尤佳鑫++孙众

【摘 要】

预测在校大学生学业成绩并及时进行干预指导，是提升大学生学习效果的有效途径。云环境下，学习中过程性数据的积累为预测分析提供了有力依据。本研究设计并开展一门基于实体课堂和云学习平台（MOODLE平台、微信平台）的混合式大学课程。通过收集学生多类属性及学习过程性数据建立多元回归模型，对其将取得的成绩进行预测，并展开教学干预以提升其学习效果。结果显示，在预测模型方面，多元回归模型可以在全班水平上取得较佳的预测效果；在预测因子方面，绩点、在线学习参与度、前导课成绩和学习兴趣是影响学业成绩的重要因素；在干预效果方面，教学干预取得了较好效果，学弱群体接受干预后进步显著。

【关键词】 云学习平台；学业成绩；预测；干预；多元线性回归

【中图分类号】 G443 【文献标识码】 A 【文章编号】 1009—458x（2016）09—0014—07

一、研究背景

在线学习和课堂学习相结合的混合式教学方法，已成为目前许多高校正在探索的模式。随着以云计算、云存储为标志的云时代的到来，在线学习方式变得更加多元。学习者可以随时随地使用任何设备接入云端学习平台，基于云存储的大量在线学习痕迹也为学业成绩预测和个性化学习研究提供了有力支持。

在校大学生学业成绩预测是指以单科学习情况为基本分析单元，在课程开始后根据学生的各种基本情况对其将取得的成绩进行评估（李建萍， 2009）。收集和分析大学生的个性化特征以及在云学习平台上的在线行为数据，据此进行学业成绩预测并及时干预指导，可以对学生起到预警作用，督促其采用有效的方法提高学业成绩，同时也能够督促教师建立更加有效的教学策略。这对采用更好的教学法、让学生主动参与学习和提升学习效果是十分必要的。

因此，本研究以一门大学课程为切入点，设计并开展基于实体课堂和云学习平台（MOODLE平台、微信平台）的混合教学。在课程进行中，通过收集和分析学习者基本信息、心理认知水平（网络自我效能、学习兴趣）、先前知识水平（绩点、前导课成绩、上次任务成绩）和在线行为数据（MOODLE平台参与度、微信平台参与度），建立多元回归预测模型，对其将取得的成绩进行评估，并展开预测结果指导下的学习干预，以建立更加有效的教学策略和方法，提升学习者在云环境下的学习效果。

二、文献综述

1. 心理认知水平

非智力因素在学习活动中具有引导、控制、调节等作用。自我效能感与学习兴趣是影响大学生学习过程和学业成绩的重要心理因素。在传统学习环境中，根据学习者的自我效能感可以有效预测其学业表现（Lane， Lane， & Kyprianou， 2004）；在在线学习环境中，根据网络自我效能感会对学习效果产生深远影响（Peng， Tsai， & Wu， 2006）。网络自我效能感是指个体对自己成功使用网络进行工作学习的自我信念和期望（Wu & Tsai， 2006）。Peng等人（2006）研究发现，在线学习环境中，大学生网络自我效能是其学习动机、兴趣与学业表现的重要影响因子。随着学生拥有越来越多的机会使用网络信息资源或工具进行学习，网络自我效能感已成为研究者关注的重点。

学生的学习兴趣是其对学习活动产生的心理上的爱好和追求的倾向，是推动学习活动的内部动机，也是影响学业成绩的重要因素（吴靖媛， 等， 2010）。早期就已有大量研究调查兴趣对学习结果的影响（Lepper， 1988； Paris， Olson， & Stevenson， 1983； Pintrich， 1989）。兴趣与学业成绩的关系一直是该领域研究的核心。如今，兴趣对学习的促进作用已得到人们的普遍认同（吴靖媛， 等， 2010）。考虑以上因素，本研究选择了网络自我效能感和学习兴趣两个因素，作为预测学业成绩时心理认知方面的影响变量。

