|
传统的在线学习行为分析方法通常将学习过程割裂成独立的行为操作单元，不利于从整体分析把握在线学习活动的过程与规律。学习分析视阈下的行为模式分析则从学习行为之间的时间序列与相互关系入手，旨在揭示个体和学习群体的学习行为特征，识别不同学习群体的行为差异，诊断学习活动中的关键学习事件并预测学习者的学习绩效。学习分析视域下包含描述性、诊断性、预测性三个维度相结合的在线行为模式分析框架，以Wiki协作知识建构行为模式作为案例研究对象，采用滞后序列分析等方法对Wiki编辑行为模式进行三个维度的分析与探索。结果表明，Wiki协作知识建构过程中学习者倾向于不断精炼、补充修改内容；在知识联结、知识收敛等高层次的知识建构行为中，高低成就组存在显著差异。研究进一步凝练关键行为序列建立预测行为序列集，为预测高水平协作编辑绩效提供支持。整合描述性研究、解释性研究和预测性研究的学习行为模式分析框架对于探索在线学习行为规律与预测学习绩效具有重要价值。 1 引言 在线学习行为是学习者在网络学习环境中进行一系列操作的总和，是学习者与学习环境进行双向交互的结果[1]。学习行为能够从外在操作层面来表征学习者的学习状态，对于认识并理解在线学习规律具有重要价值[2]。近年来，研究者采用问卷建模、数据挖掘等方法开展了大量在线学习行为研究，如Klaus等通过问卷调查发现学习者的操作行为能够反映在线学习焦虑与认知负荷水平，揭示了企业员工在线培训辍学率高的原因[3]。Tsai开发了包括行为、过程和元认知三个维度在内的OISSI量表来评估学习者的在线信息搜索行为，后续研究进一步验证了信息搜索行为与学习绩效的关系[4，5]。She等利用屏幕捕获软件每隔5秒记录一次学习者的操作行为，通过挖掘行为数据，揭示领域知识、元认知策略等与学习者解决问题能力之间的关联[6]。此类在线学习行为研究的基本思路是采用学习行为来表征认知、元认知等内在的学习状态，从外显行为角度解释影响学习绩效的因素。这类研究普遍关注独立的学习行为特征和作用效果，将在线学习过程割裂成独立的行为操作单元，不利于从整体角度分析和把握学习的特征与规律。 随着学习分析技术与在线学习行为研究的加速融合，有研究者提出一条新的学习行为研究路径，即对学习行为间的转换关系进行分析与挖掘，形成行为操作序列，进而构建稳定的行为模式。学习行为模式能够描述学习行为在时间上的先后顺序和转换方向，从整体过程角度反映学习者个体和学习群体的行为特征，帮助教学相关者识别不同学习群体的行为差异，诊断学习活动中的关键学习事件，预测学习者的学习绩效，对于系统全面地揭示在线学习规律、预测学习绩效具有重要价值。 目前，国内外在线学习行为模式研究聚焦于模式的识别和分类、模式差异的诊断和分析以及利用模式对学习绩效进行分析与预测等三个方面。在行为模式的识别和分类方面，Yin等对英文文献关于在线阅读活动进行分析，通过提取学习者的行为序列构建学习行为模式，为在线数字教科书阅读系统的设计与优化提供建议[7]；李爽等基于开放大学Moodle平台上的系统日志数据，提取学习者在线学习产生的行为序列，根据行为序列的特征对学习群体进行聚类分析，进一步识别出五种具有不同行为特征的在线参与学习模式[8]；赵呈领等根据网络学习资源访问类型和参与度水平差异对在线学习者进行聚类分析，实证研究表明学习者行为模式与学习成效之间的关联[9]。在模式差异的诊断和分析方面，Hou在角色扮演模拟游戏的行为模式研究中，使用游戏流动量表测量学生的学习流动状态，进一步通过高流量组与其他流量组学生的行为模式差异分析，得到其他流量组学生缺少的关键行为序列，精准识别游戏活动中影响学生表现的关键行为模式[10]；Yang在提高学习者编程能力的研究中，对比分析学习者在传统在线测试与新测试方法中的行为模式，指出新方法通过促进学习者的反思行为提高学习者的编程能力，从而揭示了新测试方法提高学习者学习绩效的内在作用机制[11]；郝祥军等根据认知阶段和学习者特征将学习者分为三种类型共十五种角色，对不同角色之间的转换路径进行编码分析，为个性化学习路径规划和网络课程设计提出建议[12]。