张淑莲,乔海英，[美]唐·哈默利

(1.河北开放大学 教学支持部，河北 石家庄 050080；2.多米尼克大学 信息技术学院，美国芝加哥)

在线学习由于时空灵活、学习门槛较低、教学资源丰富，已经成为一种典型的教育形式。尤其是新冠肺炎疫情以来，其应用更加广泛。但由于教师与学生时空隔离，难以准确把握学生的学习状态，而利用学习分析技术研究在线学习行为及其影响因素，能够准确把握学生学习情况，能够使教学政策制定以及教学策略设计更加精准。《地平线报告:2012年高等教育版》指出，学习分析技术是对学生生成的海量数据的解释和分析，用来评估学生的学习进展，预测未来的表现，并发现潜在的问题。国家开放大学是国内规模最大的公立远程教育体系，实行“省级统筹、分级办学”管理体制，主体教学采用在线形式，利用教学与管理一体化学习平台，按照MPOC(Massive Private Online Course)教学理念实施整个教学过程，形成了大量的E-Learning数据。分析国家开放大学在线教学数据，研究学生在线学习行为特征及其影响因素，能够探求提升在线学习质量的方法路径，为大数据视角下在线教育决策者提供策略参考。

一、学习行为分析综述

伴随在线课程的发展，在线学习者数量大规模增加，在线学习行为分析成为教育信息化的新热点。目前，针对大规模在线课程的学习行为分析主要集中在两个方面：一是通过采集平台数据及问卷调查进行学习者行为数据分析，探究影响学习效果的因素，为教育决策者提供思路。例如，姜强等基于某一门 MOOC 课程学习者的问卷调查数据，对 MOOC 低完课率背景下设计质量的有效规范问题进行研究[1]；贺超凯等选择EDX平台上16门课程60余万人次学习行为记录，采用逻辑斯谛回归方法对成绩进行预测，通过学习者的典型学习行为分析判别其是否可以完成学习任务并获得证书[2]。二是基于平台课程数据建立分析模型进行实证考查，分析学习环节中存在的问题，对平台课程建设及后期研究提供指导方向。例如，王雪宇等以国防科技大学学习平台课程数据为研究样本，通过多元线性回归和神经网络两种模型，对辍课率进行了预测，为解决辍课问题提供了很好的解决途径[3]；方旭建立了 MOOC 学习行为影响因素模型，分析影响学习行为的主观因素与学习效果之间的关系，并提出MOOC建设建议[4];宗阳等提出了ML-RFT模型，将MOOC学习者进行自动化分类，为教育机构的个性化学习干预提供可能[5]。

关于在线学习行为的研究大部分针对的是MOOC，但近几年发现其在教学设计、教学交互、学习支持服务等方面突显不足，教学效果欠佳。郭文革指出MOOC未来的发展方向很可能是MPOC教学模式[6]。MPOC是指大规模私有在线课程，它强调大规模与付费性，成千上万的学习者付费后，获得在线资源与线上线下相结合的学习支持服务。MPOC与MOOC相比有两个显著特点：第一，更加注重教学团队的支持服务体系；第二，按照一定原则分配多个在线课堂。目前关于MPOC的研究内容主要涉及教学设计、学习活动、质量保障机制、资源建设等方面。例如，石磊等针对国家开放大学MPOC课程，采用描述性和相关性分析方法，研究了课程建设、教学服务、管理机制三方面对在线学习的影响[7]，相关文献均为本研究提供了一定思路。

二、研究设计

S省开放大学作为国家开放大学办学体系的组成部分，实行省、市、县三级办学，针对该省高等学历继续教育学生开设在线课程。以课程为单元按地域进行划分，各级办学机构及教师按职能分工，组建教学团队为学生提供学习支持服务，系统协作开展在线教学，除了具有在线学习的泛在化，更具有管理系统化、教学团队化等优势。教学平台除提供学生学习行为数据外，还分别以办学机构与课程两个视角提供教学与管理行为数据，包含教学管理和教师教学两个方面。

