宁秀文 王 旗

（华南师范大学 教育信息技术学院，广东 广州 510631）

一、引言

学习行为分析是学习分析的重要组成部分，其目的是挖掘隐藏在行为数据背后有价值的信息，比如行为模式、行为规律、行为习惯等，最终促进人们对于学习过程、学习结果以及学习环境的理解和优化[1]。在线学习行为属于学习行为中的一种，主要是指学习者在线学习中产生的相关行为数据。在线教育中，师生处于空间分离的状态，相较于传统教学来说，在线教育中的教师无法直接观测学生的学习状态，而依托在线学习平台开展的在线教学记录了学生学习过程中的行为数据，因此对学习者的在线学习行为进行研究，有效分析学习者的在线学习行为数据，从客观数据中了解学生真实的在线学习情况，对于实现精准教学并推动在线教育的发展具有重要意义。

二、数据来源与研究方法

（一）研究工具

本文将网络学习行为分析划入在线学习行为分析研究的范畴，并利用美国德雷塞尔大学（Drexel University，Philadelphia，PA，USA） 信息科学与技术学院陈超美博士开发的CiteSpace可视化软件进行研究。CiteSpace是一款具有关键词分析、作者被引分析、文献被引分析等功能的应用于科学文献中识别并显示科学发展新趋势和新动态的软件，可用于分析某一学科领域的研究进展和当前的研究热点、前沿及对应的知识基础[2]。本研究将使用可视化分析软件CiteSpace对我国在线学习行为领域的热点、前沿进行可视化的分析和整理，以期了解国内在线学习行为研究的进展和趋势，并为在线教育的高效开展提供借鉴。

（二）数据来源

本研究以CNKI数据库为数据源，以“主题=在线学习行为”为检索策略进行高级检索，检索年限截止到2021年9月15日，共检索到1174篇文献。人工剔除相关度不高的文献后，得到符合研究内容的期刊文献762篇。将检索结果以Refworks格式导出，并用CiteSpace 5.8.R3软件转换格式得到可用文献共760篇，将可用文献再次导入CiteSpace软件，时间跨度（Time Slicing）设为2002—2021年（共19年），时间分区为1年，进行相关的可视化分析。

三、研究结果分析

（一）发文量分析

某一学科领域发文数量的多少在很大程度上反映了研究者对该领域的关注度和研究热度，根据检索到的文献数据得到2002—2021年度“在线学习行为”的发表趋势（如图1），可以看出，2010年以前，有关“在线学习行为分析”的论文每年数量不到20篇，从2012年开始，此话题逐渐受到研究者的关注，关于在线学习行为分析的文献有了明显上升的趋势。同时，还可以看出，近五年来关于在线学习行为的研究文献发表数量稳定在100篇左右。以上的分析表明，在新兴技术的快速发展下，尤其是大数据和人工智能的出现和广泛应用，使得对在线学习行为进行分析已经成为一个热门的研究领域。

图1 在线学习行为文献发表数量和走势图

（二）文献核心作者分析

利用CiteSpace软件对收集的数据进行核心作者分析，并绘制作者合作网络知识图谱（如图2），作者姓名节点的大小代表了作者发表文献的数量，发布数量越多的作者，名字显示越大。从图中可以看出发表在线学习行为分析相关文献较多的作者有：黄克斌、宗阳、郑勤华、陈丽、张月芬、王全亮、顾小清、杨现民等。从作者姓名节点之间的连线可以看出，国内有不少学者对在线学习行为分析进行合作研究，如黄克斌、杨宗凯、彭文辉和李念等与其他学者存在比较明显的合作关系，但也有部分学者是独立研究，如顾小清、杨现民、王庆岭等人。

图2 在线学习行为研究作者合作网络图

（三）关键词共现分析

利用CiteSpace对文献的关键词进行共现分析，结果如图3所示，关键词共现网络中共有382个节点，819条连线，网络整体密度为0.0203。从图中可以看出，关键词共现网络结构比较松散、密度不高，说明研究者对在线学习行为的研究范围广，研究热点呈现多元化。由于在线学习行为产生于在线教育或者网络教育中，而MOOC、SPOC以及移动学习是在线教育的具体应用，不少学者基于此开展在线学习行为研究。此外，有学者致力于研究在线学习行为的方法，如为在线学习行为建立数据模型，试图利用计算机领域的技术（大数据、关联分析、决策树、机器学习等）实现在线学习行为分析；也有学者通过对在线学习行为进行深度分析，得出学习者的行为模式、学习偏好以及学习投入等。

