基于在线学习平台的学习者交互行为研究

张涛 纪璐璐 刘兵倩 王晴

摘   要：尽管在线学习已得到较为成熟和广泛的实践应用，但关于如何开展高效度、深层次的线上异步教学交互，提升其教学质量方面的研究，尚处于不完备阶段。对学习者交互行为进行研究，可使其对课堂教学行为有更深层次的理解，有利于分析和把握学习者的认知行为、知识建构行为，为提升在线教学质量提供有力的保障。文章从在线平台上选取一门课程，借助交互分析模型（IAM）编码框架，通过滞后序列分析技术对该课程学习者的交互行为数据进行研究，并对不同成绩学习者进行分析，得出如下結论：学习者的整体交互水平大多停留于低水平阶段;高分组学习者的交互频次要多于低分组，交互质量要高于低分组;高分组与低分组的显著性行为序列及特点、学习者的交互效果对其学习成绩有一定程度的影响。最后，针对分析结果提出五点建议。

关键词：在线学习;交互分析;IAM编码框架;滞后序列分析法

中图分类号：G434 文献标志码：A         文章编号：1673-8454（2022）03-0064-09

一、引言

在线学习是通过计算机互联网或是手机无线网络进行内容传播和学习的一种新型学习方式，它以网络为介质构成全新的学习环境，打破时间和空间的限制，相比传统学习方式具有无可替代的优势。据中国互联网络信息中心（CNNIC）在京发布的第47次《中国互联网络发展状况统计报告》的数据可知[1]，截至2020年12月，我国现有在线教育用户规模达3.42亿。从20世纪90年代在线教育初步兴起到如今教育信息化的蓬勃发展，不仅带来一系列的教育创新与变革，也改变了人们对传统教育行业的定义以及教学思想、教学理念。

交互是在线学习的关键性环节，是影响教学效果的潜在因素。在“互联网+教育”时代，教育信息化是顺应智能环境下教育发展的必然选择，其丰富了在线教育的教学交互形式。而对在线学习平台中学习者交互行为进行研究，有利于提升交互质量，改善交互效果，提高学习者的交互参与度，从而促进教学效果。

二、研究基础

目前关于学习者学习行为分析的研究活动主要集中在行为特征分析、交互技术分析、影响因素三个方面。

（一）基于在线平台用户的交互行为特征分析研究

目前，大多数研究者基于网络环境对特定平台或用户交互行为特征等展开深入分析研究。陈忆金等对学习类视频网站上使用弹幕用户的交互行为进行研究，选取B站上日语学习类与编程学习类用户，采用爬虫抓取弹幕数据，分析其交互行为特征，并从弹幕时间、属性、频率等方面分析得出研究结果[2]。谢雷等以首门cMOOC课程的学习者为调查对象，采用问卷调查探究交互行为中的困难和薄弱环节，发现其交互行为与学习动机显著相关、在主动交流方面较为薄弱等[3]。唐文静等以学堂在线中的一门课程为例，采集和分析课程数据，定义不同类型的交互质量，再利用K-means聚类算法划分学习者类型，并分析不同类型的信息交互特点及学习效果，进行原因探讨且提出重视学习共同体建设和重视学习资源有效性的建议[4]。

（二）针对特定学习者交互行为的技术性分析研究

目前，针对某一在线平台或某门在线课程交互学习的技术性分析已有一定成果，基本以社会网络分析技术为主。例如，田丽丽等以中国大学MOOC平台上《微课设计与制作》课程综合讨论区中的帖子为研究对象，利用社会网络分析法对学习者交互行为进行分析，从交互网络的多方面反映其学习情况，最终得出学习者之间交互松散、流动性大、知识掌握没有内化、缺乏情感投入等问题，并提出相对应的建设性建议[5]。廖芷源等以一门具体课程为例，采集学习者线上交互数据和线下成绩，通过社会网络和相关性分析，得出学习者在线交互参与积极性低但参与交互学习者的学习效果会更好的结论[6]。黄婷婷以学堂在线平台的网络课程《心理学概论》为研究对象，以学习者的发帖内容为研究内容，采取社会网络分析法对其社会交互关系进行分析研究，探究学习互动的现状与规律，并在此分析基础上提出相应建议[7]。

