|
本文由《远程教育杂志》授权发布 作者：江波、高明、陈朝阳 摘要
关键词：行为模式；学习效果；仿真实验；学习分析；教育大数据；学习群体 一、引言 建构主义强调要以学习者的“学”为中心，让学习者成为信息加工的主体和知识意义的主动建构者[1]。在STEM学科中，各类实践实验课程的目的就是通过营造建构主义学习环境，来激发学习者的主动学习和对知识的深度学习。然而，传统的实践实验课程依托于实体实验室，授课教师无法对每一位学习者的学习过程进行有效监控，只能依据学习者的最终实验结果进行学习测评。对于建构学习，建构的过程往往比结果更能反映学习者对知识的理解'因此，完全基于结果的测评具有一定的片面性。 近年来，大量数字化虚拟仿真实验平台的涌现，为学习者的建构过程测评提供了可能。虚拟仿真是指借助于多媒体、仿真和虚拟现实等技术，使用计算机对传统实验各操作环节进行模拟和仿真[3]。由于该方式具有缓解经费紧张、利于实验教学和设施利用、利于学生创新能力培养等多方面的优势[4]，在学科教学中得到了越来越广泛的应用[5-7]。与此同时，随着信息技术、数据存储技术的发展，学习者在虚拟仿真实验平台下的实验操作过程数据，也很容易被收集起来。基于数据挖掘及学习分析技术，教师借助学生的学习过程数据，对学生的学习习惯、学习方式进行挖掘，可关注到每位个体在学习中的问题，使得提供更具针对性的学习支持服务成为可能。学习分析和教育数据挖掘，是当前学习科学领域的研究热点。当前大部分的学习分析和教育数据挖掘，聚焦于在线理论知识学习和认知课程，这些学习任务高度结构化且测评具有明确的答案。然而，对于很多实践操作类学习任务，由于建构过程的复杂性，反馈和评价非常困难，相关的研究也较为缺乏[8] 本研究在已有研究基础上，以国外某大学“数字电路”实验课程为例，从学习者的学习过程数据出发，采用数据挖掘与统计学方法，对虚拟仿真实验课程中的学习行为模式进行探索，并进一步探讨学习行为模式与学习效果之间的关系，为实践操作类课程的反馈和评价提供参考。我们希望本研究成果不仅能帮助教师更好地理解学习者的构建过程，也能在分析方法层面上，为国内学习过程数据分析的研究同仁提供一些参考。 二、相关研究 学习过程中的学习行为，是学习者学习特点、偏好以及学习策略的具体体现。通过对学习者的学习行为进行模式的分析，发现可以帮助教师更准确的评价学生学习成就，更好地理解学习者之间的学习行为差异，进而为学习者提供个性化的学习资源及学习支持服务。 在已有研究中，部分研究对学习者个体学习过程进行逐一分析，再将具有相似学习过程的个体划分至同一群体，最终形成不同的学习群体，为不同学习群体提供个性化的教学支持服务。例如，尚俊杰等[9]采用个案研究方法，对游戏化学习环境下若干学习者的学习行为进行分析，研究发现，根据学生呈现出的行为模式，可以将学习者划分为“创新型”、“钻研型”、“协作型”、“咨询型”、“试误型”和“娱乐型”等六种类型，这些发现对教育游戏的设计有着非常重要的意义；Blikstein[10]采用可视化的方法对学生的编程学习过程进行了探索，研究发现，在编程学习过程中存在着“复制粘贴型”、“自给自足型”以及“混合型”三种不同的学习行为模式群体；Shi等[11]使用数据挖掘方法和数据可视化工具，从学习者学习活动参与频次和活动序列两个层面出发，探索在自适应学习系统中学习者的学习行为模式，研究发现，学习者的活动序列能反映出学生在学习模式上的共性和差异。 另一部分研究根据学习者在某些方面呈现出来的特征，首先对学习者进行群体划分，继而再比较不同学习群体学习行为模式之间的差异。例如，Kinnebrew等[12]根据学习成就对学习者进行群体划分，并采用数据挖掘方法，对不同学习成就群体在元认知方面的学习行为模式进行了评价与比较；Hou[13]按照性别对学生进行群体划分，并探究了学习者在角色扮演游戏中学习行为模式的差异；Yang等[14]对不同学习小组在协同创作环境下的学习行为转换模式进行了探索，并根据得到的学习行为模式提出了后续教学活动的改进意见；He[15]对视频直播课程环境下学习者在课程参与方面和交互方面的学习行为模式进行了探索，研究发现，工程和科学专业的学生无论是在师生互动还是在生生互动方面都明显低于教育学和医学专业的学生。