图3 在线学习行为关键词共现图谱

（四）关键词频次和中心性

对在线学习行为研究的关键词频次和中心性进行分析，分析结果如表1所示：

表1 2002—2021年CNKI数据库中相关文献高频关键词（前20位）

1.关键词频次分析。如表1所示，除去与检索词重合的相关关键词外，MOOC、数据挖掘、大数据、大学生、数据分析、学习效果以及影响因素等关键词排名较为靠前，一方面说明这些关键词是在线学习行为分析领域的核心组成部分，受到大部分研究者的持续关注和研究；另一方面也可以看出，研究对象以大学生为主，研究者试图借助大数据等系列数据分析技术，来探究和分析学习者在线学习的效果，或是从学习风格、学习动机、学习内容以及平台功能等影响因素分析学习者的在线学习行为差异。

2.关键词中心性分析。在关键词中心性值方面（见表1），中心性值按降次排序分别为学习行为（0.88）、网络学习（0.15）、数据挖掘（0.12）、学习分析（0.1），说明国内在线学习行为分析领域的研究重点在于如何将数据挖掘、学习分析等技术应用于在线学习行为中，深度挖掘并发现在线学习行为数据潜藏的学习规律。

（五）高被引文献分析

文献被引次数在一定程度上可以反映该文献在某领域的研究的影响力。本研究根据CNKI提供的数据统计出在线学习行为被引次数排名前10位的期刊文献，统计结果如表2所示。

表2 在线学习行为研究的高被引文献

结合上文的关键词共现图谱分析，可以将研究者对在线学习行为研究高被引文献分为模型建立与探究、分析方法以及应用三个层面。

1.在线学习行为模型建立与探究。姜强等人基于大数据分析的角度，从数据与环境（What）、关益者（Who）、方法（How）和目标（Why）等4个维度构建个性化自适应在线学习分析模型，该模型采用统计法、知识可视化、个性化推荐等大数据学习行为分析方法，即时跟踪学习过程的数据，根据其量化与可视化结果，为学习者提供自适应学习和个性化推荐服务[3]。彭文辉等人从学习行为多样性的角度提出了多维度（收集、存储、加工、传播和使用）网络学习行为模型，并纵向考察了学习者网络学习行为，提出了高级、中级和低级的多层次学习行为模型[4]。胡艺龄等人基于数据挖掘角度提出了数据、机制、结果三个层面的自底向上的在线学习行为分析模型，并指出在线学习行为分析是在线教育蓬勃发展的伴随产物，对充分调动学习者的积极性，发掘学习者潜能，合理利用学习资源具有重要价值[5]。张思等人将学习者的在线学习行为分为参与、专注、规律和交互四个层面，构建了学习者在线学习投入模型用于预测学习者的学习成绩，并将其应用于实际教学中，通过与实际情况对比表明学习成绩预测具有较好的准确性[6]。

2.在线学习行为分析方法。杨现民等人构建了外显操作行为和内隐交互行为的LSA在线学习行为分析模式，提出了基于滞后序列分析法（LSA）分析整个学习活动过程、不同学习活动阶段，以及高低成就组学习活动三种学习行为模式分析策略，认为LSA为在线学习行为分析提供了新的分析方法，也为个性化教学提供了新的依据[7]。此后，有不少学者在继续探究如何将滞后序列分析法用于在线学习行为中，如胡丹妮等人使用滞后序列分析方法，构建了可视化学习路径，对学习者的“观看视频”“完成作业”两类在线学习活动间的行为顺序进行探究，并对该结果进行了可视化呈现，结果发现学习者观看课程视频热情较低，且课程章节间、章节内的学习回溯行为较少[8]。孙萌等人利用滞后序列分析法对全体以及不同成就水平学生的日行为模式进行了实证探索，发现从整体来看学习者的学习行为具有较强的稳定性，不同成就水平的学习者在日行为模式的丰富度上有较大差异，同时还发现社会性交互活动在日常行为中占有非常重要的地位[9]。

3.在线学习行为分析与应用。李曼丽等人针对MOOC学习者课程学习高退出率的现象，使用Tobit和Logit两个定量分析模型，分别对MOOC学习者的课程参与和完成情况进行深入分析，发现学习者的学习动机强弱影响学习者参与度，这对于如何提高在线学习参与度、降低退课率有一定的指导意义[10]。贾积有等人使用SPSSV20和WEKA对北京大学6门MOOC课程的学习者学习行为数据进行了描述性、相关分析以及线性回归分析，分析结果表明，学习者的期末学业成绩与在线时间、观看视频次数、观看网页次数、浏览和下载讲义次数、平时测验成绩之和、论坛参与程度呈正相关关系，为从在线学习平台、教学视频、测验以及讲义等方面进行优化设计，从而提高MOOC学习者学习绩效提供了一定思路[11]。

（六）研究前沿关键词时序图谱

为了解不同关键词在不同时期内的使用情况，本研究按时间片统计了在线学习行为研究前沿关键词时序图谱，如图4所示。国内关于在线学习行为的研究较早出现在2002年，比如赵丕元在2002年发表的《影响学生远程学习行为因素的分析》一文中通过使用问卷调查方式，了解远程学习者的学习现状，并总结影响学习者远程学习行为因素主要有教学模式、网上资源、课程支持服务以及信息传输网络环境[12]。

