网络学习环境对学习持续性的影响

刘倩倩　李同归　王泰　姜晶　吴笑笑　左雪琰

【摘 要】

网络学习环境不仅扩大了优质课程的覆盖面， 而且是学习行为数据的重要来源。现有研究多从学生的角度解释网络学习环境中发生的辍学现象，本文则从网络学习环境设计的角度研究学习的持续性。文章以游戏为借鉴，采用调查问卷与行为分析相结合的方法，通过挖掘学生对网络学习环境的偏好探究网络学习环境对学习持久性的影响因子及其重要性。研究发现：网络学习环境对学习持久性的影响包括内容准备、学习交互和学习评价三个因子，其中内容准备的质量对学习持续性的影响最为显著（r=0.59， p<0.01）。该结果提示我们，在时间和精力有限的情况下，如果能优先重视内容准备的质量，充分运用游戏元素或游戏机制增加内容的趣味，那么学生的学习持续性会显著增加。

【关键词】 网络学习环境；网络游戏；学习过程；内容准备；游戏化；游戏机制；持续性；活跃

【中图分类号】 G434 【文献标识码】 A 【文章编号】 1009-458x（2018）3-0014-08

一、引言

计算机支持的协作学习环境（Computer-Supported Collaborative Learning， CSCL）为学习者随时随地开展学习提供了充分条件。越来越多的研究者着手研究网络学习环境下影响学习效果的关键指标（叶甲生， 等， 2015）。本文参照田慧生（1995）教学环境论中的提法定义网络学习环境。也就是说，网络学习环境是指网络学习活动所必需的诸客观条件和力量的综合。在网络学习环境所测量的各种指标中，学习持续性受到研究者的密切关注（彭敏军， 等， 2011）。学习持续性是指学生在学习时所表现出来的一种连贯的状态，以专注和活跃为主要特征（Rashid， et al.， 2016；雷玉菊， 等， 2017）。它不仅是实现过程性评价的重要参考（朱文辉， 等， 2013），而且可以被用来预测学生的努力程度及学业成就（Henrie， et al.， 2015）。

除了网络学习环境是一种计算机支持的协作式环境外，网络游戏（这里特指Massive Multiplayer Online Game， MMOG）也是一种计算机支持的协作式环境。从定义上看，游戏是玩家在规则的约束下参与解决人造冲突、产生量化结果的系统（Salen， et al.， 2004），而课程是一系列参与学业、具有明确学习结果的活动（Youell， 2011）。游戏与课程的定义都强调主体的参与和结果的产出，并且游戏所强调的人造冲突和规则约束其实也在课程的概念内涵之中。例如，课堂测验可以看作是人造冲突，结业要求其实也是游戏规则的一种。表1列举了课程与游戏的其他若干相通之处。

尽管课程与游戏存在上述诸多相通之处，玩家完成游戏任务的体验与学生完成学习任务的体验却存在显著差别：玩家会乐此不疲地沉浸在游戏环境中，而学生在网络学习时往往容易产生厌倦情绪。两相比较可以发现：在网络学习环境中被普遍忽视而在网络游戏环境中得到广泛重视的游戏化设计思路可能是玩家参与游戏持续性较高的重要原因。在设计领域，游戏化思路包括游戏元素和游戏机制。游戏元素是指游戏的构成要件，例如叙事、美学、工具、规则、玩家的能力和策略等；游戏机制是指由玩家触发的为促进人机交互而设计的方法，例如回合、风险与奖励等（Arnab， 2015）。因此，我们以MMOG中的游戏化设计思维（凯文·韦巴赫， 等， 2014； 谢同祥， 2006）为依据，引导本文的研究。

目前，国内外已有学者对影响学习持久性的因素开展了研究。Gilakjani（2012）發现，教师授课风格和学生学习风格的匹配程度会影响学生的学习持续性。我国学者康叶钦（2014）、梁林梅（2015）等认为，影响学习持续性的因素包括自主性、学习动机、学习环境、课程和教师。杨根福（2016）提出MOOC用户持续使用意愿影响因素研究模型包括内在动机、基本心理需求因素和MOOC设计。

