基于学习分析技术的中小学教师远程培训效果影响因素实证研究*

赵 艳，赵 蔚，姜 强

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117；2.长春教育学院，吉林 长春 130061 )

基于学习分析技术的中小学教师远程培训效果影响因素实证研究*

赵 艳1,2，赵 蔚1，姜 强1

(1.东北师范大学 计算机科学与信息技术学院，吉林 长春 130117；2.长春教育学院，吉林 长春 130061 )

该研究运用相关分析、多元回归分析以及社会网络分析等学习分析技术，对中小学教师的基本信息数据以及在Moodle学习管理平台上的远程学习行为数据进行深入分析，指出影响培训效果的主要因素以及在社会交互方面的问题，并辅以个别访谈法对分析结果进行印证。该研究获取的分析结果在课程内容设计、交互的纵深发展、学习任务设计、测试的自动反馈设计以及辅导教师的指导和干预等方面为我们带来了有益启示，可为今后开展教师远程培训提供指导和借鉴，以期更好地改善教师远程培训效果。

学习分析；社会网络分析；中小学教师远程培训；相关分析；回归分析

一、引言

“教育现代化，教师是关键”，不断提高教师的执教能力，促进教师的专业发展，教师培训是关键。随着信息技术的不断发展，特别是通信、网络技术的飞速发展，使得利用网络进行教师远程培训成为可能。网络远程培训不受时空限制的优势可以较好地解决一线中小学教师的工学矛盾，教师可以根据自己的实际情况自定步调学习，正因如此，教师远程培训越来越受到广大一线中小学教师(以下简称为学员)的欢迎。网络是一个巨大的信息资源库，利用网络资源共享性的特点，可以把优质教育资源延伸到任何地方，有利于促进教育均衡发展。2013年5月《教育部关于深化中小学教师培训模式改革全面提升培训质量的指导意见》第五条明确指出“营造网络学习环境，推动教师终身学习”，进一步强调了网络学习的作用和价值，通过培养网络研修骨干队伍，打造教师学习共同体，实现教师培训常态化[1]。然而如何保障网络远程教师培训的质量，是培训机构以及培训者关注的重要问题，同时也是广大教师培训机构一直努力的目标，要实现这一目标需要在不断实践的基础上，了解远程学习规律，深入分析远程学员的学习行为，根据分析结果有针对性地对培训做出改善。

学习分析技术是正在浮现并具有发展潜力的技术[2]，更加侧重解释和语义化数据来改善学习[3]。2011年2月在加拿大的阿尔伯特省班芙市召开的第一届学习分析和知识国际会议上一致通过了学习分析的定义，即学习分析技术是测量、收集、分析和报告有关学生及其学习环境的数据，用以理解和优化学习及其产生环境的技术[4]。学习分析包含数据收集、分析、学生学习、听众、干预和预测五个要素，以提高教学和学习效果为终极目标[5]。因此运用相应的学习分析技术对学员的基本信息数据和远程培训平台上学员的学习数据进行分析可以更深入、具体地了解教师的学习行为，找出影响培训效果的因素，从而有效地监控学员的学习过程，给予学员以恰当的学习指导，提升培训效果。

二、相关研究

国外关于学习分析技术的研究相对成熟，主要集中对学习分析服务框架、分析方法、可视化工具以及应用学习分析技术分析学生学习过程数据的实证研究。2011年美国西部州际高等教育委员会教育技术合作部(WICHE , WCET, Western Interstate Commission for Higher Education, Cooperative for Educational Technologies )的教育大数据分析项目的预测分析报告中，运用学习分析技术确认影响学生退学以及是否能够毕业的因子[6]。西班牙马德里理工大学的学者Ángel F. Agudo-Peregrina在定义三种交互类别的基础上，运用学习分析技术分析了在线学习交互与培训效果之间的影响关系[7]。英属哥伦比亚大学学者Leah P. Macfadyen, Shane Dawson研究运用学习分析技术分析基于Blackboard学习管理平台的学生学习行为数据，确定影响学习效果的主要因素，建立回归分析模型，用来预测学生的成绩[8]。