图4 在线学习行为关键词研究时序图

在2004—2007年间，伴随远程教育的发展，国内在线学习行为的研究主要集中在远程教育、学习资源、远程教育学习者、模型分析等方面，研究点较为稀少。从2008年开始出现转折点，在线学习行为研究关注点显著增加，如大学生、数据分析、数据采集、移动学习、关联规则等关键词已经开始引起研究者的关注，经过进一步追踪发现，这些关键词在后面的研究中也连续出现，说明2008年为之后的在线学习行为研究奠定了基础。2012—2017年是国内MOOC以及SPOC的迅速发展阶段，引起国内不少研究者对两种不同授课形式的在线教育产生的学习行为数据进行分析和研究，在线学习行为的研究出现第二次高潮，涵盖了在线学习行为数据的采集与分析方法、分析模型的建立、系统设计以及分析结果如何应用等方面，目的是从客观数据中发现影响学习者学习效果的因素，并利用大数据技术进一步挖掘数据背后隐藏的学习规律，为师生的教与学提供个性化服务，优化在线教育的教学模式，降低学习者流失率，提高学习者在线学习体验以及学习效果。自2018年以来，随着人工智能的广泛应用，在线学习行为研究更加偏向于与人工智能、大数据等技术结合，在新兴技术的支持下，学习平台采集的在线学习行为数据维度以及颗粒度也愈加丰富，一些关键词如机器学习、预测模型等随之出现，且近几年来在线学习行为研究的内容偏重于技术开发与应用相结合，研究者试图从数据中了解学习者的现状，通过人工智能等技术预测学习者的未来学习情况并生成个性化学习服务，从而实现教学效果最大化。

四、研究结论

本研究通过CiteSpace软件，对CNKI数据库中2002—2021年有关在线学习行为的相关文献进行了可视化分析和研究，得出以下结论：

在发文量方面，经历了萌芽阶段（2002—2010年）、发展阶段（2011—2016年）和稳定发展阶段（2017年至今），目前发文量较稳定，表明在线学习行为是研究者持续关注的热点话题。深入分析发文量较多的学者文献研究的内容，发现各学者研究的侧重点有所不同，有学者倾向于研究在线学习行为分析模型，有的偏重于从技术方面创新分析在线学习行为的方法，也有部分学者在建立模型的基础上，利用数据分析与挖掘技术对在线学习行为进行深入研究。在后续的研究中，建议学者在聚焦研究方向的同时也关注在线学习行为的横向发展，从多维度综合了解在线学习行为的研究现状，系统地构建多元研究方法互补并存的局面。此外，应建立合理的合作机制，为研究者交流与合作提供平台，提高科研产出和研究专业性，促进在线学习行为研究良性发展。

从高被引文献以及关键词共现图谱来看，研究内容主要集中在建立科学的分析模型、探索分析在线学习行为的方法以及具体应用层面，研究主题之间的紧密性较低，且大部分学者主要关注学习者在线学习行为与学习效果之间的关系，缺乏对如何运用分析结果反哺学习者的在线学习过程，提高学习者的学习体验方面的研究。因此，在未来的研究中，可以从服务在线教育的角度出发，深入挖掘并发现学习者存在的问题，为学习者个性化教育提供依据，让在线学习行为研究真正服务于教育。

从时间维度来看，自学习行为分析在国内产生以来，研究主题呈现多元化特点，涉及的研究领域较为宽泛，论文产出的数量多而不精，对部分重要研究问题缺乏持续关注，导致难以落地应用。此外，在线学习行为的研究受新兴信息技术影响较高，其分析技术紧跟新时代的技术发展，具有明显的时代性。如近年来大数据、人工智能的广泛应用，使得在线学习行为分析的方法也得到一定的创新。未来对于在线学习行为的研究应该聚焦在综合一系列新兴信息技术，建立可行性高、推广性强的一体化学习分析与服务平台，推进信息技术与在线教育深度融合，促进在线教育优质发展。

五、结语

对在线学习行为进行研究是实现在线精准教学并促进在线教育改革发展的重要途径。随着在线教育的迅速发展，在线学习行为研究的范畴也不断增加，涉及的领域包括学习科学、心理学、人工智能以及大数据等学科，其研究主题呈现多元化特点，但国内学者在理论层面研究成果较为丰富，而实践应用层面缺乏实用性，不利于推广使用。此外，由于在线学习行为的本质是通过数据量化体现的，因此，数据的采集、分析与应用等技术对于在线学习行为研究影响较大。通过本文的研究结果可以预测，在接下来的研究中，在线学习行为研究将会与人工智能、大数据技术紧密相关，以此深入探索更多的在线教育规律，并结合分析结果为在线教育的优质和健康发展提供指南。