基于网络学习行为画像的高职大学生学习绩效提升研究

赵建伟 彭成圆 陈 律

(无锡职业技术学院 管理学院,江苏 无锡 214121)

互联网技术在教育领域的应用极大地促进了在线教育的蓬勃发展。特别是在2012年出现的大规模在线开放课程，即MOOC(Massive Open Online Courses),在传统教育领域掀起了一场全新的教育教学革命。党的十九届四中全会强调：“发挥网络教育和人工智能优势，创新教育和学习方式，加快发展面向每个人、适合每个人、更加开放灵活的教育体系，建设学习型社会。”无论是对个人还是对社会，互联网教育的优越性都毋庸置疑。2020年新冠肺炎疫情突如其来，受疫情影响各高校纷纷延期开学，为贯彻教育部“停课不停教，停课不停学”的精神，教学活动全面转向线上进行，可以说这是一次在线教学的大规模实践，为在线教学积累了大量的经验。

学习行为一般是指学习者在学习过程中为达到学习目标而做出的一系列行为方式。学习行为的影响因素很多，例如，学习目的、学习态度、学习方法和学习习惯等。在现代信息技术背景下，学习者的网络学习行为是指学习者为了满足一定的学习目标，在具有强大的在线学习平台、丰富的在线学习资源及便捷高效的社交媒体工具的互联网环境中开展自主学习的行为。学习者有学习的自主权，同时也能随时随地得到教师的帮助、引导和纠正。

在线学习环境下，在线学习系统、“互联网+教育”、“社交媒体+教育”等已经成为学习者进行学习活动的重要平台。学习者在使用这些平台学习的过程中所产生的学习行为都被一一记录下来。因此，可以借助于数据分析和数据挖掘手段，构建学习者的学习行为数据模型，挖掘学习者学习行为的规律、特征和习惯，总结学习者的学习经验，以及不同学习者的个性化差异，探索和评估学习行为和学习绩效之间的关系，找出规律并发现潜在的问题，进而提高学与教的成效。

1 相关研究综述

在网络学习行为分析方面，现有的学者在网络学习行为的特点、网络学习行为的模式、网络学习行为的因素等方面的研究成果较多，为本研究提供了较好的研究基础。王璐等[1]深度挖掘了MOOC平台学习者的学习行为数据，并利用K均值聚类算法对学习者进行分类，分析了学习者的行为特征。王改花等[2]收集了在线开放课程学习者的网络学习过程记录，研究了不同学习者群体的行为特征。邢国春[3]采用实证调查的方式了解目前教育界对网络自主学习的认识及使用情况，对大数据网络环境下自主学习行为和模式进行了研究。杨丽娜等[4]以计划行为理论、理性行为理论和技术接受模型为理论框架，从信息技术采纳视角出发，从心理、技术和资源等方面建立了网络学习行为模型，采用结构方程的统计方法从实证角度分析了网络学习者学习行为发生的影响因素。方旭[5]结合MOOC学习实际从有用性感知和易用性感知两个维度基于TAM3(Technology Acceptance Model 3)模型建立了MOOC学习行为影响因素模型，并进行实证研究。石磊等[6]通过国家开放大学学生在线学习情况和课程交互情况，挖掘行为数据之间的关系，提出国家开放大学MOOC课程学生学习特点及其影响因素。王聿良等[7]则构建了翻转课堂学生学习行为影响因素模型并基于大学英语教学的实践进行了实证研究，认为直接影响学习者学习行为的因素有学生的主观规范和主题态度两个方面。而对学生的主观规范有显著正向影响的是学习任务、学习环境、学习评价和教学管理等，对学生的主体态度有显著正向影响的是视频学习资源、教学活动设计和教师课堂教学等。

在学习绩效方面，目前学者的研究成果主要体现在学习绩效的影响因素、学习投入和学习绩效的关系、学习参与和学习绩效的关系等方面。郑勤华等[8]基于1 850名现代远程教育学习者的调研数据，研究了个体因素、家庭社会环境、远程教育机构等因素对学习绩效的影响。龚艺等[9]以国家开发大学在线学习平台的调研数据为例，构建了学习投入的评估模型和具体指标体系，研究了学习投入和学习绩效的具体关系，为学习者提高学习成绩提供了依据。段金菊等[10]研究了MOOC学习者的参与度、参与模式和学习绩效的关系，提出了活动参与和学习绩效呈明显的正相关，而且创造类活动及参与程度对学习者的绩效提升具有更为显著的作用。梅红等[11]基于技术接受模型理论，调研了464名大规模在线开放课程学习者，分析了学习者的有用性感知和易用性感知对学习绩效的影响。

