学习分析技术支持下的教师在线学习行为特征分析
来源:用户上传
作者:荆永君 李昕
关键词：在线学习;学习分析;行为特征
一、引言
2012年MOOCs浪潮的兴起，催生了在线学习的研究热潮。国家大学MOOCs、爱课程、中国大学视频公开课等众多在线学习平台，已经从平台和课程建设到推广应用逐步趋于成熟。在线教育为各类学习者提供了更多、更优秀、更便捷的终身学习途径。2008年开始，教育部组织开展了“中小学教师国家级培训计划”，每年大约有上百万教师参加了网络培训和集中研修，培训效果显著。网络培训具有突破时空限制和资源丰富的优势，但由于参加学习的人员规模大、个体特征复杂，學习行为表现存在着差异性，造成培训组织、教学过程和学习支持服务实施等方面很难满足教师的个性化需求[1]。为了探析教师在线学习行为的群体特征，实施符合教师需求的网络培训，本研究从学习分析的视角，以Y市教师信息技术应用能力远程培训为例，应用统计分析、序列分析、关联规则、社会网络分析等方法，分析教师在线学习平台中产生的行为数据，获得教师在线学习活跃情况、投入时间、行为序列、社会交互四个方面的偏好，进而提出改进教师培训实施模式、学习支持服务、在线学习内容与学习活动设计等方面的建议，为后续实施教师网络培训提供参考，以期提高教师培训效益。
二、研究基础
Siemens认为：学习分析是测量、收集、分析和报告有关学习者的学习行为以及学习环境的数据，以理解和优化学习及其所产生的环境为目的[2]。近几年，在线教育领域关注的重点逐渐从支撑技术和资源建设转向学习活动的主体——学习者，更多地关注学习者的学习行为特征分析、行为建模、学习投入等方面，试图通过对学习者在学习过程中产生的海量数据进行挖掘分析，掌握学习者的在线学习活动及其特点，监测其有效学习的发生[3]。例如，澳大利亚Bakharia和Dawson等人开发的SNAPP系统[4]、美国普渡大学的Signals学习预警系统[5]、英国华威大学的Topolor学习系统[6]以及清华大学的THEOL8.0系统等[7]，运用学习分技术对学习者特征信息和在线学习系统中的数据进行分析，对学习行为和学习绩效进行预测，并根据分析结果实施干预策略，在实际应用中取得了较好的效果。
在学习者学习行为特征分析方面，曹良亮等人研究发现大学生的在线学习参与度较低，并倾向于自主安排学习过程[8][9]。刘智等人利用滞后序列分析法研究发现，SPOC环境下大学生的主要动机是完成作业且比较关注自身在平台中的表现[10]。魏顺平等人研究发现国家开放大学的学生主要利用工作日时间参加在线学习，只关注和考核直接相关的作业和测验，教师是交互中的“领导者”和“中介者”，学习者间交互较弱[11-13]。张红艳研究发现电大的学生每次在线学习时间为50—60分钟左右，网络社区中活跃度较低[14]。张洪玲研究发现网络教育中大多数学习者习惯利用工作空闲时间上网学习，作业完成情况较好但学习活跃率较差[15]。
随着教师网络培训的兴起，研究者开始关注在职教师群体的在线学习行为特征的研究。吴淑苹利用序列模式方法研究发现，教师倾向于“先看课程后完成作业”的学习序列，侧重于基于资源的自主学习方式[16]。Seo研究发现在线学习社区中的大多数教师仍然是“观察者”，缺乏有意义的沟通交流[17]。Vu等人对23个国家的在职语言教师的在线学习行为研究发现，成绩高的教师登录活跃性高，学习工具使用较为频繁和均衡[18]。陈雷通过数据挖掘、频次统计等方法研究发现，教师在线学习以工作日时间为主，平均每次在线学习时间为9—11分钟，学习路径清晰且以视频资源为主[19][20]。刘清堂等人建立参与、专注、规律和交互四个维度的在线学习投入模型，研究发现教师在线学习投入的程度不高，其中参与和交互的情况最为明显[21]。