在研究学习的持续性时，上述相关工作考虑了来自学生、教师和网络平台等各个方面的影响因素。本研究则专注于研究网络学习环境对学习持续性的影响。之所以专注于网络学习环境，是因为我们认为网络学习环境的质量对学习的持续性具有特别重要的意义：它是师生互动的媒介，学生首先体验到的是网络学习环境，正是通过这种体验才融入教师的教学活动中；网络学习环境也凝结了教师谋划教学活动的心血。本文正是从游戏设计视角，深入研究网络学习环境中有哪些具体因素能够影响学习持续性，除了从调查问卷和游戏化专著中寻找、提炼和挖掘影响因素外，还用行为数据予以实证。

二、研究假设

对于任何一个游戏而言，游戏内容本身、玩家自身与游戏环境内其他实体的交互、游戏结局都是三个不可或缺的基本组成单元。相应地，内容准备、学习交互和学习评价这三个环节构成了一个典型的学习过程，也是网络学习环境影响学习持续性的三个因子。内容准备是指教学团队在授课内容呈现方面所做的准备工作（不涉及具体的设计细节，例如教师头像摆放在屏幕哪个位置最为合适）；学习交互是指网络学习环境对教师与学生、系统与学生、学生与学生之间交互的功能支撑；学习评价是在学生完成某个学习行为之后系统或者他人对该行为的评估。尽管内容准备、学习交互和学习评价这三个因子的影响可能来自不同的施加者，但是它们都属于网络学习环境。

内容准备、学习交互和学习评价都能够对学生的学习持续性造成不同程度的影响。本研究将运用问卷调查的方差解释和行为数据来验证这一假设，更进一步验证学习环境内部各因子之间也会相互影响。

根据上述分析，我们提出如下三个研究假设：

H1：内容准备与学习交互之间相互影响；

H2：学习交互与学习评价之间相互影响；

H3：学习评价与内容准备之间相互影响。

三、研究方法

（一）调查问卷

我们根据内涵与定义，建立了12个具体的游戏元素或游戏机制与“内容准备”“学习交互”“学习评价”这三个因子之间的映射关系，如表2所示。然后在游戏化设计的学术专著（Kapp， 2012， pp.1-305； Paharia， 2013， pp.1-336）中翻查问卷题目的设计线索，将其改编成21道选择题和1道开放式问题，目的是为了征集答卷人对这些影响因素重要程度的认识。重要程度从“根本不重要”到“非常重要”分为5个等级。最后1道开放式问题是：“如果线上积分可以兑换，最希望能兑换成哪种线下活动的入场券？”

对于调查问卷的结果，我们先后进行了两轮因子分析，即探索性因子分析和验证性因子分析，然后用结构方程模型表达内容准备、学习交互和学习评价三个因子之间的相互关系。

（二）行为分析

由于师生在网络学习环境中的交互行为主要发生在论坛里（Gillani， et al.， 2014），论坛中可供收集的样本数据有两种类型：第一种是课程已结束且系统仍开放以供学生学习的数据（此类课程一般标记“已结束，可查看内容”字样）；第二种是课程已结束且系统已关闭的数据本文研究的是第一类数据。具体来说，在确定的一个时间段中筛选出已结束、可查看内容的课程，然后通过QQ或微博账号登录在线学习平台，捕获每门课程讨论区中的主题帖的发帖数和回帖数，如实记录。我们在多个网络学习环境的讨论区采集学生发帖行为的时间序列。该时间序列是指学生在讨论区里围绕教师每一次布置的题目讨论时，在该题目下的发帖（含回帖）次数（一般而言，一次讲座对应于一个课后讨论题）。用这一时间序列的波动程度与其衰减程度的比值（又称为“社群活跃度”（姜晶， 等， 2017））作为学生群体学习该门课程持续性的效标。

本研究采集了2017年1月1日至1月31日这一时间段里学生发帖行为的时间序列，累计有13，821次發帖行为，共涉及6个网络学习平台、24门课（分属6个不同的学科），如表3所示。

