（1．华中师范大学 教育信息技术学院，湖北武汉 430079；2．黄冈师范学院 教育科学与技术学院，湖北黄冈 438000；3．浙江师范大学 教师教育学院，浙江金华 321004）

引言

随着教育信息化的不断深入，网络学习已被学习者普遍接受。网络学习空间的建设与应用成为在线学习的一项重点内容，受到教育管理部门和研究人员的广泛关注。《教育信息化“十三五”规划》明确指出，要大力推进“网络学习空间人人通”，网络学习空间应用普及化，基本形成与学习型社会建设需求相适应的信息化支撑服务体系[1]。刘延东副总理强调，“十三五”期间“网络学习空间人人通”要更加普及、深入，要统筹推进实名制、组织化、可管可控的网络学习空间[2]。在国家政策的指引下，网络学习空间的建设与应用得到了长足的发展。统计数据显示，至2015年11月，我国超过30%的学校均开通了网络学习空间，空间数量已增长到4200万[3]。而如何对网络学习空间中积累的大量学习行为数据进行快速有效的分析、挖掘，仍有待研究者思考。

一 相关研究

围绕网络学习空间的建设与应用，相关研究者从空间的内涵[4]、设计与规划[5]、建设框架[6]、空间的评价指标体系[7]到空间中的学习者投入[8]、空间支持的教学模式创新[9]、空间的实证教育效果[10]等方面展开了系列研究，并取得了一定的研究成果。但面对大规模开通空间后积累的大量学习行为数据，如何进行有效分析和利用的研究相对较少。

网络学习空间行为数据分析的相关研究主要包括以下三类：①从学习投入的角度进行分析，如张思等[11]以教师网络学习空间为例，提出了网络学习空间中的学习者投入模型以及相应的度量指标；胡敏等[12]提出了网络学习中的学习者参与度模型，将学习者的参与度分为行为参与度、认知参与度、情感参与度三个方面。②从学习交互的角度进行分析，如沈欣忆等[13]做了慕课中学习者参与度对学习效果的影响的研究；朱珂[14][15]提出了网络学习空间中的学习者交互模型，研究了交互性和沉浸感对学习者持续使用意愿的影响等。③从学习者行为模式的角度进行分析，如 Hung等[16]通过数据挖掘技术挖掘学习者行为和活动模式，并进行成绩预测；Huang等[17]通过分析泛在学习档案中的学习行为模式，来为合作学习中的小组分组提供参考；Ferguson等[18]对慕课中的学习者行为进行聚类分析，并将其分为十种典型的学习行为模式。上述研究对网络学习行为分析进行了深入探索，具有很强的参考价值。

但是，当前研究仍需进一步深化，要重点解决以下问题：如何对各类网络学习行为进行有效分类和度量？如何通过标准化分析方法对学习数据进行分析？为此，本研究以网络学习空间中的在线学习行为作为研究对象，对在线学习行为进行分类和编码，并通过一些分析方法挖掘学习者的相关在线学习行为模式，据此为网络学习中的各类利益相关者提供教学参考和指导。

二 在线学习行为分析模型

1 在线学习行为的分类

在线学习行为的采集和度量是在线学习行为分析的第一步。网络学习空间主要包含三类基本要素：提供网络学习空间的学习系统、学习资源、人（包括教师和同伴）。本研究依据学习者与这三大类基本要素之间的相互关系，将网络学习空间中学习者的学习行为划分为以下四类：①独立学习行为，是指学习者在学习过程中主要通过内化思考来进行学习，而未与空间中的其它要素发生直接关系，如独立完成作业、撰写学习反思等；②系统交互行为，是指学习者通过与学习系统进行交互来完成学习行为，如登录、注册等；③资源交互行为，是指学习者通过与学习资源进行交互来完成学习行为，如浏览、上传、下载资源等；④社会交互行为，是指学习者通过与网络学习空间中的社交网络进行交互来完成学习，具体包括与教师、同伴进行各类交流活动，如求助、讨论等。基于此，本研究构建了网络学习空间的结构模型，如图1所示。