（三）有关在线学习交互行为的影响因素问题研究

部分研究者对影响交互行为的因素进行探讨，并提出相对应的具体策略或建议。例如，刘冬研究在线学习者不同的学习风格对交互行为及其效果的影响，运用实验研究法，选取特定的研究对象、交互工具、学习任务进行教学实验，再利用内容分析法和问卷调查法进行数据分析，探讨分析交互频度、深度、绩效等方面的差异特点，最后提出提升在线学习者交互质量的策略[8]。李紫衣对学习者观看视频资源时发生的视频交互行为进行研究，通过开发视频播放器，采集学习者的视频交互行为数据，基于归因理论提出其影响因素的模型，并通过实证检验分析其是否影响学习成绩[9]。

综上所述，当前有关在线学习交互行为方向的研究，在多种交互类型的理论和技术上都取得一定的进展与成果，但尚处于初级阶段，研究数量有所欠缺，且研究数据的种类有限，特别是对交互行为的内在分析方面。因此，本文将针对在线学习者在学习过程中所产生的交互行为及其行为序列，进行具体分析和研究，为其提供案例和参考。

本研究所基于的在线学习特指学习者在云教学平台——蓝墨云班课上所进行的学习行为，选取该平台中《现代远程教育》在线课程，借助内容分析编码框架，通过滞后序列分析法，以该课程学习者在讨论交流过程中所发表帖子的文本内容为研究数据进行分析，重点聚焦以下问题：①在线学习者的交互行为具有什么特征？②不同成绩学习者的交互行为有哪些差异？③不同成绩学习者所产生的交互行为序列分别有什么特点？

三、研究设计

（一）数据样本

文章以河南H高校教育技术学专业的一门必修课为例，以该校52名学习者2020年秋季在蓝墨云班课学习平台记录的学习日志数据为样本，其中男生11人，女生41人。

该课程持续一个学期（18周），教学形式以网络学习空间为依托，采用混合式教学模式实施教学活动。其中，线上教学以课程知识答疑、在线交流讨论、单元测试、学习笔记分享、自主学习其他课程资源等活动为主。研究样本来自网络学习空间的系统日志数据，起止时间为2020年9月25日至12月17日，共产生19个主题913条交互数据。

（二）研究方法

本研究采用内容分析法和滞后序列分析法，对在线学习平台中的学习行为结构进行分析。其中，内容分析法是一种在文本等材料进行程序化分析的基础上，作出有效推论与结论的研究方法[10]。它的目的不仅在于体现交互文本的表层信息，还在于揭示在线交互中所发生的学习行为以及知识建构过程和水平[11]。内容分析的关键在于一个科学有效的分析框架，其中的编码类目应具有完备性、互斥性、信度[12]。

关于在线交互的编码框架有很多种，兰迪·加里森（D.Randy Garrison）等从问题触发、探索、整合、问题解决四个维度构建批判性思维行为发展的实践探究模型，并以认知存在作为探究学习社区模型构建的核心要素之一[13];弗朗斯·亨利（France Henri）基于计算机的交互特性，从学习者的参与、互动、交流、认知、元认知五个维度构建文本信息分析工具，反映学习者在远程学习过程中通过互动交流体现个体的认知行为[14];还有夏洛特·古娜瓦德娜（Charlotte N.（Lani）Gunawardena）等人在Henri模型的基础上，基于扎根理论角度提出用于CMC交互和学习质量分析的交互分析模型（Interaction Analysis Model，IAM），从知识建构的维度探究社会交互的质量与水平[15]。

IAM将交互行为分成5个阶段：分享与澄清（KC1）阶段、认知冲突（KC2）阶段、意义协商（KC3）阶段、检验与修正（KC4）阶段、达成与应用（KC5）阶段。该编码框架聚焦于知识协同建构媒体的交互和在线讨论中所出现的所有知识建构的形式[16]，内容相对明确，且容易理解和操作，其科学性与有效性也经过反复验证。

因此，基于本文所研究的用户特征，我们选用IAM编码系统对生生互动行为进行编码和量化分析，并添加无关内容（KC6）作为第6阶段编码，具体编码框架如表1所示。

滞后序列分析法（Lag Sequential Analysis，LSA）有助于进一步分析学习者行为特征，而采用定量行为序列转换分析交互过程，成为打开“黑箱”的关键性技术[17]。网络学习行为是内隐行为显性化和外显行为内隐化相互作用过程的集中体现，如知识内容的外显操作折射出学习者在交互中的认知行为。