前述调查问卷在通过信效度检验之后即转变为评价网络学习环境的量表。在将调查问卷改编成网络学习环境评分量表时，有些评分标准依照符合程度的不同采用5级评分制（如表2中的V4）：20、40、60、80、100；另外一些评分标准则依照满足与否只有2级（如表2中的V21）：100或0。评分过程如下：首先，邀请3位志愿者（分别是游戏设计方面的专家、教育教学方面的专家和普通学生）对24门课程的学习环境进行评分。在正式评分之前，选择其他课程对上述3人进行训练，要求他们通过协商和讨论，对评分标准的理解尽量一致，即3人对同一门课程的同一项指标的评分差异处于正常范围内，避免出现差异过大的情况。然后，将正式评分的平均值取整数作为某一门课程在该项目上的最终得分。所谓取整数，在本文中是指如果平均分是389分就取离它最近的那一级的标准分作为最终得分，如果离它最近的那一级的标准分是400那么最终得分就是400。最后，采用K-最近邻居（K-Nearest Neighbors， KNN）算法（Wu， et al.， 2008），根据某一门网络课程在内容准备、学习交互和学习评价上的得分情况，预测选修了该门慕课的学生群体的学习持续程度。

四、结果与讨论

（一）影响学习持续性的网络学习环境因素

1. 探索性因子分析

在探索性因子分析阶段，共发放初始问卷81份，回收81份，回收率为100%。学生占答卷人数的75.3%，本科和硕士学历的学生分别占35.8%和61.7%，至少修过一门网络课程的学生超过58.0%。SPSS20.0的检验结果显示其信度（Cronbachs Alpha）为0.954，表明该问卷的信度较高。Kaiser-Meyer-Olkin（KMO）检验统计量为0.906，表明该问卷的结构效度较高，而且非常适合作因子分析。该问卷在内容方面的效度也通过了专家检验。本研究运用主成分分析法，选择斜交转轴法，抽取特征值大于1的因子，得到3个公共因子。它们所覆盖的题项与表2相比没有发生显著变化。见表4。考虑到这3个因子可以累积解释68.2%的总体方差，且因子载荷均大于0.5，经讨论研究决定，不删除题项。

2. 验证性因子分析

在验证性因子分析阶段，一共发放问卷178份，回收有效问卷162份，回收率为91.0%。学生占答卷人数的66.1%，本科和硕士学历的学生分别占51.2%和46.3%，至少修过一门网络课程的学生超过59.3%。该阶段与探索性因子分析阶段在答卷人基本情况方面没有特别显著的差异。运用AMOS20.0计算出来的验证性结构方程模型如图1所示（图中字母V开头的标签含义见表2）。

尽管计算公式有所不同，但是图1中的一致性系数和表6中的标准化系数都显示出“内容准备”与“学习交互”这对因子之间的相关性强于另外两对因子，而与其他两个因子的联系都比较弱的因子是“学习评价”。这一发现提示我们，如果在学习评价中运用积分、兑奖、排行等游戏元素或机制，对于增强学习交互或者延长学习持续性的效果有限；如果在内容准备中注意运用叙事的趣味性、画面的美观或者合适的难易程度等游戏元素或机制来增强学习感知趣味性，对促进学习交互或者延长学习持续性会有显著的积极作用（赵英， 等， 2015； Reischer， et al.， 2017）。这一发现与杨根福（2016）的理论预期“内容质量对学生学习持久性产生正向影响”一致。不仅如此，我们基于行为数据的实证研究还发现网络学习环境中内容准备的质量对学生学习持久性的影响显著。在线学习的学生人数多，其内在动机、心理需求复杂、多变，教师难以捕捉每个学生的心理变化，但是准备好质量上乘的教学内容是教师能够把控和掌握的。这一发现对于教师备课精力的分配无疑具有重要启发意义。由此可以推测，在内容准备因子中如果游戏元素或者游戏机制运用得越充分，那么讨论区中的交互行为越持久。

（二）环境因素对学习持续性的影响效果

运用发帖的时间序列数据检验上述推测和环境因素对学习持续性的影响效果。依据上文说明的计算方法，群体学习持续性的效标，即社群活跃度，可以分为3个等级：充分、一般与不足。其取值范围如表7所示，相应的典型曲线如图2所示。

结合图2和表7可以发现，持续性不足的发帖模式表现为，课程开始后一到两周论坛里的发帖量大幅下降，此后维持在较低水平；持续性一般的发帖模式表现为，课程开始后一到两周虽然论坛里的发帖量逐渐下降，但是还伴随着局部峰值出现；持续性充分的发帖模式表现为，随着课程的不断推进发帖量的峰值可能会在中间出现。因此，把社群活跃度作为学习持续性的效标具有较高的区分度和可靠性。