相对于国外研究，国内关于学习分析的研究多为理论研究和述评，基于学习分析技术对中小学教师远程培训效果影响因素的研究较少，国内相关研究多以问卷调查和访谈方法对培训效果的影响因素进行分析，通过对中小学教师远程培训相关文献的内容分析，我们发现国内有关研究者从不同的维度提出了教师远程培训效果的影响因素，归纳结果如表1所示。

表1 中小学教师远程培训效果影响因素分析表

通过对文献的分析我们了解到国内研究者主要从宏观角度对影响培训效果的因素进行研究，研究主要集中在对课程资源、学习支持服务、交互、学习活动设计、评价反馈以及学习者自身的学习态度、动机等方面。在此，我们在已有研究的基础上对影响远程培训效果的因素进行细化，运用学习分析技术获取学员多方面的数据进行分析，从微观层面上找出影响培训效果的因素，结合分析结果为教师培训机构提供有助于提升培训效果的有益启示。

三、研究设计

(一)研究对象及培训课程选择

本研究以Moodle2.6搭建的长春市中小学教师远程培训平台“http://www.ccjyxy.net”为依托。为了使数据更具有代表性，研究对象选择2013年9-12月参加教育技术远程培训的全体学员，总计2100人。学员所教学科涵盖语文、历史、政治、数学、地理、化学、物理，共7个学科，其中小学教师1129人、初中教师971人，男教师792人、女教师1308人，分别占样本总数的53.8%、46.2%，37.7%、62.3%。

培训过程包括6周网上在线学习。培训初始，辅导教师在学习平台上为学员提供课程的学习目标、学习方法、整个学习过程中使用的学习环境、平台功能的介绍以及学习流程指南。培训内容由6个模块组成，考虑一线教师工作情况，每个模块的学习时间为1周。在学习过程中按学科分班，每个虚拟班级一般涵盖三个学科，由50-60个学员，以及1名学科教师和1名在线学习辅导教师组成。在6周的时间里，学员大概要花费50个小时的时间学习，随着培训的进行，课程内容逐渐向学员开放。某一模块课程学习开始后，课程内容将在整个培训期间都开放，但测试、讨论、任务等只在本模块学习期间开放，本模块学习时间结束，这些项目自动关闭。远程学习技术支持主要通过讨论区、公告板、电子邮件、以及电话等同步和异步方式，整个学习过程采用过程性评价和终结性评价相结合的评价形式。

(二)中小学教师远程培训效果影响因素提取

本研究侧重从学员的基本信息、远程培训过程中学员的学习行为方面探讨影响培训效果的因素，力图为培训组织机构、培训管理者、培训课程设计者以及培训辅导教师等提出优化培训效果的建议。本研究假设细分为以下两点：(1)学员对远程培训有很好的接受度；(2)学员的信息技术水平可以保障其完成培训过程。

通过对文献内容的分析我们发现，影响培训效果的因素很多，大到学校环境，小到学员的个性特征、学习态度都与培训效果有着一定关系。本文在归纳已有研究者成果的基础上，主要结合运用Moodle学习管理平台进行培训的特点对学员基本信息，以及对课程资源、学习支持服务、社会交互、参与学习活动方面的学习行为进行细化，共提取18个因素，如表2所示为远程培训效果影响因素提取表。

表2 远程培训效果影响因素提取表

(三)数据来源

研究数据中基本信息来源于针对Moodle学习管理平台开发的报名系统，其他方面数据来源于Moodle学习管理平台的Web日志报表，日志报表中完整地记录学员对每个模块的学习行为(浏览、发帖、测试等)以及访问时间。对收集到的数据进行结构化处理后，运用SPSS17.0进行相关分析以及多元回归分析。

四、数据分析

(一)教师远程培训效果影响因素相关分析

Bivariate两变量相关分析是指研究两个变量之间相关的统计方法。相关系数主要有三种：Pearson、SpearMan、Kendall。由于我们分析的变量是两个连续数据之间的关系，因此采用Pearson系数进行分析[18]，分析结果如表3所示。

