线上学习行为中影响课程学习效果的因素分析——以管理信息系统课程为例

李会，胡笑梅，魏瑞斌

(安徽财经大学 管理科学与工程学院，安徽 蚌埠 233030)

随着信息技术的不断发展，教育领域也在探索“互联网+教育”新模式，越来越多的课程尝试在保留传统课堂教学优势的基础上，将一部分教学活动放入网络教学平台，要求学生在线学习相关内容。这种模式就是现在较为流行的“SPOC+MOOC”教学模式[1,2]。而由于在线学习的自主性、开放性等特点，学生的学习动机、学习态度很难全面监控，学习效果一直以来备受争议[3]。为进一步探究“SPOC+MOOC”教学模式的学习效果，文章以安徽财经大学管理信息系统课程为例，将线上学习行为数据与卷面成绩进行综合分析，探讨影响学生卷面成绩的关键性因素，以此为后期线上课程模块设计提供借鉴[4-6]。

1 数据采集与处理

管理信息系统课程是安徽财经大学经管类学科基础课程，是一门涵盖了计算机科学、管理学、运筹学、社会学、信息科学等多学科的综合性课程。该门课程一方面培养学生应用信息技术进行管理信息处理和管理信息系统开发及组织实施的能力；另一方面注重培养学生发现问题、分析问题、解决问题的能力以及严谨的创新创业思维能力。2015年，安徽财经大学管理信息系统课程获批“省级大规模在线课程”立项，课程组在“e会学”平台上开通该门课程在线平台，并将线上教学纳入课程教学的一部分，开展“SPOC+MOOC“的教学模式，通过线上线下互动的教学模式，提高课堂教学效果[4]。

文章以管理信息系统课程为例，采集了近两年来学生在线学习情况，如学生性别、线上学习进度、线上作业完成情况、线上考试完成情况等数据，共计1126条记录。结合期末试卷考试成绩，运用多元线性回归模型、决策树模型,对学生课程学习效果与在线学习动机进行分析，探讨影响学生学习效果的主要因素，并在此基础上对提高课程教学效果给出相应的建议。

2 模型构建

2.1 回归模型基本理论

多元线性回归模型分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。具体多元线性回归模型的公式如下：

Yi=β1+β1X1+β2X2+β3X3+……+βnXn

其中Y为因变量，Xi是自变量，β是偏回归系数，表示其他自变量不变时，某一自变量所引起因变量变化的比率。文章以实际线上平台学习过程数据、学生性别、课程卷面成绩作为样本，在样本数据中引入4个指标作为自变量，即：X1-性别，X2-线上学习进度，X3-线上作业成绩，X4-线上考试成绩，将课程卷面成绩作为因变量，以此从一系列候选影响因素中筛选出影响学生卷面成绩的主要指标。

2.2 多元线性回归模型构建

文章将数据导入至SPSS中，选择线性回归构建回归模型。将性别、线上学习进度、线上作业成绩、线上考试成绩作为自变量，课程卷面成绩作为因变量，构建多元线性回归模型。以此找出对课程卷面成绩的关键性影响因素。具体结果如表1所示：

表1 影响卷面成绩的因素分析

在上表中给出了回归方程中的常数项、回归系数的估计值和检验结果，可见常数项为68.343，四个自变量的回归系数分别为7.796，0.022，-0.013，0.112。同时，线上作业情况的P值远大于0.05,因此不应该被纳入方程。因此，本文仅以性别、线上学习进度、线上考试成绩作为自变量，再次构建回归模型，结果如表2所示。

表2 影响卷面成绩的主要因素分析

构建出的回归方程如下：

卷面分=67.917+7.811*性别+0.022*线上学习进度+0.107*线上考试情况

从上述回归方程可以看出卷面成绩与性别高度相关，与课程进度完成情况、线上考试得分正相关。

学生的性别(X1)的系数为7.811，即在其他因素不变的情况下，性别会对所学课程成绩产生较大影响。从表2可知，性别对课程卷面成绩贡献价值达7.811。表明学生的性别是影响课程卷面成绩的重要因素。

学生的线上学习进度(X2)的系数为0.022，即在其他因素不变的情况下，学生线上学习进度情况对所学课程成绩产生一定影响。从表2可知，线上学习进度对课程卷面成绩贡献价值为0.022。表明学生的线上平台学习进度情况对课程卷面成绩起到一定程度的影响，但影响效果不突出。