2. 先前知识水平

本研究调查的先前知识水平，即背景知识水平，是指课程学习之前，学习者所拥有的与该门课程有关的所有背景知识的总体掌握程度。学习者的先前知识是影响其学习效果的重要因素之一（叶海智，等， 2014）。先前知识在不同阶段的信息加工中起作用，缺乏必要先前知识的学习者在学习新信息与构建新知识的过程中会遇到困难（Dochy， 1994）。因此，本研究认为学习者先前知识水平能够对其学业成绩产生影响。已有研究中（Huang & Fang， 2013； Hoschl & Kozeny， 1997； Huang & Fang， 2011），前导课成绩、GPA成绩（以下称“绩点”）以及课程中上次任务成绩等均可作为衡量学生先前知识水平的因素。

3. 在线学习参与度

许多研究者（Alavi， 1994； Astin， 1996； Pratton， 1986）都强调了教学中学生参与度的重要性。Hrastinski（2009）认为，如果学习者想在在线学习中取得更好的学习效果就要投入更大的参与度。他在研究中发现，学生在论坛中发消息的数量能够作为其在线学习参与度的影响因子。Morris等人（2005）的研究表明，在线学习参与度的影响因子（例如发帖数量和浏览时长）会对学习绩效（考试成绩）产生正向促进作用。众多相关研究（Bento & Schuster， 2003； Michinov， Brunot， Le Bohec， Juhel， & Delaval， 2011； Webster & Hackley， 1997）也表明，当学生能够有效参与在线学习时，其学习效果更佳。

有学者认为参与度的衡量不能仅仅依靠在线论坛中的帖子数量来评估。Shaw（2012； 2013）在研究了在线论坛中学生的学习交互行为后，总结出回复、提问、浏览与无行为四种在线学习参与类型，并分析了它们与学习绩效的关系。其研究结果表明，不同类型行为对在线学习参与度的贡献程度不同，计算权值也应是不同分值。其中，方差分析结果显示“回复”是权重最高的行为类型。本研究参考了Shaw（2012； 2013）研究中的思想和方法，根据实际情况扩展了行为类型，并结合加权计算的方法衡量学生的在线学习参与度。

总体来看，这些研究多是针对传统课堂环境，研究过程与结论并不完全适用于云时代下的新型课堂环境。随着云学习平台与传统课堂逐渐深入整合，在云学习环境下，如何有效预测学生学业成绩并进行及时干预指导，形成有效教学策略，还有待研究。因此，本研究以一门基于云学习平台开展的大学课程为切入点，考虑学生的心理认知水平、先前知识水平和在线学习参与度三方面因素，建立多元回归模型，预测其学业成绩，并进行适当的干预和指导，以提升其学习效果，为云环境下进行学业成绩预测和建立有效教学策略提供一定的理论依据和实践参考。

三、研究过程

1. 研究对象

研究对象来自北京市某高校的78名大三学生。他们在大三上学期学习了一门教育必修课，课程采用了云学习平台（MOODLE平台、微信平台）和实体课堂相结合的混合模式。研究对象中男生26人（33.33%），女生52人（66.67%），使用MOODLE平台和微信平台的详细情况如表1所示。从调查结果来看，所有学生拥有智能手机并安装了微信应用，大部分学生使用过微信或MOODLE平台进行课程学习，有利于课程的开展。

2. 课程设计

本研究以大三下学期的一门教育类必修课“信息技术学科教学法”为基础展开研究，设计流程如图1所示。从教学安排来看，整个课程共有三次综合性学习任务，分别在第1周、第2-4周和第5-8周。教师首先在课堂上讲授学科知识并布置任务。学生在MOODLE平台或微信平台浏览学习资源、提交任务作品、进行同伴互评与讨论。在截止时间内，学生可根据互评建议修改作品，反复提交，终稿成绩作为最终任务成绩。

