基于学习行为数据的在线学习时间规律探析

和珍珍

摘 要 为提高信息化教学效率，基于在线学习行为数据发掘学生的在线学习规律，得出假期是在线学习活跃期，且每天10点钟和17点钟左右的参与度最高，学生单次学习持续时间以5分钟以内的碎片化学习和接近40分钟的课堂化学习为主。以此为教师和学生提供在线辅导、教学视频设计和学习的时间参考，并提出将学习行为检测整合到数字化校园建设中。

关键词 在线学习；时间规律；学习行为；学习体验

中图分类号：G642 文献标识码：B

文章编号：1671-489X（2016）20-0001-05

Abstract To improve informational teaching effectiveness and effi-ciency， this study explored students online learning law. The statis-tics of students online learning behaviorshowed that students mainlyparticipate in study on holiday and the largest number of students participate in study at ten oclock and seventeen oclock everyday. Besides， continuous learning often for five minutes or almost forty minutes at one time. Teachers and students can arrange teaching time and teaching design according to their own learning raw.

Key words e-learning； law of time； learning behavior； learning ex-perience

1 引言

“互联网+教育”用现代信息技术改变传统教育模式，以教育信息化促进教育现代化。在线教育促进了教育管理、教育教学和教育科研等教育领域各方面的改革与发展。在线学习者也得到极大的学习自由，他们不仅可以自主地选修课程，还可以随时随地参与到学习中，充分利用自己的业余时间。然而，也正是因为在线教育师生背景的多样化和参与时间的高度自由化，导致师生之间的实时交互机会很少，师生在线时间不同步，大量学生得不到教师的及时引导和帮助。学生与学生之间也因为这种差异而不能畅快地与同辈交流学习心得、探讨学习问题，课程论坛俨然成了“留言板”。这些不及时的反馈不仅降低了学生的学习参与感，造成学习过程中的情境性体验差，还增加了学习用时，与学生有限的学习时间相矛盾，使学习者逐渐丧失继续学习的动力，进而中途弃课[1-3]。

因此，如何依托网络学习系统，安排线上线下的网络教学活动，提高在线教育师生之间的交互实时性，改善网络学习体验，进而提高学习效率和效果，成为一项重要的教育课题。

2 相关工作

互联网大数据时代，反映学生学习状态和学习过程的海量学习行为数据[4]被记录在各类在线教育平台、教育信息系统和移动APP教育软件中。大量的可利用数据催生了学习分析技术[5]，人们不再止步于理论讨论，开始将各类数据集广泛应用到学习分析[6]中，从日趋多样化的角度探究网络学习过程，回答了“谁在学”“学什么”“怎样学”“学的结果如何”等问题[7]。

为了增强在线教育的教学效果，既有研究从学习者背景[8]、作业完成情况[9]、论坛参与度[10]等单维度进行数据统计分析，提出慕课教学改进方法，也有研究从群体差异角度出发，分别从学习总时长、学习笔记、学习次数和讨论交流次数等多维度，探讨各网络学习行为特征与学习效果的关系[11]。还有一些研究基于统计学方法和数据挖掘方法，基于学习行为与学习效果的关联构建学生模型，以此预测学生的成绩和辍学情况[12]。

以上研究从不同角度和方法探究了学生的网络学习行为，不仅丰富了网络教学设计的理论和现实依据，还给学生提供了许多学习建议，帮助学生提高学习成绩。这些建议强调学习者应该多多参与论坛交流等多项学习环节，加强学习投入，还建议学习系统要增加学习预警功能，向即将辍课的学生发送通知和预警，让这些学生及时回归到课程学习中。然而，这些研究在向学生提出种种建议和要求的时候，却忽视了学生“可投入的学习时间是有限的”，学生没有足够的时间完成更多的网络学习活动。