图1 网络学习空间的结构模型

2 在线学习行为的度量

为了更好地对学习行为进行量化，应为各类行为制定相应的量化指标，以实现学习行为的数量化。表1展示了各类在线学习行为中包含的典型网络学习行为以及行为的度量指标。

表1 典型的网络学习行为及度量指标

3 基于数据挖掘的在线学习行为分析模型

完成网络学习行为数据的采集后，需使用相应的分析方法对数据进行分析，以挖掘出数据中蕴含的有意义的信息。在对网络学习行为进行分析时，本研究总结了三种通用性强、使用较为广泛的数据分析方法，分别为：相关分析、分类和聚类。不同的分析方法可以从不同的角度和层面对数据进行处理，从而得到不同的分析结果。不同的分析结果对网络学习空间中不同的利益相关者来说，也有不同的作用和意义。相关分析常被用来分析不同要素之间相关性的强弱，从而发现和区分系统中的核心要素。分类分析可以按照一定的标准将数据分为不同的类别。在学习分析中，分类分析常常被用于预测，如学习成绩的预测等。与分类分析不同，聚类分析侧重于发现数据隐藏的模式，其分析结果往往是一些尚未被发现的新模式和规律。网络学习空间中的各类利益相关者均可以受益于这些分析结果。教育管理者可以根据分析结果来调整相关的政策、完善网络学习系统功能；教师可以通过分析结果来发现教学中可能存在的问题，并有针对性地进行教学干预；学习者也可通过分析结果了解自己和同伴的学习状态，并有意识地进行自我调整。图2展示了基于数据挖掘技术的网络学习行为分析模型。

图2 基于数据挖掘技术的网络学习行为分析模型

三 案例分析

1 研究对象与数据采集

为验证本研究提出的模型及方法的有效性，本研究以某师范类院校云课堂网络空间中的学习行为数据为案例进行了相关实证研究。该案例以某师范类院校的公共选修课“现代教育技术”为依托，所有课程资源和参考资料均上传至网络学习空间中，学生的学习方式包含混合式学习和自主学习两种。参与学生为同一教师指导的两个教学班，合计98人，其中大四学生1人，大二学生2人，大三学生95人。所有学生中，男生25人，女生73人。所有学生均为师范生，涉及专业包括：生物技术、数学教育、汉语言文学、英语、体育教育、化学教育、美术学。

采集的数据包括两部分：第一部分是网络学习空间中的学习行为数据，来源于网络学习系统的日志文件和系统提供的相关统计信息，包括两次作业的提交时间、作业的完成质量（成绩）、课程学习期间登陆系统的次数、在线时长、浏览学习资源的个数、上传学习资源的个数、浏览讨论区主题的个数、浏览帖子的个数、发表主题帖的个数、回复个数。第二部分是期末考试卷面成绩，采用闭卷考试，所有学习者在同一时间使用相同的试卷进行考试。

2 相关分析

本研究使用皮尔逊相关系数对上述所有因素进行相关分析，得到的相关系数矩阵如表2所示。

表2 网络学习行为相关分析矩阵

根据矩阵分析结果可以看出：①与考试成绩存在显著相关的因素有作业1、作业2、延迟提交作业的数量、登录次数和回复讨论帖的数量。前三个指标与考试成绩的相关系数均超过0.4，说明存在强相关性；延迟提交作业的数量与考试成绩是负相关，说明与其它三类行为相比，独立学习行为与学习成绩具有更强的相关性，可作为成绩预测和学习干预的核心指标。②在线时长与浏览资源的数量、浏览主题的数量均存在强相关性，说明学习者在线主要是进行学习资源浏览和论坛主题浏览等学习活动，符合在线学习的一般规律。③作业1、作业2与延迟提交作业的数量之间存在强相关性，浏览主题的数量、浏览帖子的数量、发表主题的数量和回复讨论帖的数量之间存在较强相关性——这说明独立学习行为和社会交互行为内部具有较高相关性，本研究提出的分类方法具有一定的合理性。④求助次数与其它因素均不存在显著相关性，可判定其相对独立于其它变量，且对学习绩效的预测性较弱，故在后续分析中将其舍弃。