表1 MOODLE平台和微信平台使用情况

[题项＼&选项＼&人数＼&比例＼&使用智能手机并安装微信应用＼&是＼&78＼&100%＼&否＼&0＼&0＼&使用微信的频率＼&每时每刻都在用＼&43＼&55.13%＼&每天偶尔用一下＼&32＼&41.03%＼&几天用一次＼&2＼&2.56%＼&很少使用＼&1＼&1.28%＼&使用微信公众号进行过课程学习＼&是＼&39＼&50%＼&否＼&39＼&50%＼&希望通过微信公众号进行课程学习＼&很希望＼&25＼&32.05%＼&一般＼&45＼&57.69%＼&不希望＼&8＼&10.26%＼&阅读过的微信教育类公众号＼&10个以上＼&3＼&3.85%＼&5-10个＼&17＼&21.79%＼&5个以内＼&53＼&67.95%＼&从未阅读过＼&5＼&6.41%＼&使用MOODLE平台进行过课程学习＼&是＼&53＼&67.95%＼&否＼&25＼&32.05%＼&希望通过MOODLE平台进行课程学习＼&很希望＼&19＼&24.36%＼&一般＼&56＼&71.79%＼&不希望＼&3＼&3.85%＼&]

图1 课程与实验设计流程

在实践环节，课程第一周，研究人员与教师共同布置在线平台，讲解平台使用方法，并完成对学生的前测。随后，学生正式展开课程学习。研究人员在课程进行过程中收集学生完成任务1与任务2时的在线行为数据，并结合前测数据进行任务3的成绩预测。随后，针对预测结果展开学习干预，尤其是瞄准学弱群体及时进行提醒与预警。当任务3结束后，研究人员对部分学生进行访谈，对实验效果进行分析。

3. 研究方法

多元回归是研究一个因变量与两个或两个以上自变量的回归，是反映一种现象或事物的数量依多种现象或事物的数量的变动而相应变动的规律，建立多个变量之间数量关系式的统计方法。

McKenzie等人（2001）通过问卷法调研了澳大利亚大学一年级的197名学生，以入学成绩、社会心理、认知水平和人口特征作为预测因子，学业表现（期末成绩）作为因变量，建立多元回归模型进行预测。结果显示，入学成绩、社会心理、认知水平均为显著预测因子，部分人口特征可以作为预测因子。他们认为，找到影响学业表现的预测因子可以对目标学生进行有效的指导干预，使其规避学业风险。Huang和Fang（2013）在一项预测机械课程学术表现的研究中比较了四种不同数学模型的预测能力。他们收集了323名学生的绩点、四门前导课成绩、三次期中测验成绩和最终期末成绩，建立多种预测模型，分析模型准确率及自变量有效性。结果显示，在预测全班学业成绩时，选择多元回归方法最佳，以绩点作为自变量即可实现较高准确率。虽然其他数学方法也可以用来预测学业成绩，但是从已有研究来看（Hoschl， et al， 1997； Flook， Repetti， & Ullman， 2005； Ayán & Garc， 2008），用多元回归方法进行学业成绩预测更为普遍，且准确率较好。所以，本研究采用多元回归作为主要的研究方法，以此来预测云环境下的大学生学业成绩。

4. 数据收集

（1）个人基本信息与心理认知水平

本研究以调查问卷的形式在前测时收集了学习者个人基本信息和心理认知水平的数据。个人基本信息量表包括性别、年龄等学习者基本特征，以及MOODLE平台和微信平台的使用情况。

心理认知水平维度包括网络自我效能感和学习兴趣两个子量表。其中，网络自我效能感量表选自谢幼如等人（2011）编制的“大学生网络学习自我效能感量表”，共20道题目，采用七级里克特答题范围，整体一致性系数为0.92，各题项一致性信度在0.72-0.89之间，具有较高的同质性。该量表用来测量个体对自己在网络学习活动中取得成功的信念水平，是个体对自己使用计算机、网络信息资源或网络通信工具等完成学习任务的能力的一种主观判断。