要解决学习效果和学习时间之间的矛盾，还需要联系师生的线上线下活动，从网络教学的主体内部揭露和认识网络学习时间规律，遵循规律安排教学，提高教学效率。本研究基于目前的数据分析条件，以网络学习行为数据为依托，发掘学生的学习时间规律，为安排线上线下的网络教学活动提供参考，以期达到适才适所，提高在线教育交互反馈的及时性，改善网络学习的参与式体验，进而达到提高学习效率、增强学习效果的目标。

3 研究设计

研究框架 本研究中所采用的学习行为特征指网络在线学习系统数据库中记录的学生学习行为。本研究基于学习发生的时间维度，从4个方面对学生学习行为特征进行探讨：1）网络学习行为总体分布情况；2）不同月份、不同学习活动、不同成绩等级的学习行为分布，以及节假日对学习行为的影响；3）学生单次学习持续时间长度分布；

4）特异学习行为分析。

研究对象 本研究的研究对象是我国西南部某市的高中生，学习行为数据来源于该市的普通高中选修课网络学习系统，该系统是为适应高中新课程改革对选修课学习的要求，通过选修课程视频学习、交流讨论、辅助资源下载、在线考试等功能，进行线上自主学习和线上集中学习相结合、过程性评价和总结性评价相结合的选修课教学。系统自2010年投入使用，目前注册用户数已达到8万余人，本研究选取了2014—2015年的学习行为数据。

研究方法和工具 本研究的研究数据源自普通高中选修课网络学习系统的数据库，数据量大，主要利用数据统计分析与处理软件SPSS（Statistical Product and ServiceSolutions，统计产品与服务解决方案软件）、WEKA（Waikato Environment for Knowledge Analysis，怀卡托智能分析环境）进行数据的预处理。经数据标准化、无关数据剔除等处理后，使用SPSS、Excel和Word做数据统计及结果的图表化展示工作。

4 学习规律挖掘结果

总体分布情况 通过对学习数据的统计分析，本研究发现学生在暑假（6、7、8月）的学习参与度远超在校期间的学习次数，寒假期间（2、3月）的学习参与度也要高于在校期间；但相较于暑假，寒假的参与度则有所不及。这也反证了可以投入的时间量是影响网络学习参与度的重要因素。一年中不同月份学生网络学习的参与度如图1所示。

虽然网络学习允许学习者在任何时候参与学习，自由度很高，但是通过数据分析发现，一天中不同时段的学习参与度有很大的不同。结果显示，在上午10点和下午5点论坛讨论参与度显著高于其他时段，如图2所示。

假期学习时段分布情况 在校期间受课堂教学时间的约束，学习时间参与度尤其是讨论交流次数会在放学时出现较大的峰值；而在周末、节假日等短假期，学生学习自由度相对较高，表现出不同的学习时间规律，在这期间的学习时间分布相对均匀，讨论交流次数会在10点和17点出现相对峰值，但与其他时间段差别不大。具体学习分布如图3所示。

考虑到暑假的6、7、8月是学习的高峰期，且此段时间没有课堂教学时间等约束，学生在自由状态下的主动学习发生时间更能体现学生的认知规律。因此，本研究统计了暑假学生的网络学习参与情况，如图4所示。从图3和图4可以看出，假期对学生在论坛交流方面的时间分布影响不明显，都会在上午10点钟和下午5点钟达到峰值；对学生在视频学习方面的时间分布则会产生较大影响，在校期间会在上午10点钟、下午5点钟和7点钟出现视频学习高峰，其他时间的学习人数明显减少，而假期的分布则相对均匀。此外，在统计过程中还发现，学生在假期参加讨论交流的次数要远高于视频学习，更乐于和人交流，而不是观看教学视频；而在校期间则恰恰相反。