笔者将表2修改成网络学习环境的评价量表之后，对表3中24门网络学习环境质量进行评分，用某门网络课程在“内容准备”“学习交互”“学习評价”三个因子上的得分情况来预测该课程的学生群体的学习持续性等级。在常用的若干种数据挖掘算法中，适用于多模态数据的分类或预测的KNN算法在本研究场景中取得了最佳的预测结果，准确率达到了75%。正如图3所示，上述24门课程恰在“内容准备”“学习交互”“学习评价”这三个因子上的得分具有不同的分布特征。

图3里的每一门课程用一列（前后三根）柱子表示，不同的学习持续程度用柱子的不同轮廓表示。某个因子维度上的柱子越高，表示该课程在该因子上的得分越高。从图中可以看出，方形柱列（学习持续性最高）的最后一根柱子（内容准备）都较高。这说明：“内容准备”是促进学生持续学习的必要条件；“学习交互”对学习持续程度的影响并不显著；“学习评价”因子上的得分则多数维持在较低水平，对学习持续程度的影响就更微弱。这一结论还能从三个因子的得分与学习持续程度的相关系数方面得到验证。“内容准备”“学习交互”“学习评价”和学习持续程度之间的相关系数分别为0.59（p=0.0023<0.01）、0.21（p=0.3177>0.05）、0.02445（p=0.9095>0.05），即只有“内容准备”对学习持续程度的影响是显著正向强相关的。

在以表2为蓝本改造的网络学习环境评分量表中，“内容准备”这一因子下一共有6个评分项目，但只有V3（课程简介有趣且吸引人）和V4（课程视频画面美观、精致）的评分具有较大的伸缩性。这意味着在“内容准备”因子上得分较高的网络课程，在V3和V4上的得分也较高。这恰恰说明了游戏元素或机制里有关叙事和美学设计思路的突出作用。

“学习交互”因子对于学生发帖的时间序列并无显著影响，分析其原因在于本文所调研的网络学习环境在学习交互方面的功能支撑趋同。因为其差异很小，所以反映在得分上的差异也不大。而游戏元素或机制中一贯突出强调的根据玩家自身情况进行分门别类的响应这一高端功能，则在网络课程中并未出现。因而理论上预期的“学习交互”（李锐， 等， 2016； 李盛聪， 等， 2006）无法在实际中获得发挥明显作用的机会。尽管如此，像网络游戏那样进行有针对性的交互以支撑学习，不失为改善网络学习环境的一个着力点。

“学习评价”对学习持续程度的微弱影响再一次证明了网络学习的持续性更多地受制于课程内容本身对学生吸引力的大小。这一发现从另外一个视角印证了赵国安（2015）提出的“学习前提、学习过程、学习结果三要素”。绝大多数学生首先是因为课程本身内容有趣、有用才会选修，其初衷并非为了赢得某种形式的社会赞许。

五、总结

学习空间理论已经证明了学习和游戏具有相同的数学结构（Falmagne， et al.， 2011）。不仅如此，网络学习环境与大型多人在线角色扮演游戏在形式上也具有较多的相似之处。因此，探索如何在网络学习环境中引入行之有效的游戏元素、机制会给学习持续性的研究带来较多的启示。

本研究发现，网络学习环境影响学习持续性的三个因子由强到弱依次为内容准备、学习交互和学习评价。调查问卷与行为分析都发现，内容准备对于学习持续性的影响是显著且正向强相关的。据此，我们推论：在时间或精力有限的情况下，如果能在内容准备方面优先投入更多的努力，学生的学习持续性会显著增加。

长久以来，人们多认为课程比游戏要难，要付出更多的脑力劳动。然而，如果要获得某项网络游戏专业赛事的冠军，除了像课程学习那样勤奋刻苦以外，恐怕也没有其他捷径。但课程与游戏的这种趋同并不意味着网络学习环境在学习内容的准备方面就无计可施。事实上，在信息时代充分运用信息技术来展示教学内容，像设计游戏那样用美观、有趣的形式呈现学习内容，以及由此形成一种能够牵引学生攻坚克难、不轻言放弃的吸引力，不仅对教师的备课提出了更高的要求，可能也是改善网络学习环境的必由之路。

