学习行为投入评测框架构建与实证研究

张琪 武法提

摘要：作为学习者实际表现的主要驱动力量，学习行为投入还未能形成有效的评测体系。该文在对学习行为投入本质探寻的基础上，利用学习者对信息交换活动的适应性调节过程分析学习行为投入的状态，建立周期反馈循环模型，确定了包含持续性（Persistence）、反思性（Reflection）、主动性（Initia tive）与专注性（Concentration）的“PRIC”评测维度以表征学习行为投入的水平。据此构建了基于教育云平台的学习行为投入评测框架。框架指标的探索性因子分析表明，4个因子积累方差解释率为64.90%，因子载荷在（）625至0.930之间；验证性因子分析表明，各拟合指数良好，标准化路径系数在0.60至0.94之间，建构信度为0.949；主成分回归分析表明，4个因子对学习结果具有36%的解释力。为更准确的构建评价体系，利用层次分析法建立指标权重，“PRIC”各维度的权重分别为0.3263、0.2121、0.2516与0.2100。

关键词：学习行为投入； “互联网+”教学；教育云平台；评测框架；实证研究

中图分类号：G434

文献标识码：A

利用技术促进自我导向的学习是信息时代个性化学习的核心特征[1]。这类新型学习环境设计强调“以学习者为中心”，更关注“学习者如何建构学习内容”。纵观当前互联网+教学实践，还未能形成有效的评测体系，尤其是评测指标与一线教学场景的结合度不够。因此，迫切需要针对信息技术的教学场景设计新的评估方式，采用一种既有信度又有效度的指标体系考量学习状态。在对学习行为投入定义及理论模型研究的基础上， “数字学习与教育公共服务教育部工程研究中心”围绕学习行为投入的评测方式展开探索，通过建立体现系统性、过程性以及具备效度的评测框架，以表征学习行为投入的水平，以期助力有效的学习分析与评测工具开发，推动“互联网+”教学的优化变革。

一、学习行为投入的状态界定

作为“学习者实际表现的主要驱动力量”[2]，学习行为投入是指更积极、持久和有效的行为状态，是学习者借助无缝学习空间，在工具、学习方式与学习任务的调控下，与学习资源、共同体进行信息交换活动的行为表达结果。根据学习行为投入理论模型，在学习目标和动机的激发下，操作流演进为连贯的学习行为序列，以支撑学习者与学习资源、学习共同体之间的信息交换活动；在以信息交换为核心的活动系统中，学习者使用不同的适应性调节策略，引发相应的学习行为投入，外显上体现为学习绩效的提升与学习目标的达成。因此，对学习行为投入的状态界定可以围绕学习者对信息交换活动的适应性调节过程展开分析。

（一）多维度、自定步调是信息交换活动的重要特征

传统“混合学习”并不突出移动设备的实时在线、互联以及跨边界特性。 “互联网+”混合学习环境中移动媒体的便携与聯通特性，更强调多维度的信息交换活动。多维度特性体现在4个方面。一是学习者利用学习内容与资源的便捷性与途径的多样性；二是学习行为序列聚合与重组的跳跃性与敏捷性；三是活动系统内部体现的跨时空特性；四是立体化学习方式带来的多维学习体验。

信息交换的多维度特性，极大拓宽了活动的种类与实施的灵活性、白组织化以及开展的弹性。学习者可以按需参与互评、反馈、沙龙、竞赛、讨论、演讲、投票、展示等多样化的学习活动，围绕不同学习场景展开认知加工、信息联通与群体互动。这对学习者自控能力提出了极高的要求。信息交换活动中，自定步调体现在时间管理、进度管理、自我约束、主动建构等方面，更反映出学习者对学习活动进行适应性调节，以不断优化学习状态的过程。

（二）周期反馈循环是信息交换活动与学习行为投入的中介

“互联网+”混合学习环境中，学习空间、物理空间、虚拟空间、混合空间融为一体，赋予了学生学习的新意蕴，使其表现出了不同于以往的新特征[3]。在此情境下，信息交换活动与学习行为投入之间调节作用更为密切。基于社会认知论的自我调节学习视角，学习者在计划阶段的表现和信念会影响之后行为或认知阶段的调节活动。开始任务之前，学习者会努力确定学习任务的要求，拟定计划或处理该类问题的程度。在混合学习环境中，这一阶段的作用被强化，学习者更倾向于意识活动中的细节、期望取得的目标以及达成目标的方法[4]。从横向上看，体出学习个体基于一定步骤达成学习目标或在提示下获得对任务状态的反馈；从纵向上看，体现在学习者置身于多个“场域”之中，实现与其他学习者的协调共进。