综上所述，可以看出学习者在线学习行为涉及的数据维度繁多复杂，尚未有统一规范的维度界定，研究者一般都是根据具体研究环境和目标需要，从系统中提取关键的行为特征数据建立在线学习行为分析模型，再采用相应的数据处理技术研究学习者的行为特征。总体来说，学习者的在线学习行为可以应用统计分析、序列分析、关联规则、社会网络分析等方法，从参与情况、专注时间、行为规律、社会交互等维度开展群体特征分析。因此，本研究针对参加任务驱动和小组协作模式的在线学习教师，借鉴已有研究将教师在线学习行为特征总结归纳为学习活跃情况、学习投入时间、学习行为序列、社会交互四个方面，并综合运用学习分析方法全面探析教师在线学习行为的群体特征。并在分析教师的在线学习行为序列中增加了时间维度，不仅分析在线学习过程中学习行为的前后转化关系，还深入分析行为序列的时间分配情况，进而能够更细致地刻画出教师在线学习行为的认知过程和动态特征，延伸学习行为规律分析的深度。
三、研究设计
（一）研究样本
Y市教师信息技术应用能力培训依托省级远程培训平台，根据成人学习理论以任务驱动和小组协作模式，按照学科、学段开展教师在线培训活动。每期学习时间为6—8周，要求教师累计在线学习50小时。本研究共选取了四期培训中的3584名学员作为研究样本，涵盖小学、初中、高中三个学段的28个学科。去除信息丢失或者学习过程不完整的噪声数据后，有效样本共计3319人，有效率92.6%，基本情况如表1所示。
从表1可以看出，大多数为女性教师（80.2%），有将近一半是31—40岁之间的中青年教师（47.8%），51岁以上年龄较大的教师相对较少（0.7%），大多数教师来自于小学、初中、高中，有少部分是各地区教师进修学校的教研员。
从平台中选择、清洗得到样本的课程公告、课程介绍、课程内容、在线测试、课程作业、学习讨论、学习小组和学习评价八个学习工具的使用记录41.3万多条，得到平台访问记录31.5万多条，在线学习讨论记录4.2万多条。
（二）研究问题
本研究主要涉及以下问题：（1）教师在线学习的活跃情况和学习投入时间如何？（2）教师在线学习过程中有哪些典型偏好性的学习行为序列？序列中每个学习工具的持续使用时间是如何分配的？（3）教师在线学习的社会交互情况如何？（4）数据分析反映出教师有哪些在线学习的特征，应该提供何种针对性策略？ （三）研究方法
利用SQL和R语言从培训平台的数据库中收集数据，并对原始数据进行抽取、转换和整合得到样本的分析数据;再应用统计分析、序列分析、关联规则分析、社会网络分析等方法，开展教师在线学习活跃情况、学习投入时间、学习行为序列和社会交互行为分析，并对数据分析结果进行可视化呈现。
四、在线学习行为特征分析
（一）学习活跃情况
1.学习活跃时间
以每天24小时为统计单位，对教师登录平台学习的时间进行分析（如图1所示），以此獲得教师在线学习活跃时间的特点。
从图1可以看出，教师登录平台学习的活跃时间主要集中在工作日期间（星期一至星期五），周末休息日则明显减少。从每天的时间段来看，主要集中在工作时间段内（8点至16点之间），上午上班开始阶段（8点至10点）和中午午休时间段（12点至14点）是教师登录学习的高峰期，晚上与白天相比登录学习次数明显减少。由此可见，大多数教师可能受到家庭事务或者学习环境的限制很少在家中上网学习，而主要是利用在单位工作的空闲时间来完成在线学习任务，这与魏顺平、张洪玲、陈雷等人的研究结论是一致的[22-24]。
2.学习活跃率
学习活跃率是用来衡量学习者参加在线学习的活跃程度[25]。本研究按天计算登录率来表示教师在线学习活跃程度，登录率数值越大代表教师学习积极性越高，反之越低。登录率用每天登录学习的人数除以本期培训教师的总人数来计算。四个培训期次的教师登录学习活跃率分析结果如图2所示。
从图2可知，教师在线学习的活跃率相对稳定，四个培训期次的教师每天登录率平均值为62.35%，表明教师参加在线学习时活跃程度较高。对比发现，第三期培训的教师登录率（41.30%）明显低于其他三期，究其原因是第三期培训的时间安排在教师假期休息时间（6月至8月）导致的。通过学习活跃时间和活跃率的详细数据对比分析发现，教师的学习活跃率与学习活跃时间的变化特征基本符合，即教师在工作日空闲时间参加在线学习的活跃性比休息日高。
此外，根据教师登录学习总次数的频次统计分析结果发现，教师登录学习总次数整体呈正态分布，平均登录学习总次数为95.67次。按照学习周期为6—8周来算，也可以看出教师参加在线学习的积极性很高。
