基于SPOC视频学习数据的学习行为特征分析方法

来源:用户上传      作者:

　　摘  要： 在基于小规模限制性在线课程（Small Private Online Course，SPOC）平台的学习过程中，教育数据为学习分析提供了依据。为了帮助教师改进教学策略，帮助学生改进学习效果，本文提出了一种综合考虑学生分类和视频学习时间的学习行为分析方法，旨在发现学生潜在的学习现象，并根据该现象对不同类型学生的学习行为之间的相似性和差异性进行分析和总结，发现不同类型学生的学习习惯以及影响学生学习效果的时间因素。通过案例分析表明，该方法可以为教师教学和学生学习提供反馈，辅助学生的自我调节学习和教师的个性化教学。
　　关键词： SPOC;学生分类;个性化;学习时间;学习行为特征分析
　　中图分类号： G434   文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.018
　　【Abstract】： In the learning process based on Small Private Online Course （SPOC） platform， education data provides a basis for learning analysis. In order to help teachers improve teaching strategies and help students improve their learning effects， we propose a learning behavior analysis method， which comprehensively considers student classification and video learning time. The method aims to discover students' potential learning phenomena， analyze and summarize the similarities and differences between learning behaviors of different types of students according to this phenomenon. Thus， the method can help teachers find out learning habits of different types of students and the time factors that affect students' learning effect. The case analysis shows that the proposed method can provide feedback for teachers' teaching and students' learning， and it can assist students' self-regulated learning and teachers' personalized teaching.
　　【Key words】： SPOC; Student classification; Personalization; Learning time; Learning behavior characteristics analysis
　　0  引言
　　隨着计算机技术和互联网技术的发展，在线学习平台应运而生，在线学习也变得普及。小规模限制性在线课程（Small Private Online Course，SPOC）和翻转课堂[1-3]相结合的教学模式带动了个性化教育的发展。SPOC学习平台中记录了大量的学生视
　　频学习数据，为进行学习分析提供了依据。
