基于滞后序列分析法的在线学习者活动路径可视化分析
2019-06-14胡丹妮章梦瑶郑勤华
胡丹妮 章梦瑶 郑勤华
[摘 要] 研究从学习分析视角出发，以365大学平台《<资治通鉴>导读》2015年某班次学习者为研究对象，采用滞后序列分析法，探究了观看视频和完成作业两种学习活动的发生顺序所揭示的行为逻辑。首先，对每一课程章节学习中的四个关键时间节点进行编码，并生成学习路径图;其次，通过Gephi将分析结果可视化。研究结果表明，在学习过程中，学习者观看课程视频热情较低，且课程章节间、章节内的学习回溯行为较少。基于此，研究对于致使学习者出现积极、消极学习行为的原因进行了讨论，并根据学习者对外部资源和知识构建的需求，为教学资源、活动的设计，课程及平台功能的设计与开发以及自适应学习路径规划应用提供合理建议。
[关键词] 在线学习; 学习行为分析; 滞后序列分析法; 学习路径可视化; Gephi
[中图分类号] G434 [文献标志码] A
[作者简介] 胡丹妮（1995—），女，浙江温岭人。硕士研究生，主要从事学习分析研究。E-mail：fehdnedu2013@163.com。
[Abstract] From the perspective of learning analysis， this study took the learners who participated in Introduction to History as a Mirror in 2015 on the 365 University platform as the research object， and used the lag sequence analysis method to explore the behavioral logic revealed by the sequence of watching video and completing assignments. First， four key time nodes in each chapter are coded and the learning path diagram is generated. Second， the analysis results are visualized through Gephi. The research results show that during the learning process， learners are less enthusiastic about watching the course video， and learners' backtracking behaviors between and within the course chapter are fewer. Then，this paper discusses the reasons for learners' positive and negative learning behaviors， and according to learners' needs for external resources and knowledge construction， provides reasonable suggestions for the design and development of teaching resources， activities， curriculum and platform functions， and the application of adaptive learning path planning as well.
[Keywords] Online Learning; Learning Behavior Analysis; Lag Sequence Analysis; Learning Path Visualization; Gephi
一、問题的提出
在线学习以其学习资源丰富性、开放性，教学活动交互性、灵活性、学习者自主性等教育优势，得到了越来越广泛的应用。同时，在线学习所具有的时空分离的特点也使得学习者成了学习活动中的主体和主要关注对象。学习者在线学习过程中的学习行为，如观看视频、下载资源、论坛发帖，其发生频率与发生次序均能反映出一定的过程性学习情况，帮助了解学习者学习进度和困难，诊断学习效果，并提出针对性教学建议，从而优化学习者的在线学习体验，提高学习质量。