Personas也就是用户画像，最早是由Alan Cooper(1998)提出的。用户画像是在用户调研的基础上，根据真实数据建立的目标用户模型，根据用户的社会属性、行为特征、习惯等信息，将他们区分为不同的类型，然后将这些不同的类型抽象出一个标签化的用户模型，形成一个任务原型(Personas)。因此，用户画像也可以理解为对人的数据化，通过各个维度给用户贴“标签”，也就是特征属性的刻画。而这些特征信息是通过分析、统计、挖掘的方式而获得的用户潜在的价值信息，是高度凝练的特征标识。用户画像的应用已经涉及很多领域和行业，特别是在电子商务领域，产品经理用于完善产品运营，评估营销方案效果，提升服务质量等。经过文献梳理发现，国内学者对网络学习行为和学习绩效的研究成果较多，但是从学习者行为画像的角度，通过收集和挖掘高职大学生在线学习的行为数据进行学习者行为画像来探讨学习者行为与学习绩效关系的研究还比较少，因此，本研究主要从学习者学习行为画像的角度研究高职大学生学习绩效提升的策略。

2 理论基础和研究框架

本研究的思路是基于高职大学生在数字化学习平台上留下的学习行为数据，通过数据挖掘和数据分析，勾勒出学生一系列特征的标签，对不同的学习者群体进行精准刻画。在此基础上准确识别学习者的学习特征、学习习惯和学习状态，探索学习行为特征和学习绩效的关系，以便针对不同学习者提供个性化的学习方案，加强学习行为和学习过程的动态干预，以期取得更好的学习效果，提升高职大学生的学习绩效。

2.1 网络学习行为理论基础

学习行为是指学习者在学习过程中所采用的行为方式与方法，它是学习者的思想、情感、情绪、动机、能力及运作程序的具体行为表现，是学习者在特定情境下学习活动的具体化和现实化。

关于网络学习行为的研究模型主要有计划行为理论和理性行为理论。理性行为理论是1975年由美国学者Fishbein(菲什拜因)和Ajzen(阿耶兹)提出的。研究认可度较高的计划行为理论(Ajzen，1991)继承了理性行为理论的研究成果，在理性行为理论的基础上加入了对控制因素的认识及感知促进因素，认为人的行为是经过深思熟虑的计划的结果[12]，如图1所示。

图1 计划行为理论结构模型

因此，借鉴以上理论研究成果，本研究认为学习者的网络学习行为是学习者学习情绪、学习动机、学习习惯、学习风格的具体体现。在进行学习者画像的时候若仅从学习者学习行为的维度进行建模，会忽略学习者社会属性的维度。

2.2 学习行为画像总体框架

用户画像一般来说是一个标签化的模型，学习者学习行为画像要通过数据挖掘，从在线学习系统、MOOCs中提取学习者学习时间、作业时间、资源访问次数、资源完成情况、任务点完成情况、每道题的用时等学习活动行为数据，并从教务管理系统中提取学习者的学习成绩。通过对学习者学习兴趣和习惯等行为印记进行建模，分析学习者学习的行为，形成不同学习者的学习类型，凝练学习者的特征标识，从而刻画学习者画像标签集，探索不同学习者学习类型在学习绩效方面的突出表现;找出差异，发现学习规律和学习绩效的驱动因素，形成个性化的学习策略，通过提高学与教的成效进而提升学习绩效。学习行为画像总体框架如图2所示。

图2 学习行为画像总体框架

2.3 指标体系

本研究借鉴Ajzen、Fishbein等人的理论研究成果，并结合杨丽娜等人的实证研究成果，确定了5个维度17个行为指标，形成了学习行为画像的指标体系[4,12](表1)。