　　目前有很多研究对学生的视频学习数据进行分析，发现影响学生学习的因素，预测学习结果，并提供反馈和干预。然而，现有研究所分析的影响学习的因素不够细化，集中在“登录时间”、“在线时长”、“观看次数”等粒度较粗的因素，没有从细粒度的因素去分析视频学习行为。同时，多数研究都将所有学生作为一个共同群体来研究，没有对不同类型的学生进行分类研究。本文提出了基于学生分类和学习时间组合的学习行为分析方法。首先，为了对学生学习行为进行个性化分析，发现不同类型学生在学习行为上的相似性与差异性，基于学习成绩对学生进行分类。然后，为了发现潜在的学生学习行为影响因素，本文提出了学习时间组合，对多个学习时间因素进行组合，并基于学习时间组合，对不同类型学生的视频学习数据进行分类统计。最后，分析不同类型学生在不同学习时间组合因素下的视频学习数据，发现学生学习规律，以及影响学生学习的因素，并对教师和学生进行反馈，从而辅助教师改进教学策略，为学生的自我调节学习提供帮助，从而实现教师的个性化教学和学生的个性化学习。
　　1  研究现状
　　当前基于真实学习数据对学生学习行为分析的工作主要有如下2类工作。
　　第一类工作基于学习数据，探究影响学生学习结果的学习行为，确立学习评价指标，建立预测模型，对学生学习行为进行动态预测，并提供教学反馈[4-15]。该类工作的重点在于预测，与本研究关系不大。
　　第二类工作基于学习数据，对学生学习行为进行分析与对比，发现潜在的规律，为促进教学策略改进和学生学习提供依据[16-23]。该类工作基于粗粒度的影响因素分析学生学习行为，不能发现一些潜在的学习影响因素，例如，学生在不同学习阶段对学习时间的利用方式存在不同。
　　综上，已有工作更加注重学习影响因素的多样性，没有对影响因素进行细化。同时，已有工作很少基于学生分类、学生聚类对学习数据进行个性化分析。本文将基于学生分类和细粒度的学习影响因素，对学生学习行为进行个性化分析，发现潜在的学习规律。 　　2  学习行为分析方法
　　2.1  方法框架
　　视频学习行为特征分析方法的整体框架如图1所示。本方法首先基于成绩对学生进行分类，并且基于时间因素对视频学习数据进行分析;然后将每种类型学生的视频学习数据进行分类统计，并可视化呈现;然后，对视频学习数据进行分析，发现不同类型学生在学习行为上的共同点和不同点;最后，找出影响学生学习的因素并进行个性化反馈，帮助学生实现自我调节学习，同时帮助教师改进教学策略。
　　（1）学生分类
　　为了对不同学习水平的学生学习行为进行个性化分析，本方法基于学习成绩对学生进行分类。实际中既可以基于成绩分数范围进行分类，也可以基于成绩名次范围进行分类。
　　（2）基于学习时间的视频学习数据分析
　　不同类型的学生在相同的时间范围内会有不同的学习行为，同一类型学生在不同时间段的学习行为也会发生变化。基于学习时间对视频学习数据进行分类统计和分析，可以发现学生在不同时间范围呈现出的不同学习行为。
　　（3）个性化策略的实施
　　对于学生，个性化反馈可以根据不同类型学生的学习表现和学习行为，发现其所存在的问题，并为不同类型的学生反馈不同的学习建议。学生根据反馈结果，发现自己所存在的问题，并结合自身情况，根据反馈建议进行个性化的自我调节学习。对于教师，教师可以根据不同类型学生的学习特点和学习规律制定个性化教学策略[24]，为不同类型学生制定适合的学习策略，并且可以结合学习好的学生的学习习惯，为学习差的学生进行教学干预和教学指导。
　　2.2  基于学习时间组合的视频观看数据分析
　　在SPOC学习平台中，观看视频是学生最主要的学习活动，视频观看次数可以反映出学生的学习行为。在不同的时间因素下，学生的视频观看行为存在不同，接下来对学习时间因素进行分类和组合。
　　2.2.1  学习时间分类
　　基于天、周、月将学习时间范围分为3类，如下：
　　（1）上午/下午/晚上。本文将一天分为上午（6点-12点）、下午（12点-18点）、晚上（18点-24点）、凌晨（0点-6点），由于学生很少在凌晨学习，所以本文不讨论凌晨时学生的视频观看次数。不同的学生在上午、下午、晚上学习的次数存在不同，可以反映出学生在一天当中的学习时间偏好。
　　（2）工作日/休息日。在工作日学生会进行正常的学习活动，在休息日学生会根据自己的情况自愿选择学习或者休息，休息日包括周末和假期。学生在工作日和休息日的学习动力有所不同，在工作日的观看次数会受到课程的影响，在休息日的观看次数与学生的自律性、对学习的喜好程度等有关。
　　（3）月份。在整个学习过程中，涵盖了多个月份，不同的月份代表了不同的学习阶段。在刚开始学习的第一个月，学习次数的高低可以反映出一开始的投入状态;在学习的中间月份是巩固知识和扩展知识的主要阶段;在学习的最后一个月观看次数会受复习的影响。
　　2.2.2  学习时间组合
　　为了从多个时间因素对视频观看次数进行分组统计，发现视频观看次数在不同时间因素下的差异，給出学习时间组合的定义。