然而，更多研究根据学习者在学习过程中表现出的学习行为，采用数据挖掘中的聚类方法对学习者进行群体划分，继而比较不同群体在学习行为模式上的差异。例如，Cerezo等[16]根据学习管理系统记录的学习者作业投入时间、努力程度和作业提交是否延迟等行为，对学习者进行群体划分，研究发现，根据这些行为可以将学习者划分为四种不同的学习模式群体，且不同群体在学习效果上也存在着差异；Lust等[17]对在线课程中学习者学习工具使用的行为模式进行了类似研究；李爽等[18]根据学习行为序列特征探索了学习者的在线课程参与情况，结果表明，根据学习者的行为转换序列，可以定义出“低投入式”、“浅层次投入式”、“绩效投入式”、“循序渐进式”、“随机参与式”等五种不同的在线学习行为参与模式。这些发现，对分析在线学习参与模式、课程建设方面都具有重要的参考价值。 三、研究设计 （一）研究问题 本研究中所提到的学习行为是指学习者在某种动机指引下，为获得某种学习结果而与周围环境进行的双向交互活动的总和[19-20]。本研究主要涉及以下三个问题：（1）在课程学习中，能否根据学习者的学习行为以及实验模拟时间变量，划分出不同的学习模式群体？（2）若可以根据学习者的学习行为划分出不同的学习模式群体，那么学习群体间在各变量上的差距如何看待？（3）若存在不同的学习行为模式，这些模式是否会对学习效果产生影响？各学习模式群体之间在学习效果上是否存在差异？ （二）数据来源与变量选择 本研究数据来源于意大利热那亚大学（University of Genoa）2014年秋季学期计算机工程专业115名学生在“数字电路”实验课程中的学习过程数据[21]。课程基于数字电路教育与设计组件（Digital Electronic Education and Design Suite，DEEDS）[22]虚拟仿真实验平台开展。在国内，电子技术类实验课程的教学主要基于计算机仿真软件进行。该类软件在教学中，一方面只适用于原理性验证，如Matlab、Psim等；另一方面在进行实验模拟时，需要掌握较多关于平台（如Pspice、Saber等）的基础知识，对于初学者来说存在较大困难[23]。与之相比，DEEDS平台不仅通过简单易学的平台操作，满足教师教学以及学生实践探究的需要，还通过在菜单栏增添“Learning”选项实现课程相关学习资源的快捷访问功能[24]，如图1（a）所示。传递的资源主要包括平台使用示例（Deeds Demos）、课程学习任务（Deeds Learning Material）以及平台介绍（Deeds Web Site），详见图1子图（b）（c）（d）。建构主义学习理论认为，学习是学习者在一定的教学情境下，借助其他辅助手段，利用必要的学习材料和学习资源，通过意义建构的方式获得的。DEEDS不仅为学习者提供了相应的建构环境，还为学习者提供了必要的学习材料和资源。因此，本研究选择该平台进行实践课程学习行为探究，在一定程度上更能反映学习者自主建构知识的过程。 学习者在DEEDS平台上的学习过程数据，经收集起来形成了研究所使用的数据集。图2展示了部分数据，数据集中包含13个字段，涵盖学习者基本信息（id字段，学号）、课时与练习基本信息（session字段，当前学习课时；exercise字段，当前练习名称）以及活动相关信息（activity字段，活动名称；start_time字段，活动开始时间等）。由于部分学生在学习过程中记录的缺乏，导致其学习过程数据不完整。因此，本研究选取具有完整记录的>2名学生在课程学习所产生的20余万条学习过程数据进行分析，重点分析数据集中记录活动（activity）字段，考察学生在虚拟仿真实验课程中学习行为模式上的差异，并进一步探究学习行为模式与学习效果之间的关联。 原始数据集定义并记录了不同学时和不同学习任务下的15种大类的学习活动。