（二）学习投入时间
在教学有效性的研究中，虽然学习时间只代表了学习者学习投入的量而不能有效、准确地反映学习投入的质，但是研究者还是认同可以将学习时间作为影响学习结果的变量[26]。本文选择了教师每次访问在线持续时间和总在线学习时间两个指标来分析教师在线学习投入时间的程度和特点。
1.每次访问在线持续时间
以教师每次访问平台（登录时间）并且发生了学习工具使用行为后再离开平台（登出时间）的两个时间点的时间差作为每次访问在线持续时间。因网络技术的限制，一般网络学习系统很难自动捕获到用户准确的离开时间。因此平台设计了“在线学习时间”提示框和“结束学习”按钮，用来提醒教师在线持续时间和辅助捕获教师离开平台的具体时间。平台共记录31.5万多条教师登录信息，其中捕获到符合每次访问在线持续时间计算要求的有效数据为11.5万多条，虽然只有三分之一的有效数据，但也能一定程度上反映出教师每次访问在线持续时间的规律。教师每次访问在线持续时间的频次统计分析如图3所示。
从图3中可知，在线持续时间越长，出现的频次越少。每次访问在线持续时间在5分钟之内的频次特别高，5分钟之后大幅度下降，其他时间段下降趋势较为平缓，65分钟出现一个小波峰。后文将结合教师在线学习行为序列分析再深入探讨这种短时（5分钟以内）和长时（65分钟）的在线学习现象。
2.总在线学习时间
总在线学习时间界定为教师在学习平台里停留的时间总和，其人数频次统计分析如图4所示。
培训方案中规定教师的总在线学习时间要达到50小时（3000分钟），由图4可知，有四分之三的教师能够达到规定的学习时间要求，其中大部分教师甚至超过很多，表明大多数教师能够保证在线学习投入的总时间。但也存在学习投入时间严重不足（少于规定时间的一半）和投入过量（超出规定时间的1.5倍以上）的现象，这两部分教师群体不容忽视，需要课程管理者引起注意。
（三）学习行为序列
学习行为序列能准确地反映学习者的学习行为轨迹、学习习惯和认知过程[27]。本研究的学习行为序列是指教师在线学习过程中使用平台提供的学习工具的序列，即将教师每次访问在线持续时间（登录和登出平台时间）内发生的学习工具使用行为视为一次有效的学习行为序列。这种学习行为序列不仅包括使用学习工具的时间顺序，还包括每个学习工具使用的持续时间。这种机制不仅能够准确地反映教师的学习路径，还能从时间维度上细致地刻画教师在使用学习工具时投入的精力。这有利于掌握教师整个在线学习活动过程的特点，帮助课程管理者监测教师的学习习惯和认知过程，为实施个性化学习路径推荐和学习安排提供依据，还可以针对问题学习行为实施相应的教学干预。
1.学习行为序列步长分析
学习行为序列中的学习工具数量称之为步长，按照步长可以将学习行为序列划分为一阶、二阶、三阶、四阶等。为了简化序列计算过程，把在一个学习行为序列中连续出现多次的工具使用行为进行合并。例如，“课程内容→课程作业→课程作业→学习评价”序列，简化为“课程内容→课程作业→学习评价”。对平台中11.5万多条有效的学习行为序列按照步长进行统计分析如图5所示。
从图5可知，教师的在线学习行为序列主要以二阶为主，其次是一阶、三阶和四阶，其他步长的序列出现频率较低。这表明教师每次在线学习时目的性较强，学习活动倾向于简单的方式，每次登录平台主要使用1—4个学习工具便结束学习活动，很少产生复杂的、数量过多的学习工具使用情况。 2.频繁学习行为序列分析
频繁学习行为序列分析就是要在产生的所有学习行为序列中找出学习者偏爱的序列模式，这些模式在一定程度上能够反映出教师在线学习活动的特点。为了更深层次地了解教师的学习行为序列时间投入程度和分配情况，在序列频次统计的基础上增加了整个序列持续时间和序列中每个学习工具使用持续时间的分析。
平台中共有八个学习工具，多阶学习行为序列组合情况较多，形成的序列模式较为复杂，因此利用滞后序列分析软件GSEQ的多维分析功能分别对出现频次较高的二阶、三阶、四阶学习行为进行序列提取[28][29]，獲得每个学习行为序列出现的频率、序列持续时间和时间分配情况;再利用R语言进行关联规则提取。在关联规则提取过程中，为了获得较好的提取结果，通过多次调整（四阶序列没有获得有效结果），设定一阶序列的最小支持度和最小置信度为0.4，二阶序列的最小支持度为0.06、最小置信度为0.2，三阶序列的最小支持度为0.03、最小置信度为0.35。最后共获得16个教师在线频繁学习行为序列，如表2所示。
