现象。因此，应该对他们引入相应的辅助手段，如加强传统课堂教学的学习，增加辅导答疑的次数，从班级中选出学习成绩优秀的学生组建帮扶小组，对这一小部分学生给予学习帮扶等，以改善他们的学习态度和学习行为的有效转换，提高他们的学习积极性，掌握《高等数学》知识体系，达到教学要求。

第三类学生数量占比24%，聚类中心点为（0.49，0.72），表明这部分学生对线上教学平台资源的学习投入方面相对不足，但课堂签到率较高、作业完成情况较好，能够体现学生想通过完成作业来快速掌握所学知识，以达到教学基本要求，但又对线上教学过程的其他环节不够重视。针对这部分学生，教师应该及时加强交流沟通，引导他们要全面学习，注意中间过程，真正学到所需要的知识。

四、结论与建议

本研究分析了高职院校在校学生这一特殊群体在混合学习环境下的网络学习行为特征及其影响因素。线上教学因学习形式泛在化、学习资源丰富多样、课堂教学组织灵活多样、教学评价方式多元化而备受广大教育工作者和学习者的青睐，也逐渐改变了传统教学模式，特别是在新冠肺炎疫情的影响下，更是把线上教学推向了一个新高度。混合学习环境下学生网络学习行为的研究，为进一步改革教育教学模式提供了参考。

首先，以典型高职院校——承德石油高等专科学校的《高等数学》课程为例，通过收集学生的线上学习特征数据，分析了学生《高等数学》课程的网络学习行为特征，即从数据角度研究学生的网络学习行为。

其次，通过对网络学习行为特征指标数据的聚类结果可知，不同学生的网络学习行为对学习效果的控制机制也有所不同。最优聚类结果分为三类，说明学生的网络学习行为尚有提升的空间。如何在教学过程中因材施教、进一步提高课程的整体学习效果，是任课教师在教学过程中应该重点考虑的问题。

最后，聚类对学生群体应是动态划分的，应用大数据技术结合聚类方法适时掌握学生的类别归属变化，找到造成变化的根本原因，及时给予激励或者指导，让学生往更好的方向发展。通过适时统计学生网络学习行为特征数据，运用数据挖掘技术对学生学习行为规律进行指导，推送相关学习资源，满足学生阶段性学习需求，并对将来的学习路径、学习效果进行预测，实现动态化、智能化学习，创建自适应的学习系统。

参考文献：

[1]国发[2019]4号.国务院关于印发国家职业教育改革实施方案的通知[Z].

[2]教技[2012]5号.教育部关于印发《教育信息化十年发展规划（2011-2020年）》的通知[Z].

[3]刘铸娇.大数据背景下高职院校信息化教学现状及对策[J].科教文汇（上旬刊），2020（5）：113-114.

[4]王堅，张媛媛，柴艳妹.基于因子分析和聚类分析的学生网络学习行为研究[J].中国教育技术装备，2019（18）：3-5.

[5]颜磊，祁冰.基于学习分析技术的网络学习行为研究[J].吉林广播电视大学学报，2019（5）：14-15.

[6]菅保霞，姜强，赵蔚.基于全脑模型的在线学习者学习行为序列分析[J].现代教育技术，2020，30（1）：107-113.

[7]荆永君，李昕.学习分析技术支持下的教师在线学习行为特征分析[J].中国电化教育，2020（2）：75-82.

[8]王紫琴，彭娴，吴砥.学习分析技术规范比较研究[J].开放教育研究，2017，23（1）：93-101.

[9]Johnson L， Adams S， Cummins M. Horizon report： 2012 higher education edition[J].New Media Consortium，2012，24（4）：42.

[10]何克抗.“学习分析技术”在我国的新发展[J].电化教育研究，2016，37（7）：5-13.

[11]孙伟.混合式网络学习环境对高职学生学习成效的影响分析[J].当代职业教育，2014（3）：69-71+48.