基于BlackBoard学习平台的学习行为分析—以“C程序设计”课程为例

裴 艳，曹 菡

陕西师范大学计算机科学学院，西安 710062

随着教育信息化的发展，学习管理系统(LMS)和Web 2.0的应用使得教育数据呈现出急剧增长的趋势，研究者们逐渐开始关注这些数据潜在的利用价值［1］。Blackboard是目前较流行的学习管理系统，有来自60多个国家的大约10 000个机构在使用Blackboard的软件和服务［2］，它存储着大量的学生学习数据。例如:每个学生在某门课程中花费的总时间和平均时间，学生参与的活动总数，内容区和论坛中的学生活动，等。对这些学习行为数据进行分析，教师不仅可以了解个体和整体学生的学习进展情况，还可以获得学生的主题讨论参与程度和感兴趣程度等可视化报告。教师在对学生情况充分了解的基础上采取措施，可以对危机学生进行识别和干预，也可以改进教学方案以便更好地开展教学。此外，利用学习行为分析结果可以为学习者推荐学习资源和学习伙伴，开展个性化学习。

1 学习分析和学习行为分析

1.1 学习分析的定义

学习分析是近年来迅速发展的一种教学技术，目前学术界对学习分析的定义并没有统一的描述。EDUCAUSE的“下一代学习挑战”最早对学习分析进行了定义，它认为学习分析是“使用数据和模型预测学生收获和行为，具备处理这些信息的能力”。2011年2月的LAK11会议对学习分析做了较权威的定义，即“学习分析是以理解和优化学习及其发生的环境为目的，对学习者及其所处情境的数据进行的测量、收集、分析和报告”［1］。《Part I新媒体联盟地平线报告(2013高等教育版)》也阐释了学习分析的定义，NMC认为学习分析是应用于教育领域的“大数据”分析，对学生产生和收集的大量数据进行阐释，旨在提高学生保持率，为学生提供高质量、个性化的学习体验［3］。目前，大多数研究使用的是LAK11和NMC的定义。

1.2 学习分析的方法

目前，学习分析的方法主要有网络分析法、话语分析法和内容分析法［4］。

1.2.1 网络分析法 运用社会网络分析法，可以用来探究网络学习过程中的联系、关系、角色以及网络形成的过程与特点。当以学习者个体为研究对象时，可以了解某个体在学习平台中的活跃程度，与哪些学习同伴交互信息，学习者个体产生了什么认知困难，等。当以整个网络为研究对象，网络分析法主要关注的是网络学习中信息的分布以及学习的进展情况［4］。UCINET(university of california at irvine NET work)是一种功能强大的社会网络分析软件，它最初是由加州大学尔湾分校(university of california at irvine)社会网研究的权威学者Linton Freeman编写的。UCINET最大可处理32 767个点的网络数据，包括大量的网络分析指标，例如:中心度、派系分析、个体网络分析，等，还包括常见的多元统计分析工具，例如:聚类分析、对应分析、因子分析、多维量表，等［5］。

1.2.2 话语分析法 运用话语分析法，可以了解网上学习交流中的话语的文本型含义，能用来探究知识的建构过程。分析的对象有面对面的对话内容，网上课程中产生的文本内容，网上进行的异步交流内容，等［4］。

1.2.3 内容分析法 运用内容分析法，可以对学习者的学习过程数据进行定量分析，研究学习者的行为模式;也可对其进行定性分析，运用已有的积累经验来预测学习者的行为，为学习者提供个性化的学习资源服务［4］。

1.3 学习行为分析

学习分析的核心是观察和理解学习行为，对学习行为进行分析，可以了解影响学习行为产生的需要、动机等因素，以及行为所携带的目的、个性、环境等元素［6］。

学习行为是指学习者在某种动机的指引下，为获得某种学习结果而与周围环境进行的双向交互活动的总和。网络学习行为是指学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中开展的远程自主学习活动的总和［7］。学习分析的数据应不仅来自于学习者外显的学习行为，比如作业情况、测试情况，等，还包括一些内隐的学习行为，比如论坛中的活动情况、学习以外的操作，等。

