互联网在线学习行为研究的热点及趋势

薛艳肖 徐润森 侯开宇

摘   要：近年来，在线教育得到了快速发展并逐步普及，尤其是在COVID-19爆发期间，在线教育是目前教学的基本模式。由于线上学习和线下学习有很大的差异性，研究在线学习行为对探索在线教学规律有重要意义，对在线学习行为相关领域的研究也逐渐成为了国内学者研究的热点。文章运用文献知识图谱方法，以CNKI中CSSCI期刊以及WOS中的SCI期刊文献作为研究对象，运用CiteSpace5.6R可视化知识图谱工具对在线学习行为的研究进行分析，追踪本领域的研究过程、研究热点变化趋势，为在线学习行为的进一步深入研究提供方向参考。

关键词：在线学习;学习行为;知识图谱;热点分析;互联网

中图分类号：G31 文献标志码：A 文章编号：1673-8454（2021）07-0014-06

一、引言

近年来，随着MOOC（慕課）等开放在线课程平台的推动，国内在线学习已日益普及。尤其是在COVID-19疫情爆发期间，教育部提出“停课不停学”的号召，鼓励各类学校利用各类互联网平台在线教学，在线学习已成为目前的一个主要学习途径。在线学习有其自身的优势，也有其不足，对在线学习的规律认识不够，在线学习的效果还难以得到普遍的认同。在线学习的行为和传统线下的学习行为有很大的差异性，需要深入研究学生的在线学习行为，这将为深入理解在线教学规律提供有效的支持。相比较而言，国外学者从多个维度对在线学习行为进行了探究;[1-3]国内深入研究则起步较晚，2013年MOOC线上学习平台启动后才开始对在线学习平台进行实证分析研究，这方面的研究主要聚焦于统计层面的研究，对学习者个体的学习效果以及学习行为的关注不够。为了准确把握在线学习行为分析领域的研究热点以及未来发展趋势，本文以CNKI数据库CSSCI来源期刊以及SCI数据库中的文献作为对象，采用CiteSpace知识图谱可视化工具对在线学习行为文献进行分析，挖掘在线学习行为的热点以及未来趋势，为该领域进一步的深入研究提供方向和参考建议。

二、数据来源及研究方法

1.数据来源

考虑到期刊质量以及数量，为了更好地反映研究内容的发展过程，故而采用CNKI数据库CSSCI来源期刊和WOS的SCI核心数据库作为检索源，检索跨度为2010—2020年，在CNKI数据库CSSCI来源期刊中以“学习行为”作为主题词进行检索，文献精炼后，得到文献534篇。在WOS的SCI核心数据库中以“online learning behavior”“online learning activity”进行检索，精炼后得到文献871篇。

对知网收集到的有效文献，按发文时间统计（见图1），国内关于学习行为分析研究的文献量呈波动性上升趋势。按发文期刊来源统计，534篇文献来源于20个期刊，电化教育研究占比55.29%，其次是外语界和图书情报工作，这3个期刊共占比69%。按学科分布，主要涉及教育理论与教育管理、计算机软件及计算机应用、高等教育等学科，如图2所示。

2.研究方法

通过从不同的文献中提取出的关键词，能够有效展示学科领域的热点内容和主题分布，本文通过对检索的知网534篇有效文献和SCI的871篇文献进行关键词共现、国内外研究的聚类分析对比，从而揭示学习行为研究的现状、热点和演进趋势。

三、在线学习行为研究热点网络图谱

1.关键词共现分析

关键词共现分析，可以呈现学科知识的结构、规律和分布情况，形成研究领域的“知识图谱”。[4]其中，词频表示关键词出现的频率，反映出研究历程中的热点。中介中心性是在两个节点之间最短路径次数，一个节点充当中介的次数越多，它的中介中心度就越大，代表的是该领域在这段时期内的研究热点。[4]本文运用CiteSpace，通过对收集到的CSSCI和SCI来源期刊文献进行关键词挖掘，以关键词出现的频率排序，形成在线学习行为研究的关键词词频表，如表1、表2所示。