越来越多的研究表明，网络学习行为与学习效果密切相关。剖析网络学习行为模式与学习效果的关联，不仅有助于课程开发人员制定有效的学习支持服务策略，更能为网络学习者提供可借鉴的高效学习方法，从而达到有效的网络教与学。因此，本研究统计成绩优秀学生的学习时间分布如图5所示。与学生群体的总体学习分布类似，成绩优秀学生的学习参与热度也会在上午10点钟、下午5点钟出现峰值。与总体情况相反的是，这部分学生在晚上8点钟之后的论坛参与度会有所增强，视频学习量明显下降。

学习持续时间分布情况 “教学视频碎片化”学习一度被人们奉为网络视频时长设计标准，不仅方便了学习者利用工作、活动间隙时间学习，间接增加了可以投入的学习时间，而且短时间的教学能保证学生的注意力始终处于高度集中状态[13]。但是对“碎片化”的诟病也逐渐浮现，认为将知识点拆分成一个个小块使知识系统涣散，大量碎片式的学习方式也不利于学生对知识的系统梳理，知识的深度降低[14]。

无独有偶，人们对传统的45分钟课堂制同样褒贬不一。

有趣的是，通过对学生单次学习持续时间的统计，发现学生的学习习惯恰如这两者的结合。如图6所示，以5分钟为时间区段划分粒度，可以看出，持续时间在1～5分钟和持续时间在40分钟左右的人数最多，且明显多于其他类型人数。

5 基于学习规律的教学设计建议

通过对学生网络学习规律的发掘，可以得出学生参与学习的时间主要分布在假期，且在每天的上午10点和下午5点参与网络学习的人数最多，学生单次学习持续时间以5分钟以内的碎片化学习和接近40分钟的课堂化学习为主。基于此，本研究从教师、学生、教学平台、教学资源设计等不同的角度提出教学设计建议。

1）师生在线时间不同步会削弱师生交互效果。教师若将在线辅导时间、在线师生交流时间安排在这两个学习高峰时间段，则可以比其他时间段帮助到更多的学生，提高在线辅导效率，同时可以让学生的困惑得到及时的引导和解答，增强在线师生交互的效果。教师在设计教学内容、选择教学视频录制背景等方面，也可以考虑学生在这两个时间段的心理、生理特点，让教学更情境化、人性化。基于只有少部分学生能连续学习50分钟以上（如图6所示），本研究认为线上和线下教学时间安排应该尽量控制在50分钟以内，以保证教学效率。

2）喜好交流的学生可以在这个时间段参与讨论，将自己的困惑诉诸论坛，得到更及时的回复，提高问题解决效率，为自己营造实时参与感。对于另一部分学生来说，又可以选择避开这段学习高峰期，避免网络带宽限制、服务器负载量过大等导致的内容加载缓慢等问题，减少不必要的网页加载等待时间，改善自己网络学习体验。

3）个性化教学成为在线学习平台的发展方向，个性化要求按照学习者的要求和特点，提供针对个体并适宜于该个体的学习内容，即学习资源的弹性化和定制式[15]。但就视频时长来讲，很难做到完全适应学生的各种学习习惯。因为制作多种教学视频，必然导致制作成本的提高；同时，知识点本身的讲解难度有要求，时间太短会造成讲解不透彻，时间太长又会显得烦琐。因此，建议根据学生学习持续时间以5分钟以内的碎片化学习和接近40分钟的课堂化学习为主的事实，制作这样两类时长的教学视频，既满足学生利用碎片时间学习的需求，又可以减少另一部分持久性学习的学生的操作次数，让学习更连贯，学习体验更顺畅。

此外，教学平台可以将消息推送、公告发布时间设置在此段时间内，方便更多的学习者及时接收消息。教学平台管理人员应在这段学习高峰期加强系统维护，防止出现服务器因访问并发数太多、负载量太大而引发的一系列访问受限问题。