3 分类预测

以60分为阈值将考试成绩分为两类：大于等于60分为及格，低于60分为不及格。除“求助次数”外的其它变量作为预测变量，对考试成绩进行预测。使用Rapidminer 7.6.1中的六种分类器模型：随机森林、K近邻、朴素贝叶斯、J48决策树、支持向量机和逻辑斯蒂回归模型对数据进行分类预测。随机选择样本数据中 70%的数据作为训练集，30%的数据作为测试集，分类结果如表 3所示。对分类结果的评价采用分类评价中常用的五类指标：总体准确率（分类正确的数据占测试集的百分比）、Kappa值、平均召回率、平均准确率、F1调和均值。

表3 不同分类器的分类预测结果

从分类结果中可以看出，在本数据集中，K近邻分类器获得了最好的分类效果，其 Kappa值为0.693，F1调和均值为0.8481，能够满足实际应用的需求。

4 聚类分析

为了更好地对学习者的网络学习行为模式进行挖掘，本研究拟通过聚类方法对网络学习行为数据进行分析，聚类可以将具有类似学习行为的学习者进行聚合，帮助发现潜在的学习模式。

较为成熟的聚类算法是K-means算法。由于K-means是一种基于距离的算法，而本研究采集的各网络学习行为变量所使用的量规不同，不同变量之间数值差异较大。因此，首先要对所有变量进行归一化处理，将其转换为Z分数，然后通过K-means算法进行聚类。K-means算法需要预先定义K值，即类簇的个数。为了找出最优K值，本研究使用戴维森堡丁指数对不同K值的聚类结果进行评价。DBI的值越小意味着类内距离越小，而类间距离越大，聚类结果越趋向于合理。设置K值的取值范围为2～9，不同K值所对应的DBI的值如表4所示。当K=4时，对应的DBI值最小，为1.314。因此，本研究认为将本数据集聚合为4个类簇较为合理。

表4 不同的类簇数量及其对应DBI

本研究使用K-means算法将数据集聚合为四个类簇并对其进行信息统计。为了更清楚地观察不同类簇之间的差异，本研究通过折线图来对数据进行展示，如图 3所示。由于不同变量使用的量规不同，因此，图3是将所有变量进行归一化处理，转换为Z得分后，再对数据求平均值后绘制的图示。

图3 归一化后不同类簇在各变量上的平均值

从图 3可以看出，这四类学习者在不同的学习行为方面存在明显差异。这些差异有助于本研究进一步分析学习者的学习习惯和学习特征，也可以帮助教师针对不同类型的学习者提供个性化的学习指导。表5为不同类别学习者在学习行为上的差异和特点以及可以采取的教学策略。

表5 不同类别学习者的行为差异及教学策略

类别 1为“勤奋型学习者”，该群体通常具有很强的学习动机，愿意花费时间参与网络学习行为，但学习效果未能达到预期，且与社交网络的交流与互动并不积极；对于此类学习者，教师应从学习方法上予以辅导，帮助他们找出困难之所在，并鼓励他们积极参与互动和交流。类别 2为“消极型学习者”，该群体表现为消极参与、学习动机低、自律性差；但面对感兴趣的话题，他们愿意主动发表意见并参与交流；对于此类学习者，教师应重点关注，加强提醒和督促的力度、帮助他们实现学习兴趣的扩展，力争完成课程学习，达到合格标准。类别3为“中规中矩型学习者”，该群体占总人数的一半，其各类学习行为表现均接近平均值，表现并不突出，属于最为“平凡”的一类；针对此类学习者，教师在精力足够的情况下，可通过教学内容趣味性的提升来提高他们的学习兴趣。类别 4为“三好学生型学习者”，该群体在各方面均表现优异，虽然在学习上所花费时间并不是最长，但学习效率较高，学习能力强、自律能力强、接受能力强，属于典型的“三好学生”；针对此类学习者，教师可以为他们提供更多拓展类学习资源，以帮助他们获得进一步的精进。