由此可见，周期反馈循环可以决定“以任务为导向的个体出现并保持投入的状态”，并强调认知、元认知及相关动力信念在这一过程中的作用，决定了学习行为投入的水平。基于该视角，学习行为投入并非“要么没有、要么全部”，而是在不同学习阶段中持续与交替出现。此外，学习行为投入的变化过程中，学习者会启动不同种类的自我观察程序，即在学习策略不奏效时，也可帮助学习者改进与调整学习活动。

二、学习行为投入周期反馈循环模型

基于以上分析，构建了学习行为投入周期反馈循环模型，如图1所示。确定了持续性（Persistence）、反思性（Reflection）、主动性（Initiative）、专注性（Concentration）的评测维度以表征学习行为投入的水平。研究从模型层次结构、周期循环要素、模型内部动力机制以及“PRIC”评测维度展开阐释。

（一）模型的层次结构

该模型包括学习行为投入、周期反馈循环以及信息交换活动3个层次。

圆心位置的核心层为学习行为投入。从可观察的形态表现在问题解决能力提升、学习行为持续、任务目标达成等积极有效的行为状态。从学习结果上体现在学习者新旧概念的转换与认知结构的变化。

中间层为周期反馈循环层（虚线箭头的环状标识），包括设定计划、行为策略、任务执行、观察评价组成的动力循环结构。周期反馈循环作为中间变量，直接指向个体学习时产生并保持高学习行为投入的状态。

最外层为信息交换活动层。信息交换活动是学习行为序列在主体、客体、共同体、中介、工具、混合学习环境等要素作用下的不断凝聚与重组，以有目的地满足学习需要。

（二）周期反馈循环

借鉴Zimmerman的自我调节学习模型[5]，确定包含设定计划、行为策略、任务执行、观察评价的“周期反馈循环”。其中，设定计划是学习者在任务开始之前，设定成果或进程安排，提出学习计划以实现学习目标；行为策略是自我调节中的“策略和方法环节”（Segment Focuses onTactics and Strategies）；任务执行过程是指学习者致力于学习任务，基于已有知识和信念解释任务的屬性和需求，通过建构的解释，设置新的目标或者应用行为策略；观察评价是对上述表现评判基础上，判定自身成就与结果的过程。在学习过程中，学习者更有可能将自己的成败归因于所用策略，并据此做出调整，以期未来取得更好的表现。根据动力循环结构模型，学习者会不断重复以上4个调节步骤。

（三）模型的内部交互机制

模型内部交互机制包括4个方面。一是核心层与中间层之间的交互作用，体现在“专注性”调控周期循环与学习行为投入；二是周期循环层内部的持续流动，体现在“持续性”连接设定计划、行为策略、任务执行与观察评价4要素；三是周期循环层各要素之间的重组和变化，体现“反思性”对设定计划、行为策略与任务执行的调控。需要说明的是， “观察评价”作为周期循环的要素之一，同样属于反思环节的一部分；四是周期循环层与信息交换之间的交互作用，体现在“主动性”调控周期循环与信息交换活动。其中，持续性和专注性可以保障信息交换活动的自定步调特征，主动性和反思性可以保障学习活动的多维特性，由此形成稳定、持续、积极的投入状态。

（四）“PRIC”评测维度

1.持续性（Persistence）

持续性贯通“设定计划、行为策略、任务执行以观察评价”四要素，使周期循环层内部呈现顺序流动。持续性是学习行为投入产生和维系的关键。为了维系学习行为投入，学习者对动机进行调节尤为重要。持续性反映动机调节的结果，指向学习者有目的增强对任务意愿的达成过程，是周期反馈循环的核心。

从表现形式上看，在技术支撑的无缝学习空间中，学习者必须持续使用特定的学习步骤以达到指定学习目标，尤其在没有监督和管理情况下需要调整学习时间和精力分配，依据标准检测自身进步，从而与学习内容、媒体、学习共同体之间产生连续交互活动。持续性强调学习任务、学习规划以及任务完成过程中的连续程度，包括时间规划、努力规划、目标规划以及与环境展开互动的时间或规律性，在任务执行阶段体现出良好的学习韧性以及坚持自我的特征。

