张颖 蒋雯音 艾雨兵

摘  要 利用学习分析技术记录和筛选在线学习行为数据，挖掘影响学习绩效的关键因素， 在此基础上构建基于学习分析的在线学习干预模型并进行实证研究。通过在线学习行为数据分析和成绩比较，结合问卷调查和访谈，对该模型在学习活动、成绩、学生满意度和态度等方面进行有效性验证。结果表明，该模型能有效提高学生的学习参与度和主动性，提升学习成绩。

关键词 学习分析;在线学习;学习干预模型;教育技术;云课堂教学平台;RTI模型

中图分类号：G712    文献标识码：B

文章编号：1671-489X（2019）09-0014-03

1 引言

大数据时代“互联网+教育”给教育带来新的发展契机，随着教育数据种类和来源的不断丰富[1]，利用学习分析技术挖掘数据潜藏的巨大价值将变成教育新常态。2016年的《地平线报告》指出，学习分析技术将在未来二至三年成为极具影响力的教育技术[2]。利用学习分析技术跟踪和预测学习者表现，基于不同数据分析方法确定潜在问题和面临风险的学习者，对学业有风险的学习者提供干预或反馈，为教育者在教学决策和学业预警上提供支持，实现个性化学习，提高教学质量。

传统的教学环境存在数据采集困难、干预手段有限、干预过程复杂等问题，因此，有关学习干预方面的研究虽然备受关注，但相关理论和实证研究有限。近几年来，在线学习作为教育信息化发展过程中的一种现代教育形态，可收集学习者完整的学习行为数据，分析其学习过程，促进适应性学习干预，也使学习干预研究得以发展。

传统的学习干预主要面向特殊教育领域的学习障碍者，采用的是“干预—反应”（RTI，Response to Interven-tion）模式。国外研究表明，RTI模式可以提供适当的干预措施，提高学生的成绩[3]。如今在线学习在学习中应用得越来越广泛，智慧学习环境下的学习障碍问题也日益突出。

首先，以往提出的学习干预模型和策略主要针对传统教学环境，而在线学习环境下的适用性和有效性存在不确定性。

其次，在线学习的学习干预实证研究偏少，大部分研究从理论层面设计了干预模型，缺少实践效果检验[4]。

鉴于此，本研究在分析国内外学习干预、学习分析技术相关文献的基础上，在云课堂教学平台的支持下，通过采集云课堂教学平台中记录的学生学习行为数据，分析在线学习行为特征，同时分析学习行为和学习成绩的关系，构建基于学习分析的在线学习干预模型并进行实证研究，验证其可行性和有效性。

2 基于学习分析的在线学习干预模型的构建

2014年，西蒙弗雷泽大学提出学习分析干预设计的初步模型，干预的过程主要包括落实基础、目标设定和反思。研究认为，要将学习分析和学习活动相结合，将学习分析整合到教学设计中，作为教学设计中的一个环节[5]。基于在线学习的特点，本研究在RTI模型和西蒙弗雷泽大学提出的学习分析干预设计的初步模型的基础上，构建基于学习分析的在线学习干预模型，如图1所示。

干预模型从系统和整体的角度指导整个干预过程的设计与实施，整个干预模型包括六个环节和一个核心。六个环节是数据采集、学习行为分析与预测、干预范围的确定、干预策略的选择、干预策略的实施和干预效果分析。一个核心是学习分析。所谓的核心，是指将学习分析融合贯穿在整个学习干预过程中，从筛选学业有风险的学习者、干预策略的选择、干预策略的实施到干预效果分析每个环节。它是一个循环迭代的干预模型。

3 干预效果实证分析

在线学习干预模型的实施  为验证基于学习分析的在线学习干预模型的效果，选取护理专业两个班学生作为实验对象。公共基础课“计算机应用能力”授课时采用混合式教学法，约70%的学习任务要求学生通过云课堂教学平台在线完成。所有学生的年龄、入学成绩等均无显著性差异。随机选择一个班学生作为实验组，应用在线学习干预模型;另一个班学生作为传统教学组，教学方法一致，但不进行在线学习干预。干預模型实施过程如下。

1）数据采集。借助云课堂教学平台采集实验班前五周学生学习行为数据，根据课程教学任务与教学活动的安排情况以及云教学平台的特点，通过对服务器中的日志数据进行数据的过滤与筛选后，最终确定学习行为变量初始数据集共包括16项，分别为总在线时长、浏览教学资源次数、在线测试次数、在线测试成绩、自我评价、同伴评价、教师评价、查看任务要求、提交任务次数、提交任务时间、参与课堂活动次数、签到次数、使用搜索工具、查看相关网页链接、查看课程动态、查看成绩单。通过散点图绘制方法得出这些变量与学生的阶段性学习成绩呈正相关性。

2）学习行为分析与预测。利用学习分析技术对学生前五周的学习行为数据进行分析。为了进一步筛选出影响学习绩效的关键变量，将各初始变量与学生的学习成绩进行二元相关性分析，初步筛选结果发现其中11个变量与学生成绩是呈显著相关性的，这些变量为总在线时间、浏览教学资源次数、自我评价、同伴评价、教师评价、在线测试次数、在线测试成绩、提交任务次数、提交任务时间、参与课堂活动次数、查看成绩单。再对这11个变量进行多元回归分析，最终确定影响学生学习绩效的六项关键因素，包括浏览教学资源次数、在线测试成绩、同伴评价、教师评价、提交任务次数、参与课堂活动次数。