（三）数据预处理

本文对活动中各个主题学习者的交互数据，即发帖内容分别进行收集整理并整合，主要将活动主题、学生姓名、学生发帖、回帖的文本内容等信息复制并保存至Excel文件中，按照内容分析编码框架，对全部帖子逐个进行行为编码归类，并进行多次检验和修改。

为深入了解和分析学习者的交互行为序列，本文获取该课程学习者的期末成绩，根据成绩分布（如图1所示），选取95分以上和80分以下的学生作为高分组和低分组，分别进行处理和统计，其中高分组和低分组均为12人。

为保证研究信度，挑选2名参与过研究设计的教育技术学专业学生开展内容分析，按照以下程序进行编码：首先，对2名学生进行编码培训，主要熟悉掌握编码框架内容和特殊问题帖子的处理;其次，选取总数为30%左右的帖子（320条）分别让2名学生进行独立编码，通过信度系数（Cohen’s kappa）检验编码一致性，之后以背对背互检形式对发现不一致的内容进行讨论，以提高彼此对编码框架的理解。最后，2人将剩余帖子分别进行编码，经一致性信度系数检验，Cohen’s Kappa值达到0.785，表明研究内容具有较好信度。

四、研究结果与分析

（一）学习者交互行为的整体分析

对平台中学习者的原始数据复制保存至Excel后，再根据IAM编码框架对所有数据（913条）进行逐个编码，然后统计出各阶段编码行为出现的总次数以及各自所占的百分比，如表2所示。

从表2可知，学习者在交互过程中大多数停留于交互水平的较低层级，包括分享与澄清阶段（共544频次，占比59.58%）、認知冲突阶段（共178频次，占比19.50%）、意义协商阶段（共140频次，占比15.34%）;而高水平阶段的交互却是非常少，检验与修正阶段（共23频次，占比2.52%）、达成与应用阶段（共11频次，占比1.20%）。这说明学习者的整体交互质量并不高，缺乏高效的交互行为。

造成交互阶层较低的现象主要受多方面因素的影响，比如，学习者对于在线学习的异步交流不太熟练，没有充足的经验;学生回答问题的积极性不高、学习兴趣较低;对于要讨论的主题没有经过深入的思考;学习者没有认真阅读和理解其他成员所发表的问题，导致对问题的讨论交流没有进行深层次的挖掘，仅停留在问题的表面，等等。

另外，整个数据中存在小部分与课程内容无关的交互（共17频次，占比1.86%），说明当一个学习者发出与话题无关的内容时，也会吸引到少数学生参与其中交流，这些无效交互可能会给学习者的其他讨论交互行为造成一定的影响或干扰。

经过对交互数据的理解和分析，其原因可能有两方面：一是少数学习者的思维比较活跃，发散性较强，加上讨论主题的影响，容易产生与话题无关的交流;二是学习者在讨论过程中，教师没有作出及时的引导或缺乏引导性的个体的存在，使得信息交互较为分散、不集中等。

（二）高低分组学习者交互行为的对比分析

1.交互层级的比较分析

在对学习者交互阶层整体分析的基础上，本研究对其中不同成绩的学习者进一步分析，以研究高分组和低分组学习者在交互行为上的特征及差异。

根据学生该门课程的总体期末成绩，将95分以上的学生定为高分组，共12人;将80分以下的学生定为低分组，共有12人。高分组和低分组的交互行为频次反映不同学习群体的交互层级，如图2所示。

由图2可知，高分组与低分组的交互阶段既有相同的特点，又反映出一定的差别。两组学习者共同的特征表现为：不论是高分组学习者还是低分组学习者，他们的交互阶段都停留在低层级比较多，高分组大多为KC1、KC2、KC3，即分享与澄清、认知冲突、意义协商，仅少数交互处于较高阶段;同样，低分组也基本都处于KC1和KC2阶段，甚至KC4和KC5阶层的交互为缺失状态，所以学习者交互过程中能达到KC4和KC5的明显很少。

两组的差别之处在于：总体来看，高分组学习者的交互频次，即发帖的数量明显高于低分组，高分组比低分组产生更多的学习行为，尤其是对于交互行为的前三个阶段，说明低分组成员的整体交互学习积极性、参与性等方面要低于高分组;另外，低分组学习者与高分组相比，存在小部分的无效交互行为，即讨论与课程主题无关内容的行为，说明低分组的成员思维更容易受到其他因素的影响。