学习兴趣量表改编自Harackiewicz等（2008）编制的“原始学习兴趣量表”。该量表共7道题目，采用七级李克特答题范围，整体一致性系数为0.90，具有较高的同质性。该量表原为测量学习者在心理学科中的学习兴趣水平，因此研究人员对题目进行了改编以适于测量被试对教育学科的学习兴趣。

（2）先前知识水平

为衡量学习者的先前知识水平，本研究在前测时收集了被试的绩点与一门前导课期末成绩作为参考。另外，为预测下一次任务成绩，学生前一次任务成绩也会作为假设影响因素。绩点采用五分制计算方法，前导课成绩采用百分制计算方法，每次任务成绩采用十分制计算方法。

（3）在线学习参与度

研究者通常使用定量方式评估在线论坛参与度，如学习者在论坛中发帖的数量（Mazzolini & Maddison， 2003）。然而，参与度不应仅仅依靠帖子或其他行为数量来评估（Wenger， 1998），积极参与的行为比被动接受的行为贡献更大（Romiszowski & Mason， 2004）。因此，不同类型的在线行为，根据其贡献程度，在参与度计算中的权重也应有所区分。

在使用云学习平台期间，学生在MOODLE平台和微信平台留下了多种操作痕迹，如浏览资源、提交作业和同伴互评等。参考已有研究（Shaw， 2012； Shaw， 2013； Morris， et al， 2005）的维度划分及权重分配，并结合研究的实际情况与多名专家意见，本研究制定了MOODLE平台和微信平台的在线行为编码体系（如表2所示）。该编码原则就是不重不漏地记录学生的在线行为。研究人员据此对MOODLE平台系统日志及微信平台聊天记录进行了整理与编码，统计学习者在两个平台中不同行为的数量，并计算参与度。计算公式如下，其中Pm为MOODLE参与度，Pw为微信参与度，N为行为数量，W为行为权重。

[P总=Pm+Pw]…（1）

[Pm=i=113NAi?WAi]…（2）

[Pw=i=110NBi?WBi]…（3）

5. 数据分析

本研究使用多元线性回归模型作为预测模型。在学生完成两次任务之后，使用前两次任务的过程性数据建立预测模型，进行第三次任务成绩的预测。

建立模型时，首先将网络自我效能感和学习兴趣两个维度下的子题项计算均值，合并为两个变量。然后将网络自我效能感（X1）、学习兴趣（X2）、绩点（X3）、前导课成绩（X4）、第一次任务成绩（X5）、在线学习参与度（X6）作为自变量，第二次任务成绩（Y）作为因变量，使用第二次任务中90%的样本量作为训练样本建立模型，10%作为检测样本检验模型。预测模型建立完毕后，将第三次任务中的过程数据作为预测样本带入模型，进行任务3成绩的预测。当任务3实际成绩得出后，再次验证预测效果。模型的建立和预测工作都是在SPSS 18.0软件中进行。

6.干预实施

在任务3预测结束后，将全班学生成绩进行降序排列，按比例分为高（27%）、中（46%）、低（27%）三个分数段。在中低分数段中，综合考虑性别、活跃度等因素，选择一部分学生进行教学干预。干预方式包括在线交流、一对一面谈和一对多面谈，干预内容包括提醒警示、鼓励、知识点梳理和答疑。

四、研究结果

1. 最终预测模型

以第二次任务中90%样本量为训练样本，建议多元线性回归模型。结果显示，最终预测模型为：

[Y=-2.618+0.387?X3+0.007?X6+ 0.074?X4+0.385?X2]…………（4）

模型中，显著影响因子按影响程度由大到小依次排序为绩点（X3）、在线学习参与度（X6）、前导课成绩（X4）和学习兴趣（X2）。被排除在模型外的因子为网络自我效能感（X1）和第一次任务成绩（X5），说明二者对第二次任务成绩（Y）的影响不够显著。