2.反思性（Reflection）

反思性从两个方面决定了学习者保持学习行为投入的状态。首先，反思性决定学习者对周期反馈循环各阶段的适应性调节。具体来看， “设定计划”环节，学习者监测学习活动、获得对自身的表现信息，以制定切实可行的目标； “行为策略”环节，学习者通过调整、改造、重组学习策略适应在线学习环境，发现课程设计中可以促进特定学习策略的元素，不断产生新的问题解决模式和技巧；“任务执行”环节，学习者不断调整认知方式与学习策略，通过建构的解释，评估自身的进步过程并调整学习策略； “观察评价”环节，学习者通过自我反馈或外部反馈与标准进行比对，配合学习者调整学习活动，并以此判定任务达成度。其次，反思性决定学习者对各阶段之间的协调与控制。此过程中，学习者会从整体层面回顾任务进程与策略分配，回顾所用策略的有效性，并为改善表现做必要的战略调整。

3.主动性（Initiative）

主动性调控周期反馈循环各阶段与信息交换活动，决定了学习者的行为控制与达成潜能的方式。主动性是探索与自控产生的根源[6]，反映学习者稳定的对信息交换活动做出积极反应的态度和倾向。“互联网+”混合学习环境中，在线学习的恒常性以及学习场景的多样性容易对学习行为控制与达成程度产生影响。高主动性学习者具有更好的自我调节能力。受到动机环境的影响，一旦学习者遇到新问题，高主动性学习者会借助“社会一文化”环境探寻答案。在发生异常动力状态，如产生阻碍性认知与行为时，主动性是保持周期反馈循环持续正向流动的关键。此外，在“学习方式一学习者一共同体”的交互作用下，联通性的作用日益凸显。在活动系统中，知识更具流动性、开放性、分布性与社会性的特征，这要求学习者能主动与外界建立关联，以不断构建自身的学习网络。

4.专注性（Concentration）

专注性反映了周期反馈循环与学习行为投入之间的匹配程度，包括学习效率、围绕目标的深入程度以及学习过程中的认知深度。这一过程的重要性在于，它在根本上决定了学习者的心理配合度与集中程度。专注性不仅会影响其学习行为投入，也会影响个体自我调节周期反馈循环中的认知投入程度[7]。从个体和环境“适应性配合”的角度，专注性同样会对学习行为投入的表达产生影响。在这类交互作用中，个体力求补偿目标与当前表现间的差距，在面对难题或挑战情境时学习者仍然努力寻求答案，集中精力以探求对问题的深入理解。

三、基于教育云平台的学习行为投入评测框架

（一）教育云平台记录指标

教育云平台功能模块与教学模式深度融合，记录包括每次学习活动登录的起止时间、课件点播学习时长、课后测试分数、学习笔记深度、学习笔记长度等16个指标。针对学习者有可能频繁登录的情况，在平台迭代完善的过程中，汇总各学科教师建议，将“学习者在任一学习模块停留时间超过15分钟且有操作行为”的状态设定为一次学习活动，以更真实的反应学生的登录状态。主要指标意义及计算方式阐释如下。

1.总计学习时间与学习次数

系统记录学习者登录与登出之间的时间与次数加权值。

2.学习时间间隔与规律性

利用△t表示学习者相邻两次登陆平台的时间间隔，对于每位学生，平台会产生△1，△2…△n的数值，利用△t的平均值计算学习时间间隔，△t的标准差衡量学习规律性[8]。

3.学习笔记深度与长度

学生可以在任意时刻（被教师强制锁定除外）调用学习笔记，记录形式可以是输入、手写或者音视频的形式。系统记录笔记的层级（即深度）与字符串长度，取字符串长度的平均值计算学习笔记长度。

4.课后测试分数

课后测试主要包括半开放性与开放性的拓展类问题，其中相当大的比重是要求学生绘制思维导图，回顾课堂知识点的脉络，或考察学習者对内容的深层理解。通过系统批阅与教师批改的形式给出最终分值。取每次分值的平均值计算课后测试分数。

5.学生提问、回答数量以及主题被推荐数量

学生利用互动答疑系统，可以在任何可能的学习阶段进行师生、生生之间的投票、发表学习话题与回复。其中，主题推荐的数量由教师遴选学生的优秀回复和提问确定。这三类数值均为加权值。