在学习绩效的分析和预测方面，Lai等对学习者利用思维导图的学习行为模式进行分析，识别高低成绩组学习者的行为模式特征并绘制行为转换图，实现对高水平学习结果的有效预测[13]；江波等根据学习者的学习行为模式筛选出有效预警行为序列，结合朴素贝叶斯方法构建学习效果预测模型，实证研究证实基于学习行为模式建立的预测模型具有良好的预测水平[14]；王均霞等建立知识点的贝叶斯网络，通过权重和相关性分析形成预警模型，对学习者进行状态识别和学习绩效预测[15]。 综上所述，国内外一些研究者已经注意到学习行为模式研究的意义与价值，然而碍于行为模式研究的分析思路和研究路径尚不明确，目前尚未形成持续稳定的研究队伍与高影响力的研究成果。因此，构建学习行为模式分析框架和研究路径就显得迫切而有价值。基于此，本研究着重凝练学习分析视角下学习行为模式研究的基本框架，揭示行为模式研究的实现路径，并进一步结合案例研究展示行为模式研究操作的具体路径与方法，以期为后续研究提供借鉴。 2 学习行为模式分析的研究框架 学习行为模式研究关注学习者操作行为序列的挖掘和提取，以识别和表征在线学习行为模式为基础，根据典型的学习行为序列构建预测模型，为学习环境以及学习绩效预测提供依据。结合已有文献，参照毛刚提出的学习行为分析模型[16]，本研究提出在线学习行为模式分析的三维框架，包括描述行为序列、诊断关键事件以及预测行为结果三个维度。描述性分析通过识别行为序列来表征学习行为模式的构成，完成行为模式的初步描述；诊断性分析在此基础上通过关键行为序列来揭示行为序列的关系及发展路径，揭示在线学习过程的关键序列与内在作用机制；预测性分析进一步将识别的关键行为序列作为自变量，构建预测学习结果的模型。学习行为模式分析在描述性分析、诊断性分析与预测性分析三方面相互联系，构成相互依赖、相互促进的三角循环，形成学习行为模式的三角分析框架，如图1所示。 （一）描述行为序列学习行为模式分析的基本单位是行为序列，因此行为序列的识别与提取应当作为学习行为模式分析的起点。目前常用的方法如滞后序列分析法（LSA），对行为序列出现的概率进行统计并进行显著性检验，能够提取显著行为序列，通过序列组合来构建行为模式。 行为序列研究通常有三种路径。一是通过描述行为序列，从行为操作的角度描述在线学习的过程和状态。如Liu等对学习者在云课堂平台上产生的行为数据进行量化分析，描述不同年级学习者的高频学习行为和活跃度，并分析不同模块访问的行为频次[17]。二是根据行为序列特征对学习群体进行聚类分析，进而分类表征不同群体的行为特征。如Hou等采用序列分析、聚类分析等方法，分类表征不同类型游戏玩家在角色扮演教育游戏中的行为模式特征[18]。三是通过描述不同阶段的行为模式，分析不同教学阶段的行为变化。如杨现民等在协同内容编辑活动的研究中分三个阶段提取学习者的行为序列，通过绘制三个阶段的知识建构行为转换图，分别描述学习者在三个学习活动阶段的知识建构行为模式特征[19]。Zheng等在计算机支持的协作调节行为模式研究中，分别提取学习者每周的协作行为序列并绘制行为转换图，描述学习环境中协同调节行为随时间推移的发展与变化规律[20]。 总体而言，在描述行为序列的研究中，研究者需要通过学习行为序列的提取与表达，识别学习者特定的操作行为，解释特定群体的行为序列特征，并分析不同阶段学习行为序列的变化规律。这条研究路径，有助于从行为转化的视角来分析在线学习过程，从行为的时间序列、阶段特征等多方面把握在线学习环境中学习者的状态、特征和学习路径等重要信息，为揭示学习规律、预测学习绩效提供必要的研究基础。 （二）诊断关键事件在诊断关键事件维度，研究者将目光聚焦到在线学习过程的优化和反馈上。哪些行为序列是影响学习绩效的关键行为序列？不同类型学习者之间的行为序列有什么差异？为了回答这些问题，研究者需要识别在线学习过程中的关键行为序列，即关键事件。在具体研究中，通过绘制行为转换图分析行为序列之间的转换关系，存在多个顺序相关关系的行为序列可以被初步定义为关键事件。关键事件可以探索和解读学习者与学习环境交互内在机制，并分析影响学习者绩效表现的重要学习过程。 诊断关键事件研究通常有三条路径。一是研究者通过识别学习活动中的高频转换行为序列，揭示学习过程中的关键学习事件。如上述Yin在数字文献阅读研究中发现学习者添加书签的行为与多个行为存在转换关系，从而确定标记为文献阅读活动中的关键行为事件[7]。二是通过行为序列与学习效果之间的相关分析，定位学习过程中不可或缺的中间环节与关键事件。如李爽等将学生的行为序列与学业成绩进行相关分析，识别与学业成绩相关的行为序列和行为发生的具体学习活动与交互板块。研究进一步通过不同水平学习群体间的行为序列差异识别学习活动中的关键环节[8]。三是通过识别关键学习行为，揭示学习行为影响学习绩效的内在作用机制。如Yang等研究发现，新测试方法可通过促进反思行为提高学习者的编程能力，进一步揭示反思环节是新测试方法促进学习者编程能力提高的关键路径[11]。 综上，诊断关键事件研究通过寻找高频行为转换序列、建立行为序列与绩效的关系以及分析高低水平学习群体的行为差异来识别关键事件，通过对学习活动中的关键事件与关键路径进行分析与解释，帮助教师识别学习活动中的核心环节，诊断学习过程，并分析造成高低绩效差异的内在因素。 （三）预测行为结果关键学习事件与关键行为路径的诊断帮助研究者识别学习行为模式中重要的行为序列，在预测行为结果阶段，一些研究者尝试根据归纳出的典型行为序列来推断学习者未来可能出现的行为结果。一方面，研究者试图通过归纳典型的行为模式特征预测网络学习绩效。如Lai等通过高低成绩组学习者的行为模式差异识别高水平学习行为模式特征，进一步通过典型行为模式特征建模实现对高水平学习行为的有效预测[13]。另一方面，通过整合学习分析技术和数据挖掘算法，结合预警序列构建预测模型。如宋涛基于贝叶斯网络、隐马尔柯夫模型提出行为序列的回归模型，试图解决预测性研究中静态协变量与动态行为序列隐变量相结合的复杂建模问题。研究显示，预测模型能对不同学习行为序列进行分层回归，动态预测学习者的学业保持[21]。 预测学习结果分析的核心在于挖掘典型行为序列与提高模型预测准确率。由于行为序列挖掘过程中存在行为发生的偶然性与多变性，预测性研究较难建立起一条稳定的研究路径。但是，预测性研究能够为教学相关者进行精准教学干预提供依据与支持，帮助教学相关者及时甄别存在学习风险的学习者，为个性化在线学习干预提供基础。 3 学习行为模式分析框架的应用案例 为了进一步梳理学习行为模式分析的研究思路与方法，揭示学习行为模式分析的一般研究路径，本研究将Wiki协作编辑行为作为案例研究对象，探索基于Wiki协作编辑学习中学习者的知识建构行为模式，分析高低成就小组之间的行为模式差异，并通过归纳高水平学习者典型的行为模式特征，提取协作编辑预警序列，为高水平学习行为的预测提供依据。 （一）研究对象本研究以东南某高校教育技术专业2016级本科生为研究对象，共计60人。以学生参与线上线下混合学习课程“多媒体课件设计”时在Wiki学习平台上产生的学习过程数据为样本。在课程的线上学习阶段，学习者利用Wiki平台通过协作完成课件设计脚本。