基于学习通课程的学生网络学习行为研究

2021-07-28郭长东尹永学

河南教育学院学报（自然科学版） 2021年2期

郭长东，尹永学

(延边大学理学院，吉林延吉 133000)

0 引言

通过网络平台进行学习，具有学习资源丰富、学生主体性强、交互独特及学习时空灵活的特点[1]。与传统师生面对面的教学方式相比，网络平台学习具有许多独特的优点。首先，网络学习资源的丰富使学生学习更加方便，学生能够学习的课程将不限于本校、不限于本学科、不限于本校教师，打破了传统教学过程中的学校边界、学科边界以及教师边界；其次，网络学习过程中，学生的主体性变强，学生更多地会基于自身的兴趣去选择喜欢的课程及喜欢的老师，也会更加自由地安排自己的学习时间；再次，网络学习交互独特，教师与学生在云端进行交流沟通，大大提升了学生与教师之间的互动积极性。然而，任何事物都有其两面性。网络学习给我们带来诸多便利的同时，也产生了许多弊端,比如，学生由于缺乏教师的监管学习态度变得消极被动、教师难以掌握学生的近期学习状况等。因此，对学生的网络学习行为进行分析，并根据分析结果采取合理化的措施将变得十分必要。

学习分析是近年来教育技术领域迅速崛起的热点问题，它的出现也推动了教育信息化的浪潮[2]。它通过网络得到学习的过程数据，特别是学生的行为数据，采用先进的分析方法和分析工具，如数据挖掘和可视化方法等，对学生在学习过程中遇到的问题进行诊断，并对学习结果做出预测，从而有针对性地优化和增强教学效果[3-4]。王坚等通过因子分析提取出能够客观反映学习特征的两个公共因子，并依据不同学生的因子得分进行聚类分析，发现学生网络学习具有群体性的特征[5]。黄丹霞等对比了不同贝叶斯知识跟踪模型预测的准确率，发现当采用逻辑回归算法作为学生态度积极性分类算法时，可较准确地预测学习态度[6]。

研究表明，学生的学习态度对于学习效果至关重要[7]，积极主动型的学生在考试中能够取得较好的成绩，而消极被动型学习者的成绩往往不理想。本文针对网络课程教学中教师难以了解学生的学习态度问题，通过对学生的网络学习行为分析，构建学习态度跟踪模型，以期实现教师对学生学习态度的精准把握。

1 数据获取及处理

本文数据主要来源于超星学习通，课程涉及延边大学数学系开设的运筹学和应用随机过程，学生涉及本校2017级统计学和应用数学专业全体学生。指标选取方面，本文选取与学生学习态度相关性较高的8个指标，分别为课程签到率、课程积分、课程讨论回复数、章节学习次数、作业提交次数、作业平均分数、期中考试分数、考前测验分数。计算指标间相关系数矩阵，按照指标间相关性强弱可以将上述8个指标大致分为3大类，如表1所示。对于学生的学习态度标签数据，本文运用调查法获取，通过寻访任课教师，和教师沟通交流学生的学习态度情况，并由老师对学生的态度进行打分(10分制)，将获取的态度标签数据进行分类汇总，转化为二分类变量：一类是积极主动型的学习态度，另一类是消极被动型的学习态度。

表1 学生网络学习行为观测指标Tab.1 Observation index of students’ online learning behavior

由于数据量较小，为了防止模型产生过拟合现象，所以本文采用K折交叉验证方式。K折交叉验证思想如下：首先将数据分成K份，其中一份作为测试集，另外K-1份作为训练集，以此类推，这样使得每一份都有作为测试集进行预测的机会，最终将所有结果进行投票，选取票数最多的结果作为最终预测结果[8-9]。实验中发现K取5时预测效果较好，故本文中采用的是五折交叉验证方式。

本文数据在范围和量纲方面存在较大差异，为提升模型的预测效果，在模型训练前，需要对数据进行标准化处理，本文采用均值方差归一化方法对数据进行标准化处理。

2 基于分类算法的态度跟踪模型的设计

分类是机器学习领域的一种重要的有监督学习方法[10]，本文对学生的学习态度进行分类，将学生的学习态度分为两类——积极主动型和消极被动型。积极主动型学生通常会表现出如下特点：日常签到率较高，作业完成度较高，课程积分较高，课堂讨论的回复数较多，消极被动型学生相反。本文的模型设计包括获取数据、数据预处理、特征选择、模型构建、模型评价，模型设计的基本原理如图1所示。算法方面，本文选取支持向量机、随机森林和AdaBoost自适应提升算法完成分类任务，通过对比不用算法的训练结果，选取分类准确率最高的算法作为态度跟踪模型的分类算法。模型评价方面，本文选取分类算法常用的准确率、精准率、召回率和F1值度量。