表3 远程培训效果影响因素相关分析

相关分析结果显示：学员基本信息中性别、学段、学科、职称与成绩没有显著相关，年龄与成绩呈负相关r=-0.441。课程内容浏览频次、成绩浏览频次与成绩无相关，除“是否展示自己成果”与成绩在0.05水平上相关外，其余变量均在0.01水平上与成绩呈相关性。

(二)教师远程培训效果影响因素回归分析

为了更加深入地了解变量的影响效果，根据相关分析的结论，剔除无显著相关的性别、学段、学科、职称以及课程浏览频次、查看成绩频次6个变量后，对其他12个变量做多元回归分析如表4所示，结果显示影响远程培训效果的回归统计结果相关系数R=0.987，模型判定系数为(或解释力)R2=0.974，回归方程判断系数F检验值为106.948，其显著性=.000，说明回归模型的判定系数具有统计学意义，即用这些变量解释中小学教师远程培训效果有意义，这些变量可以解释培训效果97.4%的变差[19]。

表4 远程培训效果影响因素多元回归分析

由表4可知12个自变量中有3个自变量对远程培训效果产生显著性影响，标准化回归方程为：成绩=63.458+2.867X1+2.798 X2+0.854X3(其中X1，X2，X3表示的学习行为分别是完成任务、发起主题帖子、完成测试)。结果显示，对远程培训效果影响的大小依次为完成任务(2.867)、发起主题帖子(2.798)、完成测试(0.854)。为进一步印证统计分析的结果，我们对部分教师做了访谈，访谈结果基本支持上述观点。其中，85.3%的学员认为完成任务、结合实践的讨论互动以及有针对性的测试有助于他们掌握培训内容，这大体上印证了回归分析的结果。另外，58.9%的学员认为课程的内容即视频讲座部分理论性太强，单纯观看讲座视频对教学实践指导意义不大；47.6%的学员认为理论联系实际的案例资源、拓展资源对培训效果影响较大；41.2%的学员认为课程公告、辅导教师的邮件提醒以及与辅导教师通过邮件沟通对提升培训效果有积极作用；32.6%的学员认为积极展示自己的学习作品以及评价他人的学习作品可以很好地总结和梳理培训所学内容；13.8%年龄接近50的学员表示虽然他的信息技术水平可以支持一般的学习，但是具体操作不是很熟练，导致没有充分地参与讨论互动，对于回答测试题也有一定的影响。这些访谈结果在很大程度上也印证了相关分析的结果。

前人研究的结果以及本研究数据分析的结果均表明交互对培训效果有较大的影响，为了更好地了解教师远程培训中互动的参与情况以及具体的互动结构，我们尝试运用社会网络分析对某讨论区的情况进行深入分析。

(三)讨论区的社会网络分析

相关分析和多元回归的结果均表明学员参与交互的行为对培训效果有积极影响，教师的学习和学生不同，教师学习者们本身具有丰富的教学经验，是真正的教学实践者，有很多的经验和教学智慧，他们本身有着教育教学的基本素养和能力，具有设计和实施教学的能力，也具有批判和反思的能力。因此，他们之间的充分沟通和交流对于促进知识共享与内化具有更重要的意义。由此我们对讨论区采取社会网络分析方法进行深入分析，通过对社会网络的基本属性分析，可以从宏观上把握网络结构的特征。

笔者借助Snapp和Ucinet两个工具[20]对某一虚拟班级讨论区进行社会网络分析，运用Snapp可以省去人工收集数据，建立关系矩阵等繁杂的前期工作，将其嵌入Moodle学习管理平台的讨论区可以一次性把论坛中发帖和回贴的统计信息呈现出来，并即时呈现讨论区的社群图，本讨论区的社群图如图1所示。

