高校混合式教学中的线上学习路径挖掘及对教学改革的启示

陈凯泉 高蕾 孟祥红

摘要：伴随线上线下相结合的混合式教学的广泛开展，线上教学平台积累形成数量可观、类型丰富的学习过程数据。应用学习分析技术对这些学习过程数据作出分析有望能获得更为精准的学情，可为教学改革提供科学依据。本研究通过收集并分析一门大学课程实施混合式教学后的学习过程数据，挖掘了学习该课程的大学生在网络平台上的整体学习路径，从学习风格和学业成绩两个方面挖掘形成了聚类学习路径。路径挖掘结果显示，混合式教学应精细化安排不同学习模块中的学习资源以提升资源访问率，需丰富学习资源类型以满足不同学习偏好，要提升学习资源的逻辑性和可视化程度以促进深度学习，还应借助小组研讨以促进同伴学习和替代式学习。

关键词：混合式教学;学习分析;学习路径挖掘;教学改革

2020年春节前后暴发的新型冠状病毒所引发的疫情给全国上下带来较大冲击，尤其在教育系统，疫情导致师生不能见面，传统教学模式无法正常展开，线上教学成为当然之选。可以预见，疫情过后高校教师对线上教学的应用会越来越多，线上线下相结合的混合式教学将成为高校教学的常态。在线教学平台积累形成大量的学生在线学习数据，基于对这些学习过程数据挖掘的学习分析技术已较为成熟。著名的可汗学院是学习分析技术支撑下成功的自适应学习平台案例，该平台能够根据学习者的兴趣爱好及当前所处知识能力水平进行学习资源的精准推送、学习报告的动态分析及呈现等。[1]国内外高校也在大力推广在线教育平台的使用，如清华在线平台、智慧树等学习平台在国内高校中广泛应用，Sakai和Canvas等平台在美国的高校应用中较为普及。在这些平台上所形成的数据种类丰富、数据量庞大。如果仅限于应用这些数据做登录频次统计、学习时长分析、成绩计算并不能对学生的学习过程作出全面深入的分析，学习过程大数据的效益不能得以充分发挥，由此对学生的学习过程干预也就缺乏科学依据。应用学习过程数据来分析学生的学习路径以及其学习社交网络是评测、考察学生学习过程的重要视角，混合式教学改革中应进一步开展学习路径挖掘并据此形成更为科学有效的教学设计。

一、混合式教学中的学习路径挖掘

（一）混合式教学的概念及特点

所谓混合式教学（Blending Learning）就是要把传统教学和数字化学习的优势相结合，既要发挥教師引导、启发和监控教学过程的主导作用，又要充分体现学生作为学习过程主体的积极性、主动性和创造性。[2]与传统教学相比，混合式教学突出体现为以下三个特点：第一，强调学生的自主性。基于网络信息技术的教学平台为学生自主开展学习提供了丰富的学习资源，学生可自主开展学习。第二，增加师生的多元互动。网络教学平台成为师生、生生互动的重要平台。第三，为全过程记录学习过程提供了可能。学生在网络教学平台上的浏览过程、发言内容、完成作业练习的情况、与老师和同学的交流过程等都有望被记录下来，为详细分析学情提供了数据支撑。

混合式教学概念的演变先后经历了三个阶段：第一个阶段是从上世纪90年代到2006年的技术应用阶段，这个阶段以信息技术为关注重点，主要是尝试对各种信息技术的应用;第二个阶段是从2007到2013年，重在关注师生在这种教学模式下的交互方式，教学上会混合使用传统教学策略与在线教学策略，这个阶段探索了自主学习、讲授式教学和协作教学等各种教学策略在混合式教学模式下的应用;第三个阶段是从2013年至今的“互联网”阶段。[3]这个阶段把学生的学习体验作为关注重点，高度凸显“以学生为中心”的学习理念;伴随教育大数据和学习分析技术的发展，对学情的关注、分析成为混合式教学研究的重要内容。

