智能化环境中基于学习分析的学习行为优化研究*

张进良 魏立鹏 刘 斌

（1.湖南科技大学 教育学院，湖南湘潭 411201；2.兰州交通大学 继续教育学院，甘肃兰州 730070）

一、引言

个性化教育是新时代数字土著的强烈需求，《中国慕课行动宣言》指出，“课程设计和学习支持服务要注重课程育人，注重学生全面发展，促进个性化学习，提升学生的获得感和满意度”。只有在对学生全面、深刻、准确理解的基础上，才能有针对性地进行个性化教育。但是，诞生于工业时代的传统课堂教学只注重规模、忽视学生个性[1]。当前，伴随着大数据和人工智能技术的融合、MOOC的普及和“双万计划”的逐步实施，融智能学习终端、个性化学习资源与服务、线上线下学习为一体的智能化学习环境正在形成，学生在此环境中的学习行为均可被数字化。

2016年《地平线报告》（高等教育版）预测混合式学习设计是未来教育的短期趋势[2]。如何采集并分析学生在智能化学习环境中的学习行为数据，以帮助教师更清晰、更全面地了解学生；借助智能分析技术为学生自动推荐学习资源或智力服务，激发学生的主观能动性，促进其不断反思并优化自身学习，让每位学生都有获得感，是目前智慧教育中亟待解决的问题。为此，我们以湖南S大学《信息技术与课程整合》课程的智慧教学为研究对象，聚焦如何采集学生学习行为数据，如何优化学生学习行为，如何检测学习行为优化效果这三个主要问题，以期为智慧教育环境下的教与学实践提供一些借鉴。

二、研究综述

在线学习行为是网络教育领域中的核心研究主题之一，学者们从不同维度、不同视角对其展开了研究。在线学习行为指发生于E-learning环境中与学习相关的各种行为[3]，或者是在网络学习环境下进行意义建构、问题解决和社会化交互活动的总和[4]。网络学习行为具有系统性，一般由行为主体、行为客体、行为环境等要素组成。目前，在线学习行为的环境已经从E-learning环境、网络学习环境演化为智能化学习环境。智能化学习环境是以学生为中心，由智能化硬件资源、学习工具、学习资源和师生等组成的智能化学习空间，该学习空间可以支持学生在任何时间、任何地点与学习资源或学习系统交互，还可以为学生提供个性化的学习指导和建议等[5]。从文献的主题分布来看，目前，对在线学习行为研究主要聚焦在行为构成及数据支持的在线学习行为两个方面。

（一）在线学习行为类型及构成研究

对在线学习行为类型及其构成的研究，主要包括以下几点：第一，从层次不同来划分，在线学习行为由操作性行为、认知行为、协作行为和问题解决行为组成[6]，或者由操作行为、信息交换行为（与学生、老师和专家的交互行为）、学习目标行为（包括问题解决和意义建构行为）[7]等组成；第二，根据参与学习交互人数的多寡，将在线学习行为分为个体学习行为（学生与平台、资源的交互行为）和社会性学习行为（学生与他人进行知识协同的行为）[8]；第三，从在线学习行为的交互本质出发，将在线学习行为分为与学习平台、课程资料等的人机交互行为和在课程学习空间中的交互行为[9]；第四，根据学习方式的应用情境不同，将学习行为分为37种具体学习行为，如，自主学习中的学习行为有添加资源、收藏资源、浏览资源、浏览网页、作品发布、信息检索等[10]。

此外，绝大部分文献都是根据行为对象的不同进行分类，如，对视频学习行为主要从观看视频次数、观看视频时长、视频快进次数等数据项进行观测；对登录学习系统的行为，主要从登录系统次数、登录系统总时间、登录时间间隔等数据项进行观测；对学生在论坛或空间中的讨论交流行为，主要从发帖数量、读帖数量、读帖时间和点赞次数等数据项进行观测；对学习资源操作行为，主要从资源访问数、上传资源数和下载资源数等数据项进行观测；对作业与练习行为，主要从上传作业数、提交作业时间和提交作业数等数据项进行观测。

（二）数据支持的在线学习行为研究

学习行为是预测学生学习效果的重要变量[11]，早期对学习行为的分析主要采用调查研究法，伴随着数据挖掘技术的发展，研究者开始尝试通过挖掘学习系统中的日志数据来分析在线学习行为。如，葛道凯等采集学生的课程登录数据、资源浏览数据和考试数据，来分析登录、浏览、作业等在线学习行为的特点及影响因素[12]；Sean P.Goggins 采用社会网络分析技术及课程学习系统内置的分析系统，记录并分析用户学习活动的双向日志数据，以了解小团体学习活动的变化趋势及学习交互网络结构[13]。