图1 虚拟班级讨论区社群

1.社会网络基本属性分析

图1社群图中的点表示培训过程中的学员，连线表示学员之间存在关系，箭头表示关系的方向。连线越多，点分布越密集表示学员之间的交互越频繁，反之，像编号为JS12010267则为孤立学员，没有和任何人发生联系。该网络节点联系稀疏，说明学员之间相互联系比较松散，整体上看更多的是集中在teacher节点，即围绕辅导教师的话题展开讨论交流。

社会网络基本属性值如表5所示：(1)该网络共有31 名成员，相互间建立的连接数为 42，密度仅为0.0333，进一步说明该网络成员相互之间联系较少，是一个比较稀疏的网络；(2)平均度为1.355，即每个成员平均与1.355个其他成员发生交互，互惠性为0.153，即只有 15.3%的人之间是双向的相互交互关系。

表5 社会网络基本属性值

2.中心度分析

将运用S n a p p统计得到的数据直接导入Ucinet6.0软件中，沿着 Networks- Centrality- Degree进行中心度分析[21]，得出结果为：点入度较高的是辅导教师teacher和学员JS12010221、JS12010258三个节点，数值分别为31、6和2，JS12010208、JS12010232、JS12010264点入度均为1，其他学员的点入度为0。点入度可以用来表示学员在网络中的声望，高声望意味着该学员是众多学员选择交往的对象，比较受大家的欢迎[22]；点出度较高的是辅导教师teacher和学员JS12010221、JS12010233、JS12010236、JS12010270五个节点，数值分别为4、2、2、2和2，其他学员的点出度绝大多数为1。点出度可以用来衡量一个学员在网络中接触其他学员的能力，点出度值越大表明学员越处于网络的中心位置，点出度值越小则表示该学员越位于网络的边缘。由此可见，辅导教师具有较高的声望和具有中心的位置。在 Ucinet6.0 中，沿着 Networks-Centrality- FreeMan Betweenness-Node Betweenness进行中间中心度分析，发现辅导教师teacher和学员JS12010221、JS12010258三个节点的中间中心度较高，Betweenness数值分别为157.000、32.000和10.000，其他学员的中间中心度均为0.000，学员的中间中心度明显低于辅导教师的中间中心度，而中间中心度用来表示讨论区成员对资源的控制程度。因此，在讨论区中辅导教师除了扮演了“领导者”角色外还担负了重要的中介角色，学员JS12010221、JS12010258也起到了一定的中介作用，这几个成员在较大程度上控制信息的传递[23]。

五、结论与启示

本研究通过对中小学教师的基本信息以及学员远程学习过程中的学习行为等18个因素进行相关分析、多元回归分析以及结合对学员的个别访谈，得出的结论如图2所示：(1)外圈为相关因素，在相关因素中我们发现，学员的基本信息中只有年龄因素与培训效果有相关性，学员的性别、学段、学科、职称等因素不对学习效果产生相关影响；课程资源中，为学员提供的课程内容讲座、浏览自己和他人成绩因素均与培训效果无相关；(2)内圈为显著相关因素，完成任务、发起主题帖子、完成测试三个因素与培训效果呈现显著相关。同时针对讨论区进行社会网络分析结果显示：讨论区中辅导教师是中心，学员的参与度不高，除辅导教师之外，学员JS12010258与其他学员联系相对紧密。针对分析的结果，我们获得如下启示：

图2 中小学教师远程培训效果相关影响因素结构图

(一)关注一线教师的实际需求，优化课程内容设计，丰富课程资源的呈现形式

先前一些研究者的研究结果表明课程内容对学员的学习效果有很大影响。对数据的分析发现，学员课程内容浏览频次与最后的成绩没有显著关系，而访谈结果表明，接近一半的学员认为课程内容理论性过强，不能很好地指导教学实践。课程设计者对此应进行深刻的反思，反思课程内容的设计是否合理，是否满足学员所需，是否能引起学员的兴趣。为此，课程设计者应通过大量的一线调研、问卷调查、访谈等形式了解中小学教师的实际需求，合理设计和优化课程内容。同时，对于设计好的课程内容，不应是一成不变的，应考虑依据课程的利用率及学习者对课程评价，采用进化机制促进课程内容不断优化更新。