学生的线上测试完成情况(X4)的系数为0.107，即在其他因素不变的情况下，学生线上测试完成情况也会对所学课程成绩产生显著影响。从表2可知，线上学习完成情况对课程卷面成绩贡献价值为0.107。表明学生的线上平台测试完成情况对课程卷面成绩起到促进作用。

学生的线上作业完成情况(X3)没有经过显著性检验，说明这个指标对卷面成绩的取得影响不大。

模型建立之后，该模型预测的精准度如何，数据是否能够满足回归模型的使用条件，需要进一步验证。

通过“Durbin-Watson”进行模型汇总，观察统计量具体取值情况，模型整体效果如表3。

表3 模型整体效果

该模型中“Durbin-Watson”取值为1.927，根据相应统计用表，该统计量的取值在0～4之间，基本说明残差间相互独立。

同时通过残差分布的“直方图”和“正态概率图”，验证模型是符合正态分布。

图1 模型残差直方图和正态概率图

2.3 决策树模型构建

文章通过回归模型得到了基本的分析结果，现借助决策树模型对影响课程卷面成绩的自变量进行深入分析，以此来探索各个变量之间的关联性，并将结果与回归模型进行对比分析，验证模型的准确性。

将数据导入至SPSS后，选择分类功能下的树模型，将卷面成绩转换为优秀(90分以上)、良好(80-90分)、中等(70-80分)、及格(60-70分)、不及格(60分以下)五个因变量，性别及线上学习行为作为自变量，构建决策树模型。

图2 决策树模型的分析结果

从模型的分布情况来看，性别作为对卷面成绩影响最大的自变量被首先用于拆分节点，性别为女，优秀等级有311例，良好等级有353例，而性别为男时，优秀等级仅有35例，良好126例，这充分说明该门课程卷面成绩取得良好级别以上的大多是女生占比较大，这跟财经类院校学生构成结构不无关系。

随后，节点3中，又按照线上考试情况进行第二次拆分，将节点2分为3个子集，其中线上考试成绩90.4分以上学生的中，卷面成绩“良好”等级以上的同学占到359例，而线上成绩低于80.7分，卷面成绩“良好”等级以上同学仅有32例。节点1并未按照线上考试成绩拆分，这里可能存在两个方面的原因：节点1因为样本量较小而未继续拆分；线上考试情况在节点1中并无作用。

从树型模型上看，性别、线上考试情况、线上学习进度对最终成绩的取得起到一定的影响作用，这与回归分析中的结论基本保持一致。

3 结论与讨论

文章以管理信息系统课程为例，将线上学习平台采集到的学生学习行为的数据与卷面成绩进行分析，构建了多元线性回归模型与决策树模型，得出影响学生卷面成绩的关键性因素。通过上述两个模型可以看出，影响管理信息系统卷面成绩的关键因素为性别、线上平台考试情况，线上平台学习进度情况有一定影响，而线上作业完成情况给卷面成绩带来了负面影响。根据文章分析得出如下结论：1.学校及课程性质：由于安徽财经大学是一所以经济学、管理学、法学为主的多科性大学，男女生比例为3：7。管理信息系统课程作为面向经管类同学开设的学科基础课，存在女多男少的现象。另外，在对相关任课教师的调研中，普遍反映课堂中女生学习更加认真。因此，性别对学生卷面成绩起到关键性作用也是客观实际的一种反映。2.根据线上平台各模块设计比例可知，网络得分主要由线上学习进度、线上作业完成情况和线上考试情况组成。在这三块的分数中，线上考试得分占50%，线上作业完成情况占30%，线上学习进度占20%。由于权重上的差异，导致更多的学生把重心放在线上考试上，而忽视了其他两个环节。针对线上作业情况，由于作业次数共计13次，且题量较大，较多同学没有坚持完成。另一方面，通过对学生的调查发现，很多同学对待线上作业态度不端正，存在相互借鉴答案的现象。线上作业完成质量较高的同学，未必对课程基本知识掌握较好。因此，为了进一步提高学生学习效果，加快课程线上线下教学模式建设，课程组团队应进一步多维度，全方位的深化课程教学模式改革，不断优化线上教学平台资源。现提出以下意见：1.课程作业贵在质量而非数量：课题组在设计线上作业的过程中，可设置关卡作业，将作业有效分布在每个知识点，同时注意题量的设计，避免让学生产生厌学的情绪，多设置线上互动型作业。2.注重调动男生学习积极性：由于财经类院校存在女多男少的现象，且男生更容易受到网络游戏等的影响，因此，课程组教师在课程教学中，应该多关注男生学习情况，激发其学习兴趣和积极性。