学习分析技术是解决在线学习个性化、干预教学活动、预测过程、评估绩效的重要方法，其概念为“通过测量、收集、分析和汇报学习者以及他们所处环境的数据，来理解和优化学习以及学习环境”[1]。在线学习分析即使用网络记录的学习行为数据进行的学习分析。胡艺龄、杨现民分别对国内外在线学习行为分析的研究进行总结，发现国际上的研究主要集中在三个方面：使用工具软件追踪和记录在线学习行为;关注学习者需求和在线学习环境;寻找在线学习行为和学习绩效的关系[2]。国内学者则更加关注学习行为偏好的调查、行为数据的采集、行为分类指标的制定、学习行为概念模型与信息模型的构建以及关键实现技术[3]。
学习分析包括行为分析、情感分析、知识结构分析、学习路径分析等多个方面。学习路径（Learning Path）是指学习活动的路线与序列。学习者在一定的学习策略指导下，根据学习的目标、内容、基础与环境条件，对所需完成的系列学习活动（含活动中的各环节）进行排序，就会形成“学习路径”[4]。在在线学习路径分析的相关研究中，学者们针对不同的学习活动对象，提出了不同的学习行为序列的建构和分析方式。如曹良亮[5]基于知识图谱进行了内容序列的学习路径的生成，在该研究中，学习路径被定义为在线学习过程中形成的学习者对教学资源选择和加工的时间线索记录。近年来，滞后序列分析法（Lag Sequential Analysis，简称LSA）逐渐成为分析在线学习行为序列和模式的有效工具，一些研究使用滞后序列分析法对学习者的在线学习行为进行了可视化分析，在不同的学科教学领域及不同的教学策略及环境下探讨了在线学习者的学习行为模式[6-8]。
本研究基于365大学平台《<资治通鉴>导读》2015年秋季学期课程相关数据，使用滞后序列分析法，构建可视化学习路径，对“观看视频”“完成作业”两类在线学习活动间的行为顺序进行探究，并对该结果进行了可视化呈现。在此基础之上，本研究形成了一种分析模式，即通过呈现可视化在线学习路径图，为课程开发、教学设计人员及讲师提供直观的学习过程反馈，为在线课程的教学资源、教学策略以及教学活动的设计提供优化意见。
二、研究过程
（一）研究对象与数据来源
本研究所选取的研究对象為365大学平台《<资治通鉴>导读》2015年秋季学期班次的学习者，该班次选课总人数为421人。本研究以获得有效期末成绩为标准，筛选出学习者人数356人（占选课总人数84.56%）。
本研究所采用的数据来源于LMS（学习管理系统）、CMS（课程管理系统：如网络课程、学习论坛）数据库记录的课程及学生行为数据，具体选用数据类型见表 1。
在该平台中，“观看视频”和“完成作业”是最主要的两项学习活动，此外还有“课程大纲”等学习素材和“学习评价区”等论坛，但并未被课程平台列为重要学习活动，也没有呈现在显眼的内容板块上。“观看视频”是学生获取教学内容的重要途径，“完成作业”是学生对学习效果进行检验和查漏补缺的重要方式，因此，本研究基于以上原始数据，对“观看视频”“完成作业”两类学习行为进行编码。
（二）研究方法
本研究采用滞后序列分析法和基于图论的路径分析方法，分析步骤如图 1所示。研究过程可分三大部分，即确定分析对象（对目标学习行为进行描述）、生成学习行为序列（初步数据处理）、学习路径可视化（进一步分析）三个部分。目标学习行为包括视频、作业两类活动，其属性包括视频、作业所属的课程章节以及行为的起始、结束时间。生成学习行为序列即将原始数据整理转化为可分析的时间序列。学习路径可视化的分析包括对行为变量的频次、连通度、中心度的呈现，并在此基础上进行教育教学意义的解读。本研究针对路径图中的特殊现象进行了进一步分析，并对课程和平台的设计提出了相关的教学建议。
1. 滞后序列分析法
滞后序列分析 （Lag Sequential Analysis）是一种根据统计理论研究行为之间的顺序关系的方法[9]。主要用于检验人们发生一种行为之后另外一种行为出现的概率及其是否存在统计意义上的显著性，也被称为序列分析法[10]。这种方法能够帮助人们探索和总结在复杂的交互行为序列中发生的交叉依赖关系[11]，并将行为序列中重复发生的行为整理成一条关系链[12]。本研究所使用的滞后序列分析流程为：（1）对不同的活动定义进行编码;（2）按照定义为筛选后的行为数据编码;（3）按时间生成编码序列;（4）使用软件进行序列分析得到频率转换表以及残差表;（5）根据残差表得到行为转化图。在本研究中，序列分析法需使用的工具为GSEQ5。
滞后序列分析法最早由Sackett提出，用于心理学和社会学中的行为模式研究，如对小团队成员之间的交互模式进行评估[13-14]，常用的分析资料为影音录像。随着计算机技术的发展，计算机的用户接口在各领域得到了广泛应用，滞后序列分析在人机交互活动的研究中也逐渐被关注，计算机记录的日志数据成为其重要的研究资料。在此背景下，研究人员基于滞后序列分析法，对在线学习环境中的行为模式进行了有意义的研究，例如 Wu[7]基于在线学习者的问题解决讨论活动，对其协同知识建构的行为模式进行了探究;Yang等[8]对学习者在线编程测试中的行为模式进行了建构;Hou[15]采用滞后顺序分析法描述了学习者在线讨论社会科学问题时的认知处理行为模式。李爽等[16]基于开放大学2131名学习者在Moodle平台上的日志数据，通过滞后序列分析等方法对学习者的学习行为序列和参与模式进行了实证探索;江波等[17]基于DEEDS平台上的学习过程数据，挖掘学习者的学习行为序列，并对其学习效果进行预测。