案例浏览频次和拓展资源浏览频次相对课程内容浏览频次普遍高，通过相关分析可知这两个课程资源的浏览频次与成绩有相关性。由此可见，中小学教师更喜欢的课程资源形式是案例资源，通过案例资源能够更好地实现知识迁移。故课程设计者应考虑课程资源的设计形式，设计更多反映学员学习需求的优秀案例。同时，可以充分发挥学员的群体智慧，给予学员适当的权限，使之也成为优秀案例资源的提供者，进而实现优质资源的共建共享。在设计拓展资源时，不能片面追求资源丰富，在保障资源质量的同时，适当地控制拓展资源的数量，避免增加学员不必要的认知负荷。

(二)采取奖励措施，发挥骨干教师的引领作用，促进交互向纵深发展

分析结果表明，学员发起讨论区帖子与培训效果呈现显著的相关性，而学员浏览讨论区帖子以及回复讨论区帖子与培训效果有相关性，这进一步验证了远程培训中互动的重要作用，同时也表明学员只是被动地观看，或者跟着他人思路学习没有自己带着问题主动构建知识的效果好，学员只有在具有积极的学习态度和对培训内容有较好理解的基础上，有解决自己问题的需求时，才会更加倾向主动的发起讨论帖子，与他人探讨自己在教育教学实践中遇到的问题。社会网络分析的结果显示学员之间的联系较松散，辅导教师具有较高声望和中心度。因此，辅导教师在教师远程培训过程中调动学员参与互动的积极性变得非常重要，良好的互动氛围可以消除远程学习的孤独感，同时有利于促进学员对知识的理解。辅导教师可以采取相应的激励措施，比如，对积极参与讨论的学员奖励一定的积分，积分可以换取相应的分数，调动学员参与讨论的积极性。此外，对于学员结合培训内容发起的有助于解决教育教学实践的主题帖子，给予额外的加分奖励，学员发起的主题往往更贴近教学实际，更有利于探讨实际的教学问题，能够更好地促进讨论的深入发展。

从社会网络的视角看，学习是通过无缝对话，分享实践经验而产生的社会性、合作性的成果。编号JS12010258学员是除辅导教师之外，声望较高的参与者，如上页图1社群图所示。经过核对信息我们发现，JS12010258是一名市级骨干教师，统计数据分析结果显示教师的职称对于培训效果无相关影响，但是在对讨论区的社会网络分析中我们了解到，骨干教师在讨论区中发挥着积极的作用。这与骨干教师一般具备完善的学科知识、更高的执教能力、探讨问题更加深刻不无关系。因此培训管理者在进行分班时可以考虑将不同级别的骨干教师分别分配到不同的班级，使骨干教师积极参与讨论，充分发挥学科骨干教师的引领作用，同时也能避免辅导教师一人成为讨论的中心，从而有利于理论知识与实践知识的结合，利于知识的传播与共享。

(三)注重任务设计与教学实践相结合，充分调动学员学习的主动性

分析结果显示，完成任务与成绩呈显著相关，相关系数B=2.867。因此，对学习任务的设计应更加深入细致，紧密结合培训的内容以及学员的工作实际，使任务的完成情况可以直接反映学员学习的情况，体现培训的效果，改变以往简单的模式化任务设计，即学员不需经过深入的思考，甚至不参加培训也可以完成，这样会降低学员的学习积极性和主动性。因此，我们提出任务的设计要在充分了解学员基本情况的基础上做到与学员自身的教学实践相结合，例如，提交一个自己学科的授导型教学设计、探究型教学设计，或者是对自己学科的某一个教学实施的设计情况进行评价，对某一节课的案例分析等，更加强调学员在参与学习活动的过程中结合自己的教学经验来完成任务。学习任务的合理设计可以充分发挥学员的学习主动性，反思自己的学习和工作情况，也有利于学员根据任务需求对我们设计的培训课程进行深入的学习，提高课程资源的利用率。