课件脚本编辑活动分为两个阶段：第一阶段，4-5名学习者组成一个小组，学习者通过协作编辑、评论等过程完成编辑任务；第二阶段，每位学习者根据教师提供的评价指标开展协作编辑活动，对协作编辑内容进行修改与完善。整体教学活动持续8周时间。 （二）研究问题本研究提出的主要问题如下： 问题1：在基于Wiki的协作知识建构学习过程中，学习小组的知识建构行为模式有何特征？ 问题2：知识建构高低水平小组间的行为模式有哪些差异？ 问题3：是否存在预测高水平协作编辑行为的典型行为序列？ （三）研究过程与方法在线学习行为模式分析的流程包含数据预处理、模式探索和模式分析三个阶段[22]。数据预处理阶段是指解析学习者日志数据，根据具体研究目的识别用户行为数据，清理无关数据，将在线学习过程中学习者的底层交互操作区分为不同的行为类型，确定编码粒度。模式探索阶段是指根据编码后的行为数据输出为按时间序列排列的行为链，以此表征学习过程和在线学习行为模式。模式分析阶段是指对在线学习行为模式进行分析、验证与解释。研究的具体流程如下： 1.数据预处理阶段收集学习者在Wiki学习平台上产生的学习行为数据，针对研究问题，筛选能够表征知识建构行为的操作行为记录，保留学习者诸如添加内容、删除内容、修改内容、评价文档、批注文档等有意义的操作数据，剔除学习者诸如调整页面大小、调整段落格式等与知识建构行为无关的操作数据。 学习者操作行为数据初步筛选完成后，采用李爽等提出的Wiki知识建构行为分析框架对有效操作行为数据进行编码。该分析框架将学习者在Wiki协作编辑平台上的操作行为分为知识共享（PI）、知识联结（PII）与知识收敛（PIII）三个阶段，并进一步分为11种具体行为，具体行为包括：新增共享（PIA）、完善共享（PIB）、论证完善（PIIA）、补充修改（PIIB）、精炼修改（PIIC）、自我修正（PIID）、质疑修改（PIIE）、反对修改（PIIF）、综合观点（PIIIA）、结构优化（PIIIB）和反思迁移（PIIIC）[23]。 操作行为数据编码工作由两位助教协同完成，编码前对编码表中各项行为的具体解释进行一致性协商。编码过程中，两位助教随机抽取原始样本中40%的行为数据并同时对其编码，编码完成后进行结果一致性检验。若Kappa一致性系数不符合要求则两者重新协商确定行为编码。 2.模式探索阶段模式探索阶段采用滞后序列分析法分析学习者在线学习行为模式。本研究采用GSEQ软件对行为编码进行滞后序列分析，得到相应的行为转换频率表以及调整后的残差表，根据后者选择具有显著意义的行为序列绘制行为转换图，分析并解读学习者整体协作知识建构行为模式和行为特征。通过进一步绘制高低成就组的行为模式转换图，分别解读高低成就组的协作知识建构行为特征。 3.模式分析阶段综合分析整体行为模式转换图与不同成就组别行为模式转换图，对知识建构行为模式进行分析与解释。通过整体行为模式转换图分析学习者基于Wiki的协作知识建构行为模式，通过不同成就组别行为模式转换图分析高低成就组知识建构的水平，深入分析和探索高低成就组的知识建构行为模式差异，找出影响学习者学业表现的关键行为序列。进一步根据典型的高水平协作编辑行为序列构建预测模型，为协作编辑效果的预测和干预提供依据。 （四）研究结果与分析1.协作编辑行为模式描述通过对协作编辑行为数据及内容进行编码分析，得到的行为频率见表1。 从表1中可知，学习者在整个知识建构的三阶段行为频率分布较为均衡，其中知识共享阶段占36.61%，知识联结阶段占32.20%，知识收敛阶段占31.19%。具体到三阶段的行为，新增共享（PIA）出现的频率最高，其次是综合观点（PIIIA）、论证完善（PIIA）和结构优化（PIIIB），而质疑修改（PIIE）、反对修改（PIIF）和反思迁移（PIIIC）出现的频率较低，学习者几乎未表现出这三种行为。 