滞后序列在在线学习分析中的价值已经得到了广泛的验证，然而多数研究仅止步于对生成路径图的简单分析，研究主要的行为模式及其转化规律，对数据的选取也较为粗略。本研究使用更加精确的可视化方法，重新结构滞后序列分析法中的数据维度，挖掘路径图中更丰富、更有价值的信息，并进行后续的深入分析。
2. 基于图论的路径/聚类分析
本研究最终生成的路径图为有向图G=
3. 数据处理方式
本研究的数据处理方式包括了四个主要步骤，如图 2所示。
（1）数据选择
首先筛选出视频和作业两大类学习行为的相关数据，包括学习者id、活动编号、起始时间、结束时间，并生成行为对象表，根据图中右侧的映射关系完成数据抽取。
（2）编码排序
公式V=MIN（Ti1，……Tij），W=MAX（Ti1，……Tij）体现的是时间节点的排序与筛选规则。保留每个章节最早观看视频/提交作业时间为S，保留最晚观看视频/提交作业时间为T。前后两个活动之间的次序关系R={（x，y）：x （3）频率转换及残差分析 使用频率转换表以记录展示两个活动时间节点的先后顺序，其方向为从上一步动作指向下一步动作，频率转换次数体现了活动发生频率以及活动之间的关系。 σ为残差， （残差标准值）用以表现两个行为之间存在前后转化关系的显著性。 三、数据分析 （一）学习者绩效与投入分析 参与该门课程学习的学习者来自于4所学校的23个专业，其中大部分来自信息学院的电子商务和软件技术专业，普遍拥有基础的信息素养和技术能力。本课程根据15次单元作业（期末成绩占比为45%）和4次测试（期末成绩占比为55%）的成绩计算得出学习者的最终成绩。约67%的学习者通过了该门课程，高分段学习者人数随着分数的增加整体呈现上升趋势。 然而，學习者观看视频所投入时间的分布情况与学习者成绩的分布情况相反：学习者的视频观看时间集中在200分钟以下。该门课程的教学视频时长总和约为400分钟，但是达到400分钟观看时间的学习者仅占到36.7%左右。学习者的最终成绩普遍分布在高分段，但是视频观看时长多数分布在较低水平。 （二）数据筛选与编码 1. 活动数据筛选 从原始数据中筛选出所有学员每节课的视频观看时间、作业提交时间的数据，对课程和作业进行数字编号，整理为{学员ID，课程号，视频观看开始时间，视频观看结束时间}以及{学员ID，题号，作业提交时间}两张表格。以章节为单位，筛选出每章两个活动各自的最早开始时间和最晚结束时间，并整合为一张表格{学员ID，章节号，视频观看开始时间，视频观看结束时间，作业提交开始时间，作业提交结束时间}。 2. 行为编码 对得到的表格进行三个维度的编码：章节、活动、状态。其中十五个章节依次用字母A～O表示，作业相关活动用字母W表示，视频相关活动用字母V表示，开始状态用字母S表示，结束状态用字母T表示。例如：BVS表示开始第二章视频观看的时间节点。再将所有数据整理为{学员ID，活动序列}的形式，其中每位学员的活动序列一格中最多有60个活动内容。 3. 频率转换 将上述编码步骤生成的表格内容导入滞后序列分析工具GSEQ5中，生成表2的60行60列的行为频率转换表。表中每一行表示上一个行为，每一列表示下一个行为，数字表示发生上一个行为后发生下一个行为的频率，本研究中共生成了3540条序列关系。对表格内容进行标准分数转换，得到残差表见表3，筛选出其中标准分数z-score>1.96的行为序列，这些是显著的行为转换关系。 （三）学习路径图呈现 将残差表中标记好的数据（z-score>1.96）的坐标筛选出来，以边表格的形式{source， target， weight}导入到SNA工具Gephi0.9.1中，生成如图 3所示的完整的学习活动有向路径图，并使用Fruchterman Reingold 算法布局。图中节点为各章的活动内容，箭头连线表示了活动的发生顺序。点直径越大圆周越粗，表示该点的入度越高，即该活动发生频率越高;连边越粗表示权重越大，连接的两个活动之间的关系越强，即发生上一节点所代表活动后发生下一节点所代表活动的概率越高。每条边由上一个发生的活动指向下一个发生的活动。图中各边的权重范围为[1.99，113.39]。 对初步得到的学习路径图进行社会网络特征分析，统计其中共有节点数60个（活动）、边数181条（活动关系）。