　　定义1 学习时间组合ltc = （ lt1， lt2， …， ltm ），其中lti为第i个学习时间因素，m为学习时间因素个数。
　　结合SPOC系统中视频学习数据的特点，本文提出的学习时间组合的整体框架如图2所示，其中，学习时间因素共有3个，分别为上午/下午/晚上、工作日/休息日、月份，每个组合的学习时间因素个数m=2，共得到3个学习时间组合。由于基于天、周、月中的一个因素对学生视频观看次数进行分析无法发现一些潜在的学习规律，因此，本文对学习时间进行组合，同时从2个因素对学生的视频观看次数展开分析，用于发现更多潜在的学习规律。通过时间因素的组合对学生视频观看行为进行分析，不仅可以发现学生在一天、一周、一个学习周期中的视频观看规律，还可以发现：1）随着学习阶段的深入，学生在一天中观看习惯的改变;2）随着学习阶段的深入，学生在一周中观看习惯的改变; 3）在工作日和休息日中学生的学习习惯，如更倾向于上午、下午还是晚上观看视频。
　　由于每个学生分类的人数不同，为了消除人数造成的视频观看数差异，使用每个学生分类的人均观看数来衡量学生的观看频率。由于工作日和休息日的天数不同，每个月份的天数也存在不同，为了消除天数造成的视频观看数差异，使用日均观看数来衡量学生的观看频率。
　　3  案例研究
　　3.1  数据集
　　数据集来自本校SPOC平台中软件工程2016级学生学习Java课程的学习数据。该课程共有11章，视频共有115个，学习人数为98人。从后台对学生的视频观看数据进行提取，数据的描述如表1所示，包括学生信息、视频信息、视频观看信息。根据学生观看视频的时间，统计得出学生在每个学习时间组合内的视频观看次数。
　　3.2  学生分类
　　基于学生的成绩对学生进行分类，将学生划分为四类，分别为“优”、“良”、“中”、“差”，并划定了每类学生的成绩范围，分类结果如表2所示。
　　从表2中可以得知，“优”的学生人数最多，其次是“中”和“良”的学生，“差”的学生人数最少。从平均成绩来看，“优”的学生成绩较高;“良”的学生成绩比较理想;“中”的学生成绩徘徊在及格线，还有较大的进步空间;“差”的学生成绩过低，需要加强学习。
　　3.3  基于学习时间组合的数据分析
　　本文将基于3个学习时间组合，分别对每种类型学生的视频观看数据进行分析，为了便于分析，学生的平均观看次数保留1位小数。 　　（1）工作日/休息日&上午/下午/晚上
　　统计结果如表3所示。分析该表可知，对于所有学生，工作日全天观看数远高于休息日全天观看数;休息日下午观看数要高于休息日上午观看数，工作日上午观看数也高于休息日上午观看数;并且，工作日晚上观看数高于休息日晚上观看数，无论是工作日还是休息日，晚上观看数都要高于上午观看数和下午观看数。“优”的学生在工作日上午观看数高于工作日下午观看数，其他类型学生在工作日上午和工作日下午的观看数几乎相同。“优”的学生工作日下午观看数低于休息日下午观看数，其他类型学生工作日下午观看数高于休息日下午观看数。
　　可以得知，在周末学生需要休息，并且休息日学生起得比较晚，导致休息日整体观看数都较低，特别是休息日上午观看数。无论是工作日还是休息日，晚上都是学生学习的主要时间。“优”的学生在休息日下午观看数高于工作日下午，因为该类学生在休息日依然保持了较高的学习积极性。
　　（2）月&工作日/休息日
　　随着月份变化，学生在工作日/休息日的观看次数的变化如表4所示。分析可得，“优”的学生工作日观看次数随着月份增长先是略有下降，又增长较多，休息日观看次数随着月份增长一直下降，该类学生在工作日观看次数越来越多，而在休息日观看次数越来越少;“良”的学生工作日观看次数随着月份增长变化不大，休息日观看次数随着月份增长而下降;“中”的学生工作日观看次数随着月份增长保持不变，休息日观看次数随着月份增长而下降;“差”的学生工作日观看次数和休息日观看次数，随着月份增长都产生了下降。
　　可以得知，“优”的学生将学习时间从休息日向工作日转移，工作日观看数增加是因为随着课程范围增加，为了进行复习，投入的学习时间也在增加，休息日观看数减少是因为刚开始学习的一个月，该类型学生为了更快地投入到新的学习中，休息日观看数太高，当学了一段时间后，掌握了基础，休息日不在进行高时间投入的学习。“良”和“中”的学生在工作日的观看次数较为稳定，能保持学习的动力，随着学习基础的巩固，在休息日也有所放松，时间投入减少。“差”的学生在工作日、休息日的观看次数都在下降，是因为前面的章节没学会，影响对后面的章节的理解，导致学习积极性下降。