从表2可知，所有的频繁学习行为序列都是由“学习评价”“课程内容”“课程作业”“学习讨论”4个学习工具组成。在16个频繁学习行为序列中一阶序列有4个、二阶序列有6个、三阶序列有6个。在所有序列中“学习评价”的支持度最高，平均持续时间最短，约5分钟。结合前文的教师每次登录在线持续时间分析可以看出，在3万多次的短时（5分钟）在线学习行为中，有近三分之一是教师访问“学习评价”工具产生的。这充分反映了教师在线学习时非常关注自己是否完成了评价考核的要求，非常重视自己取得的成绩，所以会经常登录学习平台只查看“学习评价”中的评价信息后便离开。
一阶学习行为序列中“课程内容”的平均持续时间最长，将近30分钟。“课程作业”和“学习讨论”的持续时间相差不多，在8—10分钟左右。
二阶和三阶学习行为序列中以“学习评价”和“课程内容”作为起始学习工具为主。这反映出教师在线学习具有“绩效导向”和“内容导向”两种倾向，并且以“绩效导向”为主。“绩效导向”倾向的教师群体进入学习系统后先关注学习评价中的考核要素和要求，然后去完成相应的学习任务。而“内容导向”倾向的教师群体是先进行课程内容学习，在掌握了知识后再去完成学习评价中的要求。
总体来看，随着序列步长的增加，频繁序列出现的频率逐渐减低，序列持续的时间逐渐增加。所有存在“课程内容”的学习行为序列的持续时间基本都在30分钟以上，并且“课程内容”持续时间占了整个序列的大部分时间。结合具体的培训课程内容分析发现，教师在线学习课程内容时间基本与培训初期设计的学习时间要求吻合，表明教师能够投入充足的时间来学习课程内容而非碎片化的方式，对课程内容的学习非常重视且具有一定的持久性和完整性。
（四）社会交互行为
在学习讨论中，课程管理者结合课程内容和教育实践中常见的热点问题，精心预设了一些研讨主题，分为小组讨论和个人讨论两种形式并在学习评价中对学习讨论设置了考核标准和要求。
下面以“一期小学语文114班”为例，利用社会网络分析法详细分析教师在线学习的社会交互行为[30]。该班共43名在线学习教师，划分为六个学习小组且每个小组设一位组长（编号为6055、6057、6069、6074、6076、6078），配有一名课程管理者（编号为97）。利用Ucinet计算获得整体网络密度为0.116，标准差为0.320，连接数为739个，平均度为16.80，网络结构如图6所示。
从图6可以看出，存在四个孤立节点，表明班级中有四位教师与任何人都没有发生交互。更为突出的是大多数教师只是与课程管理者产生单向连接，而与小组组长和其他成员没有连接，这表明大部分教师只参与了课程管理者发布的讨论主题，却没有得到课程管理者的回复;并且与其他人也没有任何互动，成为了学习讨论群组中的“失落者”和“观察者”。
对个体属性的点中心度分析发现，有两位小组组长（编号6069和6055）的出度值和入度值都非常高，表明他们在学习讨论中能够充分发挥自身影响力，并积极与其他人互动交流，能够成为群组的核心成员和意见领袖。而另外四位小组组长的表现相对差些，没有起到较好的作用。此外，也有个别普通角色的教师（编号6052、6085、6087等）在学习讨论时表现出了较高的活跃性和较大的影响力，并能够与其他组外成员发生交互起到桥梁作用。
从四个培训期次的共97个班级的学习讨论中的社会交互总体分析来看，班级的平均节点数为34、平均连接数为433、平均密度为0.091、平均度为12.65。虽然教师访问学习讨论工具的次数较多，在群组内产生的连接数也较多，但大部分都是教师单向连接课程管理者，而教师的组间互动和组内的深层互动（互相回复3次以上）都较少发生。
五、研究结论与不足
（一）结论
在线学习行为具有复杂性、时序性及动态性，本文研究发现教师在线学习行为存在以下典型群体特征：