随着在线课程及学习分析技术的发展，学者们开始尝试利用学习分析工具研究在线学习行为，以期为教学干预或优化提供依据。例如，美国普渡大学的课程信号系统（Course Signals）采用特定的学业成功算法（SSA），分析学生的学业成绩、努力程度（交互频次）、表现行为（课程学习所得分数）等数据，对学生的学业状态分别给予“红（高风险）、黄（预警）、绿（良好）”三种信号的提醒，教师再根据“警示信号”通过短信、在线消息等方式对学生给予及时干预，以促进学生采取自我优化措施[14]；可汗学院运用ALASKA 学习分析工具分析群体或个体学生的学习行为，并可视化呈现分析结果，从而能够更好地优化学生学习过程[15]。

美国Desire2Learn 机构研发的学生成功系统，通过采集、分析学生的出勤和课程参与度等数据，运用多元化的预测模型，来准确识别存在学业危险的学生，并为其提供包括学习状况、学习预警、学习干预等方面的报告及其相应的干预措施[16]。美国马里兰大学（UMBC）在Blackboard 课程管理系统的“检查我的活动”（Check My Activity）中，可以检测、可视化学生的学习时间数据、资源使用数据及与学习伙伴之间的对比数据，帮助学生了解自身及同伴的学习情况，以便能够促进自我反思与调节自身的学习[17]。美国亚利桑那州立大学开发的在线互动工具eAdvisorTM，使用学生数据、监控学生在学位课程中的学习进度并提供必要的服务和干预措施，以更好地满足学生需求或支持学生的学习成功[18]。

此外，还有一些研究者基于学习分析技术监测学生行为数据，构建学习行为干预模型或系统，并将其应用于学习实践中，为学生提供学习干预或预警。如，运用基于人脸识别和面部识别技术的课堂教学评价系统，跟踪并分析学生在课堂学习中的参与情况，为学生提供个性化指导与行为矫正服务[19]；基于学生学习行为数据构建的学习行为干预模型，能够有效识别出处于学习危机状态的学生，有助于及时发出预警信号并提供个性化干预[20]；自适应在线学习分析模型能够准确反馈学生的学习效果，为学生推荐适宜的学习路径与学习资源，提供个性化干预[21]；网络学习行为智能监控系统模型，能够有效监控远程学生的学习行为[22]。

在教与学行为的优化方面，有研究通过对教师网络学习平台中日志和交互论坛数据的挖掘，分析学生的资源偏好和时间偏好，提炼师生的交互网络特点，为优化学习支持服务等提供参考[23]。也有研究者在分析教师网络学习行为特征与类别的基础上，构建了教师网络学习行为模型并将其运用于实际案例中，来挖掘学生的学习时间偏好、学习方式偏好和学习工具偏好，这对学习效率提高和学习方法改进、提高网络学习效果具有重要意义[24]。

综上，关于在线学习行为的研究已经从理论研究走向实证探索，研究方法从调查到数据挖掘再发展到了学习分析，研究焦点聚焦“基于学习分析的学习干预与预警”。总的来说，已有研究为智能化学习环境下的学习行为分析奠定了基础，但存在以下问题：

第一，对在线学习行为的分析存在表面化，只关注学习结果或学习状态本身的外在表现行为数据，缺乏对隐藏于学习行为背后的学习动机、学习情感等非智力因素的分析；第二，学习行为数据预测指标存在一定局限性，目前只注重网络环境中的行为数据分析，忽视对智能化学习环境中的学习行为数据分析；第三，从研究视角来看，国内外已有不少针对在线学习行为、网络学习行为监控、预警和干预等方面的研究与实践，但这些研究大部分是基于认识论哲学，以在线学习系统为中心，从工具理性的视角把学生视为被检测、预警和干预的对象，研究对象多为学习困难或存在学习风险的学生，并未顾及优秀学生，忽视了学生主体性之教育终极关怀。

学习分析技术为优化学习而生[25]，其真正意义在于通过学习行为数据分析，促进学生自身反思并调整自身学习行为。学生既是学习分析的起点又是终点，学习分析即收集具有个性化特征的学习行为数据，进而为学生提供个性化学习预测与反馈服务。个性化学习是指学生基于个人实际需求自主选择学习资源和学习活动，并根据学习行为分析结果调整学习进度与学习方式。然而，当前的学习行为分析并未考虑到这一点，未充分发挥学生学习的主动性。因此，从学习生态学视角分析学生在智能化学习环境中的行为全数据，为学生提供个性化资源和过程服务，激发学生的主观能动性，优化自身学习行为，具有较强的实践指导意义。