在该研究中，学生在BlackBoard平台上的《C程序设计》课程中的学习行为主要有学习课程的时间、各个资源的点击数、论坛中的发帖量和回帖量，如表1所示。

表1 BlackBoard中的学习模块及学习行为

2 学习行为分析案例

2.1 研究对象

该研究的研究对象是陕西师范大学BlackBoard平台上的“C程序设计”课程，目前使用人数是53人。在BlackBoard平台中，教师为该门课设计了丰富的资源和活动。例如:课程大纲、教学课件(PPT)、电子教案(DOC)、习题处理(PPT)、课程作业、实验指导、等级考试、班级论坛、Wiki，等，并且教师在教学过程中使用了大多数资源和活动。

2.2 数据来源

该研究的数据主要来源于BlackBoard中的各类课程报告，例如:Course Activity Overview、内容区中的所有用户活动、对用户活动的全面总结、论坛中的用户活动，等。

2.3 分析过程和方法

2.3.1 统计分析 统计分析法是目前被广泛应用的社会科学研究法。在网络用户行为分析中使用统计分析法主要是通过对每个模块的点击率、点击量等数据进行记录，然后对数据进行分析，得到相关的统计报表，从而分析用户感兴趣的内容。

①课程活动情况:

BlackBoard中的“课程活动概览”报告中记录了一定时间内学生学习课程的总时间和平均时间，每个学生花费的总时间和具体的活动(如图1所示)。

图1 学习课程的总时间和平均时间

从图1可以看出，在9月1日到11月22日这段时间内，学生学习课程的总时间和平均时间分别为89.04 h和1.56 h。由此可见，学生使用该网络平台学习课程的时间并不多，更倾向于在传统课堂中学习。导致这种现象可能有两方面的原因:一是学生的学习习惯。长期以来，大部分学生习惯于在传统课堂中被动接受知识，面对网络学习，很多学生缺乏高度的自觉性和自制力;二是教师的网络课程设计缺乏新颖性和趣味性，学生从中体会不到学习的乐趣。因此，教师在进行课程设计时要充分发挥网络学习平台的优势，注重资源的多样性，对同一个章节或知识点采用PPT、视频、图片或动画等多种形式表达，以满足不同学生的学习需求。还要注重趣味性，不能对课程资料进行简单的罗列，设计要美观，利用平台中现有的课程工具设计一些活动，例如:Wiki、博客、讨论版，等，以充分调动学生的积极性，让学生在网络中快乐学习。此外，星期二的学习时间占77%，可能由于传统课堂在星期二，很多学生在教师教学要求的强制下才登录平台进行学习。从图2可以看到每个学生的学习时间，点击学生姓名还可以看到该学生的具体活动，教师可以对学习积极性较差的学生进行访谈，了解学生在某段时间的学习状态，然后对其进行监督和引导。

图2 部分学生学习的总时间

②课程资源访问情况:

学生对教学课件(PPT)的访问量最高，而电子教案(DOC)与之相比很低。由此可见，大部分学生更倾向于PPT形式的课程内容，教师应更加注重PPT的设计，同时可以针对同一个章节或知识点采用视频、图片或动画等多种形式呈现，使课程内容更加丰富，尽可能适应每个学生的学习风格(如图3所示)。

图3 课程资源访问情况

2.3.2 社会网络分析 社会网络分析(social network analysis，SNA)方法是由社会学家根据数学方法、图论等发展起来的定量分析方法。运用社会网络分析法，可以探究网络学习过程中的关系、角色以及网络形成的过程与特点，还可以了解人们如何在网络学习中建立并维持关系，从而为自己的学习提供支持［8］。

SNA包括三种分析单位:①行动者(Actors)，即网络中的节点，该研究中即BlackBoard中的学习者;②关系(Relationship)，即网络中节点间的连线，反映行动者之间的联系;③连结(Tie)，即一种关系的集合。SNA所研究的关系包括内容、方向及强度三个部分。关系的内容是指行动者之间的一切交互内容，如论坛中的帖子;关系的方向是指关系从哪个行动者发出，又指向哪个行动者;关系的强度指的是行动者之间交换信息的数量和频次，等。关系的方向分为有向性和无向性两种，在网络学习平台中我们更多关注的是关系的有向性。SNA有两种分析类型:自我中心网络分析和整体网络分析。其中，整体网络分析可用于宏观、中观和微观三个层次［9］。

为了研究“班级论坛”中的社会网络结构，该研究以54名成员在论坛中的关系数据为研究对象。54名成员有53名学生和1名教师组成。该研究采用整体网络分析法，使用UCINET软件做数据处理和分析。