结合关键词词频内容，对于在线学习行为的研究，国内研究的重点主要围绕“在线学习”“混合学习”等学习方式展开，研究聚焦于在线学习行为、学习分析，关注在线学习行为的影响因素以及学习行为和学习绩效的关系，定量的研究方法中主要是描述性数据分析、结构方程等。国外研究的重点从社会媒体、学习交互、课程设计等角度，关注“学习行为”“学习模型”“系统”“学习表现”等，研究方法更多地应用了数据挖掘、机器学习等方法。从中介中心性来看，中心度应不小于0.05，小于0.05的关键词没有很好的代表性。如表1、表2所示，“在线学习”“学习行为”“学习分析”“慕课”在整个可视化网络中具有显著的地位和影响力，是整个中心词网络中的重要枢纽，对在线学习行为分析领域发挥了重要的作用。从在线学习领域来看，国内起步较晚，而国外领域的研究起步早，涉及领域广泛，具有完善的“学习系统”，能够通过数据进行“学习行为预测分析”。特别是近年来，在线学习行为分析在医学教学领域得到广泛关注。[5]

2.聚类分析

CiteSpace依据网络结构和聚类的清晰度，提供了模块值（简称Q值）和平均轮廓值（简称S值） 两个指标，可以作为我们评判图谱绘制效果的依据。[4]在CSSCI的聚类网络中，模块Q值为0.6806>0.3，表明聚类划分结构显著;平均轮廓值S>0.5，表明聚类效果合理。size即聚类的大小反映聚类中关键词量。从学习行为研究领域的高频关键词、共现聚类的大小和轮廓值，选取国内外研究的主要热点前5类聚类进行分析，如表3、表4所示。

从聚类的结果上看，在线学习行为的研究中，通过质性研究的方法，国内的研究早期主要聚焦于学习行为本身，涉及对个体学习行为、团体学习行为的特征，学习行为的模型，学习组织和对学习绩效的影响等。随后的研究更多采用了实证研究的方法，主要分析学习行为的影响因素、学习行为和学习绩效的关系、学习交互对在线学习绩效的影响等。随着在线学习平台的完善，平台中积累了大量的学习记录，从2017年起，大数据分析在在线学习行为的研究中占有重要位置，通过大数据和人工智能相结合的方法，研究个性化的学习、学习者特征、通过学习行为分析来反馈学习的预期绩效等。

国外的在线学习行为早期主要关注于高等教育领域，重点研究在网络环境下的学生学习参与、在线课堂教学技术对学习行为的影响等。医学领域广泛地开展了在线教学，在线学习研究主要关注网络交互学习环境中护理、医药等学科方向的学生学习行为。随着研究的深入，更多地关注了社会媒体情境下的在线学习行为特征，研究了基于互联网的社会媒体、社交平台的在线学习行为和交流方式的改变对学习行为的影响。网络沟通对在线学习行为有深刻的影响，这方面得到了很多研究者的关注，重点研究了信息的驱动作用、学习型社区形成的机制、网络媒体沟通在学习行为中的作用、MOOC平台中的学习行为等。随着平台学习者的数据积累，大家广泛地采用大数据和机器学习的方法研究在线学习行为。

四、在线学习行为研究热点分析

1.在线学习行为研究

学习行为是在学习者个体自身因素的基础上，在学习环境因素作用下，通过生活经验和学习获得的行为，是后天获得的经验性行为。不同的学习者，即使在相同的环境下，学习的效果也不相同。不同环境下，同一个学习者，学习效果也可能不同。线下学习行为的研究虽然已取得了丰富的成果，但在线学习和线下学习有显著的差异性，线下的学习是教与学在同一个时间和空间中发生的，在线学习改变了这种时空的同步性，在线学习行为必然带来很大的改变，通过对学习者在线学习行为进行分析，研究学习者的个体学习特征，有助于从学习者在线学习行为的角度，发现有效的在线学习行为和改善在线学习行为的影响因素，从而采取合适的措施，提升在线学习效果。夏小娜等[6]通过对用户学习行为进行跟踪，剖析学习兴趣，构建学习新模型。伍法提等[7]基于有效学习行为的指标和特征等方面进行总结，对学习者的在线学习进行分析和评估。随着在线学习的发展，这方面的研究将进一步受到重视。