（二）大学混合式教学中学习路径挖掘的必要性分析

大学教学研究中长期以来的一个研究重点即是对学情的获取、分析与应用。受理念及技术的限制，对大学生学情数据的获取多借助于课堂观察、访谈、问卷调查等方法。但课堂观察的方法仅局限于课堂，相较于学生的全部学习过程，课堂观察所获取的数据量极为有限。访谈、问卷调查等方法使学情数据多出自学生的主观回答，数据的可信度不够充分。混合式教学尽管不可能事无巨细地全部记录学习过程，但学情记录的时间维度得以扩展，不仅是课堂上，而且还有大量的课前、课后学习时间，学习过程记录也是一种完全非介入性的方式，学情数据的可信度大幅提高。正是基于教学研究中对学情分析的迫切需求，以及混合式教学为学情数据获取与分析所提供的技术支撑，混合式教学中的学习路径挖掘便成为一种可能，广大教师有望借助学习路径挖掘来清晰地把握大学生的学习路径，进而做出有效的教学干预，为后续的教学策略调整提供科学依据。

具体而言，学习路径挖掘的意义主要体现为以下两个方面：（1）探寻学习过程中学习者对知识学习的基本序列，教师据此可以调整知识呈现的顺序与结构，甚至向学生个性化推荐学习内容。如浙江工业大学的李浩君、佳程等利用遗传算法来分析学习者的学习路径，进而为学习者个性化推荐学习资源序列，提升学习者的学习效果。[4]姜强等学者基于自主研发的个性化自适应学习系统，较为全面地跟踪和记录学习者的学习过程数据，并采用数据分析方法获取学习者的学习路径，通过为学习者提供学习指引来解决迷航问题。[5]（2）挖掘学生的学习风格和内容偏好。学习路径充分反映了学生的学习风格。赵蔚等学者基于Moodle平台上的学习者学习行为过程数据，运用SSAS顺序分析和聚类分析算法，对不同学习偏好、学业成绩、学习风格的学习者学习路径进行挖掘，找出了每个学生所走过的知识地图，然后给学生个性化的点拨与反馈。[6]此外，也有学者运用神经模糊算法，通过分析学习者的活动日志及学业成绩以判断学习者的学习特点，进而设计有利于促进个性化学习的学习路径。[7]

（三）挖掘学习路径的主要方法

开展学习路径挖掘主要依托学习分析（Learning Analysis，LA）技术。该技术主要是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据，用以理解和优化学习及其产生的环境的技术。[8]美国高等教育信息化协会EDUCAUSE则认为学习分析技术就是利用数据和模型，预测学习者在学习中的进步、未来表现和发现潜在问题。[9][10]具体而言，学习分析技术主要是用于收集与学生有关的线上线下等多层次的学习过程数据，并利用各类数据分析工具对数据进行解读，获取有关学习者学习行为特点的规律性信息，然后通过教师或学习平台对学习者的学习过程进行干预，从而促进学习者的学习。近些年因为人工智能技术的飞速发展，学习分析的数据类型日益丰富，正逐渐转型为多模态数据分析。[11]

SCORM标准提出的学习路径（Learning Path）是指学习活动的路线与序列，是学习者在一定的学习策略指导下，根据学习目标和学习内容对所需完成的学习活动的排序。[12]也有学者认为学习路径是学习者在在线学习平台上进行自主学习的过程中，对网页进行点击操作的一系列有序的记录，存储着学习者的在线学习行为信息。就学习路径的设置有预设与生成两种模式。所谓预设即是由教师根据知识地图、教学内容设定好学习路径，然后安排学生去执行。生成式学习路径设置是指由学生根据自己的学习偏好、学习风格、知识水平等在自主学习的过程中产生。应该说，当前混合式教学中学生的学习路径受到以上两个方面的影响，教师的预设是学生学习路径的先导，但实践中由于大学生学习自主性较强，自我安排最终生成的个性化学习路径就更为普遍。

