国内网络学习行为五年综述

2019-06-09冯天敏张如静

新媒体研究 2019年7期

冯天敏张如静

摘要近年来随着国家“互联网+”战略的提出，在线教育教育市场的迅速发展，学习者的网络学习行为受到研究者越来越多的关注。使用质性分析软件NVivo11对近五年关于网络学习行为的七本核心期刊的相关论文进行内容分析，根据研究热点对所有论文进行编码分类，得出近五年相关研究的内容维度，并针对研究現状提出了建议，为后续研究提供参考和启示。

关键词网络学习行为;内容分析;研究综述;五年

中图分类号 G2 文献标识码 A 文章编号 2096-0360（2019）07-0075-05

2019年2月29日的《第43次中国互联网络发展状况统计报告》指出，截至2018年12月，中国在线教育用户规模达20 123万，手机在线课程用户19 416万，相对于2017年分别增加了29.7%和63.3%，人们使用网络学习越来越平常化。因此，网络学习作为一种现象受到研究者的关注。为达到优良的学习效果以及网络学习行为的持续性，研究者们从学习者特征、学习环境架构、学习评价甚至对学习过程监控进行学习干预。彭文辉2013年对我国2003—2013年对于有关网络学习行为的期刊论文进行分析，得出了十年间研究重心的变化，并提出了研究趋势。基于此，本文使用质性分析软件NVivo11对2013年以来关于网络学习行为的CSSCI收录的核心期刊论文进行内容分析，根据研究热点对所有论文进行编码分类，以得出近五年相关研究的内容维度，为后续研究提供参考和启示。

1 研究方法

本文以近五年以“网络学习行为”为主题的期刊论文为研究对象，采取内容分析法，使用质性分析软件NVivo11进行编码合并，得到五年来国内网络学习行为研究的主要内容维度。

1.1 研究样本

本文选择了对网络学习行为关注较高的7个CSSCI收录核心期刊为数据来源，包括：电化教育研究、中国电化教育、开放教育研究、中国远程教育、现代教育技术、现代远距离教育及现代远程教育研究。检索条件为：主题（网络）或含（在线或远程）并且主题（学习行为），检索时间为2014年1月1日到2018年12月31日，模糊查找后得到文献116篇，剔除采访、综述、英文文章等不相关样本，共109篇期刊论文，以此109篇文献作为研究样本。

1.2 研究设计

将样本的主要信息（包括题目、作者、关键词、摘要）导入到NVivo11中，使用NVivo11的词频查询功能，统计样本库中关键词的词频确定研究热点。再根据研究热点对论文进行聚类和编码，确定二级节点;根据已有研究对二级节点进行提炼和理论概括，确定一级节点，从而确定网络学习行为的研究内容维度。

1.3 研究的信度

为检验编码的信度，两位研究者对同样的材料分别编码，将两个项目合并后，使用NVivo11提供的“编码比较查询”进行一致性检验，得出Kappa系数和编码一致性的百分比。如表1所示。随机抽样中的四个节点，编码一致性的百分比都大于95%，但学习动机和学习风格两个节点的Kappa系数较低。

Kappa系数不但计算了两位研究者的编码一致性百分比，还兼顾了研究者在材料来源中编码的覆盖率问题。如果研究者编码的覆盖率低，那么即使编码一致性的百分比较高，Kappa依然会较低。

另外，NVivo11只能计算单个材料来源中单个节点上的编码一致性，为计算两位编码人员之间的编码一致性，使用了NVivo官网提供的spreadsheet，得出所有节点的平均Kappa值为0.7648，证明该研究具有较好的信度和效度。

2 数据分析

2.1 描述性统计

2.1.1 年份分布

从图1中可看出，近五年有关网络学习行为的论文数量总体较为稳定，2017年网络学习行为的论文数量显著增加。究其原因，大数据与学习分析技术为研究者们在理论、技术、实际应用等方面提供新的是研究视角。同时，相对于以往的调查与实证研究，多数学校的教师缺乏学习数据的获取渠道及基于大数据的研究方法，这在某种程度上限制网络学习行为研究。

2.1.2 研究热点分析

本研究采用词频分析法，根据关键词或主题词频次的高低分布，来研究该领域发展动向和研究热点。对以网络学习行为为主题的文献进行词频统计分析，并将近义词合并，如“网络学习行为”和“在线学习行为”合并为同一词“网络学习行为”，将MOOC和MOOCs合并为MOOC，得到表2。