3 实证分析

3.1 数据来源

为了保证数据选取的代表性和可靠性，本研究选取了超星泛雅网络平台(http://wxit.fanya.chaoxing.com)上的“大数据基础实务”在线开放课程，本课程已经有3年开课历史，学习者主要来自无锡职业技术学院市场营销专业、电子商务专业、工商管理专业以及物流管理专业等财经商贸类专业的大学生。本课程开课周期持续18周，累计选课人数超过2 000人次，覆盖面较广。本研究随机抽取了该课程2019年9月至2021年7月秋季、春季四个学期总计1 098位学习者的数据。通过后台数据统计和挖掘，共提取了1 098位学习者的13 176条有效学习行为数据。

表1 学习行为画像指标体系

由于通过在线学习平台挖掘得到的数据形式多样，量纲不同，因此，需要对各个指标数据进行数据的标准化处理。同时考虑到下一步在进行学习行为画像过程中将要用到的聚类算法是用距离来度量相似性的，用0均值标准化(Z-score standardization)进行无量纲化处理效果较好，公式如下：

(1)

式中：μ为原始数据集的均值，σ为原始数据集的标准差。处理后得到的数据是均值为0、标准差为1的数据集。

3.2 算法分析

学习者行为画像就是要将学习者分成不同的类别，把具有相似特征的学习者放在同一个类别里并且保证不同的类别相互不相交，因此，在数据挖掘的时候选择聚类分析的方法。当聚类过程完成后，所有的数据集将被划分成若干个组(Group)或者簇(Cluster)，同一个组或簇中所有的对象有最大的相似度且不同组或簇中所有对象有最小的相似度时达到最优聚类。聚类算法有多种，本研究采用的是SPSS K-Means聚类算法。K-Means算法的基本思想是随机选取k个对象作为初始聚类的质心，然后计算数据集中剩余的每个对象到初始质心的距离，将每个对象划分到距离最近的质心;划分到同一个质心的对象属于同一个组或者簇，总共可以形成k个组或者簇。通过多次递归迭代直到算法收敛，也就是质心不再发生变化时分组也就固定下来，就停止聚类。此时同一组或者簇中的对象都比较相似，不同组或者簇中的对象差距都比较大。通常聚类的质量用误差平方和来度量，目标函数形式如下：

(2)

式中：p为空间的中点，表示给定的数据对象;mi为簇ci的平均值;E为数据库中所有对象的平方误差的总和。

3.3 数据分析

如上分析，首先要确定聚类参数k才能进行聚类分析，从实践经验的角度来看，k不宜过大或者过小，如果聚类参数过大、类别太多，那么会生成众多无意义的组或者群，同一类中的对象就过少并且特征不明显；如果聚类参数过小、类别又太少，同一群中对象太多，那么不同群之间的特征就会不明显，分类也会不够精细。这样的学习行为画像也就毫无意义，对学习绩效更无任何指导意义。

因此，k的选择对聚类的质量影响较大。本研究采用碎石检验来辅助确定聚类参数k，先利用SPSS系统聚类生成凝聚顺序表，以凝聚顺序表中的“阶段”也就是聚类数为纵轴,“系数”也就是类目间距离为横轴绘制碎石分析的检验图,如图3所示。当类目增加到4以后，类目间的距离迅速减小，说明类目间的差异不明显。再通过反复进行K-Means聚类，对比发现当聚类参数为k=4时，每个群的学习者对象分类最为明显，学习者群与学习者群之间的界限清晰。因此，将聚类数定为4类，此时聚类效果较好且是最优的聚类结果。聚类结果及对应的学习者归属类别见表2。

图3 碎石分析检验图

表2 学习行为画像聚类结果

为了更清晰地呈现四类学习者的画像，使用雷达图探究标准化后的聚类结果数据如图4所示，该图能清晰地辨识出四类学习者的学习特征。其中，122位属于聚集1，可归为资源导向型积极学习者，他们的平均综合学习成绩较高(83.87)；494位属于聚集2，可归为任务导向型消极学习者，他们的平均综合学习成绩较差(46.41)；472位属于聚集3，可归为任务导向型积极学习者，他们的平均综合学习成绩较高(85.19)；10位属于聚集4，可归为资源导向型消极学习者，他们的平均综合学习成绩较差(43.96)。