6.三屏互动展示次数

课堂中学生可以通过“三屏互动”举手，教师同意后，学生可以将自己的平板终端与其他人的同屏共享，进行演示、操作或展示。三屏互动展示次数为频次的加权值。

7.及时测评时间和分数

及时测评是采用客观题形式。课堂教学中，教师视情况将问题推送给学生，学生收到指示后立刻作答。及时测评时间被定义为教师指定时间阈值减去学生作答的时间。及时测评时间和分数均为平均值。

8.课件点播得分

课件点播以微视频与交互电子教材两种形式呈现。教师通过添加客观题、交互时间点并设置相关权重。学生作答过程中，系统会根据学习者的作答准确率、尝试次数以及完成目标数量给出综合评分。取每次分值的平均值计算课件点播得分。

（二）基于教育云平台的学习行为投入评测框架

建立“评测维度一学习活动”的映射关系，将学习行为投入各维度分解为不同学习场景的学习活动。基于平台指标的“时间、数量以及掌握情况”衡量活动的达成度，最终建立“评测维度一学习活动一平台指标”的学习行为投入评测框架，如表1所示。其中，频次与时间指标均为加权分值，分数类指标均为平均值。该评测框架以涵盖课前、课中、课后的学习活动作为关联学习行为投入与指标的桥梁，具有较好的操作性与合理性。

四、评测框架的实证研究

（一）数据预处理

2015年起，实验校高一年级16个班近千名师生使用教育云平台开展常态化教学。平台5大功能模块为支持全学科设计。为扩大学科样本、提升模型的适用性，选取语文、英语、数学3门具备代表性的学科，对持续一学期的平台数据进行分析。

汇总数据表，学生样本量752人，均不存在缺失值问题。将三门学科加权成绩作为学习结果的度量标准，成绩包括课程期末成绩与课堂表现，以更真实的反应学生的学习结果。其中，期末成绩从教务平台统一导出，课堂表现得分由各班主任提供，期末成绩占70%，课堂表现分占30%。

（二）评测框架效度分析

对理论模型效度进行评价时，探索性因子分析（EFA）与验证性因子分析（CFA）是重要的评测方法。尤其是理论效度的评价，二者综合使用才更具严谨性，缺少其中一种都是不完整的[9]。将全集样本n=752随机等分为两部分，每部分样本量为376人。其中，一部分样本采用相关分析与探索性因子分析方法构建模型指标，另一部分样本进行验证性因子分析。确定理论结构之后，基于全集数据，利用主成分回归考察不同投入因子与学习结果的关系强弱。

1.框架指标与学习结果的相关分析

16个指标变量均与学习结果显著正相关。其中， “课后测试分数”与学习结果呈现高相关（r=0.67），解释了学习结果44.6%的变异； “学习笔记深度”“主题被推荐数量”与学习结果中等程度相关（0.33

2.框架指标的探索性因子分析

采用探索性因子分析考察体系的最佳因素结构。KMO为0.719，Bartlett检验的X 2=4271.333，p=0.000<0.05，达到显著水平，拒绝相关矩阵是单元矩阵的假设，表明该数据集适宜做因子分析。采用主成分分析法对16个指标进行探索，提取特征值大于1的4个因子，4个因子累计方差贡献率为61.65%。其中“三屏互动展示次数”因子载荷为0.375，故考虑删除。对删除后的15个指标，再次进行因子分析。转轴前4个共同因素的特征值分别3.806、2.398、1.944、1.586，4个因子积累方差解释率为64.90%。利用正交转轴的最大方差法后，各因子位置相对不变，4个共同因素的特征值为3.158、2.714、1.988、1.875，4个因子累计方差贡献率不变。数据分析表明，提取后保留的因素适切，4个因子能很好地解释变量作用，因子载荷在0.625至0.930之间，表示潜在变量可以有效反映各指标变量，如表2所示。

表2可知，因子分析的结果与预先构建的理论体系一致。其中，因子1包括学习时间间隔、总计学习次数、总计学习时间、学习规律性4个指标，载荷在0.798至0.930之间，是学习行为投入的首要因子，该因子定义为“持续性”；因子2包括文本形式提问数量、多媒体形式提问数量、文本形式回答数量、多媒体形式回答数量、及时测评时间5个指标，载荷在0.625至0.812之间，该因子定义为“主动性”；因子3包括及时测评分数、课件点播得分、主题被推荐数量3个指标，载荷在0.641至0.851之间，该因子定义为“专注性”；因子4包括学习笔记深度、学习笔记长度、课后测试分数3个指标，载荷在0.738至0.814之间，该因子定义为“反思性”。