平均度数为6.033，远高于理想顺序状态下的平均度数2，表示每个活动的关联活动种类较为丰富，学生的路径选择方式丰富。其中度最大的点是OWT，在Gephi中高亮显示可看到相关的点，如图 4所示。度数最小的节点是DVT、FVT、GVS、GVT，均为3。 网络直径为15，远小于理想顺序状态下的60（从AVS到OWT），平均路径长度为6.194，网络整体连通度高。以上社会网络属性数据表明，整个学习社区的学习路径中可能存在大量的跳跃章节、跳跃活动（尤其是看视频）的行为。对各有向边的权重进行频数统计，发现有将近一半的活动序列的转换显著性分数在20以下，这表明路径图中依旧存在较多显著性不是特别强的活动序列关系。 为了进一步突出活动之间的关系，需要对生成的原始路径图进行进一步滤波分析，本研究主要对边的权重进行了范围筛选。当边的权重范围最小值逐渐降低到42.76时（最大值依旧为113.39），所有的点都不再是孤立点，生成了一张主要活动路径图，如图 5所示，呈现了整个课程中大部分学习者最主要的学习活动路径。在最小值递减的过程中，最后一个脱离孤立的点为BVS，最后生成的一条活动序列关系为BVS→BVT。通过对主要活动路径遍历发现，从AVS到达OWT的干线只有一条，即为（三）中的最显著的路径。 该路径图的节点数依旧为60个，边数由181条降至55条，滤去126条边，约占总数的69.61%，学生的个体行为差异较大。 网络的平均度为1.833，大致贴近理想状态下的平均度2，观察可发现，在筛选之后无入度的点为AVS、BVS、CVS、DVS、EVS、HVS、IVS、MVS，无出度的点为GVT、HVT、LVT、OVT。由此可推断，在过滤之前，VS的上一步行为种类较丰富，VT的下一步行为种类较丰富，多种行为联系之中并无突出的显著性，因而均分了上一节点的出度或下一节点的入度，在过滤时便被筛除了。例如根据图中VS节点的情况可以判断，学生在开始观看某一章视频之前可能：刚完成上一章的作业;刚完成上一章的视频;开始写这章的作业但还未完成;开始看上一章的视频但还未完成。 网络直径31，约为之前的两倍，接近于章节数的两倍，小于最显著路径的长度33。这验证了之前的结论：学习者每章活动以作业提交为主。平均路径长度10.501，整个网络的连通度大幅降低，得出了与之前相似的判断，即学习者漏掉了较多的视频观看活动。 路径图中存在一个断裂：HVS→HVT这两个活动关系与主要路径发生分离，第八章的学习入口和出口均比较多样且出入度分布均匀，但是这章的视频也被大多数学习者跳过了。 将边的权重的滤波范围的最小值进一步调小到35.967（最大值依旧为113.39），直到HVS与GWT之间的连线出现，再观察路径图，发现除了最开始四章（A、B、C、D）之间每上一章的WT与下一章的VS存在关系之外，后面十五章中只有GWT与HVS之间存在关系。但是图中VS节点普遍入度高，而在进行滤波筛选时，筛除的关系为弱关系，则WT→VS這一理想状态下的活动序列只在A→B、B→C、C→D、G→H之间较为显著，D到G以及H到O各章之间这类序列缺失严重。 （五）回溯分析 本研究对主要学习活动路径进行了完整的遍历，发现学习者在章节之间的明显回溯行为仅存在于L章节与B章节之间（LVS→BVT），即较多学习者在开始观看第十二章视频后又回顾了第二章的视频。 为了观察在各个章节内部是否存在活动之间的回溯（开始进行作业或完成作业之后返回本章的视频观看学习），将权重的范围最小值继续下调到20.0368，滤去约50.83%的边，剩余边数为89条。 通过遍历发现BVS和BWS之间有较为显著的关系，且这种章节内部明显的回溯仅仅存在B这一章中，即有相当一部分学生在做第二章作业的过程中又回去观看了本章的视频内容。 四、结论与讨论 韩锡斌等学者[18]从教育学的视角对MOOC课程设计提出了优化的原则和建议，也强调了需要从课程论、教学论、教学设计角度进行深入研究。本研究以学习分析视角挖掘平台学习者的行为逻辑，在数据基础上对教学设计和平台设计进行分析。 （一）学习者的学习目的分析 本课程中较多学习者跳过了大量的视频观看活动，更加关注作业的完成而非视频学习。根据课程的通过标准，作业的完成代表学习者的平时成绩，这关系到学生是否能顺利通过课程。结合之前的描述性统计可以发现，即使课程学习过程中存在大量的跳视频现象，学习者的平时成绩（即作业提交所得分数）以及期末考试成绩依旧在一个较高水平。 在分析了课后作业的评分方式后研究人员发现，同一道题目的提交是可以重复的，即在提交第一次之后，若答案错误，可继续提交一次，且提交次数不影响平时成绩。也就是说，学生可能有“蒙答案”的习惯。课后练习均为选择题，学生蒙对或者使用搜索引擎进行答案检索的概率极大。在可以进行蒙题得分的情况下，较多学生不愿意再去观看视频进行学习。