　　（3）月&上午/下午/晚上
　　随着月份变化，学生在上午/下午/晚上的观看次数的变化如表5所示。
　　从表中可以看出，所有学生在10月学习次数最多，在11月-12月，“优”和“良”的学生全天观看数保持稳定，而“中”和“差”的学生全天观看数下降。随着月份增长，“优”的学生上午和下午观看次数有所下降，晚上观看数略有上升;“良”的学生上午观看次数有所下降，下午和晚上观看数比较稳定;“中”的学生上午观看次数有所下降，下午观看数略有下降，晚上观看数有所浮动;“差”的学生上午观看数和下午观看数一直在下降，晚上观看数稳定不变。
　　可以得知，课程刚开始时学生学习动力较高，期末时学习动力下降，由于需要复习，“优”和“良”的学生观看数保持稳定，而自律性较差的“中”和“差”两类学生的观看数开始减少。随着月份增长，所有类型学生在上午观看视频的次数都在下降，一方面是因为课程的影响，另一方面学生在上午学习的积极性较低。并且，晚上的观看次数略有上升或保持稳定，在白天（上午和下午）学习次数下降的同时，保证了晚上的学习次数。“优”的学生晚上学习次数高于白天学习次数，“良”和“中”的学生晚上学习次数也与白天学习次数接近，说明在晚上学习更受学生喜欢。“差”的学生在白天的观看次数下降很多，到了12月时，学习动力过低，白天几乎不怎么学习。
　　3.4  结论与建议
　　从整个学习过程来看，学习初期时学生的积极性比较高。但是由于学生基础薄弱，此时学习效果对后续学习很重要。因此，教师在该阶段应该密切观察学生的学习状态，当学生的学习次数下降或者存在多天不学习行为时，应该及时进行干预和指导。到了期末阶段，学生学习积极性下降。为了应对期末考核，成绩高的学生仍能保证较多的学习次数，而成绩低的学生知识基础和自律性都较差，考核失败的风险较大。因此，为了帮助学生应对期
　　末考核，教师应该采取个性化的教學策略来帮助学生。对成绩较高的学生，由于该类学生基础好、自律性强，教师可以为该类学生提供必要的学习资源。对成绩低的学生，应该加强课堂上的讲解和学习督促，并提供一定的复习习题以供该类学生掌握知识点。
　　从平时学习的过程来看，首先，在一周当中，工作日是学习的主要时间段，学生在工作日的学习积极性要高于休息日，在工作日学习时，学生可以将上课与观看视频相结合，提高学习效果。因此，翻转课堂对学生的学习有着重要作用，翻转课堂如何展开是教师应该关心的一个问题。并且，在工作日保证学习次数的同时，休息日的学习时间也很重要。学习初期，为了快速进入学习状态，巩固基础，“良”和“中”的学生在休息日也可以投入较多的学习时间;随着学习过程的加深，再逐渐减少休息日的学习时间，将学习时间向工作日集中。而对于学习差的学生，应该先增加工作日的学习次数，保证平时和课堂上的学习效果。其次，在一天当中，晚上是学生学习的主要时间段，学生在晚上的学习积极性更高。在工作日时，晚上的课程较少，有更多的可支配时间;在休息日时，学生在上午和下午的休息时间较多，晚上的学习时间较多。由于白天时间的碎片化，学生可以在上午或者下午学习简单、较少的视频，在晚上学习较难、有关联的多个视频。并且，在晚上可以将视频学习和解决作业习题相结合，学以致用，加深理解。随着学习过程深入，在晚上学习的比重也越来越高。到了期末，对于成绩较高的学生，教师可以在白天展开翻转课堂协助学生复习，并提供相应的复习资源和习题，为学生在晚上的复习提供帮助。对于学习差的学生，由于该类学生的自律性差，教师可以在晚上组织复习，督促学生展开复习，并实时解答学生遇到的问题。 　　4  总结
　　SPOC和各类在线学习系统的应用为视频学习数据分析提供了支撑，在SPOC学习平台中，视频是最重要的一类资源。本文基于视频学习时间组合的方法，分析不同类型学生之间学习行为的差异，以及学生在不同时间因素下学习行为的变化，发现潜在的学习规律，为学生自适应学习和教师个性化教学提供了建议与帮助。
　　当前方法还存在一定的不足。本文基于时间因素对学生学习行为进行分析，并没有考虑其他影响学习效果的因素，得出的结论并不够全面。在后续的工作中，将会从更多方面对视频学习数据进行分析。
　　参考文献
　　刘晓天， 顾大明. 基于微视频的高职翻转课堂教学实证研究[J]. 软件， 2015， 36（11）： 18-22.