2.交互行为序列的分析

为进一步分析两组学习者的在线交互行为，本研究将基于交互内容分析编码框架所得出的编码结果中的高分组和低分组学习者分别提取出来，按照分析软件GSEQ所允许的格式整理，将其导入软件中并进行编码分析，得到表3、表4所示的行为频率表，以及表5、表6所示的学习行为转换调整的残差表[18]。

行为频率表呈现的是一种行为发生后出现的另一种伴随性行为的频次。表3中，第一列表示序列的起始行为也就是先发生的行为，第一行表示序列的目标行为即后发生的行为，如高分组中第一行第三个数值表示的是学习者在进行分享与澄清（KC1）之后发生意义协商（KC3）行为的频数为15。

调整后的残差表呈现的是根据行为转换得出的残差参数Z，Z值大于1.96的行为序列即为显著性行为序列[19]。如表5中高分组的行为序列KC1→KC2的残差值为2.80，就表明该行为序列达到显著水平。

为了更加直观地将两组学习者的交互行为序列呈现出来，本文依據表5、表6的显著性行为序列分析结果，取显著性行为序列数据的绝对值，分别绘制如图3、图4所示的行为序列转换图。其中，不同行为阶层之间的箭头指向表示的是序列方向，即该行为之后的伴随行为，箭头处的数值表示的是该行为序列的残差参数Z，且箭头粗细代表了Z值的大小，Z值越大则线条越粗，也表明该行为序列的显著性越强。

由图3可知，高分组较为显著的行为转换序列共有：KC1→KC2、KC2→KC3、KC3→KC2、KC3→KC3、KC4→KC4这5组较为显著行为序列。

其中，KC1→KC2和KC2→KC3为渐进序列。KC1→KC2表示学习者在进行初步描述主题或观点、信息分享之后，会对所发现的不同的认知行为、思想、概念或描述进行表述和分析，并利用自身的经验或举例等支持观点，从而深化对问题的认识;KC2→KC3表示学习者在发现或持有不同的意见和思维后，接着就会进行意义协商，提出具有协商意义的观点，进行群体知识建构。

KC3→KC2为逆阶段序列，表示学习者在进行群体知识建构时，会产生认知冲突行为，反过来重新发现和分析思想、描述中不一样的地方。

KC3→KC3、KC4→KC4则表示本研究中的学习者会持续性地对所发表的观点进行意义协商，在对新提出的观点进行检验和修改时也会进行持续性修正与补充。

总的来说，高分组共出现5组相对其他行为序列来说较为显著的行为转换序列，而且前三个阶段的交互行为较为积极和频繁，但是与KC5（达成与应用）阶段相关的行为序列却没有出现。另外，KC4与其他阶层甚至相邻阶层也没有关联，说明学习者在交互学习的过程中，经常仅会停留在意义协商阶段。

相比高分组的行为转换模式，图4所呈现的低分组行为模式就简单许多。低分组的显著行为转换序列仅为KC1→KC1，表明低分组的学习者主要围绕信息的澄清与分享进行互动，彼此阐述各自的观点，没有通过有效的交互方式促进学习者产生认知冲突以及较高级的交互行为。此外，低分组在KC3、KC4、KC5三个阶段均未出现显著性行为序列，其交互质量相比高分组而言，具有显著差距。

总体来看，低分组较为显著的行为序列仅有1组，且主要为信息的分享与澄清，未形成由低阶行为向高阶行为逐级过渡的显著行为链。此外，低分组在图2中出现少部分无关内容（KC6）的交互行为，这说明低分组的学习者在交互过程中，无关内容的交流会对整体交互质量产生一定的影响，特别是会对较高行为（KC3、KC4、KC5）的产生具有抑制作用。因此，需要教师在教学过程采取有效的干预措施或教学支架，帮助学习者在在线学习过程将更多的精力投入到学习绩效提升方面。

五、研究结论

本研究基于蓝墨云班课智能教学平台，通过滞后序列分析技术，借助IAM编码框架，对《现代远程教育》课程的52名学生所学习的全部主题的交互数据进行分析研究，从行为序列的整体分析到不同成绩学习者行为序列的对比分析，最终得出研究结果。根据绘制出的行为序列转换图得出高分组的交互行为序列集中于前三个阶段。另外，检验与修正阶段也有所体现，学习者的交互大多只停留于意义协商阶段;而低分组学习者交互行为序列相对较少，且只出现于分享与澄清的交互行为。