因而这门课的学生是以作业完成/分数获得为目标导向进行“学习”的，很难判断在这种评分方式下，有效的学习是否发生了。 （二）视频观看动机分析 学习者观看视频的热情并不高，这在不将视频观看纳入评分标准的课程平台上是一种普遍现象。此外，学习者还会有哪些内部动机呢？ 从进一步滤波分析中可以得出，学习者在进行前四章之间的学习以及完成第七章后进行第八章的学习时，其两章之间的活动顺序是理想化的，即完成上一章的作业提交后，较多学生依序进行了下一章的视频观看而非跳过视频观看环节直接进行下一章的作业。这表明学生对这五章视频的观看主动性较强。这表明了两点：第一，学生在刚开课初期依旧保持着传统的学习习惯，对视频观看这一学习活动具有较高热情，但在第一个月之后，学习者对视频观看这一重要学习活动逐渐懈怠;第二，学生对第八章的视频内容比较感兴趣，可能是觉得该章的学习内容比较重要，需要认真对待。 第八章的学习内容主要是关于汉朝开国前期汉高祖统治阶段及其之后一段时间内的历史事件和相关成语。这段历史在汉朝历史乃至《资治通鉴》所涉及的战国到五代共1362年间，知名度和话题度较高。另外，学生在进行这门课程的学习之前，对课程题目中的“兔死狗烹”“鸟尽弓藏”等成语也已有一定程度的了解。在具备了知识大背景的前提下，学生对这段历史内容表现出了较浓厚的兴趣，这种兴趣表现在对第八章视频的观看意愿上。 （三）章节之间回溯行为分析 有一部分学习者在进行第十二章的视频观看活动期间，对第二章的视频进行了回顾。第二章的内容为魏文侯时期的历史事件，第十二章和第十三章的内容是光武中兴和曹魏国运。从内容上分析光武中兴与魏文侯时期的历史事件并无交叉，在对第十二章课件讲稿以及课后作业进行文本检索之后也未发现与第二章相关的内容（如“魏文侯”“吴起”等关键词）。研究人员推测，这个回溯并非是学生根据自己的学习过程而自发进行的，很有可能是在开课期间，教师在平台信息区发布了外加要求，建议学生在完成第十二章的学习内容之后回顾第二章的内容。 （四）章节内部回溯行为分析 此外，有一部分学习者在开始进行第二章的作业之后，返回去观看第二章的视频内容。通过查阅第二章的视频内容和作业内容发现，作业内容可能与视频学习内容联系较为紧密，考察的内容不仅仅来自于题目中所给出的阅读材料，还来自于视频中讲授的内容。这种关联使得学生在没有确定答案的时候直接回去查看视频内容。 在其他章节中，这种回溯行为虽然显著性不强，但是依旧存在。会有少量学习者在进行作业的时候返回到本章的视频观看。 除了第二章视频内容与作业内容紧密相关这种情况，学生在章节内部进行回溯的可能性还有：（1）作业中问题的题干直接来自于本章的学习视频，如“在第一节视频中，教师总结了哪几种……”等;（2）学生在完成作业的过程中发现在进行视频学习时遗漏的内容，但是为了方便，还是选择利用答题的可重复性，先猜测答案，猜测错误之后再查看视频寻找正确答案，再次提交正确答案;（3）学生有一边答题一边观看视频的习惯，这样可以根据作业找到视频学习的重点，也能保证答题的正确率。 以上这些情况普遍存在于部分学习者的各章学习过程中。 五、建 议 目前在线学习课程的改进依据主要是教学设计团队的自我反思和学习者的课后问卷调查。但问卷和自我反思提供的改进意见往往是片面且带有个人主观意见的，而通过滞后序列分析可更加及时地监控学习者学习路径中的异常行为，挖掘出潜在的课程需求。在课程开展期间，即时积累的行为数据可生成动态的学习活动路径图，支持平台功能改良和课程设计优化，优化在线学习评价和自适应学习路径规划方式。 （一）平台设计和使用 结合描述性统计可知，多数学习者的学习进度往往从课程后半段时间开始，由此可以推测，在线学习的学习者具有较差的自我监控能力以及拖延的习惯，在一定程度上导致了学习路径分析中视频观看行为难以坚持的结果。针对学习者的倦怠情绪和不良习惯，在线学习平台可以设计以下功能： 第一，设置时间管理监控系统，帮助学习者规划学习进度，并根据规划推送提醒，督促学习者按时完成学习计划。第二，设置奖惩机制，对于能够坚持并出色完成学习计划的学习者给予一定奖励，对不能按时完成学习任务的学习者进行适当的扣分惩罚。第三，在作业界面添加相关视频的直接获取链接或播放功能，方便学习者直接查看教学内容而非求助于搜索引擎甚至蒙题。第四，在课程视频中增加提问环节和跳转功能，强迫学习者认真学习视频内容，并有针对地对其不懂的学习内容进行回放。第五，加强学习反馈，开放教学答疑平台，及时解决学习者的学习问题，使其避免产生消极情绪。第六，显示同伴学习进度，营造良好的学习氛围，减轻学习者的消极学习情绪和孤独感。 （二）课程教学设计 在课程内容的设计方面，教学人员可以增加章节之间的联系，这种联系包括课件内容和作业中对前面章节的回顾（例如两个相似的历史事件的对比），帮助学生巩固知识。