　　荣艳冬. 翻转课堂教学模式下数字化教学资源库建设——以网页设计与制作课程为例[J]. 软件， 2018， 39（9）： 213-215.
　　焦赛美. 基于混合学习的翻转课堂教学模式研究——以“Photoshop 平面设计”课程为例[J]. 软件， 2018， 39（4）： 222-225.
　　卢晓航， 王胜清， 黄俊杰， 陈文广， 闫增旺. 一种基于滑动窗口模型的MOOCs辍学率预测方法[J]. 数据分析与知识发现， 2017， 1（04）： 67-75.
　　Jiang S， Williams A， Schenke K， et al. Predicting MOOC Performance with Week 1 Behavior[C]//Proceedings of the 7th International Conference on Educational Data Mining. London： International Educational Data Mining Society， 2014： 273-275.
　　李建伟， 苏占玖， 黄赟茹. 基于大数据学习分析的在线学习风险预测研究[J]. 现代教育技术， 2018， 28（08）： 78-84.
　　宗阳， 孙洪涛， 张亨国， 郑勤华， 陈丽. MOOCs学习行为与学习效果的逻辑回归分析[J]. 中国远程教育， 2016（05）： 14-22+79.
　　赵慧琼， 姜强， 赵蔚， 李勇帆， 赵艳. 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， 38（01）： 62-69.
　　孙发勤， 冯锐. 基于学习分析的在线学业成就影响因素研究[J]. 中国电化教育， 2019（03）： 48-54.
　　Ashenafi M. M， Riccardi G， Ronchetti M. Predicting students' final exam scores from their course activities[C]// Proceedings of the 45th Annual Frontiers in Education Conference. El Paso： IEEE， 2015： 372-380.
　　Ren Z， Rangwala H， Johri A. Predicting performance on MOOC assessments using multi-regression models[C]// Proceedings of the 9th International Conference on Educational Data Mining. Raleigh： EDM Press， 2016： 484-489.
　　欒红波， 文福安. 数据挖掘在大学英语成绩预测中的应用研究[J]. 软件， 2016， 37（3）： 67-69.
　　崔仁桀. 数据挖掘在学生专业成绩预测上的应用[J]. 软件， 2016， 37（01）： 24-27.
　　朱致远. IOS平台上课堂实时反馈系统的设计与实现[J]. 软件， 2015， 36（2）： 102-106.
　　许益通， 张冰雪， 赵逢禹. 基于学习风格的自适应学习内容推荐研究[J]. 软件， 2018， 39（4）： 01-08.
　　刘三女牙， 刘智， 高菊， 孙建文. 慕课环境下学生学习行为差异性分析研究[J]. 电化教育研究， 2016， 37（10）： 57-63+69.
　　陈雷. 大数据学习分析的研究与应用——以浙江省教师教育MOOC培训平台的课程为例[J]. 现代教育技术， 2016， 26（08）： 109-115.
　　李曼丽， 徐舜平， 孙梦嫽. MOOC学生课程学习行为分析——以“电路原理”课程为例[J]. 开放教育研究， 2015， 21（02）： 63-69.
　　傅钢善， 王改花. 基于数据挖掘的网络学习行为与学习效果研究[J]. 电化教育研究， 2014， 35（09）： 53-57.
　　黄诚， 张冰雪， 赵逢禹. 在线学习风格识别技术与方法研究[J]. 软件， 2018， 39（4）： 97-102.
　　孙月亚. 开放大学远程学生在线学习行为的特征分析[J]. 中国电化教育， 2015（08）： 64-71.
　　魏顺平. 在线学习行为特点及其影响因素分析研究[J]. 开放教育研究， 2012， 18（04）： 81-90+17.
　　Peng W. Research on model of student engagement in online learning[J]. EURASIA Journal of Mathematics Science and Technology Education， 2017， 13（7）： 2869-2882.
　　任京民， 陈燕. 个性化教学设计及其策略[J]. 教育理论与实践， 2015， 35（11）： 57-59.
转载注明来源:https://www.xzbu.com/8/view-15233964.htm