为进一步分析学习者整体的协作知识建构行为模式，通过GSEQ滞后序列软件对上述行为进行编码，得到调整后的残差表见表2。Z分数（Z-score）大于1.96的行为为显著性行为序列，表明初始行为和后续行为在行为序列的连续性达到了统计学上的显著水平。 根据残差表绘制行为序列转换图，结果如图2所示。 从总体行为序列转换图可以看出，在协作知识建构学习过程中，学习者倾向于在一段时间内不断重复某一行为，如不断增加共享（PIA-PIA，Z-score=32.1）、完善共享（PIB-PIB，Z-score=21.29）等。整体编辑行为会出现补充修改与精炼修改的行为循环，表现为学习者在对他人编辑内容进行补充操作后，会进一步对他人的编辑内容进行精炼修改（PIIB-PIIC，Z-score=4.65）。精炼修改完成后，学习者倾向于再次进行内容的补充完善操作（PIIC-PIIB，Z-score=5.22）。这个行为循环表明Wiki协作知识建构中，内容的补充与精炼是一个交替出现的过程，学习者通过不断补充修改与不断精炼修改的循环，形成学习内容之间的有效联结与深度凝练。论证完善后的自我修正表明学习者可能会及时在学习内容修正完善后进行自我修改与反思（PIIA-PIID，Z-score=2.22）。 上述行为转换也揭示了Wiki知识建构活动中的潜在问题。从知识建构的角度来看，学习者缺少与知识建构水平有关的重要行为序列，如综合观点过后的结构优化（PIIIA-PIIIB）以及结构优化过后的综合观点（PIIIB-PIIIA）等。这些行为序列的缺失表明学习者在对观点内容进行综合完善后，很少进行整体结构的优化，可能会导致学习者割裂观点内容与结构。由此看来，教师应当为学习者提供观点结构改进与优化训练，以帮助学习者将内容与结构进行联系，促进学习者深度建构相关知识。 2.不同组别行为模式的差异分析不同组别的行为模式差异可以揭示不同组别知识建构的行为特征，深入理解影响学习者知识建构水平的内在作用机制。依据最终的脚本作品质量将所有小组划分为两类：高成就组和低成就组。高低成就组行为频次汇总分析见表3。 从表3可知，低成就组学习者在协作脚本编辑过程中的行为主要以知识联结为主，相关行为占总行为频率的69.78%，这说明低成就组的学习者在整个脚本写作活动中主要是不断对个人和他人的编辑内容进行补充完善。低成就组学习者知识收敛行为频率为0，表明学习者在活动过程中没有对小组成果内容进行观点综合与结构优化。 低成就组三阶段的具体行为表征如下。在知识共享阶段，新增共享（PIA）的行为频率为24.61%，完善共享（PIB）的行为频率为5.61%，这表明低成就组的学习者不断完善自己添加的内容。在知识联结阶段，论证完善（PIIA）和补充修改（PI-IB）的行为频率分别为35.20%和28.66%。论证完善和补充修改均指对自身或他人已有内容的补充，这一行为数据偏高表明低成就组学习者在活动中倾向于根据自身知识以及外部知识添加相应的内容。与此相比，精炼修改（PIIC）的频率仅为5.92%，这一行为数据的偏低表明低成就组学习者普遍缺乏对已有内容的精炼与修正。 高成就组学习者在协作脚本编辑过程三阶段中的行为分布较为均匀，主要集中在知识共享和知识收敛阶段，频率分别为38.55%和40.62%，表明高成就组能够深入推进知识共享与知识收敛，知识建构的水平逐渐深入。 高成就组三阶段的具体行为表征如下。在知识共享阶段，新增共享和完善共享的行为频率分别为27.43%和11.12%，与低成就组相近。在知识联结阶段，高成就组的行为主要集中在论证完善（10.18%）和自我修正（6.13%）。论证完善和自我修正主要是对个人编辑内容的补充与修改，这一行为数据偏高说明在进行小组讨论后，学习者个人会积极反思并听取小组意见进而对编辑内容的不足之处进行及时修改，显示组内协作水平比较高，学习者的反思水平更加深入。