三、学习行为优化模型

（一）模型构建的理论基础

“授人以鱼不如授人以渔”，叶圣陶的“教是为了不教”“让学生处于主动状态”“教师的作用在于启发导引”等教育理念，都强调启发、引导受教育者的内在学习需求。教育者的职责即创设和谐、民主、自由的学习环境，通过系统规划或组织教与学活动，把学生培养成自主、自觉、积极的社会实践主体[26]。在线教育是借助智能或智慧学习平台培育、发展学生主体性的教育实践活动，如何构建虚实融合、宽松自由的学习环境，设计合理的学习活动，并科学分析学习行为数据，调用一切可以利用的资源来激发学生学习的自主性，促进其优化自身的学习行为，是一个值得深入探索的实践难题。遵循唯物辩证法“实践、认识、再实践、再认识”的原理，要提升在线学习行为优化的理论厚度及实践深度，必须在实践基础上构建在线优化模型，然后在实践的不断应用中修缮模型，以便使模型具有更广的实用性和指导性。

虽然，目前没有优化学习行为的直接理论，但学界对此早有涉及。生态学习观秉持人本主义的思想，强调以学生为中心的学习观，认为学生不是机械地接收物理环境的刺激，而是在积极地与学习环境进行交互，积极主动学习是学生理解知识的意义和塑造具有主体性自我的关键。巴班斯基（Babanski）的教学最优化理论也为学习行为优化提供了思路，即本着让每一位学生通过学习达到最高发展水平的原则，把教学视为一个相互联系的系统，教学最优化主要包括以最少的时间、最小的精力和最低的经费取得最大的效果。

学习分析的终极目标是通过对学习行为数据的挖掘与分析，分别从技术、社会、教学等维度为学生提供适应性的学习服务[27]，促使其优化学习路径，改善学习绩效。学习分析视域下的学习行为优化，是指在动态跟踪学生学习行为数据的基础上，通过AI大数据分析，发现学生的学习路径、学习风格、学习偏好等个性化学习特征，依此为学生推送合适的学习资源与智力服务。其主要目的是通过具体的优化措施促进学生自主反思、自我发现问题、规避学业不良行为累计风险，并给予个性化的指导与帮助，以便因材施教，力求让所有学生获得更好地发展。

因此，基于大数据的学习行为智能分析，其本质是数字化学习服务效率和效果问题，关键是能够及时准确地判断学生的需求，以便提供最佳服务，从而提高学习服务的品质。智能化学习环境中的学习行为优化可以发生在课堂上，也可以通过学习系统为学生提供支持或帮助。

（二）模型的构成要素及运行机制

Siemens G.将学习分析分为数据收集、数据分析、预测和适应性调整四个阶段，其中，适应调整包括从技术、教学和社会三个维度给予学生个性化的学习支持。Siemens G.提出的学习分析优化模式是包括数据的收集与获取、存储、清理、整合、分析、可视化呈现、行动七个方面在内的环形模型，其中行动环节不仅包括干预、预警，还包括优化和改进等[28]。基于智能数据分析的学习行为优化模型，以主体性教育理论、生态学习理论、最优化教学理论为指导思想，按照学习分析的基本模式，将要解决的问题映射为学生学习行为数据；再经过数据采集、数据分析、结果呈现以及优化调整四个步骤，最后，达到学生学习行为整体优化的目的。

我们所构建的基于智能大数据分析的学习行为优化模型，如图1所示。它由五大模块组成，即数据采集与存储模块、行为分析模块、反馈与提醒模块、学习行为优化引擎和智能化行为优化模块。

数据采集与存储模块包括数据源和数据采集两部分。学生在学习管理系统、移动终端或智慧课堂学习过程中，会产生诸多学习行为数据，必须采用相应的工具从这些系统中采集数据，并进行清洗和归类，整理成学生基本信息数据、学习行为数据、课堂互动数据、日志数据以及学习结果数据，以便进行行为分析。

行为分析模块主要采用聚类分析、社会网络分析等分析技术，对学生的学习特征进行建模，构建学生特征模型；对学生的知识进行建模，判断其认知水平；对学生的学习行为进行建模，判断其学习是否存在潜在问题。并且通过数据可视化技术等将学生学习行为、学习结果和互动情况，以可视化的形式反馈给学生[29]。

反馈与提醒模块主要包括两个方面：一方面，通过统计图表、学习仪表盘、能力图谱、数字徽章等形式反馈学生的学习情况，对于存在潜在学习问题的学生，采用邮件、APP、微信、课堂提醒等形式进行善意提醒，以引起其注意，敦促其反思自身的学习；另一方面，将普遍性的问题反馈给教师，促进教师反思自身教学，并为学生提供针对性的优化措施。

