裴莺娥 刘赣洪 雷韵涵

（江西师范大学 新闻与传播学院，江西 南昌 330022）

学习者的在线学习行为能够折射其最真实的学习情况[1]，是影响以及预测学习者在线学习效果的关键因素之一。目前，关于在线学习行为与学习效果的关系研究主要以MOOC学习者为研究对象，以完成了课程学习、成功获得证书等行为数据作为学习效果的验证依据。MOOC学习者自主选择所学课程，对课程的学习动机强，容易带来优质的学习效果。

疫情期间，世界各国多采用在线教学的方式保证学校教学计划的顺利实施。截至2020年5月8日，我国1454所高校开展在线教学，103万教师在线开出了107万门课程，合计1226万门次课程[2]，绝大多数为SPOC课程。由于时间紧迫，SPOC学习者往往是以班级为单位，以完成学习任务和通过课程考核为目的的学习群体。SPOC课程按教学进度进行，不因学习者的喜好与在线学习经验的多少而改变，视频资源多采用上传到在线学习平台的教师个人的录屏。

不同于MOOC的大规模、开放性、社会性，SPOC课程具有学习规模小、面向特定学习对象、教学灵活、针对性强等特点。高校的SPOC课程还具有专业性，大部分的SPOC学习者首次接触这种班集体同步异地的学习方式，研究其学习行为与学习效果的关系对发挥SPOC优势、激发教师的教学潜能、提高教学效果等都具有重要的意义与价值，也为后疫情时代应用SPOC发扬高校自身的特色课程提供参考。

一、在线学习行为数据的收集与处理

某学习通是一款面向高校师生研发的、功能强大的应用软件与在线教学平台。很多教师反映它是最好用、最全面的学习软件之一[3]，具有通知、签到、分组、讨论、作业、测试、下载、上传、评分、投票、发出教学预警等多种功能。教师可以通过该平台记录教学活动相关的数据，加强师生互动，增进学习者的知识内化。

研究者抽样了中部某省属大学师范类院校的一门专业课程的行为数据，对此展开研究。该课程由L老师在某学习通开设。L老师虽然曾经设计、拍摄过一些视频资源，但是没有网络教学经验。学习者由一个自然教学班共49名学生组成，也没有在线学习经历。因此，L老师在备课上花费了较长的时间，依据课程计划与学生情况提前设计作业与任务（包括个人作业10次、周周练3次、小组作业2次，在线期末考试1次），完成教学资源的上传等工作。课程历经了一个完整的在线教学周期，教学效果良好，得到了学生与同行的一致认可，且获得了J省疫情优质课称号。

（一）学习行为数据清洗与预处理

学生的综合成绩由课程音视频（40%）、章节测验（10%）、章节学习次数（20%）、作业（15%）与考试（15%）的成绩组合而成。平台中所有学生的章节测验均无成绩，考虑学习行为与学习效果关系模型的有意义性，将考试板块中的期末考试成绩视为学习效果。运用Excel工具对数据进行清洗和筛选，最后得出11个在线学习行为的具体观测指标（如表1所示）。分析发现，该课程的视频观看时长和章节学习次数的两极分化较明显，而总讨论数和讨论获赞数的数据相对较少，这两个指标的研究结果可能不明显。但是，课程的完成度较好，期末考试成绩总体来说分布也较稳定。

表1 关于学习行为与学习效果的数据整理

（二）单变量描述性统计

单变量散点图可以直观地反映学习行为对学习效果的影响程度以及数据的大致分布，绘制11个指标的散点图，散点图的数据均经过调整：新数据=（旧数据-最小值）/方差。分析发现，周周练1、周周练2、周周练3、任务点完成度、课程视频进度这五个指标在高分段甚至满分区域集中。在各个指标中，作业和期中考试的数据分布与曲线斜率相差较大，故加入二次项拟合。拟合后，两者的拟合优度值R2分别为0.246和0.33（如图1所示），拟合效果优于之前。