本研究首先利用平台中学生学习行为数据，采用描述性统计分析学生在线学习特征。在此基础上，以技术接受模型(Technology Accept Model,TAM)为理论支撑，从办学机构与课程两个维度，研究教学管理、教师教学行为与学生学习行为之间是否存在关联性，以及具体哪些指标对学习行为产生关键影响。

(一)研究假设

TAM作为专门研究用户对信息系统接受的模型，强调信息系统中外部环境变量通过感知易用性和感知有用性对个体行为态度和决策意愿存在影响[8]。本研究针对不同学习行为特征，将教学管理、教师教学两个维度的指标作为外部环境变量，分析不同办学机构、课程类别下的教学管理行为与教师教学行为，探求影响学生学习行为的关键因素。提出如下假设：

H1：学生学习行为与教学管理行为、教师教学行为呈正相关。

H2：办学机构显著影响学生学习行为。

H3：课程类别显著影响学生学习行为。

(二)研究样本

将S省开放大学2021年春季学期的教学数据作为研究样本，收集5个模块的数据 (见表1)。

为保障研究数据的科学性，对原始数据进行如下预处理：一是剔除字段信息不全的数据；二是筛选学生行为数据与课程行为数据，以保持研究对象的一致性；三是剔除选课数为11-29门的学生数据，此类选课数偏大且人数占比很小(约为0.028%)，数据不具有代表性。预处理后的学生学习行为数据为106 323条，对应的学生课程行为数据为498 214条。

表1 S省开放大学2021年春季学期教学数据采集信息表

(三)研究方法

本研究采用“数据收集—数据处理—数据分析—数据反思”研究模式，主要应用SPSS数据分析工具，采用频次分布分析在线学习行为；采用访谈法了解学生的学习目的；采用方差分析检验各办学机构的在线学习行为的差异性，再进一步利用相关分析探索差异原因；采用聚类分析将课程分类，分析不同类别课程在线学习行为具有差异的原因。定性与定量相结合深入挖掘数据的分布情况及各数据之间的关系，探究学生在线学习行为特征及影响因素。

三、研究过程与讨论

(一)学生在线学习行为分析

整理汇总S省开放大学Moodle学习平台上的学生学习行为数据，包含6个指标：学习平台在线天数(平台上线天数)、学习行为总数(平台课程产生的行为总数)、完成在线形成性考核课程数(平台中有成绩的课程数)、在线形考及格课程数(平台中有形考成绩且成绩不低于60分的课程数)、发贴数与回帖数(在课程中发贴数与回复其他人帖数)。

1.学生在线学习周数与学习行为总数

按照开放大学教学安排，除去学生注册、复习考试阶段，在线课程学习时间大约为10周，以在线学习周数对学生人数、人均学习行为数进行分类汇总，发现随着学习周数的增加，学生人数逐渐减少：92.57%的学生在线学习周数在4周以内；在线为1周的人数最多，约占41.57%，通过进一步访谈发现,这类学生在线目的主要是为了完成计分的教学活动、练习测试等在线作业。随着学习周数的增加，人均学习行为数逐渐增加：在线1周的人均行为总数为628.74次；在线8周以上的人均行为总数达到6 077.19次。进一步分析在线学习周数与学生人数、人均行为数的关系(见图1)发现，学生人数与人均行为数走势相反，在线学习达到5周的学生具有积极的学习愿望与较好的学习能力，他们除了关注计分的在线作业外，还参与课程讨论、资源学习等活动。

图1 在线周数与学生人数、人均行为数的关系

2.学生社会性交互情况

社会性交互包括师生交互和生生交互，主要发生在课程讨论区内。研究采用发贴数与回帖数两个指标表示社会性交互情况。统计数据显示:48.60%的学生有发帖行为，发贴数分布在1-370之间。从发帖数的具体分布来看，随着发帖数的增加，学生人数逐步减少。在发帖学生中，发帖数在10个以内的人数占71.19%，其中发帖数为1-2个的人数最多，占32.16%；发帖数在30-370个之间的学生仅占9.14%；仅有10.03%的学生有回帖行为，回帖数分布在1-187之间。随着回帖数的增加，学生人数逐渐减少，其中回帖数为1个的人数最多，占43.34%；回帖数为11个以上的仅占11.39%。

