在线学习行为分析研究综述

摘 要：本文对学习行为记录、个性化学习及智能化服务以及学习行为分析模型三个方面的研究进行归纳综述，提出了以目前在线学习行为分析研究中存在的一些问题。

关键词：学习记录；个性化学习；学习行为分析模型

DOI：10.16640/j.cnki.37-1222/t.2017.24.200

1 引言

《2017年中国在线教育行业发展现状及市场规模预测》调查数据显示，2016年在线教育市场规模达到1560.2亿元，用户规模达到9001万人，预计2018年，在线教育市场规模将突破2000亿。我国自1990年开展远程教育以来，取得了巨大的发展，在线教育逐渐成为在职人员继续深造学习的方式，也成为各学校教师生学习的必不可少的一种学习方式。发展至今，学校、政府部门、公司几乎都有自己的在线学习学习平台。在线教育与传统教育相比较，具有学习资源共享、学习资源丰、教育规模大、教育成本小、不受时间空间限制等优势，它依托互联网，能够实现随时随地学习。因此在线学习的人数和规模迅猛发展，其受重视程度不可小觑，正逐步成为不可或缺的主要学习方式。

2012年，大数据迅速发展，强势来袭，“数据思维”的重要性瞬间充斥到各行各业。教育领域也不例外，在线教育的过程中充斥着多种形式的教育数据。利用学习数据来评价学生的学习表现和为学生提供服务已成为不可阻挡的趋势，以数据为依据更具有科学性和说服力。随着网络课程与学习技术系统的发展，能够获取到的在线学习者学习数据会越来越多，利用学习行为分析的方法和技术，可以深入挖掘学习者学习数据背后隐藏的巨大价值，例如可以分析学习者风格、学习者学习行为习惯、行为产生的动机、需要、环境等因素，以及各个行为之间潜在的关联规则，微妙而又复杂的关系等等。从这些数据中挖掘出与学习相关的信息，从而实现改进教学系统、提升学习效果，在教育信息化领域一直有着巨大的吸引力[1]。

2 在线学习行为分析研究现状

在线学习行为分析是一门综合性较强、知识浓度较高、跨领域较广的研究，涉及多个学科领域的知识，例如行为认知、心理学、教育学、统计学、数据挖掘、人工智能等，因此不同研究者从不同的角度出发，其研究方法和研究范畴也各不相同。本文聚焦于学习行为数据的记录、个性化学习资源及智能化服务、学习行为分析模型三个方面进行综述。

2.1 学习行为记录研究

国内外学者对于在线学习行为的研究，最初始于国外学者AnnaHummel等投入了无线通信移动设备，如：PC（个人计算机）、PDA（掌上电脑）、Notebook（笔记本电脑）等。利用移动设备实时的追踪记录学生的学习行为，建立了基于web的在线学习平台，学生的应用移动通信设备学习的行为数据将会传到web服务器和数据库，教师或管理者通过日志记录获取到学生的学习内容、学习反馈、自我评价、在线作业，据此形成对学生的及时反馈和评价[2]。此外，美国为了简化教学流程还创建了在线学生成绩管理平台Engrade，包含了测试、管理、作业、评价等9大功能，教师可以随时查看学生的学习状态并据此调整教学方案，教学资源实现重复利用，提高了教学效率[3]。我国对在线学习行为分析的研究相对稍晚于国外，早期的研究主要聚焦于如何使用网络环境进行有效学习，提高学习资源的利用率等方面。2004年，龚志武利用远程教育网络教学平台进行实证研究，研究了师生交互率与网上累计学习时间、网上累计学习次数之间的关系，并列举出一些值得探讨的问题。如：学习者的交互和独立如何制衡[4]，教师的投入和回报问题如何处理[5]。2005年，徐彩虹采用问卷调查的方式分析了河北、江苏、山东3个省份5所高校的大学生在线安学习过程中存在的问题（学习较少娱乐较多、学习资源匮乏、缺少教师指导），探讨了对对大学生在线学习行为的主要影响因素（学生计算机技能不足、教师网络素养低、在线学习资源匮乏），并据此提出了相应的改进策略（网络素质教育、加强信息化建设、网络教学培训）[6]。

教育心理學将人的学习行为划分为两个大的维度，即外显行为（Ex-plicitLearning）和内隐行为（ImplicitLearning）。外显行为是我们可以直接观测、记录到的行为，而内隐行为则是根据内心世界的想法对外做出的行为。可以看出，对在线学习者学习行为的记录，主要依托在线学习平台通过Internet将学生的外显学习行为（学习时长、学习进度、讨论交流、作业、测试、答疑等）记录到网络服务器和数据库，教师从学习平台后台的日志记录中获取学习者的学习行为。而学生的内隐学习行为，通常采用问卷调查的方式获取。

2.2 个性化学习及智能化服务研究

部分学者从学生学习需求出发，力图满足学生的在线学习需求，提高学习满意度，从而积极地促进学习者在线学习行为的发生。Wan-ILee等为学生提供适合自己的教学策略，通过提升教学环境，提高在线学习者的学习满意度，最终实现提高学习绩效的目的[7]。Chih-MingChen等设计了个性化学习系统，在这个系统中运用了模糊推理机制，依据学习者对课件学习的反应来推测出学习者学习能力的强弱，从而为学习者推荐难度系数与学习者学习能力向符合的学习课件[8]。Jia-JiunnLo通过对学习者在线学习时浏览网页的节点顺序和打开的相关链接，分析学习者的学习偏好和学习风格，推荐相应的学习内容[9]。我国研究者赵铮提出了面向智慧学习空间学习过程的推荐系统，整个系统分为四层，前两层主要负责学习者在线学习行为数据采集和分类存储，第三层负责分析前两层所得数据，计算学习者相似度，第四层依据计算分析结果向学习者推荐学习路径和学习资源的个性化服务[10]。吴洪艳基于智慧学习理论和学习分析理论，阐述了构建个性化学习系统的思路，构建了个性化在线学习系统，依据学习者需求和学习规律，为不同的学习者推荐适合自身法的学习资源和学习路径，教师可以预测学习效果、干预学生学习[11]。