学习行为优化引擎是学习行为优化模型的核心，是连接学习行为优化模型其他功能模块的重要纽带，是个性化学习的重要推动力。它基于测评评价、分析挖掘和调整适应三种重要理念和技术，利用智能化分析技术，综合数据挖掘、分析、可视化等模块的分析结果，为学生提供大规模个性化服务，激发其学习潜能、提升学习能力，以达到高效学习的目的。

智能化行为优化模块依据智能学习行为优化引擎及反馈提醒模块的结果，促进教师反思教学，分别从学习资源、学习活动和学习环境三个方面进行调整与优化，从而为学生构建更加自由、宽松、适宜的学习环境。依据分析结果，选择课前、课中或课后，分别以个人、小组或群体优化的形式，采用系统自动或人工方式优化学习行为，并为学生推荐适宜性的学习资源或智力服务，最终促进学生主动反思自身的学习，强化学习动机，优化自身的学习行为。

上述五个功能模块相互作用、协同工作，共同构成一个整体，共同作用于学生的学习行为优化。从技术维度促进教师优化学习环境，如，调整学习任务、调换学习资源等；从社会维度系统自动推荐教师或学习伙伴帮助学生自我反思，激发其学习的主动性和积极性；从教学维度促进教师优化学生学习活动，如，根据学生的学习兴趣及学习需要创设自主、探究或协作学习活动，并且适时推荐学习资源或学习服务，以便利学生学习。

具体而言，优化的方式可以完全借助智慧学习系统的智能优化，如，设置学生周学习时间的最低阈值、学生完成学习任务最小比率等，一旦学生的学习数据低于阈值范围，就会收到来自系统的善意提醒，敦促学生端正学习态度，及时完成学习任务。根据接受优化的人数多少，我们可以分为针对一位学生的个体优化、针对学习小组的小组优化（如PBL 小组）及针对所有学生的群体优化。依据优化时间不同，可以分为预习环节的课前优化、在课堂学习中的课堂优化、在课后环节的课后优化等。总之，在具体的实践中，要根据具体学习情境的需要，选择合适的优化方式和措施等。

四、实证研究设计

（一）研究对象

本研究选取湖南S大学学习《信息技术与课程整合》课程中的64名大三本科生为研究对象，课前学情调查显示，大部分学生网络学习能力较强，具有移动学习的经验，对在课堂中使用手机进行互动比较支持。《信息技术与课程整合》是专业核心课，本课程的教学环境基于超星集团的“一平三端”智慧课堂学习系统，该系统以泛雅网络教学云平台为中心，支撑对应于课堂教学的教室端、对应于学生自主学习的移动端和对应于教务管理的管理端，覆盖了课前、课中和课后日常教学全过程。其中的“学习通”APP具有课堂签到、问题抢答、讨论上墙、随机选人、大数据分析、在线互动等功能。另外，此平台还具有小组学习功能、PBL 等功能，系统既能收集师生在智能化学习环境中的行为数据，又能对师生在课堂教与学中的交互行为数据进行分析，基本覆盖了线上与线下环境的各种行为，也覆盖了自学、课堂学习、协作学习等不同的学习场景。

（二）研究假设

我们认为，认知维度的学业成绩、互动维度的学习参与程度、时效维度的学习任务完成时效、参与维度的学生参与度和积极性，是衡量学生学习效果的四个重要维度。基于文献综述，并结合研究对象的实情，在主体性教育和生态学习理论的指导下，分别从认知维度、互动维度、时效维度、参与维度提出了如下研究假设：

在《信息技术与课程整合》课程教学中，如果借助智能化学习环境中的数据采集和数据分析工具提醒，采用合理的学习行为优化策略，不仅可以有效提升学生的学习成绩，优化学生在课程学习中的互动效果，还可以提高学生的学习任务完成率以及学生课程学习的参与性与积极性。

（三）数据收集与分析

为了更深入地了解学生，根据构建的学习行为优化模型，我们可以从智慧教学云平台及学生课堂互动平台中，获取学习行为的各类数据，并对其进行处理与清洗，以便能够挖掘出学生关键的学习行为特征。智慧教学云平台主要存储了学生学习的Web日志数据，包括自主学习日志、讨论交流日志、视频资源访问日志、作业与练习（任务）日志、用户登录系统日志数据等。另外，平台还存储了学生在智慧课堂学习中的课堂讨论、抢答、参与调查等活动流数据，教师还对学生在课堂学习中的注意力、学习积极性等非数字化行为数据进行了收集。