也可以设置一个形成性作业，要求学生对整个课程内容的知识框架进行不断的填补完善，发挥其学习的积极性。在有限的章节内，课程内容应贴近学生已有的知识储备和日常生活，视频标题也要更加生活化。 在开课时间的安排方面，教师可以要求学生在课程上线后的一个固定时间内必须完成课程作业，一旦超出规定时间，作业内容就会下线，但是课件依旧会保留。当前使用的可重复的作业提交策略对学生的学习存在一定的负面影响，建议进行改良。为了减少学生的焦虑，可以改成答对一定数量即可得到满分的形式，并且在每道题目提交后必须给出正确解释，给出一定的反馈。 在教学资源的提供方面，目前平台上开设的学习活动有课件（视频、作业及文字材料）、Wiki、论坛等，但是Wiki和论坛的利用率极低。建议设置更加丰富的学习活動形式，例如加入外部链接，拓展学习资源，或是增加论坛活动和学生间的交流，例如每次课程结束后，在论坛上由教师或助教发起一次课后讨论，鼓励学生积极参与，同时，也可以给予学生一定的奖励。对Wiki的使用也要提供一定的指导，例如教师和助教先设置好大框架，要求学生往里面增添内容。对学生的贡献度予以标明，鼓励学生参与到Wiki编辑中来。 （三）学习路径可视化 将Gephi[19]等可视化工具应用于在线学习系统，可以进行自适应学习路径规划。 一方面根据滞后序列分析所得的学习活动路径图，可进一步剖析微观层面上学习者的学习目的、学习动机、回溯行为产生的原因等，提供即时反馈和预警，帮助学习者调整自身学习行为。可视化学习行为路径可植入学生端，辅助学习者掌握自身学习状态，鼓励其参与更加丰富的学习活动。学习者也可以观察成功者的学习路径，对比自身学习路径存在的差异。可视化分析结果可作为指标纳入在线学习评价体系中，提供有明确数据支持的过程性评价方法。例如根据学习者是否存在合理的回溯行为判断在线学习的沉浸程度。 另一方面，结合聚类算法可提炼出各类学习者的典型行为模式，有针对性地提供不同的学习策略，为学习者推荐有价值的学习资源，帮助学习者规划自适应学习路径。对于绩效优异和辍学的学习者加以重点关注：分析成功学习者的行为模式特征和辍学者的关键行动节点，为优化教学和资源推荐提供依据。 六、总结与反馈 本研究对在线学习平台上记录的学习者行为数据进行滞后序列分析，并可视化呈现出学习路径图，进行滤波分析和回溯分析。研究发现，学习群体的路径差异较大，且学生对于观看课程视频的热情较低，在课程进行一个月后开始出现较多跳跃视频的行为，且课程章节间、章节内的学习回溯行为较少，而频繁的回溯和懈怠期按部就班的学习行为发生在学习者学习动机强的章节。研究者针对这些行为特征进行了讨论，并基于学习者对外部资源和知识构建的需求，为教学资源与活动的安排、课程及平台功能的设计与开发、自适应学习路径规划应用提供了合理建议。 目前各类在线平台对学习者行为数据的采集没有制定标准化的规范，这对在线学习分析的研究者提出了高要求。本文不仅详细介绍了滞后序列法中的数据清洗、整理和提取方式，还将生成的学习路径可视化呈现，使得研究成果可直接植入在线教学平台系统使用，且制定了一套包括滤波分析和回溯分析在内的功能应用方案。 关于滞后序列法及可视化呈现学习活动路径的后续研究问题还有：群体中是否可明确聚合出几类活动路径？拥有相似活动路径的学习者在成绩上是否也相近？活动路径差异较大的学习者是否在成绩上相差明显？活动序列特征是否与辍学行为表现出相关？为提高学生在线学习的获得感，优化在线教学方式，还需要结合聚类等方法进行更加深入的分析。 [参考文献] [1] SIEMENS G， LONG P. Penetrating the fog： analytics in learning and education [J].Td tecnologie didattiche， 2014， 46（2）：S866. [2] 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（2）： 102-110. [3] 杨现民， 王怀波， 李冀红. 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. [4] 彭绍东. 基于SCORM标准的“学习路径”设计 [J]. 现代教育技术， 2010， 20（8）： 114-119. [5] 曹良亮. 在线学习中学习路径分析及学习行为特点研究 [J]. 