研究者绘制了高低成就组的行为模式转换图，如图3、图4所示，以便更深层次地探索高低成就组在协作编辑行为模式上的特征与差异。 从上述行为转换图可知，低成就组学习者的行为以不断重复某一具体行为为主，如新增共享（PIA-PIA，Z-score=15.51）、论证完善（PIIA-PIIA，Z-score=13.71）和补充修改（PIIB-PIIB，Z-score=13.41），而具体行为之间缺乏相应的序列转换，如在补充修改后进行精炼修改（PIIB-PIIC）。这说明低成就组学习者在活动中各个行为之间缺乏有效的联结，没有形成有效的知识建构层级发展。 高成就组学习者在知识联结阶段，针对个人编辑内容，出现了不断论证完善（PIIA-PIIA，Z-score=24.99）、自我修正（PIID-PIID，Z-score=22.1）以及两种行为之间的互相转换序列（PIIA-PIID，Z-score=4.22；PIID-PIIA，Z-score=3.28）。小组讨论过后，学习者倾向于对自我编辑内容进行补充，紧接着可能会继续对个人编辑内容进行修正，如精炼语言等。结合编辑具体内容，学习者在不断地自我修正过后，意识到了自身的不足之处，则倾向于对自我内容进行补充。针对小组成员的编辑内容，高成就组的学习者在不断对其进行补充修改（PIIB-PIIB，Z-score=22.5）后，可能会对已有内容的准确性进行思考，进而对他人编辑内容进行进一步的补充和精炼（PIIB-PIIC，Z-score=6.91），如概括总结某段落的含义并用简洁的话语表述。之后再不断地进行精炼修改（PIIC-PIIC，Z-score=21.81），还可能继续对他人已有内容进行细节性补充（PIIC-PIIB，Z-score=5.54），完善他人的编辑成果。这说明高成就组学习者在学习过程中形成了有效的行为联结，能够表现出更高层次的协作编辑行为（PIIIA，PIIIB），知识建构水平也更加深入。 3.高水平协作编辑行为预测上述行为模式分析表明，影响学习者学业表现的关键行为在于协作编辑活动中是否出现高层次的知识建构行为，以及是否表现出行为之间的关联与转化。与低成就组的知识建构行为模式相比，高成就组学习者在协作知识建构学习中表现出了特有的行为序列，如内容补充修改与精炼修改的循环（PIIB-PIIC）、论证完善与自我修正的循环（PIIA-PIID）、不断重复的结构观点（PIIIA）与不断重复的综合优化（PIIIB）。这些反复出现的行为序列能够促进知识的联结和收敛，促使高成就组的协作知识建构水平逐渐提升。在后续活动中，可以将这四组高成就组特有的行为序列（如图5所示）作为高水平协作编辑行为的典型序列构建预测模型，预测学习者的学习绩效。 若在协作编辑活动中监测到学习者一直重复某些单一行为，或一直未表现出高水平协作编辑行为序列，则说明这一阶段学习者的协作知识建构水平还不够深入，如果继续按照现有的学习路径，知识建构的质量可能较低。教师需要及时对此类学习者采取教学干预，促进典型行为序列的发生，帮助学习者逐渐提升协作知识建构水平。 考虑到学习群体的差异性和学习行为的偶发性与复杂性，以及时间序列的采样方法，现阶段形成的预测模型可能无法精准预测任何情境下学习者的学业表现。随着研究的不断深入，后续可通过以下方式修正预测行为序列：（1）通过反复挖掘和提取不同学习群体的典型协作编辑行为序列，逐步迭代和优化，并尝试将其推广至不同学习情境中进行修正，以提高模型的普适性；（2）根据不同采样频率多次采集时间序列行为数据构建预测模型，通过模型比对，筛选拟合程度较高的模型作为高水平协作编辑行为的典型预测模型，逐步完成模型优化。 （五）结论通过三个阶段的Wiki知识建构行为模式分析，得出如下结论：在基于Wiki的知识建构行为中，最为显著的行为是学习者倾向于不断重复编辑。