图4 个案四类聚类雷达图

4 结论及策略建议

4.1 结论

本研究通过对1 098位高职大学生在线学习行为画像的研究，进一步印证了学习行为在提高学习质量和提升学习绩效中起到关键作用。

4.1.1高职大学生具有四种学习类型 (1) 资源导向型积极学习者：此类学习者学习效果较好，其章节学习次数、视频完成情况、视频完成进度的数据在四类学习者中都最高，任务点完成情况较突出，总讨论次数、回复讨论次数最高，此类学习者是四类中最积极互动的一类，其作业完成积极性与聚集2、聚集3基本一致。(2) 任务导向型消极学习者：此类学习者学习效果较差，作业完成积极性与聚集1、聚集2基本一致，其签到次数和得分表现较好，视频完成情况及视频完成的进度较差。(3) 任务导向型积极学习者：此类学习者学习效果较好，他们的签到得分、作业完成情况、作业完成积极性的数据在四类学习者中都最高，其任务点完成情况、视频完成情况、视频完成进度稍差，总讨论次数、回复讨论次数较少，此类学习者不能进行积极的互动。(4) 资源导向型消极学习者：此类学习者学习效果较差，虽然能完成签到，但是其作业完成情况、作业完成积极性、视频完成进度等都极差。然而，此类学习者的章节学习次数、视频学习次数的完成情况较好，说明其对课程资源有一定的兴趣。

4.1.2网络课程的内容组织方式是影响学习绩效的关键因素 从行为特征上看高职大学生学习者可划分为明显的四类。从学习效果的角度看，第一类和第三类无明显差别，第二类和第四类无明显差别。高职大学生网络学习绩效有资源驱动和任务驱动两种类型。影响学习行为的关键因素不仅包括网络课程的内容、资源以及资源的呈现方式，而且包括网络课程的内容组织方式。

4.1.3网上学习互动和交流是影响学习绩效的另一关键因素 网络在线学习通常是异地的，教师和学习者、学习者和学习者之间通常是不碰面的，但是教学和学习活动需要交流和合作。通过分析四类学习者的画像可知，积极参与者的平均学习成绩最高，师生网上交互率的高低与学生网上学习的时间和次数成正比，因此，网上学习互动和交流的频次和质量对学习成效会产生显著的影响。

4.2 对策

4.2.1优化网络学习环境 网络学习环境是指网络基础设施和网络平台。安全、方便、快捷的网络学习环境是网络学习应该具备的基本条件。除了互联网、多媒体计算机、移动终端、在线学习平台等必备的网络基础设施，网络学习环境还应提供丰富多样的学习资源和即时语音、视频通信等必备的学习工具。同时，要提供良好的学习服务支持，规范学习管理活动，以及允许学习者不受时间和地点的限制来开展学习课程。

4.2.2培育网络学习习惯 互联网学习环境是一种虚拟的学习环境，受限于虚拟环境下时间和空间的制约，通常学习的中心和主动方是学习者，学习的绩效很大程度上取决于学习者自身的学习行为。学习者应该主动根据网络课程的进度和安排有计划地进行课程资源的访问并且根据时间节点完成作业、测试等各项学习任务。另外,必要的学习、导航、监控和评价可以督促和约束学生的学习行为，有利于培养学生良好的网络学习习惯。

4.2.3强化网络教学交互 研究发现，如果网络学习中学习者之间交互程度过低，学习者缺乏必要的解答和指导，那么容易使学生的学习兴趣减弱，不利于学生深入分析问题。这意味着强化网络教学交互是网络学习中的关键工作。网络在线教学要求教师对网络教学有正确的认识；具备较高的网络教学素质;对网络教学平台的特点、网络教学模式、网络教学过程中可能会遇到的问题有充分的了解;通过论坛、留言板、网络答疑等平台加强教学交互，及时解决学习者遇到的实际问题。

4.2.4注重网络课程的设计和组织 网络课程的设计和组织在网络学习中至关重要。一方面，为了提高学生学习的积极性和主动性，教师应尽可能提供案例、视频、动画、微课等丰富多样的多媒体课程资源。另一方面，教师要了解网络教学的规律，掌握适当的网络教学设计方法，在设计工作任务的时候兼顾学生的实际需求和网络教学的规律和特点，对网络教学资源进行合理的安排。这样不仅能够有效提升学习者的学习态度和自主学习能力，也能同时提高学习者网络学习的效率和质量。