二、问题缘起及数据挖掘的方法

（一）问题缘起

本研究中的《生物化学》课程是某“双一流”大学食品科学与工程学院中的专业基础课程，是一系列后续专业课的先修课，对该课程知识的掌握程度直接影响整个专业的学习水平。该课程的内容涵盖面广，学习难度大。这门课程较早开始了混合式教学的实践探索，任课教师多年来建设和积累起极为丰富的教学资源。教师发现学生对这些资源的使用存在较大差异，不仅是对资源的浏览关注时间，而且在不同资源间的访问顺序等方面都有明显的不同，任课教师判断正是由于这些不同引发了最终学习成绩的悬殊。但这种发现及假设主要是根据经验式的直觉判断或对学生的访谈，缺乏量化数据的支撑，教师期望借助学习分析技术来深入挖掘学生对学习资源的使用特征，探寻在混合式教学这种教学模式下学生所经历的学习路径。

正是源于上述需求，本研究将深入挖掘学生在对该门课程进行自主学习的过程中产生的一系列有先后次序的学习路径节点。本研究中用到的数据源自选修《生物化学》课程28位学生的学习过程，该课程的授课教师采用混合式教学方法，利用网络教学平台对传统教学方式进行改进，其中，毕博公司的Blackboard平台（以下简称BB平台）作为其线上教学的辅助平台，为学习者的课前自学、课堂活动、课后活动、章节测试、小组讨论等学习环节提供学习资源及学习支持。该课程安排2018年秋季学期，持续近5个月（2018年9月至2019年1月）。研究中主要获取了三类数据，分别是28位学习者在BB平台上的Web页面访问路径、学习者在该门课程中取得的学业成绩、学习者的学习风格。其中，Web页面的原始访问路径数据由毕博公司的工程师提供，学习者的学业成绩已由授课教师上传到在线学习平台上，学习者的学习风格数据则由Felder-Silverman量表及VARK 量表测量及计算分析获得。[13][14]

（二）数据挖掘的方法

整体路径挖掘及聚类路径挖掘是学习路径挖掘的两个重要维度，两类挖掘开展的前提都是数据的清洗与集成。本研究中获取的学习者网页点击原始路径数据存在众多冗余记录，当学习者请求一个网页时，与这个网页有关的样式数据等也会被记录下来，但这些数据并不在数据挖掘的对象之内，所以应将其删除，经过数据清洗后保留了26676条有效记录。在数据清洗之后，还需把数据转换成一个适合数据挖掘的描述形式。由于本研究采用顺序分析及聚类分析算法，因此在转换后的数据库中增加了一个列，标记为Key Sequence内容类型，该列是一个序列键，即在原始数据的基础上增加一列“访问序列”，并按照非零自然数由小到大顺次排序。数据形成之后，本研究采用了Microsoft的顺序分析和聚类分析算法对收集到的实验数据进行数据挖掘，使用SQL Server 2012作为数据源，对数据进行预处理及验证，管理界面为SQL Server Management Studio，使用Microsoft BI解决方案的核心组件SQL Server Analysis Services（SSAS）完成算法选择及模型构建。

三、数据分析与讨论

由于《生物化学》课程的混合式教学开展较为成熟，数据积累较为全面和丰富，课程网络教学平台上提供的数据较好地支撑起了整体路径挖掘和聚类路径挖掘。整体路径挖掘是把整个班级学生作为一个学习整体来分析其对学习资料的浏览和访问跳转情况，聚类路径挖掘则是基于对全班学生的细分，按学习风格、学习成绩分类形成不同的子群体，分别挖掘其学习路径。聚类挖掘更为直观地证实了任课教师对因学习路径不同而导致学习成绩差异的判断，学业成绩优良的学习者比学业成绩一般的学习者访问了更多的学习模块，且访问的频率也更高，能够充分利用各种学习资料对所学内容进行巩固练习。