本研究运用R语言进行数据清洗和预处理后，最终获得了如下五种学生学习行为数据：学习时间数据（登录系统时间、学习时间跨度）、学生视频学习数据（观看视频时间、观看视频完成比例、提交学习测验等时间节点）、交互行为数据（发帖次数、回帖次数、点赞次数）、课堂互动数据（抢答、签到、投票、参与讨论情况）、探究式学习数据（发起讨论数、参与讨论数、共享资料数、使用资料数、向教师咨询提问数）等。然后，对学习行为数据、学习结果数据进行描述性统计分析和探索性数据分析，使用recharts 包进行数据可视化，并对数据进行验证性检验和分析。

五、学习行为优化的效果分析

学习行为优化模型开始于学生的学习行为数据，然后识别学生学习状态的关键特征，并运用学习行为优化引擎将学生学习状态与优化策略进行智能匹配，将匹配度高的优化策略推送给教师或管理者。实施优化策略之后，优化引擎会持续跟踪学生的学习状态，一方面是监测优化策略，另一方面是及时发现新状态并实施新一轮优化，依次往复循环，以便达到整体优化学生学习的效果。本研究依据构建的学习行为优化理论模型及课程教学的实情，从四个维度分别实施了不同的优化策略，并取得一定优化效果。

（一）认知维度的优化效果分析

认知维度是衡量学习绩效的第一维度，也是学习效果分析的重要基础。从近几年该课程的教学情况来看，由于理论性较强、教材较为陈旧，学生对课程的学习兴趣不是很浓厚，导致学生的成绩不是很理想。我们从课程设计的视角，对课程进行了整体优化，更新了课程的内容体系，增加了人工智能、大数据、云计算及虚拟增强现实等新型信息技术和其在教育领域中的应用案例，开发了系列微课资源，并且充分利用超星学习通和学习平台设计了PBL、小组讨论等多元化的学习活动。最后，我们在智慧教学云平台上创建了《信息技术与课程整合》在线课程，从整体上优化了学习环境。

通过对2016级学生与2015级学生的成绩数据进行非成对样本的秩次和检验，我们发现，无论是采用连续修正还是非连续修正，2015级学生成绩数据与2016级学生参加课程学习前的成绩数据均无差异（W=2142.5，P=0.73＞0.05）。在本课程学习结束后，采用与2015级（63人）本专业同题型、同难度的课程考试题目对2016级进行测试，平时成绩、学生作品和期末笔试成绩的比例相同。最后，从学校教务系统调取两个年级学生的成绩，并对两个年级的成绩进行统计分析，结果如表1所示。

对2015级和2016级两个年级的成绩进行显著性差异检验，在95%的置信区间内，从方差相似性检验结果来看，两组样本的方差是不齐性的（P=0.01＜0.05），正态性检验显示：2015级学生成绩呈非正态分布（P=0.002＜0.05**），2016级学生成绩呈正态分布（P=0.08＞0.05）。因此，在对两个样本进行显著性检验时，一方面，采用Welsh的修正自由度进行双侧检验，在P＜0.001***的水平上，2015级学生成绩均值为77.19，2016级学生成绩均值为85.5，说明2015级和2016级两个年级学生成绩的均值显著性差异，2016级的成绩均值明显优于2015级。另一方面，从学生成绩分布来看，对课程进行整体优化之后，2016级学生的成绩优良率高于2015级学生，中等以下的成绩比例明显减少，说明采用整体优化课程策略之后，2016级学生对本课程基本知识的掌握程度高于2015级。

（二）互动维度的优化效果分析

互动效果主要从社会维度对学习行为优化效果进行考量，美国心理学家阿尔伯特·班杜拉（Albert Bandura）创建的交互决定论，强调在社会学习过程中行为、认知和环境三者的交互作用。在智能化学习环境中，生生互动具有特别重要的意义，对学生互动行为数据的采集与分析，有助于发现学生在互动学习中存在的问题，从而采用合适的措施优化学生的学习行为，从整体上优化课程的教学绩效。

本课程的自主学习环节，设有主题讨论和PBL两种交互学习活动。在“信息技术与教与学环境”专题PBL 中，系统限定每组最多人数为5人，由学生自由组建学习小组，自选学习主题，学习周期为三周。该学习活动启动一周半之后，我们从学习平台后台获取每个小组的学习行为数据，并对其进行交互网络分析。这里以编号为5、学习主题为“多媒体教室空间布局变化及展望”的小组为例，其学习活动的互动网络如图2所示。可见，五位学习成员的交互网络比较稀疏，说明小组成员之间的互动比较弱，小组讨论的积极性不强，组内成员参与的积极性不高，上传资料等学习行为也较为少见，学习活动的进展较为缓慢，仅仅是小组组长与其他组员之间的交互。