3.学生在线考核情况

开放大学在线课程考核一般有形成性考核(以下简称形考)与终结性考核(以下简称终考)两种形式。终考一般安排在期末线下集中进行。形考要求期中完成，大部分课程在学习平台上设置考核内容，一般采用作业、案例分析、主题交流等方式。完成在线形考课程数、在线形考及格课程数两个指标可以反映学生完成形考情况，在线形考及格课程比例(在线形考及格课程数/完成在线形考课程数)能够体现学生考核结果，可以作为反映学生学习效果的指标，该比例数值为100%的学生人数约占总人数的67.07%,说明学生普遍重视课程考核。

开放大学在线教育各专业学习课程数一般为18门，分5个学期安排。不同选课门数的学生人数呈正态分布，学期选课4-7门的学生比例最大。完成在线形考课程的学生人数呈右偏态分布，选课数为3门和4门的学生最多，占总人数的38.71%；其次为2门和5门，学生人数占比为30.88%。与不同选课门数的学生人数分布相比，完成在线形考课程数分布的偏态系数大于0，众数位于均值的左边，即完成在线形考课程数整体上比选课门数偏少。从选课门数与选课人数、完成在线形考人数、在线形考及格人数的关系(见图2)反映出，选课门数约为6时，完成在线形考人数、在线形考及格人数与选课人数差距最大。选课门数为6门以上的学生完成在线形考的能力大幅减弱，在线形考及格课程数随之减少。

(二)在线学习行为的影响因素分析

1.基于办学机构的视角分析在线学习行为的影响因素

整合15个办学机构(包括13个市级开放大学和2个直属办学机构)的相关数据进行具体分析，其中教学管理数据包括学生上线比例、教师登录平台人数、教师上线比例、学生学习网选课率、班级辅导教师配置率；教师教学行为数据包括教师登录平台人均次数、教师登录平台人均天数、教师人均行为总数、教师人均评阅形考数、教师人均发帖数、教师人均回帖数。

图2 选课门数与相关指标的关系

由于学习平台数据库的局限性，选择在线形考及格课程比例作为学生学习行为指标，对15个办学机构进行方差分析，结果显示相伴概率为0，即各办学机构的学习行为具有显著性差异。为了更好地提供教学管理策略，对在线形考及格课程比例与办学机构各数据进行双变量的Pearson相关分析，进一步探索差异性原因。结果显示，显著性水平为0.05时，在线形考及格课程比例与教师登录平台人数、班级辅导教师配置率、教师登录平台人均次数、教师登录平台人均天数、教师人均行为总数、教师人均回帖数具有显著相关性。根据Pearson相关系数大小，具有强相关性的指标(r>0.7)为教师登录平台人均次数、教师登录平台人均天数；具有中度相关性的指标(0.4

在15个办学机构中，Q市开放大学(学生人数位居全省第六)和B市开放大学(学生人数位居全省第一)的在线形考及格课程比例较高，分别为93%、90%，与其显著相关的6个指标的数值也均处于较高水平。按照相关程度从高到低，两个区域的主要指标值为：教师人均登录平台天数20天以上，教师人均登录平台次数200次以上，教师登录平台人数188人以上，班级辅导教师配置率74%以上，教师人均回帖数8.8个以上；教师人均行为总数1 792次以上。

2.基于课程的视角分析在线学习行为的影响因素

以在线课程为统计单位，可以得到学生人均在线天数、学生人均行为总数、学生人均帖子数等学生学习行为数据，生师比、课程形考题目数等教学管理数据和教师人均行为总数、教师人均登录平台天数、教师人均帖子数等教师教学行为数据。为使结果更具有科学性与参考价值，筛选出选课人数为30人及以上的574门课程作为研究对象。