从表2中可以看出，与前十年相比[1]，学习分析成为网络学习行为研究领域内频次最高的研究热点。大数据和数据挖掘的热度明显增高，个性化学习也随之成为研究的热点之一。MOOC仍旧是在线学习的主要形式，混合式学习也依旧是实践领域的研究热点，基于行为分析的成绩预测与预警也成了新的研究热点。同时，研究者们的视角更加开阔，动机—行为、情感投入等丰富了心理学角度的研究，社会学视角的社会网络分析也成为近五年的研究热点，这说明，网络学习行为不单只作为个体行为来研究，更作为一种群体行为越来越大众化，因此，分析网络学习行为以实现优化变得更加有意义。

2.2.1 学习分析技术的应用

随着大数据时代的到来，数据挖掘技术在教育领域的应用，使得学习分析技术应运而生。从高频关键词词表中已知，学习分析已成为近五年网络学习行为研究中频次最高的研究热点。研究者们关注的是学习分析技术对在线学习过程中学生各种行为的分析，以对学习效果进行预测，对学习过程进行监控以及干预活动。

在研究样本中，主题为学习分析的论文共有29篇，研究维度主要包含以下三个方面。

1）学习分析模型。样本中的学习分析模型主要分为以下三种：在线学习分析模型、评价模型和干预模型。

其中，个性化自适应在线学习分析模型使用知识结构可视化和学习过程可视化的呈现方式，自适应学习系统可对学习者的行为生成海量數据，使得学习者及时得到学习反馈，从而最大限度地发挥自己的自我调节能力，最终提高学习质量[2]。在线认知水平的评价模型以个体行为、交互行为、社会网络属性三个维度探索网络学习行为为与认知水平的相关关系，以形成在线认知能力的形成性评价指标，为教师在线教学进行过程性评价提供理论依据[3]。在线学习干预模型利用数据挖掘与分析工具对学习行为数据进行整合分析，利用决策树算法判断学习者是否存在学习危机，并提供相应的干预对策[4]。

2）学习分析的实践研究。学习分析技术的实践多是通过分析网络学习行为以实现学业预警、获得过程性评价或采取学业干预。马婧等借助网络学习平台中的行为数据，基于学习分析定量的方法分析了群体层面的师生教学交互行为及相互关系[5];赵艳等对Moodle学习管理平台上中小学教室接受远程培训的学习行为数据进行深入分析展开实证研究，找出远程培训效果的影响因素[6]。

3）学习分析技术与工具。目前国内学习分析技术主要有文本分析、话语分析、社会网络分析、性格分析和情境分析五大类[7]。另外，滞后序列分析法基于现有学习行为推断其他行为出现的概率，应用到学习分析中可准确把握学习者潜在的行为模式[8]。对网络学习行为的学习分析技术和工具多限于国外分析方法及工具的介绍。国内应用的相对较少。尤其是文本分析和话语分析方法的运用本可开展质性研究，以了解学习者在远程学习过程中的真实感受，但涉及到学习者的隐私及研究伦理等问题，尚未发现较深入的质性研究。

综上，尽管学习分析已成为网络学习行为研究领域炙手可热的研究热点，但相关研究仍不够成熟。目前学习分析统计的网络学习行为数据简单，仅限于登录次数，发帖次数等行为类别及次数的简单统计，但缺乏对学习者内在反馈的深入挖掘，尽管研究者提出了话语分析、文本分析等方法，但仍缺乏质性的深入研究。

2.2.2 网络学习行为特征及影响因素研究

在这一节点主要研究方向为网络学习行为特征、与学习效果关系以及影响因素，三种主题的研究在五年内年均占比相当。

网络学习行为特征研究大多使用了大数据分析与可视化技术，例如：聚类分析对不同类型的网络学习行为进行分类[9];采用滞后序列分析法提取SPOC环境下大学生网络学习行为数据，分析不同群体之间学习行为模式的差异性[10];利用VISMOOC对MOOC视频点击流行为信息进行可视化分析，探索点击流数据产生的学习规律[11];利用Google Analytics对某门开放课程的学习者的学习发现、学习投入、学习顺序等学习行为进行统计并可视化呈现，揭示了高校开放课程中学习者社群和学习行为总体特点和衍变趋[12]。