例如，“Deeds_Es_#_#”表示某一课时进行某一任务的普通逻辑电路模拟活动；“Deeds_Es”表示未具体甄别出所属课时以及所属任务的普通逻辑电路模拟活动。需要说明的是，“Deeds_Es_#_#”和“Deeds_Es”虽然在数据采集中被认为是两种学习活动，但它们之间的差异仅在于具体课时和任务的不同，本质上都是在进行逻辑电路模拟活动。因此，本研究对类似的学习活动进行了合并处理，将其归纳为>种学习行为。另外，为了探究学习者之间在实验模拟时间（不包括在实践操作之外的学习任务查看、学习任务提交等活动投入时间）上的差异，将学习者在虚拟仿真实验平台上的学习时间也纳入考虑。最终，本研究选择了如表1所示的10个变量，并在表中对各变量进行了描述与说明。 （三）研究工具与方法 研究首先采用Python语言编写算法，从原始数据集中提取学习行为、计算学习行为参与频次以及实验模拟时间。在实验模拟时间的计算上，如表1所示，主要是对学习者花费在与实验相关的四部分时间进行求和所得。其中，不同学习行为持续时间，通过数据集中学习行为相应学习活动结束时间减去开始时间得到。最后，将经上述预处理得到的Id、Aualweb等9种学习行为、ExpTime，再加上学习者学习成绩（Grades），形成了本研究所使用的包含12个字段的数据集。在数据分析工作上，主要是借助SPSS 18.0展开。 首先，本研究采用描述统计、相关分析等方法对学习者学习行为、实验模拟时间以及学习成绩分布情况和各变量之间的相关关系进行探索。 其次，由于我们无法事先得知簇的个数，因此采用层次聚类方法进行群体划分。层次聚类是指聚类过程按照一定层次进行，按照聚类的方式可分为凝聚方式聚类和分解方式聚类。本研究采用凝聚方式进行聚类，即首先每个个体自成一类，然后按照某种方法度量所有个体间的相似度，并将当前最亲密的个体或小类再聚成一类，接下来再次度量剩余个体和小类间的相似度，并将当前最近的个体或小类再聚成一类，重复上述过程，不断将所有个体或小类聚集成越来越大的类，直到所有个体聚到一起，形成一个大类为止[25]。另外，本研究在度量个体间亲疏程度上，采用鲁棒性较好的离差平方和法（Ward Method）进行个体间相似度计算，采用欧式距离进行个体间距离的计算。 然后，进一步使用多元方差分析方法（也称多变量方差分析），探究群体在各行为变量上的差异。群体间在各变量差异上探索的过程，实质上就是将各行为变量看作因变量，分组结果作为自变量。多元方差分析可以同时研究多个因变量之间是否存在显著性差异，避免了单因变量方差分析检验效率低、忽略变量间相关关系等缺点[26]，该方法已在教育研究中得到了有效应用[27-28]。 最后，采用一元方差分析方法，将分组结果作为自变量，将学习成绩作为因变量，探究群体学习行为模式与学习效果的之间关系。 四、研究结果及分析 （一）基本统计与相关分析 班级学生学习行为、实验模拟时间以及学习成绩分布的箱线图，如图3所示。 首先，就学习行为而言，组装与运行普通电路（Deeds）、记录与反思实验结果（TextEditor）及其他（Other）发生频率最高，同时，也是波动较大的三种学习行为。该现象说明在学习过程中，学生除进行课程要求的基本学习活动外，还倾向于从事一些与学习无关的活动，如，使用聊天工具聊天，浏览其他网页等。另外，查看学习任务行为（Aulaweb）发生频次较低，而且波动较小。该现象表明课程所设置的学习任务表述清晰，学生在查看学习任务之后能较好地理解任务要求，因而反复查看学习任务的行为也较少。 其次，在实验模拟时间（ExpTime）方面，最短用时仅为39.00分钟，最长用时则达449.32分钟，平均耗时272.24分钟，整体波动较大。这一结果与实际学习情况基本吻合，因为学习者个体的学习策略、学习效率等因素，均会对学习时间产生影响。 然后，在学习成绩（Grades）方面，最低分为7.00分，最高分则达98.00分，平均分为58.40分，可以发现学习者之间在最终的学习效果上存在较大的差距。 