融合多源数据的大学生线上学习行为特征分析

牛秋月 赵营颖

(河南中医药大学信息技术学院 河南郑州 450046)

1 研究背景

在线教育是当前教育界的一种新型教育形式，“互联网+教育”的发展为高等教育改革带来了新的生机与活力。自MOOC 兴起以来，国内各高校相继出现了跨校选修、学分互认等在线教育热潮。尤其近几年受新冠疫情的影响，各高校为响应教育部“停课不停教、停课不停学”的号召，充分利用政府提供的各类优质线上资源和在线学习平台，积极开展线上教学活动[1]。因此，随着高校与学生对在线教育认识的加深，加之疫情影响，线上学习已成为常态。

线上教学相较于传统课堂教学有诸多优势，如摆脱了时间和空间的限制。然而，由于国内大学生仍存在学习意向不强、专注力不高、学习投入不足等问题，在线教育在开展过程中呈现出很多弊端。例如：由于教师不能直接对学生的学习行为进行干预，出现了课程辍学率低、完成率低等诸多问题[2]。学生的在线学习行为是影响在线教育质量的关键要素，基于在线学习过程中产生的数据而开展学生学习行为分析研究，对提升大学在线教学效果具有十分重要的意义。

文章融合大学生日常在线学习行为数据，使用数据分析相关技术，从多源头、多视角对学生在线学习行为进行分析，发现行为特征背后隐藏的信息，能够帮助教师最大程度地了解和管理学生。同时，能够分析找出对学生成绩影响较大的行为特征，便于教师在教学过程中及时干预。

2 研究现状

近年来，随着在线教育的普及，大学生在线学习行为分析的研究也如雨后春笋般出现，国内外学者从不同角度分析研究影响大学生在线学习行为的因素[3]，通过运用不同的方法和模型来提升学习效果。

国外学者主要通过提取在线学习平台中的数据和日志痕迹，分析在线学习行为和学生学习环境、学习成效之间的关系。SUN Y 等人[4]基于技术接受模型去分析学生的学习动机与在线学习平台中教学内容、教学设计、教学互动的关系。ZHU Y等人[5]从学生角度，寻找影响学生在线学习行为的内外因素。HUSSEIN E 等人[6]调查研究新冠疫情期间学生在线学习行为和态度，为教师和教育机构提供提高学习体验的建议。

国内学者对在线学习行为分析的研究主要体现在数据统计分析和技术模型两个方面。其中，魏顺平等人[7]采用数据挖掘的方法对学习者的在线学习日志进行分析，总结在线学习行为的特点和内在影响因素。陈鹏宇等人[8]通过统计分析的方法提取在线学习平台中的学习行为，进而采用关联性分析找出学习行为与知识建构水平之间的关系。李阳等人[9]通过调查问卷法搜集大学生在线学习现状，分析总结不同性格的学生在学习行为、学习成绩之间存在的差异。郭玲玲[10]采用调查问卷和统计分析等方法分析对比不同性格、不同学习风格的学生在学习行为和学习成绩之间的差异性，进而找出影响在线学习行为的原因，为教师规范化的管理和教学设计提供支持。荆永君等人[11]利用结构化模型探索学生在线学习行为易被影响的因素，进而从教学设计、教师支持与管理等方面给出在线学习的建议。代鸿等人[12]利用已有技术模型构建影响大学生在线学习行为的模型，探索影响行为的关键因素。

总体来说，目前已有的在线学习行为分析主要是从单一的角度来分析和评价影响学生在线学习行为的因素，并没有深入分析学生在线学习行为数据与学习成绩之间的关系，具有一定的局限性。融入行为数据进行在线学习行为分析能通过不同角度分析所产生的数据特点，来互补性地获取学生在线学习行为特征。

3 学生线上行为特征分析

3.1 数据收集与预处理

文章所使用到的数据均来自作者所在学院2021—2022学年第一、二学期《数据结构》课程的在线学习情况，通过课堂派在线平台收集到343 条在线学习行为数据。每条数据主要包括学生基本信息（学号、姓名等）、作业完成率、测试平均分、互动次数、视频观看时长、期末成绩等信息。由于原始数据可能存在丢失、异常等问题，在进行分析之前先对采集到的数据进行预处理。