（一）整体路径挖掘

对选修该课程的28位学习者进行学习路径的挖掘，得到如图1所示的状态转换视图。通过查看课前自学、课堂活动、课后活动三个学习模块节点的跳转情况，发现整体上的学习路径与授课教师在平台上的模块设置基本保持一致，即课堂活动与其下设的重点解析、课堂资料、随堂讨论和检测之间的跳转概率较大，课后活动与其下设的小组作业、课后测验、课后讨论之间的跳转概率较大，这一定程度上也说明了本次学习路径挖掘的可靠性较好。

从图1中可以发现，学习者的学习路径不尽相同，但课程小节、课程章节、课前自学、PPT资料、自学自测、课后测验六个学习模块被访问的概率较高，即学生的参与程度较高，说明在教师的要求下，学习者能够借助在线平台较好地完成课前自学任务及课后测验，教师也能够借助在线平台的监督功能掌控学生的自学情况及课后测验状况。同时，从图1还可以看到，自学自测的自我跳转概率为67%，课后测验的自我跳转概率为37%，由此可以看出，在教师允许测验多次提交的情况下，大部分学生愿意多次尝试从而获得自己满意的分数，课后测验的跳转概率大大低于自测的跳转概率，反映出传统课堂教学对学生的知识掌握起到不可替代的作用。

（二）聚类路径挖掘

在学习过程中，学生具有很大的个体差异，如在学习风格、知识水平方面，这些差异正是教师进行因材施教的依据。为了进一步探究不同学习风格、不同知识水平学习者的学习路径，本研究按照学习者的学习风格及学业成绩对数据分类整理，利用SSAS顺序分析及聚类分析算法挖掘学习者的模块访问路径数据，依此总结出不同学习风格、不同知识水平学习者的學习路径特点。

（一）精细化安排不同学习模块中的学习资源以提升资源访问率

在线学习模块划分清晰、内容组织合理，能够显著提升学习平台的易用性，有助于学习者快速找到目标学习资料，提高学习兴趣。教师应将不同类型的学习资料按照用途、格式类型等分别放在相应的模块中。在对视觉型和言语型学习者的学习路径进行特点分析时，表1中的数据显示，视觉型学习者访问课前自学模块中视频资源的占比为2.4%，而章节性补充材料里的视频资源访问占比仅有0.1%，同样，言语型学习者对章节性补充材料中视频资源的访问直接为零。由此可见，视频资料放在自学模块里的访问率比放在章节补充资料里的访问率高，教师应将视频资料分散地放入相应的自学模块。

（二）丰富学习资源类型以满足不同学习偏好

当前的学习资源早已从简单的书本、报告等文本材料拓展到图片、视频、动画等更为直观的学习材料。从对视觉型和言语型学习者的学习路径挖掘结果可以看出，不同学习风格的学习者所偏好的学习材料类型差异明显，研究结果显示如果要达到保证学习者有效学习的目的，应该确保学习者学习使用的是与其学习风格特性相匹配的學习资料。[16]所以，为了满足不同学习风格的学习者对学习资源类型的需求，教师最好能够提供包括视频图片、流程图、图表等在内的直观学习材料以及论文、报告等文本类材料。特别需要强调的是，在线学习平台中不能仅仅存放讲义，教师还应把一些生动的应用实例放到教学平台中，如有可能还可以把日常科研中的一些过程性资料呈现给学生，以此激发学生学习兴趣，也能促进科研与教学的融合。

（三）提升学习资源的逻辑性和可视化程度以促进深度学习

逻辑性强、组织结构清晰的学习资料有助于学生对知识的掌握。在本研究中，综合型学习者对“课程介绍”模块的访问所占比高于序列型学习者对其的访问占比，而序列型学习者对“预习提纲”模块的访问占比高于综合型学习者对其的访问占比，这一结果证明了综合型学习者倾向于从整体到局部的学习习惯，倾向于先对知识有框架性的整体认识，序列型学习者则倾向于从局部到整体的学习习惯，习惯于先学习有逻辑的具体知识点，然后才有学习内容的框架体系。所以教师应该对所提供的学习资料进行科学组织，让其具有较强的逻辑性，并可借助知识图谱、知识框架等形式呈现教学内容，这样既有助于序列型学习者的学习，也有利于综合型学习者的知识掌握。此外，教师还可以引导学生用思维导图工具对知识进行梳理和建构，从而促进学生对知识的深入理解和整体把握。