最后，为进一步探究学习行为、实验模拟时间与学习成绩之间的关联，本研究进行了相关分析。由图3可知，上述各变量基本呈正态分布，满足相关分析的前提条件。变量间相关分析结果显示（见表2），实验模拟时间与剩余变量均不存在显著相关关系，各学习行为变量间存在着相关关系，其中绘制时序电路图（Diagram）、组装与运行有限状态机电路（FSM）、调参（Properties）、阅读学习资料（Study）以及记录与反思实验结果（TextEditor），五种学习行为与学习成绩（Grades）存在着显著的正相关关系。 （二）学习行为模式差异分析 为对课程学习中的学习行为模式进行探索，本研究依据学习者的学习行为及实验模拟时间变量，使用层次聚类方法进行了聚类分析。为消除各变量在量纲上的差异对聚类结果产生的影响，聚类前采用标准分数（Zscore）对各变量进行标准化。标准化后各变量所对应的/值，代表着原始分数和母体平均值之间的距离，当原始分数低于平均值时，标准化后/值为负数。依据图4所示的层次聚类树状图，本研究最终将聚类个数确定为3个。其中，类1、类2、类3中分别包含42、33、17名学生。各类学习行为中的参与情况以及实验模拟时间的平均水平与班级学生总体的平均水平差距，如图5所示。由图5可知，在三类学习群体中，第7类学习群体学习行为参与以及实验模拟时间基本处于平均水平；第2类学习群体高于平均水平；第1类学习群体低于平均水平。 为探究三类群体在学习行为以及实验模拟时间上的差异，本研究将10个学习过程变量作为因变量，将聚类结果作为自变量进行多元方差分析。误差方差等同性的Levene检验结果显示（如表3所示），绝大多数变量在类间总体方差相等（Sig.>0.05），满足方差分析的前提条件。在多元方差分析结果的检验上采用Wilks’Lambda检验，在检验结果中采用
群体间在各变量上的具体差异，如表5所示。由表5可知，9种学习行为在类间均具有显著差异，其中差异较大的是组装与运行普通电路（Deeds）（
（三）学习行为模式与学习效果关联分析 研究采用一元方差分析，以学习效果作为因变量，以聚类结果作为自变量，探究学习行为模式与学习效果之间的关联。误差方差等同性的Levene检验结果，如表6所示，F=1.198，
为进一步分析不同学习模式群体在学习效果上的差异，本研究对群体学习成绩进行了两两比较，结果（见表8）显示，类3与类1、类2均存在着显著差异
五、讨论与结论 （一）讨论 研究结果表明，根据学习者的学习行为及实验模拟时间变量，可将学习者划分为三类不同的学习群体，且群体间在学习行为模式以及学习效果上均存在着差异。在第1类学习群体中，学习行为与实验模拟时间变量的平均水平，均位于班级学生总体平均水平附近（见图5），因而，本研将该群体定义为“顺其自然学习群体”。该群体的特征通常是按时参加课程学习并完成课程学习任务，学习目标、学习积极性一般，学习成绩不突出。从成绩分布来看，该群体平均成绩为61.460分，成绩优秀人数和及格人数所占比率分别为26.19%和57.14%，属于中等偏上学习群体。已有学习行为研究表明，通过对学习者学习行为的分析，可以帮助教师发现学生学习问题所在[29-30]，也从侧面印证了数据的合理性。 首先，在群体的学习行为变量中，FSM、Properties行为的平均参与频次高于班级学生总体的平均水平，并且两者之间存在着显著的正相关关系。 其次，在实验模拟时间上，该群体平均实验模拟时间高于班级学生总体实验模拟时间的平均水平。虽然上述相关分析结果表明，实验模拟时间与学习行为、学习成绩均不存在显著相关关系，但已有研究表明，学习内容难度越大，花费的时间也越长[31-32]。 再者，在该课程学习中，FSM和Properties行为均与有限状态机逻辑电路学习内容有关，且“有限状态机”章节知识是该课程学习的难点[33]。综上分析，推测该学习群体很有可能在“有限状态机”章节内容的学习中存在困难。 最后，从FSM、Properties学习行为参与情况和实验模拟时间，可以发现该群体付出了时间和精力，然而学习效果并不理想。