由此可见，浏览教学资源能使学习者课后反复学习，帮助学习者更好地掌握知识点，有效完成任务，提高成绩。在线测试体现了学习者课前课后的预习复习情况，带着问题听课，能及时发现自己的不足，更好地检验自己的学习情况，进而促使自己查漏补缺。同伴评价和教师评价，一方面使学习者通过给其他学生打分和教师的点评，从而发现自己的不足，进而取长补短;另一方面可能是因为同伴评价和教师评价在整个学习者成绩评价中占有较高比例。提交的任务数量和参与课堂活动数量反映了学习者对学习的主动性与学习热情，通过完成任务和参与课堂活动促进学习者思想的交流，同时巩固知识。

3）干预范围的确定。通过实时分析学生的学习行为数据，特别是关键影响因素，筛选出参与度排在后70%的学生作为群体干预对象，后50%的学生作为小组干预对象，后30%的學生作为个别干预对象，对其进行重点关注与干预。

4）干预策略的选择。对于不同层次的学习干预对象，干预内容和干预方式上也会有所不同。干预内容和干预方式也可以多种方法进行多元组合使用。对于群体干预对象，由于人数较多，主要针对整班存在的问题进行集体干预，采取容易实施的干预内容和方法。对于小组干预对象，以提供学习报告单、推荐资源和发送消息等方式为主。对于个别干预对象，干预方式除了推送资源外，将重点放在消息提醒和教师在线交流。

5）干预策略的实施。根据学习型分析结果和干预策略的选择，在第五周开始直至课程结束，反复对实验班学生实施学习干预。

6）干预效果分析。通过对实验班和传统教学班学期末的成绩和在线学习时长进行整理比较，分析在线学习干预对学生的成绩的提高是否有帮助，如表1所示。

该课程总评成绩由平时成绩、项目成绩和期末成绩构成。平时成绩占20%，包括课程签到率、线上测试和参与课堂活动情况等。项目成绩占50%，包括课程的各个项目任务完成情况。期末成绩占30%，为上机项目考核。平均投入时间为学生在线学习时长。根据统计表可见，实验班通过干预后，学生在平时成绩、项目成绩和期末成绩上均高于传统教学班。学生在线学习时长，实验班是495.4分钟，也远远大于传统教学班。可见通过反复干预，在学生成绩提高上是比较有效的，特别是平时成绩比未干预班级高出很多，学生通过被干预后会更积极地参与线上线下的教学活动，投入的时间更多。

随机抽取五位实验班被个别干预的干预对象在干预前与干预五周后的各项学习活动情况进行整理比较，分析干预的效果。从表2可以看出，五名被干预学生浏览教学资源次数、在线测试次数、参与课堂活动次数以及在线时长都有明显改善。

从对实验班和传统教学班成绩的比较和干预对象干预前后各项学习活动情况的改善可见，该干预模型能有效激发学生学习的自觉性，提高学生的学习质量。

在线学习干预模型效果分析  除了对学习成绩和学习活动的情况有所提高外，本研究通过问卷调查和访谈，调查实验班学习者对在线学习干预实施后的态度、满意度和感受以及各干预方式的效果等，对在线学习干预模型的有效性进行主观性评估。本研究发放问卷50份，回收有效问卷48份，有效回收率96.0%，统计结果见表3。

由表3可见，干预方式中学生对学习进度条、推送资源、在线测试和邮件、消息提醒比较认可，在线交流可能是由于个别干预的对象使用较多，其他干预层次对象使用较少，有的学生怯于跟教师交流，所以认为有效的只占41.7%。70.8%的学生认为在线学习干预能促进自己主动学习，但68.8%的学生认为在线学习干预增加了他们的学习压力，这也证明了压力能产生动力。近50%的学生通过在线学习干预增加了对完成课程的自信心。58.3%的学生对干预效果感到满意，但只有41.7%的学生愿意接受在线学习干预。通过个别访谈，学生认为在线学习干预对学习产生了较大的压力，迫使他们花费了较多的课余时间去浏览资源、在线测试和完成任务，但总体而言，学习干预有助于提高学习成绩和掌握知识。这也说明后期需要在学习干预策略上进行更好的设计和安排，使学生主动接受在线学习干预。

4 结语

在对以往学习干预模型进行研究的基础上，本研究结合学习分析技术构建了在线学习干预模型，并在“计算机应用能力”课程云课堂教学平台中进行了实证研究。通过学习分析技术分析课程前五周的学习行为数据，确定了六个影响学生学习绩效的关键因素，将模型应用于后期教学活动中。通过比较实验班和传统教学班学期末的成绩和在线学习时长，个别干预对象干预前后各项学习活动情况，实践证明，该模型能够有效提高学习质量和参与学习活动的主动性。通过问卷调查和访谈，进一步表明了学生对各干预方式和干预效果的认可。当然，在访谈中也显示了在线学习干预对学生会产生一定的压力。目前研究的样本数量较少，干预策略还不够个性化和人性化，且学习分析技术和工具还需要细化，今后将丰富技术工具，更合理设计干预策略，更大范围进行实验研究，改善干预模型。■

参考文献

[1]赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017（1）：62-69.

[2]Fletcher J M， Denton C A， Francis D J. Validity of Alternative Approaches for the Identification of Learning Disabilities： Operationalizing Unexpected

Underachievement[J].Journal of Learning Disabilities，2005，38（6）：545-552.

[3]唐丽，王运武，陈琳.智慧学习环境下基于学习分析的干预机制研究[J].电化教育研究，2016（2）：62-67.

[4]张家华，邹琴，祝智庭.学习分析视角下在线学习干预模型应用[J].现代远程教育研究，2017（4）：88-96.

[5]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.