首先，对课程的学习行为数据采用K平均值法进行聚类分析，聚类方差分析F值的相伴概率全部为0.00，说明聚类效果良好。按照中心值从高到低依次得到5个聚类，分别记为E、D、C、B、A。然后，将教学管理与教师行为数据作为可控变量，分析它们在5个不同聚类之间的变化趋势。由于5个可控变量的数值大小水平差距较大，故先采用Z-SCORE方法将其进行标准化处理，再利用标准化数据得到可控变量均值在不同聚类的变化趋势。结果显示：课程形考题目数、教师人均行为总数、教师人均登录平台天数与各聚类中心值呈正向关系，且变化速率较大，即对学生学习行为数据影响较大；生师比与各聚类中心值呈负向关系，变化速率相对较小，对学生学习行为数据影响也较小；教师人均帖子数略有变化，整体数值基本一致，对学习行为数据的影响可以忽略。

课程中学生行为数据较高的聚类D与聚类E共包含74门课程，通过进一步分析，发现其中的72门课程均为核心课程，即除了学习平台自动组成的国家开放大学体系内四级教师团队外，还专门组建了课程网络教学团队，以课程为单位构建了教师团队的扁平化管理体系，建立了各级教师之间线上线下的沟通渠道，增加了体系内各级教师之间的交流与共享，教师教学更加积极主动，教学行为数据处于较高水平。

四、研究结论与建议

基于上述关于学生在线学习行为特征及其影响因素的分析，提出以下结论和建议：

(一)学生在线学习行为特征

第一，学生在线行为总数保持一定水平，但在线时间总体偏少。

从在线时间看，在线1周的学生人数最多，且近93%的学生投入时间在4周以内。相反，学生人均行为总数保持一定数值，在线1周的最低，但仍为600多次，在线4周的达到了3 000多次，最高的人均行为次数甚至达到6 000多次。进一步的分析结果表明：学生在线目的主要是课程考核，即在线时间主要投入在课程计分作业与计分学习活动等方面；在线周数能够达到5周的学生除了关注考核外，在线自主学习的主动性有显著提升，全面提升知识水平的意愿更强。

第二，具有一定的社会性交互，但交互数量较少、层次较低。

关于社会性交互，有近50%的学生有发帖行为，其中发帖数在10个以内的学生约占70%；仅有10%的学生有回帖行为，其中回帖数在10个以内的学生约占89%。表明学生有一定的在线交互行为，且有效地促进了学习目标的达成，但总体数量偏少。发帖数远远大于回帖数，说明学生发帖目的主要是表达自己的观点或者咨询相关事宜。通过对辅导教师的访谈、发帖内容的查询与归类，了解到学生发帖内容主要集中在询问学习方法、考核要求及考核方式等方面，而关于课程知识点讨论的帖子相对占比很小。教学交互层次塔理论认为,交互不够深入，交互水平则不会提高[9]。因此，教师需要作好学习设计与引导，提升交互数量与交互层次，促进有效学习的发生。

第三，学生注重课程考核，选课数量对学习效果有所影响。

学生每学期完成在线形考课程数集中在3-4门，而且近70%学生的在线形考及格课程比例可以达到100%，说明大部分学生以完成课程考核作为主要任务，学习效果能够达到预期目标。学期选课数对课程形考完成情况有所影响，每学期选课数量不超过6门较为适宜，选课数量过多，则完成全部课程考核的能力减弱。

(二)在线学习行为影响因素

基于办学机构与课程两个维度的分析，验证了学生学习行为与教学管理行为、教师教学行为呈正相关。

一方面，不同办学机构的在线学习行为具有显著性差异，教师教学行为是最大的影响因素。不同办学机构学生的在线学习行为差异性显著，表征办学机构教学管理、教师教学行为的指标与学生在线学习行为的相关程度有所不同，从相关指标的数量、关系强弱发现，教师教学行为数据对学生学习行为影响较大。对于办学机构来讲，尽管学生数量增加可能造成管理难度的增大，只要有效保障教学管理与教师在线行为，则可以提升学生有效学习行为水平。