图2 编号5小组优化前交互网络图

针对此问题，教师采取小组优化的方式，通过PBL平台分别与小组内的不同同学进行讨论，引导小组成员尽快确立主题，并为小组推荐相关的学习资源；再采用群体优化的方式，将进展较快、表现比较突出的小组工作进展与作品依托学习通向全班定期公布，以通过优秀学习小组的行为启发，促进其他组的组内成员勇担责任、共同进步。经过短期的行为优化措施后，取得了一定的效果，其交互网络效果如图3所示。可见，第5学习小组在经过优化之后，学生的积极性被充分调动了起来，他们踊跃地参与到课程的各个活动中来，学习的主动性、积极性以及互动效果有了明显的提升，表明优化效果显著。

图3 编号5小组优化后交互网络图

（三）时效维度的优化效果分析

时间是衡量事物的一个重要尺度，学生在学习中花费的时间也可以反映其学习态度与学习兴趣。我们从后台获取了学生登录学习系统的时间点、学生在学习系统中学习的时间跨度、学生完成作业或学习任务的时间段等时间数据。学生登录学习系统的时间点，能够反映学生学习习惯和对本课程的重视程度；其在某一学习模块的学习时长（包括浏览微课、参与讨论）等能够反映出学生的学习投入度；学生完成作业或学习任务的时间，既能够反映学生的学习动机，也能发现学生的学习拖延情况。如果能够借助平台中的学生学习行为数据管窥学生在时间维度的行为问题，及早给予学生善意提醒或优化措施，使学生的学习时间管理行为得到优化，将对学生学习绩效的提升、健康人格的形成，具有重要的现实意义。

在本课程智能化学习环境中，绝大多数学习任务都有时间限制，我们将学生作业提交时间段划分为：凌晨（1:00-5:00）、早上（5:00-8:00）、上午（8:00-12:00）、中午（12:00-15:00）、下午（15:00-18:00）、晚上（18:00-22:00）、深夜（22:00-24:00）。在课程学习进入到第三周时，从学习系统获取学生学习时间数据，对其进行规格化处理之后，经过统计得到如图4所示的学生作业提交时间段统计图。

图4 优化前学生作业提交时间段图

从图4可知，学生在前三周存在作业或学习任务完成拖延的情况，如，有相当部分学生在作业截止之前突击完成作业，甚至有30名左右的学生在深夜和凌晨两个时段完成作业，这种学习行为既不符合人体生物节律，又不利于学生身心健康。针对此情况，教师首先通过学习通APP、课程微信群、当面交流等方式了解问题的真正原因，发现登录系统时间较少主要是由于学生学习态度不端正，个别学生学习拖延的情况是由于学习动机不强表现出消极怠工，突击完成作业的原因除了部分学生学习态度不端正之外，一些学生反映课程的学习任务太重。

我们首先从课程设计的角度，适当减少了学习的任务量，比如，把部分微课学习任务由必学改为选学。针对学习拖延情况，对每一个有学习拖延现象的学生，通过学习通、微信等形式一对一地激励其投入学习、端正学习态度；对于登录学习系统时间较少的学生，我们主要利用课余时间，采用与其当面谈话、利用学习通系统推荐优秀学生与其组伴学习等方式进行优化；对在凌晨学习的学生给予个别善意提醒，建议合理利用白天时间，养成良好的学习习惯等。通过以上三种优化方式，经过三周的优化调整，学生的作业提交时间段如图5所示，提交作业的时间有了极大优化，大部分同学都将自己的作业提交时间调整为上午到深夜之前，特别是上午和晚上这两个时间段完成作业的同学占绝大多数，作业提交的时间也极大提前了，学习拖延现象明显减少。

图5 优化后学生作业提交时间段图

学生对微课视频的观看时长，是另一个时效维度的衡量尺度。我们从课程学习系统的后台采集学生前四周观看视频的时长数据，发现学生观看微课视频的时长较低，最长为38分钟，远远低于整个微课视频的完全播放时间，存在学生突击快进浏览微视频的情况。针对此问题，我们登录课程系统，将视频的观看方式设置为防回溯方式，另外，在课程内容中增加了微课视频的导引。在优化策略实施之后，学生整体观看资源的时长明显提升，绝大多数学生的观看时长都在50分钟以上，为了更好地完成作业，极个别学生还会反复观看视频资源（如图6）。