1.在线学习活跃性较高。教师能够积极访问在线学习平台，并倾向于利用在单位的工作空闲时间参加在线学习活动，工作空闲时间的学习活跃程度远高于晚上、周末、假期等休息时间。
2.在线学习时间投入充足。教师每次登录在线学习时具有一定的持久性，尤其是每次能够投入足够的时间完成课程内容的学习，并能够达到培训方案中规定的总在线学习时间要求。
3.在线学习目的性较强，行为活动方式简单。教师在线学习行为序列具有明显的“绩效导向”和“内容导向”两种倾向，且“绩效导向”的行为序列特征更为明显。喜欢简单的在线学习活动方式，每次习惯使用2—3个学习工具，主要是由“学习评价”“课程内容”“课程作业”“学习讨论”4个学习工具组成。
4.社会交互情况不够理想。虽然教师能够在课程管理者预设研讨主题的引领下，积极参与讨论，但课程管理者对教师的回复不够充分，教师也很少发起研讨的主题。学习小组组内成员间互动比组间互动频繁，但缺少深层次、有意的交互。大多数教师在学习讨论表现不积极，整体社会交互程度低。 （二）启示
1.实施在线学习与线下集中研讨相结合的混合式培训
穆尔曾提出使用特别的教学技术可以有效解决远程教育中的互动距离问题，但在近期的相关研究表明，教师在线交互的应用没有得到理想的效果[31]。2013年《中国教育报》发表的基于六省市教师远程培训调研报告也指出：八成教师渴望组织线下交流[32]。因此，教师在线学习时，课程管理者不仅要积极对教师的留言进行回复和指导，还要引导教师之间形成“发帖—回复—再回复”的良性循环。并采用线上学习与线下集中研讨有机结合的混合式培训，这样既能充分发挥在线学习的优势，又能有效解决教师线上交互程度不高的问题。
2.培训安排与支持服务应遵循教师在线学习的时间规律
在线学习虽然具有突破时间、空间的优势，但是从教师在线学习活跃规律可以看出，大多数教师更倾向于利用在单位的工作空闲时间参加在线学习活动。这种工学矛盾势必在一定程度上会影响教师在线学习效果。为了减轻教师参加培训带来的负担，建议培训组织部门应遵循教师在线学习的时间规律，合理安排培训日程，适度设置每天的学习任务，并有针对性地提供在线支持服务和平台运行保障时间。教师所在学校要对参加培训教师给予政策性照顾，适当减少其参加培训期间的在校工作安排，保障教师能够有更多的空闲时间完成在线学习，促进在线学习投入，提高在线学习效果。＼
3.内容和活动设计需符合教师在线学习认知规律在线学习课程内容和学习活动设计粒度大小要适当，完成每节课内容和任务所需的在线学习时间尽量控制在30—50分钟左右，学习活动设计要符合教师在线学习的“绩效导向”和“内容导向”特点。优化平台的功能和结构，适当调整甚至取消不经常使用的工具，简化教师学习活动使用的学习工具组合，以2—3阶学习工具序列为主，减少教师在线学习的认知负荷。
4.提供有效的技术脚手架和干预机制
通过进度条、仪表盘、电子徽章等数据可视化的形式，将教师的在线学习活跃情况、学习投入时间、学习行为序列和社会交互行为等数据及时、准确地呈现出来。方便在线学习教师自我诊断和调整学习行为，引导其有效地参与在线学习活动;还能够让其了解学习伙伴的学习投入、学习路径和学习进度，激励自己并促进在线学习投入;还便于课程管理者及时掌握教师的在线學习情况，对存在学习积极性不高、时间投入不足和学习行为混乱等问题的教师，实施恰当的、有效的教学决策和教学干预，提高教师的在线学习质量。
（三）研究不足
在线学习行为特征分析是对学习者过去产生数据的描述和解释，是学习分析的基础和前提。受实践条件限制，本研究只分析了教师在线学习过程中的登录信息、学习时间、学习工具使用和社会交互等外显性行为，而缺少交互、作业等方面的内容分析和语义分析，以及深层次认知、情感等内隐性行为的分析，这些行为的收集与分析将能更全面、更准确地刻画出在线学习教师的画像。此外，还可以进一步研究教师在线学习行为特征在人口学方面的差异性，学习行为与学习效果的关系，以及预测其未来学习时可能出现的问题行为、学习投入不足以及行为干预策略等问题。
转载注明来源:https://www.xzbu.com/1/view-15138631.htm