结合两组学习者的交互阶段折线图，可以明显看出：不论是高分组还是低分组，学习者在交互过程中都同样缺乏深层次的讨论交流，交互行为仅停留于低层级，交互质量都有待提高。但从两组的行为序列差别也反映出：学习者的交互质量和效果会对其学习成绩造成一定的影响。高分组学习者显现出较高的积极性和主动性，在交互数量和层级上要明显优于低分组，而低分组在交互过程中表现较为被动。

基于此，本研究得出如下结论：①学习者的整体交互水平大多停留在低水平阶段，少数处于高水平阶段，且有小部分无效交互存在;②高分组学习者的交互频次要多于低分组，且交互质量要高于低分组;③高分组的交互行为序列为：KC1→KC2、KC2→KC3、KC3→KC2、KC3→KC3、KC4→KC4，低分组交互行为序列为：KC1→KC1;④学习者的交互效果可能对其学习成绩有一定程度上的影响。

导致学习者交互质量低或影响交互质量的因素有很多，现根据本文对交互行为序列的分析以及所反映出的问题，结合对学习者发帖内容的理解和分析，对可能影响交互质量的因素大致分析如下：

1.学习者所发帖子只是为了完成任务或获取经验值，对于要讨论的主题没有经过深入思考。教师在蓝墨云班课平台上创建班课后，加入的每位学习者都可以通过完成任务获取经验值或通过发帖获取教师奖励的经验值，且会根据经验值的多少对学习成员进行排名，这可在一定程度上提高学习者的课堂参与度和积极性，但也会造成一些学习者为获取经验值而发表无意义或意义不大的帖子，影响交互质量。

2.很多学习者并没有认真阅读和思考其他成员的发言，导致对问题的讨论交流没有深层次的挖掘。通过分析发帖的内容可以看出很多学习者对其他帖子的处理大多仅处于浏览层面，很多帖子都没有与其相对应的反馈与交流。

3.学习积极性不高、缺乏学习兴趣。在统计的众多主题中，学习者对其表现出明显学习兴趣与讨论积极性的并不多。通过分析发现，可能是由于这些主题相对来说理论性太强以及对学习者而言比较陌生、难以理解或表达等。

4.在学习交互过程中可能存在部分学习者不愿意主动参与讨论，更倾向于观察、倾听和接受。这和学习者本身的性格特征和学习风格有关，相对而言，较为活跃的学习者发帖量会更多，与其他学习者的交流也更频繁。

5.学习者对在线学习的异步交流不熟练、经验不足。该因素的存在对交互的影响较小，受此影响的学习者也比较少，且只在初步接触平台进行学习时容易发生。

六、建议

针对研究所得出的结果以及分析出的原因，本文提出五条建议，希望可以进一步改善交互质量，提升交互的成效性，提高学习者的交互参与度与积极性。

1.教师在对学习者所发表的言论进行经验值奖励时，要更加注重对积极性高、有深度思考以及交互的学习者的鼓励，以激励更多学习者进行思考和参与。

2.加强教师和优秀参与者在交互中的引导和调控作用。在学习交互过程中，教师的行为甚至积极参与交互的学习者行为都能作为引导，对整体交互产生重要影响，促使学习者纵向讨论问题，进行深层次的思考交互，以提高交互质量。

3.教师可以根据不同的课程主题、教学内容或具体教学情境，设定不同的交互形式，进行个性化教学。在对学习者所发帖子进行提取整理时发现，大家对理论性较强、比较陌生或与大家认知距离较远的问题进行讨论时，大多数学习者讨论兴趣不高，所以对此类问题的设置可以从其他角度进行讨论或增添具体情境，使其更具有贴合感和趣味性，教师也可以表现出更强的主导性。

4.教师要对学习者在学习交互过程中所发表的观点、想法等信息作出及时的反馈，对学生的发言进行及时的引导和回应，并鼓励学生主动提出问题，启发和帮助学生理解问题，保证讨论交流的正常进行;若学生的发言始终处于低阶层时，可适当抛出问题引导学生深入思考。

5.对于比较内向、不擅交际和交流的学生，教师和其他学生应给予更多的帮助和肯定，尽可能地鼓励其参与到课堂讨论中。

参考文献：

[1]中国政府网.CNNIC发布第47次《中国互联网发展状況统计报告》[EB/OL]. （2021-02-03）[2021-06-28].http：//www.gov.cn/ xinwen/2021-02/03/content_5584518.htm.