3.框架指标的验证性因子分析

利用SEM对进行验证性因素分析，采用最大似然估计法考察理论体系的数据与结构拟合程度，其结果如图2所示。

验证性因子分析结果中简约适配度指数包括X2/d厂、PCFI，绝对适配度指数包括RMSEA、GFI，增值适配度指数包括IFI、TLI、CFI。本研究中X2/d厂为2.942，小于3；PCFI为0.644，大于0.5； RMSEA为0.072，小于0.08；GFI为0.921，大于0.9；IFI为0.933，TLI为0.916，CFI为0.933，均大于0.9。标准化路径系数在0.60至0.94之间。模型中各拟合指数良好，该理论框架具备较好的效度。

为进一步探索框架指标的结构，利用建构信度（CR）考察各潜变量中的指标是否一致性的解释该潜变量。CR计算公式为：CR=（∑λ2）/（（∑λ2）+∑δ），其中δ为各指标的误差变量所解释的变异。经计算，评测框架的建构信度为0.949，远高于0.70，建构信度较好。

4.框架指标的主成分回归分析

确定理论框架之后，拟考察不同的投入因子与学习结果的关系强弱，以及是否有解释力，解释力为多少。基于全集数据，利用因子分析抽取变量主成分，采用回归方法计算并存储各因子得分，计算各因子得分与学习结果的相关系数，如表3所示。

表3可知，4个因子得分均与学习结果显著相关，其中持续性因子、主动性因子与学习结果低相关（0.1

以4个因子得分为白变量，学习结果为因变量，采用“进入”方法进行回归分析，以考察各维度对学习结果的解釋程度，其中DW=1.785，残差白相关性较弱；利用容忍度（Tolerance）、方差膨胀系数（VIF）与条件指标（CI）进行共线性诊断，预测变量之间不存在多元共线性问题。回归模型P值为0.000，小于0.05的显著水平，表示回归模型整体解释变异量达到显著水平，模型回归效果显著。4个白变量标准化系数均为正值，表示对学习结果呈现显著正向影响，4个因子对学习结果具有36%的解释力。

结合因子分析的结论以及主成分回归的结果可以看出，基于“PRIC”周期反馈循环模型，根据“维度一活动一指标”建构的评测框架维度合理，可以较好的表征学习行为投入。

（三）权重体系建立

鉴于不同的学习行为投入指标属性贡献不同，通过层次分析法设定权重，以便更准确的构建评价体系。层次分析法比一般的定量方法更重视定性的分析和判断，通过两两比较量化某一层次要素相对上一层的数量关系，是比较理想的确定复杂问题的权重方法。利用层次分析法对学习行为投入指标进行权重计算，更能与其概念的多维、复杂特征契合，也符合复杂教学情境的实际情况。

基于学习行为投入指标框架，利用Yaaph10.5建立层次结构模型，创建“学习行为投入权重调查表”，以电子档的形式分发给9名专家进行指标评判。调研专家对教学场景均有较为深刻的理解。计算各专家几何平均后的判断矩阵，分析最终判断矩阵的一致性。其中，持续性一致性比例CR为0.0589，主动性一致性比例CR为0.0520，专注性一致性比例CR为0.0010，反思性一致性比例CR为0.0344，一致性程度较高。汇总各维度权重以及计算各项指标合成权重。其中，持续性权重为0.3263，二级指标学习时间间隔、总计学习次数、总计学习时间、学习规律性的合成权重分别为0.1107、0.0341、0.0369、0.1446；主动性权重为0.2516，二级指标多媒体形式提问数量、文本形式提问数量、多媒体形式回答数量、文本形式回答数量、及时测评时间合成权重分别为0.0885、0.0571、0.0568、0.0335、0.0157；专注性权重为0.2100，二级指标及时测评分数、课件点播得分、主题被推荐数量合成权重分别为0.0927、0.0726、0.0447；反思性权重为0.2121，二级指标课后测试分数、学习笔记深度、学习笔记长度分别为0.1124、0.0514、0.0483。