图6 优化后学生观看视频时长分布图

（四）参与维度的优化效果分析

在智能化的学习环境中，学生是学习的主体，教师是主导，提高学习绩效在某种意义上来讲就是提高学生积极参与的程度。参与是提高学习绩效、实现学生学习主体地位的关键因素，也是学生主动思考、合作探究和积极解决问题的重要途径。从教育心理学维度看，参与就是学生在认知、情感和行为上的投入；从社会群体来看，它是指个体与其他个体之间的互动，个体受到群体影响的程度和方式。由于学生参与涉及学习动机和学习情感等方面，学生在学习参与过程中，不仅可以增长知识、提高技能，更能训练思维、展现个性、培养团队合作与创新能力。参与不仅体现学生的整体学习状态，又能反映出学生个体在认知、行为和情感方面的投入程度。

行为参与是智能化学习中学生学习参与的首要要素，我国著名教育学家陶行知非常重视学生参与，他指出“要重视每位学生的行为参与，力争让每一位学生都参与进来”。具体而言，本课程中学生在线上讨论、共享和使用资料、登录系统与课堂抢答、合作探究、小组学习等都属于行为参与。我们从学习系统中采集学生学习活动数据，并对其进行清洗与分析之后，得出如图7、图8所示的结果。其中，图7是在学习行为优化前后学生发起和参与讨论、使用和共享资料等四个方面的数据对比图。

图7 优化前后学生参与各类活动次数对比图

从图7可知，在前三周学习期间，教师未采取明显的优化措施，学生行为参与的积极性较低，如，学生发起讨论的次数为20次，参与讨论的次数约120次，使用资料的次数约240次，共享资料的次数约110次，可见学生整体参与积极性不高。针对此问题，我们采用系统优化与人工优化相结合的方式，首先通过学习通向参与积极性不高的学生发送进度提醒，教师再利用业余时间浏览并参与学生的学习讨论，积极响应学生发起的讨论帖。经过两周的学习行为优化，学生行为参与的积极性得到较大提升。学生使用资料的最高次数达到了750次，发起讨论的次数达到76次，参与讨论的次数达到480次左右，学生共享资料的次数达到300次左右。从整体来看，优化的效果非常明显。

图8为课程前三周学生登录学习系统（包括移动端和网页端）的总次数分布图，可见学生参与课程的积极性不高，登录次数较低，有一半以上的学生登录次数在30次以下，也有极个别学生的登录次数达到了100次以上。我们采用与上述相同的优化措施之后，学生登录系统的次数分布如图9所示，全班仅有1/4学生登录次数较低，登录次数在39次至174次之间，整体上较高；有3/4学生登录平台的次数都在174次以上，甚至还有两个登录次数极高的学生达到了600次以上。

图8 优化前学生登录次数分布箱线图

图9 优化后学生登录次数分布箱线图

课堂互动是另一个反映学生行为参与的重要维度，我们从课程系统后台获取学生的前三周课堂抢答行为数据，对其进行统计分析，得出如图10所示的课堂互动频次分布直方图。

图10 优化前班级学生课堂互动情况分布图

从图10可知，在前三周的课堂学习中，班级学生整体参与频次较低，抢答次数达到10次以上的不到20人，绝大部分同学的抢答次数都低于6次，抢答人数不足班级人数的1/4。我们认为，主要原因在于少数性格活跃的学生积极参与课堂抢答，另外，学生对利用手机抢答不太适应。对此问题，我们主要采用组合优化的方式，比如，现场给予抢答积极的同学口头表扬、评价其分享的观点，并且通过学习通APP给抢答积极者加分，在课堂教学中不断地引导学生积极抢答等。我们从课程学习系统中提取学生四周之后到课程学习结束之时的抢答数据，对其统计分析之后，得出如图11所示的课堂互动频次分布图。可见，学生课堂抢答频次大大提升，全班学生中抢答的最低次数为15次，所有学生都能踊跃地参与到课堂互动中来。这说明充分调动了全班学生参与互动、抢答的积极性，优化效果比较明显，学生课堂活跃度比较高。

图11 优化后班级学生课堂互动情况分布图

此外，学生主动向教师发起提问的次数也能反映学生行为参与的积极性。学生针对学习内容提出问题，不仅说明其学习的积极性，而且也能反映出学生对学习内容的深入思考程度。我们以抢答人数为横轴、以抢答次数为纵轴、以课后学生的咨询人数为散点图的比重大小，绘制了学生在参与优化前后行为的散点图（如图12所示）。可以看出，在对学生进行优化后，无论是抢答人数、抢答次数还是课后咨询人数，学生的行为参与都有了很大的改善。