另一方面，不同类别课程的在线学习行为具有显著性差异，教师教学行为仍是最大的影响因素，核心课程的学习行为水平较高。通过分析不同课程类别中教学管理、教师行为数据的变化，发现影响学生课程行为较大的因素有课程形考题目数、教师人均行为总数、教师人均登录平台天数。相对而言，生师比的影响较小。学生行为数据最高的两类课程中约97%为核心课程，均组建了开放大学体系内协同教学的网络教学团队，其对应的教学管理与教师行为数据在所有课程中都处于较高水平。

(三)教学与教学管理策略

通过对在线学习行为数据多角度的挖掘分析，发现其主要影响因素是教师教学行为。教师教学行为是教师在整个教学过程中体现出来的各种显性和隐性的行为总体[10]。提高在线学习质量，需要教师针对学生在线学习行为特点，从建学、促学、导学等方面提高教学行为的有效性，同时，MPOC教学模式需要体系内各级教师各司其职、协同教学，各级办学机构要注重完善教师管理、教学督导等规章制度，做好教学统筹与教学过程管理。

1.教师教学方面

第一，优化在线课程设计，提升教学水平。针对学生注重课程考核的特点，将课程的教学目标、教学大纲、考核内容进行三位一体设计。第二，开放大学各级教师协同为学生提供在线学习支持服务，加强导学和促学。辅导教师要加强在线学习引导，使学生在线学习能够达到5周以上，同时要积极引导学生充分利用课程资源；班主任要做好学生选课的引导工作，为达到较好的考核水平，建议每学期选课数量不超过6门；辅导教师与班主任要合力配合提升交互层次，辅导教师针对在线学习特点，在讨论区合理设计学习活动，构建虚拟班级，组建学习小组，营造学习氛围，吸引学生参与深度交互。班主任做好线下教学指导工作，上好开学第一课，减少学生关于学习方式、考核方式等各种无关课程学习内容的疑惑，使学生将更多的在线时间投入到课程内容学习上。第三，落实分级管理责任制，关注学生学习行为。开放大学体系内各层级教师要按照各自职责任务，根据在线教学方案与教学进度，采用实时与非实时相结合、线上与线下相结合等形式，保障在线教学秩序。

2.基层办学机构的教学管理方面

第一，对在线辅导教师的管理。提升班级辅导教师的配置率，确保辅导教师数量满足学生在线学习需要；规范辅导教师的在线教学行为，将教师在线时长、教师辅导教学次数、教师发帖与回帖等方面列入辅导教师职责，保障在线教学过程的有效落实。第二，对教学点班主任的管理。基层教学点班主任与学生的距离最近，为学生提供线下支持服务最便利，要加强线下学生管理服务，使其与在线教学相配合，协同提升学生在线学习效果。第三，对教师的培养。MPOC教学模式设计合理，适合目前国家开放大学办学特点，但由于一些教师对在线教育理念理解不到位、信息化教学技术应用不熟练，教学效果达不到预期，因此需要根据工作任务有针对性地对各级教师进行培训，合理利用奖励措施，激发教师对在线教育的改革与创新，提升开放大学体系内教师整体在线教学水平。

3.网络教学团队建设方面

由于国家开放大学体系实行分层级管理的制度，各级教师联系不紧密，团队协作教学优势难以充分发挥。建立以课程为单元的网络教学团队，实现体系内各级教师的扁平化管理，采用团队负责人负责制，各级教师之间直接沟通，从而清晰把脉在线教学症结，精准定位在线课程改革要点，更有利于提升在线学习支持服务水平。同时，需要深入研究课程网络教学团队的有效运行机制、绩效评价、教师角色与职责等急需解决的关键问题，在系统中重构资源整合、团队融合、职能配合、任务分责的跨层级跨区域的新型关系结构，充分发挥网络教学团队的优势，全面提升在线学习质量。