从权重指标体系上看， “持续性”权重最高。二级指标中，学习的规律性与时间间隔具有较高的指标权重。相比于学习时间间隔，学习规律性更能体现出学习者持续的状态，已有诸多研究证明学习规律性是与学习绩效相关的重要因素。当前，在线学习平台的登录时间和次数是被普遍认同的反映学习行为投入的指标。本研究中，平台总计学习时间和次数权重值基本一致。

“主动性”权重位居其次。二级指标中，以视频、语音、拍照、文字结合的多媒体形式发起的问题更能反映学习者的准备程度和积极性，其权重值高于单纯文字的权重；学习者主动发起提问的权重高于回复问题的权重。此外，及时测评时间作为教师发起问题学习者积极参与的时间指标，也体现出“主动性”的程度。

再次为“反思性”权重。二级指标中，课后测试一般是教师给出的拓展性、开放性问题，其内容与课堂学习内容有关，但需要经过学习者对照、分析和评价之后进行作答或绘制（例如思维导图），其权重最高；其次是学习笔记条目深度和长度，体现了学习者对设定计划、行为策略以及任务执行过程中回顾与记录的过程，也从一定程度体现了反思性水平。

“专注性”权重略低于“反思性”权重。二级指标中，及时测评分数是考察学习者对小颗粒知识内容的掌握程度。教师讲授完毕后，即抛出问题，要求学习者立刻回答。该指标能较好的体现学习者的精力集中度与配合程度，权重值最高；类似的，学习者自主学习课件点播内容时，微视频及电子教材会内嵌任务问题，要求学习者根据学习情况进行作答。学习者有充裕的时间去分析与找寻资料，需求答案，其权重值低于及时测评分数的权重；主题被推荐数量则反映学习者发起或回复内容的质量，也从一定程度反映“专注性”的水平。

基于以上分析，由层次分析法确定学习行为投入指标体系，权重分值合理，符合教育云平台的教学实际。通过该权重体系，可以清晰的勾勒学习行为投入各维度及指标的重要程度，通过后续对数据指标的归一化处理，结合权重值，可以进行有效的评测。

五、结语

当前学习行为投入的评测体系研究还比较稀少。限于对学习行为投入本质与内在机制的阐释不足，技术支撑平台的限制以及学习情景的差异，还未能建立相对普适性的评价体系。本研究建立了包括持续性、反思性、主动性与专注性的学习行为投入评测框架，验证了评测维度构造的合理性与较高的解释力。该评测框架可视为学习行为投入的核心指标，相关实践可在此基础之上进行拓展和丰富，以适应不同的支撑平台与学习情境。下一阶段拟纳入更多的记录指标，加强过程性数据的分析与挖掘，并进一步扩大样本以验证评测框架的泛化能力。

参考文献：

[l]黄荣怀，刘德建等.互联网促进教育变革的基本格局[J].中国电化教育，2017，（1）：7-12.

[2] Skinner， E.，Furrer， C.，et.al. Engagement and disaffection in theclassroom： Part of a larger motivarional dynamic'？[J].Journal ofEducational Psychology，2008，（4），765-781.

[3]李紅梅.“互联网+”时代“新”学习方式的价值逻辑[J]中国电化教育，2017，（6）：102-107.

[4]龚少英，王祯等.混合学习环境中动机信念和动机调节与学习投入关系研究[J]开放教育研究，2017，（1）：84-92.

[5] Zimmerman，B J.，Campillo， M.. Motivating self-regulated prohlemsolvers[M].New York： Camhridge University Press，2003

[6] Schunk，D H.， Zimmerman， B.J.. Social origins of self-regulatorycompetence[J]. Education Psychologist，1997，（4）：195-208.

[7] Zimmerman，B J.，Cleary，T.J Adolescents' development of personalagency： The role of self-efficacy helief.s and self-regulalory skill[A].F. Pajres，T.Urdan. Self-efficacy heliefs of adolescents[C].US：Information Age Puhlishing，2006.45-69.

[8] Jo IH.， Yu T.， Lee H.， Kim Y.Relations helween Student OnlineLearning Behavior and Academic Ac，hievemenl in Higher Education：A Learning Analycics Approach[A]. C.hen G.，Kumar V.， Kinshuk，et.al.Emerging Issues in Smart Learning[C].Berlin： Springer，2015.275-287.

[9] Bruce Thompson. Exploratory and confirmatory factor analVsis：Underscanding concepts and applications[J]. American PsychologicalAssoc.ialion， 2004，（4）：729-734.