网络学习行为与学习效果节点主要研究通过聚类分析、关联规则、回归分析等挖掘学习行为与学习效果、知识建构之间的关系，以对学习成绩进行预测及个性化服务提供支持。如：吴青等基于关联规则挖掘出学习风格、学习行为和学习成绩之间的关系[13];宗阳等应用逻辑回归对学习者在线学习行为对学习成绩的影响进行了探究[14];傅钢善等采用数据挖掘探讨了学习行为与成绩的关系，并用决策树方法对网络学习者的学习行为与成绩进行了预测[15];武法提等建立了学习行为分析模型并设计了学习结果预测框架[16]。

影响因素分析是该节点的主要研究内容，主要通过实证研究或结合数据分析采用混合方法研究学习投入、学习动机、学习风格对学习行为和学习结果的影响。如：北师大远程教育研究中心编制了远程学生学习投入评价量表，从行为、情感和认知三个方面分别测量，并展开了抽样调查[17]。后有其他学者基于学习投入理论构建了网络学习行为修正模型，通过实证研究得出认知与情感投入因素显著影响网络学习行为[18];陈雷、吴青等分别通过数据挖掘分析了学习者行为态势影响机制、学习风格与学习行为的关联关系;毛刚、彭文辉、陈长胜等通过建立分析模型调查了网络学习行为中的问题行为。

2.2.3 网络学习环境及学习模式研究

根据武法提定义的学习环境含义，将学习模式归入到学习环境一类，二者相关研究数量相当。

近几年网络学习环境关注的热点有网络学习空间、学习支持工具等。如，华南农业大学人机交互工作室从生态学的视角构建了具备文化生态特征的网络学习共同体，共同体内的学习者与学习环境构成了完善的生态系统，使网络学习行为自组织、自适应地发生和延续[19]。赵慧勤等构建了泛在学习环境中基于情境感知的个人学习空间，以智能获取学习者个性化信息为目的，介绍了不同学习终端的实现技术[20];温小勇等设计了教育徽章并对起促进网络学习的有效性进行了验证[21];张振虹等介绍了基于数据分析技术的学习分析仪表盘对学习支持的作用[22]。

学习模式下的子节点主要包括：在线实验设计、学习行为模式、在线学习参与模式、个性化教学、在线学习活动设计。陈海建等采集学习者的脑电图信号以获取学习者学习特征，以开展对应不同学习风格和知识点兴趣的个性化教学[23]。张文兰等针对以自主学习为主要方式的在线学习坚持率较低等问题，根据引领式在线学习理念设计了引领式在线学习活动，实践证明，引领式在线学习活动对学习者的在线学习行为、学习态度和元认知能力有积极影响作用[24]。衷克定从人格类型理论出发，设计出一套学习活动体系，实验证明不同人格类型的学习者对在线活动的适应程度不同，可设计出与人格类型相匹配的学习活动[25]。

网络学习环境及学习模式的研究均推崇尊重学习者差异，开发网络学习环境或设计学习活动，个性化、自适应是其热点。然而，研究者们虽以实证证明了个性化教学的必要性，但如何开展线上个性化教学仍未展开具体研究。

2.2.4 网络学习行为中断及对策研究

在线学习以其“学习泛在化、资源海量化”的优点赢得了无数学习者的青睐。然而，无论是开放大学的远程教育平台还是免费的MOOC课程都存在课程完成率低，学生流失率高的现状。因此，网络学习行为中断、投入低等引起了学者们的关注。

如表3中所示，网络学习行为中断及对策研究的子节点包含：持续使用、干预与调控。王卫等人（2017）基于心流体验理论，认为用户满意度和积极的态度是在线学习意愿的影响因素。杨根福（2016）构建了MOOC用户持续使用意愿影响因素研究模型，展开实证研究，得出外在动机和内在动机、学习者的满意度以及MOOC的内容质量对学习者的持续使用意愿有显著直接影响。樊超等人（2016）从人类动力学的角度分析MOOC网络学习行为，发现大比例的用户投入学习时间较短，甚至中断学习行为，归因于在线学习方式对学习动机较弱的用户缺乏监督和激励机制。

学者们对网络学习行为中断现象提出的对策基本一致，一是改善MOOC平台，包括课程资源以及交互功能，二是采用数据挖掘技术分析学生的认知风格等个性特征，对学生的网络学习行为进行学习分析，对学业进行预测和预警，并为学习者提供个性化的学习方案与学习支持，在做出学习中断行为之前进行预测并采取挽留措施。如何提高网络学习质量，保持网络学习行为的持续性仍是研究者们该关注的焦点。