(四)加强测试环节的反馈设计，促进学员对所学内容的理解

分析结果显示，完成测试与成绩呈现显著相关，测试对于帮助学员理解和消化知识，检测学员的学习效果有明显的促进作用。因此，应加强对测试环节的设计，一方面对于测试题内容的编写应更加合理有效，使之能够更好地帮助学员检验自己的学习效果。另一方面对于选择性测试题，改变以往测试结果反馈中单纯呈现正确答案的形式，注重测试题选项的反馈环节设计。Moodle学习管理平台具有自身编辑选择性试题的特点，即可以编辑测试问题的自动反馈环节。因此，可以在选择性试题的每一个错误答案后面增加反馈，指出学员错误选择某一个选项在理解上存在的误区，使测试不仅达到帮助学员了解自己学习效果的作用，而且帮助学员了解自己对知识理解的偏差所在，进而使学员在能够了解自己的答案是否正确的基础上，知道自己错在哪里，需要巩固和学习哪些内容来加强对这部分知识的理解。

(五)积极进行学习指导与干预，帮助学员顺利完成培训

相关分析结果表明，年龄与成绩呈现负相关。年龄接近50岁的学员学习成绩相对低一些，而这部分学员往往具备丰富的学科知识和教学经验，他们的教学设计能力和教学实施能力都很强，这部分学员中的很多人可以很好地指导新入职的年轻教师，帮助新教师成长。针对相关分析的结果，结合对部分年龄偏大学员的访谈结果了解到，虽然他们具备了一定的信息技术基础知识，但信息技术操作能力相对年轻人薄弱一些，这一因素在一定程度上影响了学习效果。因此，辅导教师对于这部分学员要给予更多的关注，在平台操作上要给予更多的指导和干预，使之能够快速熟悉远程学习，完全地参与到远程学习中去，更好地发挥这部分教师群体的积极作用。

六、研究展望

运用学习分析技术有助于发挥学习过程数据的价值，可以促进培训机构中培训管理者、课程设计者、辅导教师等深入了解学员的远程学习行为，找出影响培训效果的因素，从而及时调整培训步调，使数据成为审慎决策、过程优化的重要依据。本研究利用学习分析技术对教师远程培训的数据进行了深入分析，得出了影响培训效果的相关因素和显著因素，并针对分析结果反思培训的设计，获得了有助于改进培训效果的相关启示，在后续的研究中，针对分析结果及启示，我们将进一步完善教师远程培训的设计和管理，同时注重探索可视化软件与Moodle学习管理平台相结合，有针对性地开发数据获取工具，进一步探索教师远程培训的规律。

[1]教育部关于深化中小学教师培训模式改革全面提升培训质量的指导意见[EB/OL]. http://www.moe.gov.cn/publicfiles/business/htmlfiles/moe/s7034/201305/151910.html, 2013-05-06.

[2]顾小清.学习分析：正在浮现中的数据技术[J].远程教育杂志,2012,(1):18-25.

[3]Siemens, G. Learning and Knowledge Analytics-Knewton-the future of education?[EB/OL]. http://www.learninganalytics.net/?p=126,2014-04-17.

[4]The New Media Consortium. Learning Analytics[EB/OL]. http://wp.nmc.org/horizon2011/，2014-05-06.

[5]Malcolm Brown. Learning Analytics: The Coming Third Wave[EB/OL].http://net.educause.edu/ir/library/pdf/ELIB1101.pdf, 2013-11-16.

[6]Boulder, CO (PRWEB). WCET Predictive Analytics Reporting (PAR)Framework Project DeliversMillions of Course Records for Review and Analysis[DB/OL]. http://www.prweb.com/releases/2011/10/prweb8882165.htm, 2013-10-17.

[7]Ángel F. Agudo-Peregrina.Can we predict success from log data in VLEs? Classification of interactions for learning analytics and their relation with performance in VLE-supported F2F and online learning[J]. Computers in Human Behavior,2013,(5):1-9.

