基于学习行为分析的教学干预在《计算机文化基础》课程中的应用研究

摘 要：高校计算机基础教学是通识教育的重要组成部分，在信息素养、创新能力培养等方面发挥着重要作用，如何建设优质的计算机类通识课程是近年来各高校一直努力的目标。为了建设一门计算机类通识教育“金课”，本文以《计算机文化基础》课程为切入点，分析学生在线学习行为，以提供教学干预为手段，来提高教学质量。实践表明，在大数据技术的支持下，依据教学干预模型对不同的教学状况实施不同的干预措施，有助于满足不同层次学生的需求，能够有效提高学习效果。

关键词：学习行为分析;教学干预;《计算机文化基础》;应用研究

中图分类号：G642 文献标识码：B/A

2018年8月，教育部提出“各高校要全面梳理各门课程的教学内容，淘汰“水课”、打造“金课”，合理提升学业挑战度、增加课程难度、拓展课程深度，切实提高课程教学质量。”目前建设“金课”是国家教育工作的重要任务之一，是进行教学改革的主要方向和目标。《计算机文化基础》课程是某大学一门面向全体本科生的通识教育课程，采用基于学习通的线上线下相结合的教学模式进行教学，但由于学习该课程的学生计算机水平参差不齐，线上的课程缺乏针对性，课程不能满足不同层次学生的学习需求;并且学生在线学习行为的自由度较高，师生面对面交流机会减少，教师不能随时掌握学生的学习状态。因此，如何满足不同层次学生的学习需求，如何保持学生学习主动性和及时督促学生学习是本研究主要考虑的问题。

为了达到研究目的，本研究实时关注学生在线学习的行为状态和学习效果，开展了为期两年的教学干预研究，最后建立了符合本课程特点的教学干预模型和可应用于解决不同问题的干预策略。

1 国内外研究现状

依据研究要求，我们主要关注了网络环境支持的教学干预和教学干预应用方向这两方面。从应用人工智能技术开发干预辅助工具来看，国外学者Jayaprakash等人提出了学术预警系统，任课教师只需在Sakai网站调取学生的预警报告，就可以此采取不同的干预措施[1];John Baker等开发的学习管理平台Desire2 Learn 包含灵活的预测模型引擎功能，该平台利用机器智能和统计技术来预先识别存在学习失败危险的学生，并通过分解技术设计个性化的干预措施[2];国内学者牟智佳等人并通过Oracle数据库等技术设计预警系统实现学习过程的动态监控，为开展精准教学和学习干预提供有效依据[3]。

从应用教学干预解决的问题来看，近年来的研究者注目于线上教学产生的各种问题，如：有运用大数据学习分析技术，对在线学习拖延情况进行诊断与干预研究[4];有以促进大学生自我調节为目的干预研究[5]，也有对在线学习参与度、网络学习适应性等问题进行干预实验研究。

总体而言，近年来国内外关于教学干预的研究热点在于：利用先进的智能技术开发学术预警系统;针对学生在线学习时出现的各种问题，建设干预框架和提出干预策略。这些相关的热点研究对本研究起到帮助作用，但也有许多内容不适用，如：本研究的课程依托于学习通平台进行，没有自动生成学生学习报告和自动跟踪学生并进行反馈的功能;本研究从分析学生的在线学习行为入手，目前的研究较少有从这个方向入手的;另外，据调查发现教学干预的应用学科主要是外语、数学等，其方式不适用计算机课程，因此在研究的过程中，我们会多关注计算机类通识教育的特点，建立合适的干预模型和干预策略。

2 构建基于学习行为分析的干预模型

2.1 构建干预模型

本研究的研究对象是参与通识课程《计算机文化基础》学习的学生，课程采用在线学习平台（超星学习通）和线下实体课堂相结合的混合教学模式。研究将对该课程中学生产生的数据进行实时跟踪和记录，对这些数据进行预处理，筛选出学生的在线学习行为变量：学习页面访问次数、发表讨论数、回复讨论数、视频观看时长、作业提交、提交作业时间、参与线上考试、参与线上考试的时长，将这些数据与学生的期末成绩进行整合，使用SPSS对相关的变量进行皮尔森相关分析，结果如图1所示。

从分析结果中，发现学习页面访问次数、回复讨论数、视频观看时长和提交作业时长这4个变量与成绩正向相关，之后的研究都将以这四个变量为主要的参照对象。研究借鉴已有教学干预模型，结合本课程的实际情况，提出教学干预模型，如图2。该模型要求教师在使用过程中，实时监控学生在线学习行为并获取相关数据，通过对数据的分析比较了解学生目前的学习状况是否积极正向，以便及时采取干预措施，帮助学生。若通过数据分析，发现学生当前学习行为异常，就利用数据将学生群体分层，找到问题群体，对照干预池提出干预措施，督促帮助学生学习，得到反馈结果，继续跟踪学生;若根据数据分析，发现学生学习正常进行，则跳过干预环节，继续跟踪学生。