3.2 学习行为指标构建

对获取的在线学习行为数据进行预处理之后，保留信息相对比较完整的320 条，通过对预处理的数据进行汇总，文章主要从作业完成率、测试平均分、互动次数、视频观看时长、期末成绩几个方面构建学生在线学习行为的分析指标，部分数据样本如表1 所示。根据行为分析结果进而总结学生行为特点，可以帮助教师制定规范的教学管理制度。

表1 学生在线学习行为数据样本

3.3 数据可视化分析

学习行为指标构建完毕之后，接下来就是对采集到的在线学习行为进行可视化分析。下面依次从作业完成率、测试平均分、互动次数、视频观看时长几个角度完成分析汇总。

3.3.1 学生成绩分布

由于分析所用到的算法要求基础数据是带有类别标签的，因此，需要对学生原始百分制成绩进行转换，按照该校成绩划分标准将：＜60 分为“E”，60～69 分为“D”，70～79分为“C”，80～89分为“B”，90～100分为“A”。成绩分布直方图情况如图1所示。

图1 学生成绩分布直方图

根据图1 所示，学生成绩主要分布在70～79 分，占比34%；其次是80～89分，占比28%；在其他3个区间的人数较少，60～69分和90～100分学生占比分别为19%、13%，不及格学生占比为6%，成绩总体符合正态分布，能够较理想地反映教学效果。

3.3.2 作业完成率

作业完成率是衡量学生学习态度的重要因素，根据作业完成率，可以了解学生对所学知识点的掌握情况。为了找出作业完成率与期末成绩之间的关系，该文通过绘制散点图展示，如图2所示，横坐标为期末成绩人数分布，纵坐标为作业完成率。从图可以看出，成绩在70～90 分区间分布比较集中，而相对应的作业完成率在80%～100%。因此，可以得出，成绩较高的学生作业完成率相对较高，作业完成率这一行为与期末成绩是正相关关系。

图2 不同作业完成率的成绩分布图

3.3.3 测试平均分

测试平均分主要检测学生对各章节知识点的掌握情况，为了体现测试平均分与期末成绩之间的关系，笔者采用散点图展示学生测试平均分与期末成绩关系，具体见图3。由图3 可以看出：测试平均分在80～100分之间对应期末成绩在70～90分之间学生分布比较集中，其他区间人数较少。由此可看出：期末成绩分数高的学生其测试平均分也比较高，且分布比较集中，关系稳定，说明测试平均分与期末成绩成正比。

图3 不同测试平均分的成绩分布图

3.3.4 互动次数

互动次数是学生线上学习过程中参与互动习题、互动话题的次数，为了研究互动次数与成绩的关系，笔者绘制了箱形图，具体情况如图4所示，横坐标为成绩等级，纵坐标为互动次数。由图4可以看出：随着学生成绩等级的降低，其所对应的互动次数也在不断减少。由此可以得出，学生线上参与互动的次数与其成绩呈正相关关系。

图4 不同成绩成绩与互动次数的箱形图

3.3.5 视频观看时长

视频观看时长是学生完成课程知识点视频学习任务的时间，以小时为单位，该文通过绘制箱形图来直观表示视频观看时长与成绩等级之间的关系，具体情况如图5所示，其中横坐标为成绩等级，纵坐标为视频观看时长。随着成绩等级的降低，学生观看视频的时间也不断地减少，由此可得出学生观看视频时长与其期末成绩存在正相关关系。

图5 不同成绩成绩与互动次数的箱形图

由上述可视化结果而知，文章所提及的在线学习行为，如作业完成率、测试平均分、互动次数、视频观看时长等和期末成绩都存在正相关关系。

4 实验结果分析与教学方案制订

为了更好地开展线上教学，提高教学效果，文章从不同视角对大学生的在线学习行为进行了分析，经对比发现：分析指标中所涉及的作业完成率、测试平均分、互动次数、视频观看时长这4个行为都与学生的期末成绩成正比。因此，文章建议在线上学习过程中学生应该重视对各章节知识点的学习，按时完成作业，积极参与课堂互动。同时，教师在教学过程中应多引导学生积极参与课堂习题的互动，采取合理措施及时干预学生的在线学习。

5 结语

文章以大学生在线学习行为数据为研究对象，使用数据分析相关技术，从多源头、多视角对学生在线学习行为特征进行分析，对比发现行为特征背后隐藏的信息，能够帮助教师最大程度地了解和管理学生，优化课程资源，提高教学质量。