有研究表明，通过对补充学习资料的查阅与学习更有利于问题的解决[34]，但从群体内阅读学习资料行为（Study）参与情况可知，该群体在遇到问题时，并未积极查阅学习资料，故在后续教学过程中，教师应注意引导学生运用合理的学习策略。 在第2类学习群体中，学习行为变量平均参与水平，均高于班级学生总体的平均水平，同时，在实验模拟时间方面，该群体平均实验模拟时间低于班级学生总体实验模拟时间的平均水平（见图5），因而将该群体定义为“积极学习群体”。在学习成绩方面，该群体的平均成绩（63.090）、成绩优秀人数比率（39.39%）和及格人数比率（63.64%），均处于最高水平，进一步验证了积极学习群体在学习成绩方面的特征。此外，积极学习群体通常具有较强的学习动机以及良好的自我管理学习技巧，会积极参与到每一项学习活动中（无论是与学习成绩之间相关的，还是间接相关的）。例如，本研究Aulaweb行为虽与学习成绩不存在显著相关关系，但该行为与Diagram，FSM，Properties，Study，TextEditor（这五种学习行为与学习成绩存在显著正相关关系）存在显著正相关关系。 另外，值得注意的是Other行为（如，使用聊天工具聊天、浏览课程学习以外的网页等）。虽然该行为被记录为与课程学习无直接关联的行为，但是在该群体内该行为平均参与频次高于总体平均水平，且属三组最高，这表明很有可能该群体学生在采取常规方式（如试误、查阅学习资料）解决问题无果后，转而使用其他方式（如与朋友进行交流与讨论、搜索相关网页等），寻找问题的解决方法。最后，与第1类群体学习行为进行对比分析发现，当各学习行为变量参与水平达到学生总体平均水平时，学生足以通过课程考试。然而，该群体各种学习行为参与情况均显著高于平均水平，这可能在另一方面表明学习者在完成基本任务后，继续尝试着采用其他方法来解决同一问题，这是群体积极探索精神的体现[35]。 在第3类学习群体中，虽然实验模拟时间处于班级学生总体实验模拟时间的平均水平，甚至是略高于班级学生总体的平均水平，但该群体各学习行为平均参与水平均低于学生总体的平均水平（见图5），本研究将该学习群体定义为“消极学习群体”。该类学生群体的特征通常表现为虽然按时出勤，但是在学习中投人不够，学习积极性不高，学习动机不强，学习成绩不理想，在课堂学习中经常为应付老师巡视检查做出一些投人学习的假象。该类学习群体由于缺乏学习动机，学习兴趣不高，因而一方面在根据预设的学习任务完成相应的电路组装与测试，完成实验报告填写后就停止了继续探索，Deeds、Diagram、FSM以及TextEditor在参与水平上显著低于平均水平（见图5）就是一种验证。 另一方面由于学习积极性不高，该学习群体学生在实验中遇到问题时，也很少积极主动地去寻找问题的解决办法，这一点在Properties（调参）和Study（查阅学习资料）两种学习行为的低参与度上均可体现。在学习成绩方面，该群体无论是在平均分（41.740）、成绩优秀人数占比（11.76%）还是及格人数占比（23.53%）均属三组最低。这一方面验证了消极学习群体在学习效果方面的特征；从另一方面表明在实践操作类课程的学习中，当学生未积极参与实践操作，其学习效果可能也不会很理想。因此，在后续教学中，该类学生应是教师重点关注的对象。 从本研究所探究的各变量来看，首先，在各学习行为的参与情况上，“顺其自然学习群体”和“消极学习群体”在大多数学习行为参与上均低于平均水平。但在FSM和Properties两种行为参与情况上，“顺其自然学习群体”与“积极学习群体”更为接近，且要略高于学生总体的平均参与水平；而“消极学习群体”在这两种行为参与上仍显著低于班级学生总体的平均水平（见图5）。此前Greene等研究发现，学习者的自我管理学习策略（SRL）在学生的有效学习中发挥着重要作用，在计算机支持的学习环境下更是如此[36]。 