除此之外，在网络学习环境中引入个性化的反馈技术，针对每个学生的具体情况在其学习过程中分门别类地与之互动，像游戏那样设计出“条条大路通罗马”的互动脚本，实现“相同的起跑线，不同的学习路径”，必将极大改善学生的学习体验，增强网络学习环境的黏性。

由此，本研究提出如下建议：

（一）优化课程设计

在游戏中，设计者通常根据角色的不同，设置不同的目标。此外，设计者还会把长期目标细分出不同时期的短期目标，难度也会有不同梯度的变化。这种设计思路可以让玩家即使浅尝辄止也能够偶有所得，还可以促使玩家不断地积小胜为大胜。

目前，许多网络课程的目标（获取结业证书）比较单一，要么通过，要么通不过。课程一旦开始，容易造成学生一步赶不上、步步赶不上的窘境，导致其过早地放弃学习。对此，不妨按照课程内容的难易程度将其阶梯化。学生可以根据自己的需求选择每一阶段的目标等级。如果学生在某一阶段已达到最低等级要求，则可以继续下一个阶段的学习，并获得适当鼓励。如果通不过，则允许他们重复（这时应当从题库中抽取新题），直到满意为止。

对于每一阶段的学习内容，应当尽量考虑到叙事的趣味性和画面的美观性，针对具体情况采用不同的教学方法，创设不同的学习情境。

（二）提升互动效果

在游戏中，玩家可以自由地组织成公会（guild）以分享经验或者共同完成任务。在网络学习环境中，让学生最兴奋的消息之一莫过于得知有人正在研究或者提出自己正在思考的问题。可以给网络学习环境增设一种推荐功能，即通过分析学习记录归纳学生的知识背景，让学生能够选择志趣相投的同伴进行交流与合作（陈海建， 等， 2017），甚至还可以将这种交流从线上延伸到线下。

另外，如果教师分身乏术，不妨引入智能代理（Avatar）技术，让学生感觉教师本人似乎长期在线。智能代理一方面可以集中回答学生的共性问题，另一方面还能为重要或难理解的问题提供必要的线索，引导学生积极思考。

同伴推荐和智能代理都是为了避免学生產生孤军奋战的不利情绪。

（三）改善奖励机制

目前，网络课程的奖励形式主要是颁发勋章，奖励方式比较单一。学习或游戏在多数情况下给人带来的主要是一种努力之后获得肯定的成就感。这种成就感往往无法被物质或名誉完全代替。在本研究的开放式问题中，有多达40.74%（占比第一）的人愿意将网络课程的积分兑换为参与课程教师科研团队的机会，而非物质或者名誉上的奖励。因此，我们建议增加奖励形式的多样性。

我们未来的工作之一是在真实的网络学习环境中测试上述建议的实际效果。另外，本研究的行为数据仅来自于课程讨论区中的帖子，具有一定的局限性。我们还将尽可能获取更多的数据以覆盖更多的线上、线下学习行为，甚至包括邀请特定学生在观察室内完成网络学习，摄录学生的表情、记录学习持续时间和频率等，以期在更新、更全的数据中验证本文的结论。

[参考文献]

陈海建，戴永辉，韩冬梅，等. 2017. 开放式教学下的学习者画像及个性化教学探讨[J]. 开放教育研究，23（3）：105-112.

郭庆科，王炜丽，陈雪霞，等. 2007. 验证性因素分析中模型拟合的判断[J]. 心理学探新，27（4）：83-87.

姜晶，毛齐明，王泰，等. 2017. 慕课教学设计对社群活跃度的影响——基于影视创作规律的视角[J]. 现代教育技术（2）：107-112.

凯文·韦巴赫，丹·亨特. 2014. 游戏化思维[M]. 浙江：浙江人民出版社.

康叶钦. 2014. 在线教育的“后 MOOC 时代”——SPOC 解析[J]. 清华大学教育研究，35（1）：85-93.

雷玉菊，周宗奎，田媛. 2017. 网络学习环境下学习者的动机信念对学习投入的影响[J]. 中国电化教育（2）：82-88.