4）如果说大部分学习者体现出的学习规律可以帮助师生安排教学活动，那么有着异常学习行为的学生则更需要被关注。在本研究的学习行为规律统计过程中，发现有少数学生的学习时间与他人差异大，且在学习活动参与频度方面也很特殊。例如：有部分学习者经常在深夜学习；有的学习者很积极地看教学视频，但不参与论坛讨论；有的则恰好相反，甚至有学生连续回复了121条帖子，数量之多可谓一骑绝尘，且内容多是发泄情绪的词语，表达对自己和他人的厌恶，消极情绪倾向明显。

教育的本质是全面育人，追求认知发展与情感培养的统一、聪明才智与良好品德的统一，对个体的培养切不可顾此失彼[16]。但在网络教育环境下，教师无法对学习过程“察言观色”，加之网络学习者人数众多，一个教师往往对应着成百上千的学生，即使有心发现有特殊情况的学生，也往往是心有余而力不足。因此，本研究认为可以在教学平台中加入异常行为检测功能，利用聚类等技术发现表现异常的学生，既可以帮助教师快速发现特殊的学生，提高教师的辅导效率，又可以让这部分学生被教师发现，让教师了解到他们的情况，进而因材施教，完善学生的全面发展。

6 小结

在网络教育发展势头锐不可当的大环境下，本文秉承“教育为体，网络为用”的思想，提出利用网络学习行为数据，分析网络学生群体的普遍学习规律。结果显示，学生参与学习的时间主要分布在假期，且在每天的上午10点和下午5点参与网络学习的人数最多；而就学生单次学习持续时间而言，以5分钟以内的碎片化学习和接近40分钟的课堂化学习为主。进而，本研究针对学生网络学习的普遍规律，从多角度提出教与学的建议，并建议教育要关注学生的特异表现，既追求科学文化知识传授的效率和效果，又注重学生的学习体验感和思想发展，以人为本，全面育人。

参考文献

[1]MOOC学院.2014年慕课学习者调查报告[EB/OL].http：//mooc.guokr.com/post/610674/.

[2]孟亚玲.从“MOOC中文用户大摸底”看其对中国教育的影响[J].电化教育研究，2014（8）：38-43.

[3]MOOC学院.慕课中文用户大摸底[EB/OL].http：//mooc.guokr.com/post/610667/.

[4]孙洪涛.学习分析视角下的远程教学交互分析案例研究[J].中国电化教育，2012（11）：40-46.

[5]魏雪峰，宋灵青.学习分析：更好地理解学生个性化学习过程：访谈学习分析研究专家George Siemens教授[J].中国电化教育，2013（9）：1-4.

[6]祝智庭，沈德梅.学习分析学：智慧教育的科学力量[J].电化教育研究，2013（5）：5-19.

[7]张艳霞，孙洪涛，李爽，等.数据表征学习过程及其应用：学习分析数据集国际研究综述[J].中国电化教育，2015（9）：85-93.

[8]Nesterko S， Dotsenko S， Hu Q， et al.Evaluating geographic data in MOOCs[EB/OL].http：//nesterko.com/files/papers/nips2013-nesterko.pdf.

[9]Han F， Veeramachaneni K， Reilly U. Analyzing millions ofsubmissions to help MOOC instructors understand problem sol-ving[EB/OL].http：//groups.csail.mit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/ProblemAnalytics.pdf.

[10]Stump G S， Deboer J， Whittinghill J， et al. Development ofa framework to classify MOOC discussion forum posts： Metho-dology and Challenges[EB/OL].http：//tll.mit.edu/sites/default/files/library/Coding_a_MOOC_Discussion_Forum.pdf.

[11]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（9）：53-57.

[12]蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015（3）：614-628.

[13]汪岩.微课支持下的翻转课堂模式设计研究[J].中国教育技术装备，2014（10）：39-44.

[14]文青.碎片与智慧[J].开放教育研究，2015（4）：2.

[15]吴刚.大数据时代的个性化教育：策略与实践[J].南京社会科学，2015（7）：104-110.

[16]郑中原，陈浩彬.从智慧的相关因素看智慧教育的实施[J].中国成人教育，2015（2）：29-34.