该结果符合常理，也与先前研究结果有所吻合。Huang和Fang（2013）的多元回归预测结果中，绩点也是首要预测因子，具有决定性作用，可见绩点对评估学生学业成绩的重要性。本研究中网络自我效能感主要测量学生使用在线环境完成任务的信心，但想要取得更高的学业成绩，需要学生形成真正的在线学习行为，并保持较高的参与度。第一次任务成绩的影响能力最弱，主要是由于一次任务成绩的随机性较大，并不能充分体现学生的学业水平，而且该任务为课程开始后首次作业，学生可能还未完全熟悉课程，发挥也不够稳定。

2. 平均预测准确率

[APA=1-1n?i=1nPi-AiAi?100%]…（5）

该数值反映了模型在预测全班学生成绩时的有效性。其中，P为预测成绩，A为实际成绩，n为样本量。

模型建立后，用任务2中10%的样本量进行检验，其平均预测准确率为91.14%。平均准确率较高，说明模型较合理，可以用此模型进行第三次任务成绩的预测。

任务3成绩预测的结果显示，平均预测准确率为97.65%（两人未交作业，n=76），说明此次预测在全班水平上准确率较高，整体预测效果较好。

3. 命中率

命中率与平均预测准确率均是检验预测模型效果的标准。命中率反映了在全班学生中符合预测成绩在实际成绩的90-110%区间内的人数比例（即预测误差为±10%）。命中率越高，预测模型越好。

任务3的预测命中率为53.85%，命中人数超过半数，与已有研究中（Huang & Fang， 2013）的预测命中率相对持平。Huang和Fang（2013）在研究中指出，预测模型不合适、预测因子不全面或不准确等因素都可能是命中率不高的原因。本研究中，多元回归模型虽然在全班水平上取得了较好的预测效果，平均预测准确率较高，但是在预测某个学生成绩时，大概会有50%的概率无法精准评估，因此提升精确命中率成为本研究下一步需要解决的问题。

4. 成绩干预结果

本研究对比了干预及未干预学生第三次任务与第二次任务的实际平均分，并用配对T检验分析差异的显著性。

表3从高（27%）、中（46%）、低（27%）三个分数段学生的角度进行分析，从干预结果可以看出，高分组学生平均分下降，中分组和低分组被干预的学生平均分提升显著，而未被干预的学生平均分提升不显著或有所降低。

五、讨论

1. 多元线性回归模型可以在全班水平上取得较好的预测效果

本研究在模型建立和验证后，发现多元线性回归模型在预测学业成绩时，可以在理论上获得一定的价值，能够解释目前课堂中一些常见现象，并且可以在实践中取得较高的平均预测准确率，但精确命中率偏低。这说明，多元线性回归模型在预测全班整体学业水平时是一种简捷有效的方法，但在精确预测某个学生成绩时，可能不太适合。

2. 在线学习参与度是影响学业成绩的重要因素

通过预测模型可知，绩点、在线学习参与度、前导课成绩和学习兴趣对学生学业成绩具有重要影响。在传统课堂环境中，具有较高绩点、前导课成绩和学习兴趣的学生将更有可能取得较高的学业成绩，这与当前课堂中的实际教学情况相符。值得注意的是，学生在云学习平台中的在线学习参与度会对其学业成绩产生较大的正向促进作用。可以预见，在技术与教学深入整合的过程中，实体课堂与云学习平台相结合的学习模式将在高校逐渐普及。各式各样的云学习平台将在学生的正式和非正式学习中发挥重要作用。教师应更加关注学生在平台中的在线学习参与度。

更重要的是，如何引导学生在平台中高效参与，获得更高的在线学习效果，是教师要着重考虑的问题。在本研究中，随着使用平台的时间逐渐增加，学生在平台上与课程无关的行为明显增多，此时就需要教师进行及时遏止，引导学生将注意力转回课程学习中。这也说明，云学习平台中的实时监管非常重要。如果不能跟踪学生的过程性数据，就难以及时发现问题，进行合理的教学干预。