图1 作业和期中考试的二次项拟合图

（三）多变量线性回归

当需要确定两种或两种以上变量相互影响的定量关系时，需要用到多元线性回归模型分析。具体公式为：Yi=β1+β1X1+β2X2+β3X3+……+βnXn，其中Y为因变量，Xi是自变量，β是偏回归系数[4]。以后台数据为样本，引入11个指标作为自变量，即：X1-作业、X2-周周练1、X3-周周练2、X4-周周练3、X5-期中考试、X6-任务点完成度、X7-课程视频进度、X8-视频观看时长、X9-总讨论数、X10-讨论获赞数、X11-章节学习次数，并将期末考试成绩作为因变量，即学习效果。衡量自变量与因变量的相关度，从自变量中筛选出影响因变量的主要指标，操作过程及结果如下。

1.第一次线性回归。由于作业和期中考试的二次项拟合更优，故将这两个平方项加入进行第一次线性回归。结果表明，各变量均不显著。因此，对数据进行AIC筛选，筛选后各变量的显著性明显提升（如表2所示）。而且，排除大量变量后，R2仍保持较高值，能够对模型解释41.59%。经过进一步的计算，相对于AIC筛选前，筛选后的模型依然保留了85%的解释度。

表2 第一次线性回归筛选后结果

2.第二次回归分析。为降低误差增加准确度，结合单变量分析的结果，考虑将周周练等五个变量变为二元变量（即大于等于平均值为1，小于平均值为0）。而此时发现，其中任务点完成数与课程视频进度的取值完全相同。虽然两者均能反映学习进度，但从后台数据来看，不是所有的章节都有课程视频。为了更完整地考量学生的学习完成度，选择保留任务点完成度这一变量，删除课程视频进度这一变量。然后，对剩余变量进行第二次线性回归分析，发现变量较不显著。再一次进行AIC筛选，R2值较高，能够对模型解释42.36%，表明对实际情况有较高的拟合度（如表3所示）。

表3 第二次线性回归筛选后结果

综上，经过两次线性回归筛选之后剩余3个学习行为变量为作业、期中考试成绩和第一次测验成绩。且这3个变量在具有较大R2值即解释度的同时均较为显著。

最后，作模型估计图与Q-Q图（如图2所示）。左图为模型估计图，X轴为模型估计值，Y轴为实际考试，二者大致呈正相关。故，在线学习行为与学习效果之间具有较强的线性相关性，且分布较均匀。右图为Q-Q图，分布也大致在y=x这条直线上。

图2 模型估计图与Q-Q图

二、学习行为对学习效果的影响数据分析

（一）学习行为的单变量分析

作业用于考察学习者对课程知识点的掌握程度，与教学内容紧密相关，有助于学习者回忆、巩固所学知识。期末测验中既包含了平时作业的基础内容，又加入了深化拓展的内容。因此，如果学习者能够认真对待教师日常布置的作业，的确能够取得不错的学习效果。不过，作业也并不是越多越好。从图1来看，曲线前段作业量适中时，学习者的成绩能够随着作业量的增加而显著增加，但是越接近右侧高点拟合曲线越下降，即当作业量超过一定程度时，学习效果反而会减弱。

周周练是对阶段性学习内容的及时检测，能够清晰反映学习者的形成性成绩。总体上，周周练与学习效果呈正相关，说明稳扎稳打复习者对平时阶段性测验内容掌握较好，比期末抱佛脚者更易取得较好的学习效果。三次周周练中，第一次的斜率最大，因为第一次的周周练是在开课五天后进行，反映了学习者对在线学习的适应性以及学习态度的问题。由于周周练的频次太高，对学习者的压力较大，故在试行了一个月后取消了周周练，只布置作业。

期中考试所涉及的知识点、题量与题型均比平时小测完善，较全面地反映了学习者在学习中期的学习成果，对完整的学习效果具有较大的参考值和相关度。并且从二次项拟合的散点图来看，当期中考试成绩处于中低游时，对学习效果的影响并不大，处于上游时，成绩越高其学习效果的提升越明显。

任务点完成度和课程视频进度处于教师的监督与期末考试的硬性要求下，对学习效果几乎不产生影响。除五位学习者外，其他的学习者在这两个方面都取得了满分的好成绩。而且，它们的Y值分别为0和0.002，对学习效果的解释度约等于0。