[2]陈忆金，卓林锴，赵一鸣.学习类视频弹幕用户的交互行为研究[J].图书馆论坛，2021，41（9）：95-101，124.

[3]谢雷，陈丽.cMOOC学习者交互行为自评估分析研究[J].现代远距离教育，2020（5）：62-67.

[4]唐文静，张婧，覃梦媛，等.基于K-means的在线学习者不同信息交互模式的研究——以学堂在线“财务分析与决策”课程为例[J].开放学习研究，2020，25（6）：14-21.

[5]田丽丽，赵颖.基于社会网络分析的学习者在线交互行为研究[J].软件导刊，2018，17（4）：222-226.

[6]廖芷源，汤志康，李春英，等.社交化在线课程平台学习者交互行为研究[J].计算机与数字工程，2020，48（12）：2881-2887， 2918.

[7]黄婷婷.学堂在线网络课程的互动行为研究[J].教育现代化，2015（9）：97-101.

[8]刘冬.基于学习风格的在线学习交互行为研究[D].曲阜：曲阜师范大学，2009.

[9]李紫衣.在线学习中视频交互行为的影响因素研究[D].南京：南京邮电大学，2020.

[10]ROURKE L， ANDERSON T， GARRISON D R， et al. Methodological issues in the context analysis of computer conference transcripts[J]. International Journal of Artificial Intelligence in Education， 2001，12：8-22.

[11]马宁，杜蕾，张燕玲，等.群体知识图谱建构对教师在线学习与交互的影响研究[J].电化教育研究，2021，42（2）：55-62.

[12]黄晓欢.基于社会临场感和社会网络的动态在线交互学习分析[D].昆明：云南师范大学，2018.

[13]GARRISON D R， ANDERSON T， ARCHER W. Critical thinking， cognitive presence， and computer conferencing in distance education[J]. American Journal of Distance Education，2001，15（1）：7-23.

[14]HENRI F. Computer conferencing and content analysis[J]. Collaborative Learning Through Computer Conferencing，1992，90（1）：117-136.

[15]GUNAWARDENA C N， LOWE C A， ANDERSON T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research， 1997，17（4）：397-431.

[16]梁云真，赵呈领，阮玉娇，等.网络学习空间中交互行为的实证研究——基于社会网络分析的视角[J].中国电化教育，2016（7）：22-28.

[17]HOU H T. Exploring the behavioral patterns of learners in an educational massively multiple online role-playing game （MMORPG）[J]. Computers & Education， 2012，58（4）：1225-1233.

[18]POHL M， WALLNER G， KRIGLSTEIN S. Using lag-sequential analysis for understanding interaction sequences in visualizations[J]. International Journal of Human-Computer Studies， 2016，96：54-66.

[19]杨现民，王怀波，李冀红.滞后序列分析法在学习行为分析中的应用[J].中国电化教育，2016（2）：17-23，32.

作者简介：

张涛，河南科技学院信息工程学院讲师，邮箱：slgzhangtao@163.com;

纪璐璐、刘兵倩、王晴，河南科技学院信息工程学院。

A Research on Learners’ Interactive Behavior on Online Learning Platform

Tao ZHANG， Lulu JI， Bingqian LIU， Qing WANG

（School of  Information and engineering， Henan Institute of  Science and Technology， Xinxiang Henan 453003）

Abstract： The research on carrying out efficient and deep-seated online asynchronous teaching interaction to improve teaching quality is still in an incomplete stage， although current online teaching and learning is mature and widely-practiced. The research on learners’ interactive behavior can enable us to have a deep understanding of teaching behavior， help us analyze and grasp learners’ cognitive behavior and knowledge construction behavior， and provide a strong guarantee to improve the quality of online teaching. This paper selects a course from the online learning platform， uses the interactive analysis modeling framework and lag sequence analysis technology to study the interactive behavior data of learners， and analyze learners with different grades. The research concluded that most interaction level of learners were at the low level stage. Meanwhile， the learners’ frequency of interaction at high group is higher than learners at low group， and the interaction quality is higher than learners at low group. Besides， high group and low group had significant behavior sequence and characteristics， and the interaction effect of learners had a certain impact on academic performance. Finally， the paper proposed five suggestions based on results.

Keywords： Online learning; Interactive analysis; IAM coding framework; Lag sequence analysis

編辑：李晓萍   校对：王天鹏