（四）增加小组研讨以促进同伴学习和替代式学习

同伴学习带来的积极作用有时并不低于教师的指导。本研究中的学习者有41%属于活跃型，59%属于沉思型。根据数据挖掘及个案分析的结果可以得出，小组讨论活动对两类学习者均有积极的影响，活跃型的学习者喜欢在小组学习、喜欢在交流中学习，所以在论坛中的活跃度会相对较高，但在本研究的个案分析中发现，偏向于独立思考的沉思型学习者会在讨论区向老师主动提出自己在学习中遇到的困惑，而这些困惑可以被其他学习者共享，可以进一步引起同伴之间的交流讨论，这个过程有利于知识的生成和建构，一定程度上还会促进替代式学习的发生。[17]因此，在线教学中应充分利用平台上支撑小组教学的各种工具，鼓励和引导学生利用这些工具开展互动，作为教师也应积极参与互动、解疑释惑。

参考文献：

[1]孟冰纹，肖玉敏，唐婷婷，谢蓉.美国可汗学院数据平台功能与数据分析框架研究及启示[J].图书馆研究与工作，2018（9）：41-47.

[2]何克抗.从Blending Learning 看教育技术理论的新发展（上）[J].电化教育研究，2004（3）：1-6.

[3]冯晓英，王瑞雪，吴怡君.国内外混合式教学研究现状述评——基于混合式教学的分析框架[J].远程教育杂志，2018（5）：13-24.

[4]李浩君，徐佳程，房邵敏，谢苏超.个性化移动学习路径优化策略应用研究[J].电化教育研究，2016（1）：39-44.

[5]姜强，赵蔚，王朋娇，王丽萍.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.

[6]赵蔚，李士平.基于学习分析的自我调节学习路径挖掘与反馈研究[J].中国电化教育，2018（10）：15-21.

[7]朱建东，刘名卓，蒋丽丽.基于神经模糊方法的数字化学习路径的优化选择[J].情报杂志，2010（8）：114-118.

[8]周皖婧，辛涛，刘拓.“互联网+”背景下的学生个性化学习系统开发：现状与启示[J].清华大学教育研究，2016（6）：79-84.

[9]顾小清，张进良，蔡慧英.学习分析：正在浮现中的数据技术[J].远程教育杂志，2012（1）：18-25.

[10]Leveraging Learning Analytics to Guide Online Learning Design.[EB/OL].[2020-01-09].https：//events.educause.edu/archives/2012/educause-midwest-regional-conference-2012/proceedings/leveraging-learning-analytics-to-guide-online-learning-design.

[11]陈凯泉，张春雪，吴玥玥，刘璐.教育人工智能（EAI）中的多模态学习分析、适应性反馈及人机协同[J].远程教育杂志，2019（5）：24-34.

[12]赵呈领，陈智慧，黄志芳.适应性学习路径推荐算法及应用研究[J].中国电化教育，2015（8）：85-91.

[13]R.M.Felder，L.K.Silverman.Learning/Teaching Styles in Engineering Education[J].Engineering Education，1998，78：674-681.

[14]鲁娟，刘斌.基于上海市医学生的VARK量表结果的另一种分析方法及实证应用[J].中华医学教育探索杂志，2018，17（10）：999-1006.

[15]袁振国.当代教育学[M].第4版.北京：教育科学出版社，2010：105.

[16]杨娟，宋晓玲，乔兴媚.自主在线学习环境下学习行为与学习风格偏向性的关联分析研究[J].中国远程教育，2017（10）：47-54.

[17]Chi M.T.，Roy M，Hausmann R G，et al.Observing Tutorial Dialogues Collaboratively：Insights about Human Tutoring Effectiveness from Vicarious Learning.[J].Cognitive Science，2008，32（2）：301-341.

（责任编辑刘第红）