2.在线学习平台研究

2012年MOOC首次在美国获得广泛的推广后，2013年进入国内。国内学者关注的主要是在線学习平台中学习行为的有效性，2015年MOOC教学模式研究成为热点。众多研究者从线上线下的结合、交互式学习、对学生进行适应性研究等多角度探索在线学习行为。其中主要是对在线平台本身作用进行探究。菅保霞等[8]分析了不同思维类型学习者的学习行为序列，解读其转化路径，为在线学习平台设计、路径和资源推荐、深度学习引导提供参考，并推动在线学习的进一步发展;彭娟等[9]基于机器学习的方法对在线学习行为进行评价。这些研究将会推动在线学习平台进一步完善。

3.基于大数据分析的在线学习行为研究

互联网学习平台容易实现学生学习日志的记录，为在线学习行为的研究提供了丰富的数据，大数据分析已成为在线学习研究的重要方法。结合人工智能中的机器学习技术，运用大数据对学习者的个性化学习、学习者特征、学习行为模式等进行分析，有助于挖掘分析出影响学习行为的因素，发掘有效的学习行为模式，从而采取有效措施，进行平台功能改进，通过激励与约束等功能的提供，改善学习者的学习行为，提高学习效果。张进良等[10]挖掘学生学习行为数据，针对具体情境采取合理的学习行为优化措施，提升了学习的效果，强化了学习互动。利用机器学习技术和大数据分析方法研究学生在线学习行为，有助于改善在线学习质量。

4.在线学习行为与学习绩效的关系

分析在线学习行为对学习绩效的作用，通过学习行为对学习绩效进行预测方面的研究，也是在线学习行为研究的一个重要内容，通过学习投入、学习行为分析等对学生学习绩效进行预测，从而改进在线学习行为模式，制定在线学习绩效评价体系，使在线学习评价更全面合理，有助于促进学习行为的改善。石娟等[11]研究了在线学习绩效内容体系的构建。胡小勇等[12]研究了学习者特性、学习投入等学习行为与学习绩效的关系。这些研究将进一步推动在线学习的发展。

通过聚类分析的结果并结合具体相关文献的分析，得出在线学习的研究热点主要是围绕在线学习行为进行的，如何运用大数据对学习行为进行挖掘、怎样利用研究和挖掘的结果提高在线学习绩效，这些将会得到更多的研究者关注。

五、在线学习行为研究趋势分析

利用CiteSpace自带的可视化图谱Timezone view的方式，将同一聚类的词组放置于同一时间轴上，可以观察到不同时期内国内外的研究重点以及趋势，通过Burst detection，可以观察到研究热点趋势开始以及结束。从研究时间线看，如图3、图4所示，在线学习行为的研究爆发于在2012年到2015年，从2015年开始，MOOC（慕课）学习成为了国内在线学习行为领域的研究热点。国内学者都致力于将在线学习以及线下学习的方式进行有效的结合，关注在线课堂在中国国内的实践运用以及适用性的研究;在“互联网+”技术以及大数据的大规模应用下，从2017年开始，学习分析、个性化学习、大数据学习和人工智能等研究方法的采用开始成为国内研究热点。基于用户学习倾向和可持续性学习保障，以及学习者模型画像、学习体验、大数据学习行为分析等内容，将持续成为在线学习行为研究的热点。

国外的在线学习行为研究中，如图5、图6所示，较早地开始了对在线学习行为的影响因素分析及通过数据进行在线学习行为的实证分析。研究主要集中于在线学习策略、适用性、合作学习、教学策略、教学问题等方面，注重学习环境和学习支持的作用。2017年开始，通过大数据结合统计学习、深度学习等机器学习方法，对在线学习进行用户分类、学习行为分类、学习预测，以及从医学心理学视角进一步开展在线学习行为研究。

六、结论

随着互联网、云计算等技术的高速发展，由于在线学习平台学习成本低和连接能力强，使全球优质教育资源的建设与共享成为可能。同时终身学习已形成广泛的共识，时间的碎片化使人们的学习方式有了显著的改变，这些又推动在线学习平台的影响力不断加强、规模不断扩大。鉴于在线教育带来的时空隔离性、带来在线学习行为与线下学习行为的显著差异性，需要进一步深入研究在线学习行为，才能有效改善在线教育质量。通过CiteSpace对该领域的研究文献进行描述性统计分析和聚类分析，在此基础上探究在线学习行为研究过程，通过可视化图谱的直观表现，再现“在线学习行为分析”研究的趋势，可以得出如下结论。