3. 教师的引导与干预作用不容忽视

从教学干预效果来看，全班接受干预的学生平均分显著提高，最为明显的是低分组，其次是中分组。而未接受干预的学生平均分有所降低，最显著的是高分组，其次是中分组。这说明基于预测的干预起到了较好的效果，学弱群体接受干预的同学成绩进步显著。由此可见，在提倡学习要以学生为中心时，教师的引导与干预作用更不能忽视。

云学习环境下，保留学生学习痕迹和过程性数据变得可行，为教师监控学生的学习过程提供了有力依据。在技术的辅助下，预警信息更加及时，目标范围更加精准，教学干预能够发挥更大作用。利用学习分析技术预测学生未来学习情况，针对可能发生的问题展开教学指导，是提升学生学习效果的一种有效手段，对正式与非正式学习都将发挥重要作用。

另外，在后测采访接受教学干预的学生时，他们认为教师的鼓励或提醒有一定的警示作用，有助于其严格要求自己，但最有帮助的还是针对性的意见和建议。因此，教师在进行教学干预时，应更加注重提出客观性的指导意见，使学生明白为什么、怎么做，这是学生最需要的，也是对他们帮助最大的反馈。

六、结语

本研究以一门大学课程为切入点，设计并开展基于实体课堂和云学习平台（MOODLE平台、微信平台）的混合学习模式。在课程进行中，通过收集和分析学习者基本信息、心理认知水平（网络自我效能、学习兴趣）、先前知识水平（绩点、前导课成绩、上次任务成绩）和在线行为数据（MOODLE平台参与度、微信平台参与度），建立多元回归预测模型，对学生将要取得的成绩进行评估，并开展预测结果指导下的学习干预，以提升学习者在云环境下的学习效果。研究结果显示，多元回归模型可以在全班水平上取得较佳的预测效果，但精确命中率不高；绩点、在线学习参与度、前导课成绩和学习兴趣是影响学生学业成绩的重要因素；基于预测的教学干预取得了较好的效果，中低分组接受干预的学生成绩进步显著。下一步，本研究将分析和讨论提升预测命中率的问题，以实现更好的预测效果。

[参考文献]

李建萍. 2009. 基于加权支持向量机的学习成绩预测模型[J]. 中国科教创新导刊（14）：137.

吴靖媛，高光珍，胡象岭. 2010. 高中生物理学习兴趣与学习成绩关系的实证研究[J]. 教育实践与研究：中学版（B）（11）：9-11.

谢幼如，刘春华，朱静静，尹睿. 2011. 大学生网络学习自我效能感的结构、影响因素及培养策略研究[J]. 电化教育研究（10）：30-34.

叶海智，赵耀远，吴金鸽. 2014. 基于Web的动态评价系统设计及其应用效果探究[J]. 电化教育研究（9）：79-84.

Alavi， M. （1994）. Computer-mediated collaborative learning： an empirical evaluation. Management Information Systems Quarterly， 18（2）： 159-174.

Astin， A. W. （1996）. Involvement in learning revisited： lessons we have learned. Journal of College Student Development， 37（2）： 123-134.

Ayán， M. N. R.， & García， M. T. C. （2008）. Prediction of university students academic achievement by linear and logistic models. The Spanish journal of psychology， 11（1）： 275-288.

Bento， R.， & Schuster， C. （2003）. Participation： The online challenge. In A. Aggarwal （Eds.）， Web-based education： Learning from experience （pp. 156-164）. Hershey， Pennsylvania： Idea Group Publishing.

Dochy， F. J. R. C. （1994）. Investigating the use of knowledge profiles in a flexible learning environment： analyzing students prior knowledge states. In S. Vosniadou （Eds.）， Psychological and Educational Foundations of Technology-Based Learning Environments （pp. 339-353）. Berlin， New York： Springer Verlag.

Flook， L.， Repetti， R. L.， & Ullman， J. B. （2005）. Classroom social experiences as predictors of academic performance. Developmental psychology， 41（2）： 319.