视频观看时长与学习效果呈负相关，原因在于部分学习者的学习态度不够端正，没有专注于课程视频，而是将电子设备放置一边，导致视频观看时长飙升。也有一些学习者为了获得更高的期末成绩，有意刷分，以至于出现期末成绩不高，视频观看时长却接近1000分钟的现象。而从平均值来看，300分钟左右才是相对真实合理的时长。

总讨论数与讨论获赞数在散点图中表现为与学习效果正相关，但分析发现它们为不显著变量。L教师在该课程中发表讨论19次，回复讨论25，总讨论数为44次。没有学生主动发表讨论，有五人回复讨论的次数为0，讨论回复次数最多的有16次，但大部分是已读、收到这种回复。故，学习者在讨论区的发言不多，且后台仅记录了发帖与回帖的数量，对发帖的质量等因素难以进行更准确的评估，而单凭发帖数难以完全反映学习者对讨论的积极性。此外，大部分学习者没有在讨论区点赞的习惯，为数不多的点赞行为发生在学习者的逗趣打闹中，故出现讨论获赞数大部分为0的情况。

章节学习次数反映学习者对课程的参与度以及投入程度。认真听课是学习者取得优异成绩的基础。章节学习次数多，说明学习者进入平台的次数和温习知识的次数多，学习的积极性也较强，更有机会取得好成绩。

（二）学习行为与学习效果关系的回归分析

在两次多变量回归中，AIC筛选前的变量都不显著，故不是决定性因素。而筛选之后的变量则是强相关的显著变量，即当改变变量的值时，学习效果的改变极有可能发生。对比两次变量回归发现，第二次回归的R2值更高，即能够更好地解释数据，且通过二元变量的引入对第一次回归进行了升级使得拟合效果更好。因此多变量回归分析中以第一次分析为辅，第二次回归分析为主。

1.第一次回归分析。分析AIC筛选后的结果，显著变量中有与学习效果正相关的作业和期中考试，也有与学习效果负相关的视频观看时长。由于作业与期中考试在第二次中仍为显著变量，故具体见第二次回归分析。视频观看时长与学习效果显著负相关表明，视频观看时长越长，学生学习效果越差。后台显示，本课程视频约525分钟，而有些同学的视频观看时长却高达近两倍。学生的挂机行为导致了视频观看时长的不正常，同时也侧面反映了学习者消极的学习态度。仿效美国心理学家迈尔的工作成绩公式得出：学习效果=学习态度×学习能力。在学习能力相同或相似的条件下，学习效果与学习态度之间存在正向比例关系，学习成绩的好坏取决于学习态度是否科学[5]。

2.第二次回归分析。在第二次回归中，得到的回归模型为（处理后的数据加了下标 _）：Y_=0.35383+0.99732Homework-0.15428 Homework_^2+0.41853T1+0.0881exam_^2

由此可以得出：第一，当作业分在50.95742时，预估的期末考试成绩会达到最高，超过这个分数的同学预估的期末考试成绩反而下降。作业分受学生写作业的习惯、态度等因素的影响，例如借鉴优秀学生的作业、网上查询资料也能取得较高的作业分，不喜欢写平时作业的同学作业分也较低。此外，作业未提交平台将自动计为0分，忘记交作业、作业过难、作业量超出其承受能力的同学作业分也较低。第二，如果学生周周练1超过平均分，其期末成绩比不超过平均分的同学估计高5.54分。周周练1为系数高达0.4的显著变量，对学习效果的影响仅次于作业。周周练1的时间是在正式开启线上课程的一周后，能够在初次测试中表现优秀，说明该学生不仅具有较强的在线学习适应能力，能够快速跟上在线学习的节奏，而且具备较强的自主学习能力。第三，如果学生周周练1超过平均分，且作业分在50.95742，则期中成绩须在141.58分才会得到期末成绩100分的估计值，显然不符合实际。于是，以期末成绩为参照，画出第一次回归与第二次回归的直方图，见图3。两次回归模型误差分别为102.3687和101.0216，均在合理范围内。从两个模型中可以直观地发现，模型能够预测出的最高分都不超过90分，在高分段的预测误差均较大。也就是说，目前所掌握的数据只能反映中低段分数同学的信息，高分段学生的努力往往在我们无法统计的地方，比如上课的认真程度、课外知识的获取等。第四，期中考试的成绩越高，对学习效果的影响越大。分析期中考试的考试内容可以发现，其题量和题目内容均能以小见大地反映最终期末测试的成绩。故如果学生能够在学期中段获得较好的成绩，保持状态继续学习，在学期末仍能取得优异的学习成绩。