3 结论与讨论

通过对五年来国内网络学习行为研究的期刊论文分析，可看出过去五年的研究进展：

1）跨学科研究丰富。相对于前十年，研究者们综合了心理学、社会学、传播学甚至人类学的概念，进行量化或质化研究。心理学的理论引用较多，多是用来分析学习者个性特征，除常见的学习动机、自我效能感等常用理论用，人格类型理论也被应用到学习者差异上。也有研究者从传播学的角度比较不同媒体类型对网络学习行为的影响，社会学理论的应用不但体现在交互研究上，还体现在学习者甚至学习共同体内的社会网络分析。

2）基于数据挖掘的学习分析技术的应用使得网络学习行为的研究在深度和广度上有了显著的进步。学习分析模型的构建丰富了网络学习行为理论知识体系，学习分析的实践研究为在学习评价和干预提供数据支持。学习分析技术的应用为提高学习者学习参与和网络学习质量提供了保障，深度学习行为的分析也开始受到研究者关注。

但同时，我国网络学习行为的研究仍存在很多不足。第一，基于大数据的网络学习行为分析研究停留在模型建构、关系挖掘及对学业预测的理论阶段，真正用于实践的研究少。特别是学习分析技术应用发现问题后的解决之道大都是个别化教学，但个别化、自适应学习仍缺乏大量实践研究，这不但要考虑技术上的设计还要考虑学习资源、学习模式的设计。第二，学习支持缺乏智能化、个性化的研究，特别是情感支持还未引起研究者的关注。第三，随着智慧教育、云教育的应用发展，越来越多的中小学生频繁使用网络接受学习辅导甚至自发性地进行网络学习，研究者们应拓展实践研究领域，研究中小学网络学习行为不但有助于学习效果的改善和提高，更利于中小学生学习习惯的培养和自控力的形成。第四，研究方法单一，缺乏解释性。研究国内对网络学习行为的研究多采用实证分析、调查研究为主，解释性研究较少。行为的发生或中断是一个复杂的现象，应考虑行为背后的情感因素及其持续性和有效性，才是从本质上了解网络学习行为，从而设计促进学习策略、学习环境、学习活动的有效措施。

4 结束语

研究使用NVivo11软件对2013年以来的CSSCI核心期刊上以网络学习行为为主题的论文进行内容分析，文章从研究热点出发对研究内容进行编码分类，以划定五年来的研究维度，研究结果客观可信，供网络学习行为的研究者讨论与参考。研究中发现的不足，如缺乏交互设计、个别化教学的实践研究，归根结底是人力资源的不足引起的，人工智能在知识服务领域的应用已初见端倪，情感计算技术的进步有望逐步实现师生间的情感补偿。笔者相信，随着网络学习中师生交互的改善，网络学习行为类型更加丰富，网络学习质量也终将得到提高。

参考文献

[1]彭文辉，曾东薇.近十年我国网络学习行为期刊论文的内容分析研究[J].中国远程教育，2015（1）：42-48.

[2]姜强，赵蔚，王朋娇，等.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015（1）：85-92.

[3]冯晓英，郑勤华，陈鹏宇.学习分析视角下在线认知水平的评价模型研究[J].远程教育杂志，2016（6）：39-45.

[4]赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017（1）：62-69.

[5]马婧，韩锡斌，周潜，等.基于学习分析的高校师生在线教学群体行为的实证研究[J].电化教育研究，2014（2）：13-18.

[6]赵艳，赵蔚，姜强.基于学习分析技术的中小学教师远程培训效果影响因素实证研究[J].中国电化教育，2014（9）：132-138.

[7]郁晓华，江绍祥.在线教与学集体智慧的有效利用：学习分析的视角与架构[J].开放教育研究，2016（3）：98-106.

[8]杨现民，王怀波，李冀紅.滞后序列分析法在学习行为分析中的应用[J].中国电化教育，2016（2）：17-23.

[9]田娜，陈明选.网络教学平台学生学习行为聚类分析[J].中国远程教育，2014（11）：38-41.

[10]刘智，王亚妮，郑年亨，等.高校SPOC环境下学习者行为序列的差异性分析研究[J].中国电化教育，2017（7）：88-94.

[11]孙洁，等.大数据背景下在线视频点击流行为可视化分析与思考[J].现代远距离教育，2017（4）：51-62.