Harackiewicz， J. M.， Durik， A. M.， Barron， K. E.， Linnenbrink-Garcia， L.， & Tauer， J. M. （2008）. The role of achievement goals in the development of interest： Reciprocal relations between achievement goals， interest， and performance. Journal of educational psychology， 100（1）： 105.

Hoschl， C.， & Kozeny， J. （1997）. Predicting academic performance of medical students： The first three years. American Journal of Psychiatry， 154（6）： 87.

Huang， S.， & Fang， N. （2011）. Work in progress—Prediction of students academic performance in an introductory engineering course. In Frontiers in Education Conference （FIE）， 2011 （pp. S4D-1）. IEEE.

Huang， S.， & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers & Education， （61）： 133-145.

Hrastinski， S. （2009）. A theory of online learning as online participation[J]. Computers & Education， 52（1）： 78-82.

Lane， J.， Lane， A. M. & Kyprianou， A. （2004）. Self-efficacy， self-esteem， and their impact on academic performance. Social Behavior and Personality， （32）： 247-256.

Lepper， M. R. （1988）. Motivational considerations in the study of instruction. Cognition and Instruction， （5）： 289-309.

Mazzolini， M.， & Maddison， S. （2003）. Sage， guide or ghost？ The effect of instructor intervention on student participation in online discussion forums. Computers & Education， 40（3）： 237-253.

McKenzie， K.， & Schweitzer， R. （2001）. Who succeeds at university？ Factors predicting academic performance in first year Australian university students. Higher education research and development， 20（1）： 21-33.

Michinov， N.， Brunot， S.， Le Bohec， O.， Juhel， J.， & Delaval， M. （2011）. Procrastination， participation， and performance in online learning environments. Computers & Education， 56（1）： 243-252.

Morris， K. V.， Finnegan， C.， & Sz-Shyan， W. （2005）. Tracking student behavior， persistence， and achievement in online courses. Internet and Higher Education， 8（3）： 221-231.

Paris， S. G.， Olson， G. M.， & Stevenson， H. W. （1983）. Learning and motivation in the classroom. Hillsdale， NJ： Lawrence Erlbaum Associates.

Peng， H.， Tsai， C. C.， & Wu， Y. T. （2006）. University students self-efficacy and their attitudes toward the Internet： The role of students perceptions of the Internet. Educational Studies， 32（1）： 73-86.

Pintrich， P. R. （1989）. The dynamic interplay of student motivation and cognition in the college classroom. Advances in Motivation and Achievement， （6）： 117-160.

Pratton， J.， & Hales， L. W. （1986）. The effects of active participation on student learning. Journal of Educational Research， 79（4）： 210-215.

Romiszowski， A.， & Mason， R. （2004）. Computer-mediated communication. In D. H. Jonassen（Eds.）， Handbook of research for educational communications and technology （pp. 397-431）. Mahwah， New Jersey： Lawrence Erlbaum Associates， Publishers.

Shaw， R. S. （2012）. A study of the relationships among learning styles， participation types， and performance in programming language learning supported by online forums. Computers & Education， 58（1）： 111-120.

Shaw， R. S. （2013）. The relationships among group size， participation， and performance of programming language learning supported with online forums. Computers & Education， （62）： 196-207.

Webster， J.， & Hackley， P. （1997）. Teaching effectiveness in technology-mediated distance learning. Academy of Management Journal， 40（6）： 1282-1309.

Wenger， E. （1998）. Communities of practice： Learning， meaning， and identity. Cambridge： Cambridge University Press.

Wu， Y. T.， & Tsai， C. C. （2006）. University students internet attitudes and Internet self-efficacy： A study at three universities in Taiwan. Cyberpsychology & behavior， 9（4）： 441-450.

收稿日期：2016-01-20

定稿日期：2016-03-28

作者简介：尤佳鑫，硕士研究生；孙众，博士，副教授，硕士生导师，本文通讯作者。首都师范大学信息工程学院（100048）。

责任编辑 刘 莉