图3 第一次回归（左）和第二次回归（右）的成绩分布图

三、主要结论

对于SPOC学习者来说，作业、周周练1、期中考试成绩和视频观看时长等在线学习行为与学习效果之间有较强的相关性。其中，前三项学习行为与学习效果正相关，视频观看时长与学习效果负相关。基于作业、周周练1、期中考试成绩和视频观看时长等在线学习行为的分析，能发现并攻克学习难点，有效判别、提高成绩处于中低段的SPOC学习者的学习效果。

（一）作业量适度、获得正向作业批语的学习者学习效果更好

1.适度的作业量、允许作业更新有助于提升自我效能感。作业分不仅体现了学习者对知识点的掌握程度，还在一定程度上反映了其作业完成度，映射了形成性成绩的问题。布置作业能够有效帮助学习者巩固知识，但当作业量超过临界点后，学习者的负担过重，学习效果反而减弱。此外，允许作业更新，向学习者释放允许修改完善的信号，有助于提高学习者的积极性，强化对学习的反思行为。

2.教师正向的作业批语激励学习绩效。由于课程中的常识性问题较多，除去没有提交作业的同学以及无作业批语的同学外，作业批语大部分为“回答正确”和“回答基本正确”，有4.1%的作业批语对超常发挥的学习者大加赞赏，鼓励其继续修改并表示期待修改后的答案，2%的作业批语简明扼要地指出了错误所在。分析后台数据可知，回答正确和赞赏等正向的作业批语使学生的成绩得到明显提升，而指出错误降低了学习绩效。

（二）首次学习成就激励学习信心，期中考试成绩映射学习能力

1.周周练1产生的首次学习成就激励在线学习的信心。对比传统线下学习，网络学习环境要求学习者能够自主管理学习进度，独立制定学习目标等等。平时上网机会少的学习者习惯于这种有纸质教材的、传统的师生面对面的学习方式，疫情期间开展的SPOC对于学习者来说太过突然，事先也没有相配套的教材，往往需要较长的时间才能适应线上学习。在学习之初，甚至有学生在讨论区直言家里没有电脑。如果学习者周周练1的成绩较好，学习者对在线学习的信心会得到显著的提高，进而更主动地参与学习，加快对线上学习的适应性。

2.期中考试成绩映射学习者的学习能力。期中考试成绩体现了学习者对知识的掌握程度，同时也映射了学习者的学习能力，对预测学习者的学习效果具有较大的借鉴意义。

（三）讨论区的参与程度与学习者角色相关

观察讨论区的话题回复数据发现，该课程的讨论区目前还是教师公开给学生答疑的一块区域，学习者在讨论区的参与程度低。一个学期内，回复讨论数最多的学习者仅有16次，包括回答教师发布的常识性问题三次，称赞他人两次以及对教师分享的学习资料表示“已读”意义的回复11次。L教师在该课程中一共发布了19次话题讨论，13名组长回复讨论数的均值为5.1次，大于全班回复讨论的均值3.8次，表明担任组长能够增加学习者参与讨论的机会。且回复讨论数多的学生，其成绩多处于中上游，对教师发表的话题都表示支持的态度。

（四）视频观看时长映射了学习态度和学习能力

观看视频是在线学习行为中最广泛也最基本的学习行为。视频观看时长过长的学习者挂机的可能性极大，映射其学习态度有待加强。该课程共有57个文档和17个教学视频，视频总时长有434.4分钟。各个任务点视频观看时长的众数与视频实际时长相差不大，表明大多数学习者只观看了一遍左右，对SPOC课程的积极性有待提高。随机抽取一个任务点的视频，其时长为36.1分钟，统计得出其视频观看中位数只有18.1分钟。从视频反刍比（视频观看时长除以视频实际时长）可以看出，视频实际时长长的，学习者观看视频的次数多为一次，视频实际时长短的，视频反刍比大，学习者观看频次上升明显。此外，随着视频资源数量的增加，学习者的视频反刍比逐渐下降。