李锐，倪传斌，肖巍，等. 2016. 泛在学习理念下的交互英语平台持续使用影响因素调查研究[J]. 中国远程教育（10）：72-78.

李盛聪，杨艳. 2006. 网络学习环境的构成要素及特征分析[J]. 电化教育研究（7）：52-55.

梁林梅. 2015. MOOCs学习者：分类、特征与坚持性[J]. 比较教育研究，37（1）：28-34.

彭敏军，陆新生，刘引红. 2011. 基于数量和质量的在线学习参与度考量方法研究[J]. 现代教育技术，21（1）：103-106.

田慧生. 1995. 教学环境论[J]. 教育研究（6）：47-51.

王济川，王小倩，姜宝法. 2011. 结构方程模型：方法与应用[M]. 北京：高等教育出版社.

谢同祥. 2006. Edugame：让教育与娱乐走向融合的实践[J]. 现代教育技术，16（6）：47-50.

杨根福. 2016. MOOC用户持续使用行为影响因素研究[J]. 开放教育研究（1）：100-111.

叶甲生，朱祖林，郭允建. 2015. 现代远程教育质量测评：学习性投入的视角[J]. 中国电化教育（7）：60-65.

赵国安，李燕飞，王晓菲，等. 2015. 学习过程认可框架体系研究[J]. 中国电化教育（10）：75-81.

赵英，杨阁，罗萱. 2015. 大学生对MOOC接受与使用行为的调查研究[J]. 中国远程教育（8）：37-44.

朱文辉，靳玉乐. 2013. 网络化合作活动学习对教育硕士在线学习参与度影响的行动研究[J]. 中国电化教育（8）：48-53.

Arnab， S.， Lim， T.， Carvalho， M. B.， Bellotti， F.， S. D.， & Louchart， S.， et al. （2015）. Mapping learning and game mechanics for serious games analysis. British Journal of Educational Technology， 46（2）：391-411.

Falmagne， J. C.， & Doignon， J. P. （2011）. Learning spaces： interdisciplinary applied mathematics. Berlin： Springer-Verlag.

Gilakjani， A. P. （2012）. A match or mismatch between learning styles of the learners and teaching styles of the teachers. International Journal of Modern Education & Computer Science， 4（11）：51-60.

Gillani， N.， & Eynon， R. （2014）. Communication patterns in massively open online courses. Internet & Higher Education， 23（5）： 18-26.

Henrie， C. R.， Halverson， L. R.， & Graham， C. R. （2015）. Measuring student engagement in technology-mediated learning： a review. Computers & Education， 90（C）：36-53.

Kapp， K. M. （2013）. The gamification of learning and instruction： game-based methods and strategies for training and education. San Francisco， CA： John Wiley & Sons.

Reischer， M.， Khalil， M.， & Ebner， M. （2017）. Does gamification in MOOC discussion forums work？ European Conference on Massive Open Online Courses （pp.95-100）. Springer， Cham.

Paharia， R. （2013）. Loyalty 3.0： How to revolutionize customer and employee engagement with big data and gamification. New York， NY： McGraw-Hill Education.

Rashid， T.， & Asghar， H. M. （2016）. Technology use， self-directed learning， student engagement and academic performance： examining the interrelations. Computers in Human Behavior， 63（C）： 604-612.

（下轉第51页）

Salen， K.， & Zimmerman， E. （2004）. Rules of play： game design fundamentals， MIT press.

Wu， X.， Kumar， V.， Quinlan， J. R.， Ghosh， J.， Yang， Q.， & Motoda， H.， et al. （2007）. Top 10 algorithms in data mining. Knowledge & Information Systems， 14（1）：1-37.

Youell， A. （2011）. What is a course or programme or route or pathway or learning opportunity…？ London， UK： JISC， Higher Education Statistics Agency， 4.

收稿日期：2017-07-29

定稿日期：2017-10-24

作者简介：刘倩倩，硕士研究生；王 泰，博士，副教授，博士生导师，本文通讯作者；姜晶，硕士研究生；吴笑笑，硕士研究生；左雪琰，硕士研究生。华中师范大学国家数字化学习工程技术研究中心（430079）。

李同归，博士，副教授，北京大学心理与认知科学学院（100871）。

责任编辑 刘 莉 邓幸涛