如上所述，FSM和Properties两种学习行为涉及课程难点，而通过“顺其自然学习群体”和“消极学习群体”在两个行为上的参与情况可以看出，缺乏有效的自我管理策略，会对学生的最终学习成就产生不良影响，同时也在一定程度上也解释了为什么“顺其自然学习群体”与“积极学习群体”在学习效果上不存在显著差异。其次，在时间投人方面，并非学习者投人的时间越多，最终取得的学习成绩就越好。学习时间投入对学习效果的影响，主要取决于所投入学习时间的质量[37]。本研究亦发现，“顺其自然学习群体”和“消极学习群体”在实验模拟时间（ExpTime）投入上，均高于“积极学习群体”和学生总体的平均水平。“积极学习群体”学生在实验模拟时间上的投人的量虽然不多，但是他们提升了时间的利用效率，因此，该群体在优秀率和及格率方面，均高于其他两个学习群体。 与已有探究学习模式与学习效果关系的研究相比[38-39]，本研究亦探究了学习行为模式与学习效果关系。研究发现，“顺其自然学习群体”、“积极学习群体”两个群体在学习效果上均与“消极学习群体”存在显著差异，而“顺其自然学习群体”与“积极学习群体”，在学习效果上不存在显著差异。但是“积极学习群体”在学习行为参与以及最终学习成绩分布（学习成绩优秀人数占比与及格人数占比）上，均优于“顺其自然学习群体”。这与Hung等发现一致，当学生在学习过程中积极参与到各项活动时（例如，访问课程学习材料的频率更高，发布与读取的消息数量越多等等） ，他们在最终的学习成就上表现会更好[40]。 （二）结论与局限 本研究基于某国外虚拟仿真实验课程学习过程数据集，采用层次聚类方法，对学习者的行为模式进行了划分，并采用多元方差分析及一元方差分析方法，分析了不同模式群体在学习行为上的差异以及学习行为模式与学习效果的关系。研究发现，根据学习者的学习行为，可以划分出“顺其自然学习群体”、“积极学习群体”以及“消极学习群体”三类不同的行为模式群体；在各学习行为平均参与水平上，从高到低依次是“积极学习群体”、“顺其自然学习群体”、“消极学习群体”；在实验模拟时间的平均投入水平上，从高到低依次是“顺其自然学习群体”、“消极学习群体”、“积极学习群体”；在学习效果上，“顺其自然学习群体”与“积极学习群体”学习效果均显著好于“消极学习群体”，“顺其自然学习群体”与“积极学习群体”虽然在学习效果上不存在显著差异，但“积极学习群体”在平均成绩、优秀率及及格率方面均高于“顺其自然学习群体”。 本研究结果可以帮助教师及相关教研人员了解学生在实践操作学习过程中的行为模式，不同模式群体在学习行为及学习效果上的差异；帮助教学人员从学习过程出发获得教学反馈，进行学习评价，发现不同模式群体的学习问题，继而有针对性的采取干预措施，提升教学与学习效果。例如，针对“顺其自然学习群体”，可以尝试鼓励该群体在遇到问题时，积极查阅学习资料，在完成任务后继续尝试从不同角度去解决同一问题；针对“消极学习群体”，教师应给予更多关注与支持，如，采取积极表扬与奖励等方式提升群体学习动机等。 本研究局限性在于，研究数据来源于国外实践课程，不同文化背景下的研究可能略有不同，因此，该研究结果在国内实践课程上可能会有些许不同。例如，薛宇飞等对“财务分析与决策”MOOC课程学习中不同文化背景学习者的共性与特质，进行了较深层次的分析，发现不同国别的学习者在课程活跃阶段、学习时间的持续性和学习目的上等均存在差异[41]。未来我们将尝试收集国内外实践课程中的学习过程数据，对学习者的行为模式及学习效果进行分析，并进一步比较不同文化背景下的学习者在实践课程学习行为模式及学习效果上的差异。
基金项目：本文系国家自然科学基金项目“基于多目标稀疏优化的多视图聚类方法”（项目编号：61503340)的研究成果。 作者简介：江波，浙江工业大学教育大数据研究中心常务副主任，副教授，博士，硕士生导师，研究方向：教育数据挖掘与学习分析；髙明，浙江工业大学教育科学与技术学院在读硕士研究生，研究方向：教育数据挖掘与学习分析；陈朝阳，常州工程职业技术学院机电与汽车工程学院，助教，硕士，研究方向：职业教育研究。 |
|
|