主要的行为序列为学习者补充修改与精炼修改的循环，这表明学习者会不断对补充修改的内容进行精炼与完善。学习者欠缺的行为模式是提炼总结观点后对他人观点进行质疑。针对高低成就组之间的行为模式差异，相对于低成就组，高成就组会表现出知识联结与知识收敛等高层次的知识建构行为。此外，高成就组成员会反复进行补充修改与精炼修改、论证完善与自我修正两个环节，这表明知识建构行为之间的关联与转化及高层次知识建构行为的出现是高成就组知识建构水平更加深入的关键。在高水平协作编辑行为预测方面，本研究识别和提取出四种高水平协作编辑的典型行为序列以初步构建预测模型。通过后续研究不断完善和优化预测模型，逐步为高层次知识建构行为的预测和教学相关者采取教学干预提供精准支持。 4 总结与展望 本研究梳理了学习行为模式分析的已有研究成果，在此基础上构建了包括描述行为序列、诊断关键事件以及预测行为结果在内的三维学习行为模式分析框架。基于研究框架，将Wiki协作编辑行为作为研究对象，通过对学习者知识建构行为模式的深入分析，揭示整合描述性分析、解释性分析和预测性分析的学习行为模式架构对于在线学习规律的认识与理解具有重要意义。在对学习行为模式分析研究框架进行初步实证和探索后，后续还可以从以下几个方面进一步展开探究。 （一）提取N阶行为序列表征学习行为模式本研究采用一阶行为序列描述学习者的协作知识建构行为模式特征。一阶行为序列是一种行为向另一种行为的转换，常用两种行为的编码组合来表示。尽管一阶行为序列能够描述学习者的学习行为模式及特征，但在复杂交互行为分析方面还存在局限。有研究者提出采用N阶行为序列可以更精确地刻画在线学习行为模式，并提出利用N-gram滑动模型自动抽取N阶行为序列的方法[24]。N阶行为序列可以描述多个行为之间的转换关系，捕捉学习者深度连续的行为序列，数据粒度更小更精确，学习行为模式的相关分析也更有价值和意义。后续研究可尝试提取N阶行为序列，解决复杂协作知识建构交互的行为建模与表征问题。 （二）混合式研究路径的整合已有研究采用量化分析形成的行为模式转换图，来揭示不同群组的关键行为序列差异。行为模式转换图仅关注了行为模式转换的外在表现，尚未揭示造成行为差异的内在因素。有研究者揭示了学习投入可能是影响行为差异的内在因素[25]。如学习者的认知和情感投入会影响学习行为，进而影响学习效果[26]。因此，为了深入探测造成高低成就组行为模式差异的内在投入，后续研究中还需要整合混合式研究方法，在行为模式分析的基础上融入认知与情感投入分析，从量性和质性两个角度分析揭示行为差异的内在因素，为教学相关者采取教学干预提供更加精准、更具有针对性的支持。 （三）模式分析方法的探索与创新本研究主要采用滞后序列分析法分析学习者的学习行为模式。滞后序列分析法需要对采集到的行为数据进行编码，行为数据的编码是一个复杂的过程，随着数据分析与挖掘技术的发展，一些新的数据挖掘算法被用来挖掘学习者的学习行为模式，如欧阳嘉煜等提出利用特征工程技术识别学习行为模式的方法。特征工程是机器学习领域的重要方法，基于底层的数据分析，通过设计符合数据特点和学习情境的特征集探测典型的学习行为模式[27]。这类模式分析方法不仅缩短了研究周期，还能提升研究的信效度。后续研究可以在学习行为模式分析框架中融入基于数据挖掘算法的新型模式分析方法。通过新型模式分析方法探测更多高水平协作编辑行为模式构建预测模型，进一步提高模型的预测效率，动态预测学习者的学习绩效。 参考文献：作者简介：马志强，博士，副教授，硕士生导师，江南大学教育信息化研究中心副主任；汪一池，华中师范大学教育信息技术学院硕士研究生；岳芸竹，江南大学教育信息化研究中心硕士研究生。杜鸿羽，江南大学教育信息化研究中心硕士研究生。 |
|
|