中国远程教育， 2014（4）：25-30. [6] HOU H T， CHANG K E， YAO T S. Applying lag sequential analysis to detect visual behavioural patterns of online learning activities [J]. British journal of educational technology， 2010， 41（2）：E25-E27. [7] WU S H H. How cognitive styles affect the learning behaviors of online problem-solving based discussion activity： a lag sequential analysis [J]. Journal of educational computing research， 2015， 52（2）： 277-298. [8] YANG T C， CHEN S Y， HWANG G J. The influences of a two-tier test strategy on student learning： a lag sequential analysis approach[J]. Computers & education， 2015， 82（C）：366-377. [9] BAKEMAN R， GOTTMAN J M. Observing interaction： an introduction to sequential analysis（2nd ed.）[J]. Technometrics， 1997， 34（1）： 112-113. [10] SACKETT G P. Observing behavior（Vol. 1）： theory and applications in mental retardation[M]. Baltimore： University Park Press， 1978. [11] FARAONE S V， DORFMAN D D. Lag sequential analysis： robust statistical methods[J]. Psychological bulletin， 1987， 101（2）： 312-323. [12] POHL M， WALLNER G， KRIGLSTEIN S. Using lag-sequential analysis for understanding interaction sequences in visualizations [J]. International journal of human-computer studies， 2016（96）：54-66. [13] HAWKS I K. Facilitativeness in small groups： a process-oriented study using lag sequential analysis[J]. Psychological reports， 1987， 61（3）：955-962. [14] PUTNAM L L. Small group work climates： a lag-sequential analysis of group interaction[J]. Small group behavior， 1983， 14（4）： 465-494. [15] HOU H T， WANG S M. Analyzing students' cognitive processing patterns of a socioscientific issue learning activity with online discussion ——a preliminary result of lag sequential analysis[C]// Iiai International Congress on Advanced Applied Informatics. IEEE， 2016. [16] 李爽， 鐘瑶， 喻忱，等. 基于行为序列分析对在线学习参与模式的探索[J]. 中国电化教育， 2017（3）：88-95. [17] 江波， 高明， 陈志翰，等. 基于行为序列的学习过程分析与学习效果预测[J]. 现代远程教育研究， 2018（2）：103-112. [18] 韩锡斌， 程璐楠， 程建钢. MOOCs的教育学视角分析与设计[J]. 电化教育研究， 2014（1）：45-51. [19] YANG J， CHENG C， SHEN S， et al. Comparison of complex network analysis software： Citespace， SCI2 and Gephi[C]// 2017 IEEE 2nd International Conference on Big Data Analysis （ICBDA）. IEEE， 2017.