不难看出，致力于个性化学习资源及智能化服务研究的文献，从两条路线来促进学习者的学习行为，一是改善在线学习环境、学习资源，满足学习者的学习需求；二是通过创建个性化学习服务平台，为学习者提供推荐个性化的学习资源、学习路径、学习策略和学习干预。

2.3 学习行为分析模型的研究

我国许多学者为学习行为分析模型的研究做出了贡献，为后续研究奠定了基础。比较有代表性的有：2012年彭文辉的博士学位论文提出了一系列有关学习行为分析的模型。如OCCP分类模型将学习行为从低级到高级分为四个层次（操作、认知、协作、问题解决）， S-F-T三维分类模型（结构、功能、方式），网络学习行为系统概念模型（要素、描述、分类、受影响、获取数据、分析、研究意义），网络学习信息模型并实现XML绑定，最后设计开发出网络学习原型系统并投入实践应用论证模型[12]。2014年，胡艺龄、顾小清、张春分析了现有学习行为分析模型的不足（未体现在线学习分析的过程描述），构建了自底向上的分为数据层、机制层、结果层，数据层负责收集学习者产生或发布的数据，形成行为特征库，机制层分析行为特征库中各因素之间的关联与内涵，提供预测和及时反馈，结果层将分析结果可视化并呈现给学习者、教师、家长、管理者，三个层不断循环更新迭代[13]。2017年张家华等基于传统的RTI（ResponsetoIntervention，简称RTI）模式构建了包括筛选、监控、多层次干预、决策和分析五个要素的循环迭代在线学习干预模型，并用实验检验其有效性，将在线学习者的学习行为数据筛选后，预测可能存在风险的学习者加以适当的干预[14]。

以上学习行为分析模型的构建，学生既是学习行为的产生者，也是学习行为分析的最终受益者。出发点和落脚点均在学习者自身，体现出以学习者为中心的思想。以“数据获取——数据分析——结果反馈”这样的思路，数据不断迭代更新，分析机制也不断更新，形成良性循环。

3 存在的问题

综合以上三方面研究现状来看，目前对于在线学习行为分析的研究已经取得一定的成果，但已存在不足之处。第一，对于学习行为的记录，依然停留在刚起步的水平，只能够简单地记录比如学习时长、学习时间、谈论交流等一些外显行为，而对于能够反应学习者内隐行为的记录还需进一步研究。第二，个性化及智能化服务系统缺乏情感交流，对于在线学习环境下学习者行为的研究还不够深入，并非想学习者推送学习资源学习者就会进行有效地学习。第三，由于学习行为分析涉及到的知识领域比较广泛，研究者需要掌握大量的各学科领域的知识，但目前对学习行为分析的研究多为与教育相关专业的人员，在学科知识整合不够完善的情况下，研究显得不够专业。因此，学习行为分析模型的构建大多停留在理论构建的基础上，构建好的模型没有能够依据模型的方法构建出平台并投入使用，实证研究的规模还比较小。

参考文献：

[1]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，2012，30（01）：18-25.

[2]Karin Anna Hummel，Helmut Hlavacs.Anytime，Anywhere Learning Behavior Using a Web-Based Platform for a University Lectrue. Praoceedings of the SSGRR 2003 Winter Confrence，2003.

[3]Engrade IK-12 Instructional Management Platform[DB/OL]. https：//www.engrade.com.

[4]John Daniel.Using ICT for Quality Teaching， Learning and Effective Management[A].7th Annual UNESCO-ACEID International Conference on Education[C].Bangkok，2001：11-21.

[5]龚志武.关于成人学生网上学习行为影响因素的实证研究[J].中国电化教育，2004（08）：32-35.

[6]徐红彩.在校大学生网络学习行为的调查与研究[J].电化教育研究，2005（06）：61-63.

[7]Wan-I Lee.The application of KANO's model for improving Web-based learning performance [DB/OL].32nd ASEE/IEEE Frontiers in Education Conference，2002.

[8]Chih-Ming Chena，Ling-Jiun Duh.Personalized web-based tutoring system based on fuzzy item response theory.Expert Systems with Applications，2007.

[9]Jia-Jiunn Lo，Pai-Chuan Shu.Identifying Learning Styles by Observing Learners'Browsing Behavior.British Journal of Educational Technology （in press）.

[10]赵铮，李振，周东岱，钟绍春.智慧学习空间中学习行为分析及推荐系统研究[J].现代教育技术，2016，26（01）：100-106.

[11]吴洪艳.智慧学习视角下个性化在线学习系统设计与应用[J].中国电话教育，2016，341（06）：127-131.

[12]彭文辉.网络学习行为分析及建模[J].华中师范大学，2012.

[13]胡艺龄，顾小清，赵春.在线学习行为分析建模及挖掘[J].开放教育研究，2014，20（02）：102-110.

[14]張家华，邹琴，祝智庭.学习分析视角下在线学习干预模型应用[J].现代远程教育研究，2017，（04）：88-96.

作者简介：孙燕龙（1992-）， 男 ， 云南昆明人 ， 硕士研究生 ， 研究方向：学习行为分析。