四 总结

网络学习空间的建设与应用日益受到教育管理者、研究者和教师的重视。如何对学习空间中积累的四大类学习行为数据进行分析，从而为教育决策与教学提供指导，是网络学习空间应用的重要问题。本研究提出了一种基于数据挖掘的网络学习行为分析模型，其将网络学习行为划分为独立学习行为、系统交互行为、资源交互行为和社会交互行为四类，并提出相关分析、分类和聚类的分析方法，通过分析网络学习行为来挖掘其中的隐藏模式，从而为教育管理者的政策制定、教师的教学干预和学习者的自我调整提供参考和指导。最后，本研究以某师范类院校“现代教育技术”公共课的网络学习空间数据为例，开展了相关实证研究。但由于实际数据来源有限，本研究采集的学习行为数据规模较小，在一定程度上限制了研究结论的精确性和可推广性。后续研究将进一步扩大研究规模，在更多的课程中开展应用，并针对相应的教学干预策略展开实证研究。

——

[1]教育部.教育部关于印发《教育信息化“十三五”规划》的通知[OL].

[2][3]教育部.教育部关于印发刘延东副总理在第二次全国教育信息化工作电视电话会议上讲话的通知[OL].

[4]杨现民,赵鑫硕,刘雅馨,等.网络学习空间的发展:内涵、阶段与建议[J].中国电化教育,2016,(4): 30-36.

[5]张子石,金义富,吴涛.网络学习空间平台的规划与设计——以未来教育空间站为例[J].中国电化教育,2015,(4):47-53.

[6]祝智庭,管珏琪.“网络学习空间人人通”建设框架[J].中国电化教育,2013,(10):1-7.

[7]李玉斌,王月瑶,马金钟,等.教师网络学习空间评价指标体系研究[J].电化教育研究,2015,(6):100-106.

[8][11]张思,刘清堂,雷诗捷,等.网络学习空间中学习者学习投入的研究——网络学习行为的大数据分析[J].中国电化教育,2017,(4): 24-30、40.

[9]肖君,姜冰倩,许贞,等.泛在学习理念下无缝融合学习空间创设及应用[J].现代远程教育研究,2015,(6):96-103、111.

[10]谢幼如,盛创新,杨晓彤,等.网络学习空间提升自我效能感的效果研究[J].中国电化教育,2016,(1):34-40.

[12]胡敏.在线学习中学生参与度模型及应用研究[D].武汉:华中师范大学,2015:8-13.

[13]沈欣忆,李爽, [美国]丹尼尔·希基,等.如何提升 MOOCs的学生参与度与学习效果——来自 BOOC的经验[J].开放教育研究,2014,(3):63-70.

[14]朱珂.网络学习空间中学习者交互分析模型及应用研究[J].电化教育研究,2017,(5):43-48.

[15]朱珂.网络学习空间交互性、沉浸感对学生持续使用意愿的影响研究[J].中国电化教育,2017,(2):89-95.

[16]Hung J, Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching, 2008,(4): 426-436..

[17]Huang Y, Wu T. A systematic approach for learner group composition utilizing U-learning portfolio[J]. Educational Technology & Society, 2011,(3):102-117.

[18]Ferguson R, Clow D. Examining engagement: Analysing learner subpopulations in massive open online courses(MOOCs)[A]. ACM, Proceedings of the Fifth International Conference on Learning Analytics And Knowledge[C].ACM, 2015:51-58.