（1）在线学习已成为一种重要的学习方式。从研究论文上可以看出在线学习的发展，在线学习的研究论文量增长迅速，从总体上已细分成众多研究领域。其中在线学习行为研究也得到了众多研究者的关注，2012年MOOC的发展与推动，使研究者广泛关注互联网在线学习行为这一领域，从着眼于在线学习影响因素转变为关注个性学习者的学习行为上。从2015年开始国内以在线学习、学习行为、智慧学习、大数据学习、教育数字化等为代表的研究网络正在逐步形成，国外学者在2012年开始就进行了实证研究，并在2017年开始，随着机器学习尤其是深度学习等技术的发展，更多地采用了大数据分析方法对学习者的个人行为进行探究。

（2）在线学习行为研究已逐步深入。现阶段国内科研学者对在线学习行为的关注点主要是通过对学习者行为影响因素的探究，来建立合理的预测模型与预警模型，通过反馈提升在线学习效果。国外的研究从在线学习行为模型逐步深入到社会媒体、网络沟通、媒体交互等对在线学习行为的影响，信息对在线学习行为的驱动作用，社交网络平台的作用，学习型社区形成的机制等。目前国内学习行为的改善方法以及构建有效学习行为模型的合理机制研究较少，研究成果还没有能够被有效检验，目前的互联网学习平台的功能还存在这方面的不足，因而在线学习效果还有待进一步提升。在线学习能够方便地跟踪每个学习者学习记录，国外的在线学习研究更多地开始关注对学习者个性化服务方面，通过对学习者在线学习行为的分析进行个性化的学习推荐、反馈并提供相关服务。研究普适化的有效学习行为模式和个性化的学习服务将成为重要的研究趋势。

（3）机器学习方法和大數据结合将成为重要的研究手段。在进一步的研究方向上，主要体现在智慧学习以及学习行为的大数据分析方面，具体表现在学生的画像、学习平台的自适应优化、通过数据分析学习者的兴趣及意愿、学习服务的个性化、通过学习测量引导在线学习行为方式的改变等。学习行为理论的研究、机器学习技术的使用、学习大数据的分析，将逐步提高互联网学习平台的效用和学习者持续的在线学习意愿，将有效地推动智慧学习的发展。

参考文献：

[1]Petty，T.，&Farinde，A.Inverstigating student engagement in an online nathematics course through windows into leaching and learning[J].Journal of Online Learning and Teaching，2013，9（2）：261-270.

[2]Guo，W.，Chen，Y.，Lei，J.，& Wen，Y.The effects of facilitating feedback on online discussion[J].Education Sciences，2014（4）：193-208.

[3]Lonsdale，Chris. An internet-supported school physical activity intervention in low socioeconomic status communities： results from the activity and motivation in physical education（amped） cluster randomised controlled trial. BRITISH JOURNAL OF SPORTS MEDICINE DOI 10.1136/bjsports-2017-097904.

[4]曹晶，张沛黎，周亚丽.基于CiteSpaceⅢ的国外中亚研究分析[J].农业图书情报学刊，2018，30（9）：19-26.

[5]汪文新，江舜杰，陈美林，赵宇，余悦.基于CiteSpace近15年来我国医患关系领域研究热点探讨[J].中国卫生事业管理，2018（5）：340-342.

[6]夏小娜，戚万学.兴趣驱动的用户借阅行为分析及启发式借阅流程模型构建[J].图书馆理论与实践，2020（1）：57-64.

[7]武法提，田浩.挖掘有意义学习行为特征：学习结果预测框架[J].开放教育研究，2019（6）：75-82.

[8]菅保霞，姜强，赵蔚.基于全脑模型的在线学习者学习行为序列分析[J].现代教育技术，2020，30（1）：107-113.

[9]彭娟，李红杰.基于机器学习的在线学习行为评价研究[J].计算机产品与流通，2019（4）：136.

[10]张进良，魏立鹏，刘斌.智能化环境中基于学习分析的学习行为优化研究[J].远程教育杂志，2020，38（2）：69-79.

[11]石娟，黄洁.基于问题的Web-CKB的学习绩效内容体系的构建[J].现代教育技术，2011（4）：84-87.

[12]胡小勇，徐欢云，陈泽璇.学习者信息素养、在线学习投入及学习绩效关系的实证研究[J].中国电化教育，2020（3）：77-84.

（编辑：王天鹏）