①宏观层次分析:宏观层次分析关注的是整体社会网络结构。图4为作者使用UCINET中的Netdraw软件绘制的社会网络结构图。从图4可以看出节点数为54，连接数为34。利用UCINET计算出该社会网络的整体网络密度为0.015，是一个稀疏网络。此外，在该社会网络中存在31个孤立点，他们在整个学习过程中始终没有和其他人联系过。教师可以多关注在论坛中不活跃的学生，进一步了解他们的学习风格。例如:这些学生更喜欢独立解决问题，那么可以在BlackBoard平台中添加搜索工具、开通博客功能，等，丰富学习资源的同时满足学生的个性化学习需求。

图4 社会网络结构图

②中观层次分析:中观层次分析的关注点是揭示社会网络内部的子结构。派系分析是一种建立在群体互惠性关系基础上的凝聚子群分析方法。作者利用UCINET软件的派系分析功能，得到规模为3的派系共4个，如图5所示。

接下来进行派系重叠分析，学号为41305218的学生出现在了3个派系中，说明该学生能和75%的派系保持密切联系，是论坛中的核心成员。编号为2001032的成员是教师，他隶属于2个派系，与每个派系的接近程度分别为 0.333、1.000、0.333、0.667、1.000，说明教师对各个派系的活动都有影响，教师充分发挥了主导作用。根据派系分析结果可以进行初步的学习小组划分，把在论坛中比较活跃的学生选为组长，再根据其他学生的学习情况、特长、性格特点等选择小组成员。此外，在学习资源个性化推荐系统中，利用派系分析的结果可以为学习者推荐学习伙伴，满足学习者的个性化需求。

③微观层次分析:微观层次分析关注的是行动者的中心性和声望。中心性衡量的是一个行动者在社会网络中寻求互动的程度，一般用行动者的点出度表示。一个具有高度中心性的行动者会在网络中拥有许多直接的联系。声望表示社会网络中其他行动者搜寻某行动者建立连结的程度，一般用点入度表示。行动者的声望高意味着该行动者是其他众多行动者选择的通讯对象，比较受大家欢迎［9］。

作者采用相对度数中心度的计算方法，即点的绝对中心度与图中点的最大可能的度数之比，对54名学习者的相对点入度和相对点出度进行了计算。得到结果为:点出度和点入度的平均值均为0.06，学号为41305197的学生的点出度最高，值为0.15，说明该学生处于网络的中心位置。学号为41305191的学生的点入度最高，值为0.11，说明该学生在整个网络中获得了最高声望。

图5 派系分析结果

3 总结

该研究通过对BlackBoard中的学生学习行为进行统计分析和社会网络分析，为教师进行教学干预和改进教学提供了一定的支持。学习分析的对象和方法有很多，例如关联分析、聚类分析、时序模式挖掘，等。通过学习分析，教师可以更加清晰和深入地了解学生的学习情况，根据学生的个性化表现，了解学生的学习掌握程度，为学生提供适当的学习支持，并以此为依据改进教学。此外，根据学习分析的结果可以进行教学干预，例如:增加谈话、调整授课方式和学习活动，等。对于个性化推荐系统，设计者可以根据学习分析的结果为学习者推荐学习资源和学习伙伴，等。下一步的研究重点是利用关联分析挖掘不同学习风格、学习活动和成绩之间的关系，向学习者推荐适合其特定学习风格的学习活动。

［1］吴永和，陈丹，马晓玲，等.学习分析:教育信息化的新浪潮［J］.远程教育杂志，2013，(4):11-19

［2］Wikipedia.Blackboard Inc［EB/OL］.http://en.wikipedia.org/wiki/Blackboard_Inc，2012-12-30

［3］Johnson L，Adams Becker S，Cummins M，et al.Part I新媒体联盟地平线报告(2013高等教育版)［J］.北京广播电视大学学报，2013，(S1):19-21

［4］顾小清，张进良，蔡慧英.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

［5］刘军.整体网分析讲义—UCINET软件使用指南［M］.上海:格致出版社，2009:34-35

［6］郁晓华，顾小清.学习活动流:一个学习分析的行为模型［J］.远程教育杂志，2013，(4):20-28

［7］杨金来，洪伟林，张翼翔.网络学习行为的实时监控研究与实践［J］.开放教育研究，2008，(4):87-92

［8］李艳燕，马韶茜，黄荣怀.学习分析技术:服务学习过程设计和优化［J］.开放教育研究，2012，(5):18-24

［9］王陆.虚拟学习社区的社会网络分析［J］.中国电化教育，2009，(2):5-10