2.2提出干预策略

本研究构建的干预模型的核心：干预池，是根据该课程实际需求和现实情况，结合RTI模型制定，根据干预群体的不同，提出相应的干预措施，以便能够帮助教师精确定位，面对不同的状况提出最优的干预策略，具体内容如表1。由教学干预模型（图2）可以发现，在进入干预池之前，教师需要找到问题群体，在本研究中，问题群体定义为：较上一次学生在线学习数据相比，在本次的学习阶段检查中学生学习数据没有产生变化或者变化较少，甚至出现虚假信息的情况称为问题群体。根据问题群体的具体情况在干预池中对照得到相应的干预策略。

3 实证研究效果评估

3.1 研究设计

团队就《计算机文化基础》课程，对2017级和2018级的大一学生进行了基于学习行为分析的教学干预实践，采用纵向对照组实验开展研究。17级学生作为对照组采用线上线下相结合的教学模式，研究者没有根据学习行为分析进行教学干预，经过一学期的追踪，利用学生产生的数据进行处理形成教学干预模型，提出教学干预策略。18级学生作为实验组，在进行学习行为分析的基础上采用实施教学干预的线上线下相结合的教学模式。课程前4周为观察周，后面的14周为实验周。在研究过程中，将当前阶段产生的学习数据与前一阶段的数据进行对比，观察整个学习趋势，判断当前学生的学习状况和未来发展趋势，若学生学习状况正向积极，则继续进行教学，继续观察;若学生学习状况不理想存在问题，则根据数据分析发现学生问题，结合干预池提出合适的干预策略，进入下一段教学和监控，如此循环操作，时刻监督学生学习情况。

3.2 效果分析

下表中数据是研究两年级学生学习数据的对比。对两级学生成绩对比发现，18级的优秀学生人数占比67.30%，较17級明显增多54.78%，另外17级不及格人数为24人，18级无学生不及格;表3学生学习行为对比，从表3中可以看出，2018级学生的各项学习数据较2017级有很大的进步，最显著的表现是18级学生视频观看时长人均增长300分钟，作业提交超时人数大大减少。

这些数据均表明，基于学习行为分析的教学干预能提升教学效果。学生自主反复观看教学视频充分利用学习资源，学习积极性提高;主动发表言论提交作业，形成良好的线上学习习惯;教师提供针对性的教学使学生成绩的总体水平显著提高，对教学有明显的促进作用。

4 结语

本文以《计算机文化基础》课程为研究主体，对学生的在线学习行为进行分析，提出一套教学干预模型和干预策略。在进行实证研究时，利用提出的策略进行教学干预，结果表明学生的学习成绩明显的提高，学习行为向积极主动转变。研究提出的模型和策略符合《计算机文化基础》课程的特点和需求，可以帮助教师更好地改善教学，做到因材施教。当然本研究也存在不完善的地方。因为研究条件的限制，实证研究仅用时一年，不能排除实验结果具有偶然性的可能;其次，实证研究中有些干预措施的反馈效果不太理想，这样的结果表明采取的干预措施需要改进，后期会继续在教学活动中应用此干预策略，发现问题解决问题，使其在实践中不断优化。

在研究过程中，我们持续关注学生的学习情况，进行阶段性总结与反思。通过教师评价与学生反馈的双边活动发现课程中存在的问题，就问题提出解决方案并付诸实施，最终提出行之有效的干预模型与干预策略，希望该策略与模型能对广大教师提供有益帮助，为混合式教学活动展开提供一定的思路。

参考文献

[1] Jayaprakash，S. M.，& Sandeep，M. Early Alert of Academically At-Risk Students：An Open Source Analytics Initiative. Journal of Learning Analytics，1（1），2014：6-47.

[2] Essa A，Ayad H.Improving Student Success Using Predictive Models and Data Visualisations [J]. Research in Learning Technology，2012，20：58-70.

[3] 牟智佳，李雨婷，严大虎. 混合学习环境下基于学习行为数据的学习预警系统设计与实现[J]. 远程教育杂志，2018，v.36;No.246（03）：57-65.

[4] 杨雪，姜强，赵蔚，等.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，2017，38（07）：51-57.

[5] 赵雪飞. 混合学习环境中以学习分析干预框架促进大学生自我调节学习的研究[D].陕西：陕西师范大学，2018.

作者简介：王雨晗，1996年7月出生，女，汉族，河南省平顶山人，中央民族大学研究生，研究方向为教学模式、虚拟现实。