[8][20]Leah P. Macfadyen ,Shane Dawson. Mining LMS data to develop an“early warning system” for educators A proof of concept[J].Computer& Education, 2010,(54):588-599.

[9]唐红兵.农村中小学教师培训工作存在的问题及对策[J].教育探索,2013,(8):116-117.

[10]孔维宏.中小学教师远程培训的问题分析与对策研究[J].中国电化教育,2011,(5):65-68.

[11]焦道利.“农远工程”中基于Moodle平台的教师远程培训研究[J].现代教育技术,2009,(2):57-59.

[12]朱旭东.论教师培训核心要素培训需求[J].教师教育研究,2013,(5):1-8.

[13]贾巍,张天荣.农村中小学教师远程学习行为的调查与分析——以宁夏“国培计划”远程培训为例[J]. 继续教育研究,2013(4):18-21.

[14]赵艳.农村中小学教师网络远程培训的问题与对策研究[J].中小学教师培训,2013,(9),:11-14.

[15]肖爱平.网络学习者网上学习现状、影响因素及对策研究[J].开放教育研究,2009,(2): 75-80.

[16]赵丕元.影响学生远程学习行为因素的分析[J].中国远程教育,2002,(8):50-53.

[17]毛利杰.基于网络教学平台的学习监控功能研究与设计[J].软件导刊,2009,(8):30-34.

[18]谢龙汉,尚涛. Spss统计分析与数据挖掘[M].北京:电子工业出版社,2012.219-222.

[19]李梅.中小学新教师工作满意度影响因素的实证研究[J].教师教育研究,2013,(9):43-47.

[21]魏顺平.Moodle平台数据挖掘研究以一门在线培训课程学习过程分析为例[J].中国远程教育,2011,(1):24-30.

[22]王陆.虚拟学习社区的社会网络分析[J].中国电化教育,2009,(2):5-11.

[23]刘军.整体网分析讲义:UCINET软件实用指南[M].上海:格致出版社,2009.

赵艳：在读博士，讲师，研究方向为现代远程教育、网络个性化学习、教师教育(94292083@qq.com)。

赵蔚：教授，博士生导师，研究方向为现代远程教育、网络个性化学习(zhaow577@nenu.edu.cn)。

2014年6月23日

责任编辑：宋灵青

Empirical Research on Effect Factors of K12 Teachers Distance Training Based on Learning Analytics Technology

Zhao Yan1,2, Zhao Wei1, Jiang Qiang1
(1. School of Computer Science and Information Technology, Northeast Normal University, Changchun Jilin 130117;2. Changchun Education College, Changchun Jilin 130061 )

This study analyzes K12 teacher pro fi les and distance learning process data in Moodle learning management platform by using learning analytics technology, such as the correlation analysis, multiple regression analysis and social network analysis, points the factors which affect the training effect and social interaction. And the analysis results were supplemented by individual interview. According to the results of the analysis, we have gained enlightenments in the design of curriculum contents, interaction organization, learning tasks, feedback of test and the guidance and intervention for tutors in order to improve quality and effectiveness of teacher’s distance training.

Learning Analytics; Social Network Analysis; K12 Teachers Distance Training; Correlation Analysis; Regression Analysis

G434

A

1006—9860(2014)09—0132—07

* 本文系全国教育科学“十二五”教育部规划课题中国教师发展基金会重点资助项目区域专项课题“长春地区农村中小学教师远程网络培训有效性研究”(项目编号：FHB110083—ZXKTDB02—09—(043100—02))、吉林省教育科学“十二五”规划课题“基于Moodle平台的中小学教师远程培训有效性研究”(项目编号：GH13632)、全国教育科学“十二五”规划教育部重点课题“可视化技术支持下学科知识自主学习模型研究”(项目编号：DCA130224)、教育部人文社会科学研究青年基金项目“自适应学习系统理论模型建构及其效果实证研究” (项目编号：12YJCZH086)阶段性成果。