图12 学生抢答人数、次数、咨询人数分布图

六、结论

经过为期一学期的学生学习行为优化探索与实践，我们发现，研究假设获得了验证，较好地促进了信息技术与本课程教学的融合，在“现实+虚拟”无缝衔接的智能化学习空间里，有效布局了课前、课中和课后的学习内容，为学生搭建起了“博学—慎思—审问—明辨—笃行”逐级上升的学习路径。课程教学不仅优化了学生的学习行为，端正了其学习态度，而且改善了其学习习惯，训练了其认识思维。此外，学生的学习主体意识明显增强，积极性和参与度明显提升，参与意识、探究意识、学习动机逐步加强，从而达到生动活泼、积极高效的学习状态。比如，有同学在平台留言中说：“老师，通过本课程学习，我开始喜欢上了本专业”“老师，这学期上了您这门课，我们班的学风发生重大转变，大家更热爱学习和钻研相关的专业技术知识了”。

我们认为，在智能化学习环境下，个性化学习的目的是通过学生主动积极地参与活动，促进其全面、和谐、整体发展，学习行为的优化是一个极其复杂的系统工程，因此，需在以下几方面进一步研究：

（一）数据的采集与分析是学习行为优化的基础

数据采集与分析是学习分析的基础条件，选择合适的数据采集与分析工具，实时采集并分析学生在智能化学习环境中的学习行为数据，明确学生的学习兴趣与学习需求，是开展学习行为优化的重要基础。在本课程的教学过程中，我们借助超星智慧学习系统中的数据采集模块，全流程动态追踪学生学习数据，准确判断学生的学习状态，洞察学生的学习需求与兴趣，为学生学习行为优化和课堂交互等奠定了坚实基础。

（二）学习环境的优化是学习行为优化的前提

智能化学习环境是以学生为中心的个性化学习能否实现的重要基础，它包括技术环境、境脉环境、社会环境等三个维度。其中，社会环境基本在短期内不会有太大变动，且蕴含丰富的智力资源；我们可以依据学生的反馈，优化技术环境的功能，如，对课前预习、课中互动交流、课后作业提交等功能进行优化；境脉环境主要指课程学习内容环境，是学习环境优化的重点，教师要充分调用智能化学习环境中的学习工具与学习资源，为学生构建宽松、自由的学习环境，并且依据学生反馈，调整学习内容模块，创建适宜的学习环境。学习活动的设计是境脉学习环境的核心，正如著名教育学家杜威主张“从做中学”，在智能化学习环境中，无论是线上学习还是课堂学习，让学生参与学习活动，既有助于学习目标的达成，又有助于提高学生学习的参与度。例如，将学习内容主题化或项目化，设计辩论赛、主题讨论、项目学习等丰富多样的学习活动，使学生通过参与学习活动而主动积极学习，发现新知、强化技能和训练思维。因此，对学习环境的设计成为学生学习行为优化的前提，有待不断探索与完善。

（三）学生主动性的激发是学习行为优化的根本

学生主动性体现为每一位学生的内在需求，教学的作用就是通过合理引导将其激发出来。如，本研究在“信息技术与教与学环境”“信息技术与学习资源”等章节学习中，全班学生在教师引导下，通过头脑风暴的方式，选择学习主题；通过小组探究式学习，完成学习任务；在线下的课堂学习中，教师通过“博学、慎思、审问、明辨、笃行”等教学环节，训练学生的直觉思维、发散性思维、创新思维等。在智能化学习环境中，基于在线学习系统的自动提醒等属于教学管理层面的手段，而教师的引导作用才是学生学习主动性发挥的重要砝码。只不过在课程启动阶段，系统的管理功能对学生学习主动性激发作用大于教师的引导作用。但从智慧学习系统强化学习到教师引导学生主动学习再到学生自主学习，通过学习系统和教师优化引导的交互作用，可以强化学生注重学习行为的塑造。因此，在智能化学习环境中，不仅要发挥基于学习系统的精准管理功能，更要发挥教师引导的积极作用。

（四）教育智力资源的有效服务是学习行为优化的保障

教育是一门“人学”，德国哲学家雅斯贝尔斯（Jaspers K.T.）曾说：“真正的教育是用一棵树去摇动另一棵树，用一朵云去推动另一朵云，用一个灵魂去唤醒另一个灵魂”[30]。学习行为优化归根到底是人的问题，在线学习系统连接了教师、学生、助教等智力资源，在学生学习行为优化的过程中，应合理利用行为优化引擎，向学生自动推荐教师、优秀学伴和助教等教育智力资源，为学生学习提供必要的智力服务。特别应发挥优秀学生的榜样和示范作用、发挥教师的引导作用，来感化、唤醒存在不良倾向的学生，激发他们的学习主动性，促使其主动调整学习行为、优化学习路径，从而保证学生学习绩效。