四、建议与反思

（一）教师适度参照在线学习行为分析结果，制定教学决策

适时、正向的作业评语，有效激励并强化学习者正向学习行为的发生。教师可依据作业完成质量、学习进度判断学习者对知识的掌握程度和在线学习的适应程度，加强及时有效的互动，营造学习氛围[6]。发现认真做作业但完成速度慢的学习者，允许其更新作业，并在批改时给出正向的批语，引导学习者找到正确的学习方法。同时适时调整作业的数量和难度，以提高学习积极性。有选择地展示一些学习者的作业和收集分享的资源，满足部分学习者的表现欲望，以榜样示范的方式强化学习信心。增强资源与资源、资源与学习者之间的联系，关联实际生活以丰富学习场景，满足学习者在线学习的需求。面对专业性强的内容，更需要实例辅佐，使专业问题生活化，高难度问题简明化。上传视频资源时说明资源的相关性，指明分享意图，以提问的方式结束，避免好的、收到等没有营养的回复。鼓励学习者在平台相关区域撰写学习随记和生活日志，多途径提高情感支持[7]，有效舒缓学习压力，保持、增强正向学习行为。学习随记和生活日志既可以与学习相关，也可以与生活相关，可以是学习者上课时遇到的问题，也可以是学习者生活中遇到的问题、此时此刻的心情等等。教师通过协助学习者梳理心情、心得，鼓励学习者继续努力。

（二）学习者适时感知学习进展，积极调控学习行为

学习者及时收到正向的作业评语等反馈信息，结合平台中阶段性测试、视频观看时长等可视化展示信息感知学习进展，激励有能力的学习者挑战高难度的学习任务。学习者通过反思阶段性测试如周周练1、期中考试等的结果，结合平时的视频观看时长，分析学习过程中存在的问题，增强元认知能力。同时，有针对性地寻找解决方案，以更好地内化和建构知识，获得更好的学习效果。向身边的榜样学习，有意识地收集、整理学习资源，学会分享与交流，不负教师、同学和自己的期望。教师在平台上公开的肯定，学习伙伴的友好协作，有利于学习者获得成就感，提高学习的专注力和参与度，并愿意持之以恒地付出学习劳动。接受教师、同伴等各方面的学习支持，主动撰写学习随记或生活日志来舒缓学习压力，学会自我调整、适应进而享受学习孤独。对观看视频、完成作业、参与讨论、自我反思等学习行为的调控，有助于提高自主学习能力以及对在线学习的适应性。学习者在不断收获和实践学习小建议的过程中，找到适合自己的学习路径与方法。

（三）平台也需赋能学习过程，强化有效学习行为

设计人性化功能，优化平台，赋能学习的全过程，使学习者能够及时自我调控，为提升学习效果主动做出改变。设计优化平台的查重、禁止复制与粘贴等功能，能够降低学习者相互参考、粘贴网络答案的几率，赋能教师把讨论区打造成交流和讨论的协作学习空间。基于在线学习行为与学习效果的相关性完善学习行为记录与反馈体系，强化学习者的有效学习行为。提高学习者当组长的机会，促进组长在讨论区的参与程度以强化学习者的有效学习行为。组长可由学习者自主推选一名，教师随机抽取一名，组员轮流当选一名。在讨论区中，有价值的问题和回帖能够由组长置顶，设置颜色并分区，学习者的回复能够伴有鼓掌等音效，不断强化学习者的互动讨论等行为，加深情感交流，以降低教学临场感缺失对学习者的影响，提升学习者的活跃度和积极性。

随着在线教育的发展以及信息技术与课程整合的深入，SPOC课程在高校的应用将会越来越频繁，在后疫情时代具有广阔的发展前景。SPOC课程不仅激发了教师的潜能，使教师成长为教学活动的设计者、教学资源的生成者、自主学习的督导者以及学习行为的研究者，而且提高了学习者的主动性，使学习者拥有“私人定制”般的学习体验。将SPOC学习行为进行单变量描述性统计分析，有利于识别在线学习行为的基本特征，发现学习规律。SPOC学习者的学习行为与学习效果的关系研究对SPOC课程的发展、学习者的学习、教师的教学以及高校的发展都具有极大的参考价值，是教师教学设计、学习者自主学习和在线学习平台开发的重要基础。