面向混合式教学的学习行为数据采集与分析方案

张志远

关键词：混合式教学；学习行为；数据采集；行为分析；学习习惯

中图分类号：TP399 文献标识码：A

文章编号：1009-3044（2023）14-0006-06

1 引言

混合式教学是传统课堂教学与线上教学的有机结合，其显著特征是基于网络信息技术重构了教师与学生、课内与课外、学习与辅导之间的新型关系。随着后疫情时代的到来，混合式教学模式必将成为教学新常态。信息技术的发展使得采集学生的学习行为数据更加便捷，因此结合不同课程特点，研究混合式教学过程中的学习行为数据采集和分析方法，挖掘学生学习规律，提高学生的学习效果非常有必要。

2 混合式教学数据采集

混合式教学是传统课堂教学与线上教学两种方式的有机结合。此外，实践教学也是课程的重要组成部分。以下分别对传统课堂教学、线上教学和实践教学的数据采集现状进行介绍，并提出了一个较为完整的数据采集方案。

2.1 传统课堂教学数据采集

以学生个体为考查对象，传统课堂教学数据采集一般包括出勤次数、回答问题次数、课堂测验成绩、作业成绩、实验成绩、平时成绩、期末成绩、总评成绩等。现代信息技术的发展使得针对课堂教学的音视频分析成为可能，如基于人脸识别分析学生学习过程中的情绪和行为，包括兴奋、茫然、无聊等，并统计各种情绪的人数分布；基于声音分析判断课堂互动的活跃情况[1]；基于行为分析识别课堂中的教与学，并进行S-T 教学行为分析[2-3]等。因此，课堂教学中的音视频也是一种非常重要的数据采集对象。

2.2 线上教学数据采集

按学生与教师的参与程度，线上教学类型可分为以下几种：既含学生自学也有老师讲授的雨课堂，仅含课中教学环节的如腾讯会议，以及仅含课下自学的MOOC及课程网站等。

雨课堂是传统课堂线上化的一种很好形式，能为教师教学提供全周期、全方位的教学数据分析，因此很多教师使用雨课堂进行数据采集和分析。翟伟芳等[4]基于雨课堂采集课前预习、课堂签到、互动、测验、课后作业、课堂反馈等数据。其中课前预习主要为观看课件，包括预习开始时间、预习时长、观看页数、动作标记（某个知识点不懂等）、问题反馈等。课堂签到主要为微信扫描二维码进行签到。课堂互动主要指投票和课堂测试，以及学生在弹幕上发送的文字信息等。课堂小测主要检验学生课前预习和课堂内容的掌握程度，包括每个学生的答题用时、正误情况，以及全体同学的测验正确率等。课后作业与课堂小测类似，主要包括作业开始时间、作业用时及完成情况（正误及是否作答）。课堂反馈数据覆盖整个教学环节中教师和学生通过雨课堂以文字内容为主进行的互动、答疑和交流。陈欢[5]使用雨课堂的预习、签到、课堂小测、课后作业等环节对学生进行过程性评价，强调对学习全过程的主动参与和自我反思的能力培养。郑珂晖等[1]对课前预习采用教师布置题目学生自己寻找预习资料的方法，包括查阅互联网、参考书等，产生数据包括相关问题的资源链接，以及同学们针对该问题的讨论内容，多为文本类型数据。

腾讯会议用于线上教学时一般仅使用其屏幕共享功能，教师通过操作自己的电脑将屏幕及声音分享给学生。腾讯会议还具有简单的文字互动功能，学生可以就不懂的问题使用文字进行提问，但一般情况下教师对问题会通过语音进行回复，因此更像是一种传统课堂的线上化翻版。对于腾讯会议的数据采集主要包括出勤、师生互动（含声音及文字）等。

很多学校建设了自己的智慧学习平台，或者使用MOOC/SPOC作为辅助教学手段。这些网络教学平台的使用给学生学习行为的数据采集和分析带来很大便利。杨蕴昊[6]认为学生的网络学习行为数据采集应关注两个方面：实际操作行为和知识内化过程。实际操作行为主要体现为学习网络课程时的显性操作，是其进行学习时的外部直接表现，可分为：媒体操作、记录操作和共享操作三部分。其中媒体操作主要记录视频学习动作的行为数据，包括视频快进、快退、拖动、暂停、静音等动作以及视频观看时长。记录操作主要指文本性质的浏览记录，包括浏览的页面、点击的次数、访问持续时间、学习动作顺序等。共享操作主要指记录离线下载资源，以及将某个学习页面收藏到收藏夹中的内容与次数。知识内化过程主要指学习者进行知识加工理解的过程，可通过留言反馈、学习评价等行为进行数据采集与分析。其中留言反馈主要针对单个知识点或整门课程，分析收集到的讨论、提问、解答、总结等文本信息。学习评价主要指针对视频中的节点测试和知识点练习等记录测试的正确率、测试用时、测试通过次数。

2.3 实践教学数据采集

实践教学是混合式教学的重要组成部分，可以强化学生对于理论基础的理解，提高学生的实际动手能力。采集和分析学生的实践学习数据，了解学生的实践操作能力，是混合式教学数据采集的重要组成部分。不同于理论教学，实践课程任务种类多样，宜根据课程任务的特点制定不同的数据采集方案。谢晖等[7]基于虚拟仿真在线平台按课前、课中、课后三部分采集学习行为数据，其中课前包括实验前预习时长、实验前预习次数、实验前讨论次数、完成课前任务次数、课前PPT预习时长、课前PPT 预习页数、课前访问学习网站次数、课前不懂问题提出數、课前不懂问题解决数等，课中包括虚拟仿真模块操作时长、虚拟仿真模块使用次数等，课后包括课后访问学习网站次数、实验后复习次数、完成课后任务次数、课后阅读讨论次数、课后平台发帖次数、课后平台回帖次数、课后在线测试次数、课后不懂问题提出数、课后不懂问题解决数等。另外他们还通过教务处收集先修相关课程成绩数据，通过开课前进行问卷调查收集学习能力数据，内容包括成就动机、自我效能、元认知、成就归因、个人秉性等。王雷等[8]针对操作系统课程实验采集了学生的登录次数、登录时长、代码提交次数和打开文件数等，发现实验难度影响登录次数和登录时长，过难的实验会造成很多同学有畏难情绪，进而导致实验登录次数和登录时长减少，但优秀的同学针对难度大的实验反而会花费更多的时间，表现为实验登录次数和登录时长高于平均水平；另外学生登录系统的日志总量能更好地反映其努力程度，从而区分了登录次数多、时间长，但光发呆没有实际动作的学生。

2.4 数据采集方案设计

針对一门课程，以学生个体为对象设计混合式教学的数据采集方案，包含采集内容、采集方式、采集频率等，如表1所示。

3 混合式教学数据分析

数据采集的目的是分析学生的学习行为及其对学习效果的影响，从而改善教师的教学方法，为学生提供有针对性的指导。

学生的学习积极性与学习效果往往具有直接关系。孙笑微[9]针对基于SPOC教学模式的数据结构课程，重点采集和分析了学生的学习行为数据，包括登录时段、登录时长、视频观看时长、发帖讨论、练习及测验的准确率和通过率等。通过分析学生登录时段的分布规律，以及不同性别及专业和登录次数的关系，发现重修同学的登录次数最少，且男生平均登录次数少于女生。唐世星等[10]采集高等数学课程的线上教学平台数据，设计了平台登录时长、平台登录频次、资源学习时长、资源查看率、活动参与率、课堂签到率、作业完成率、总结评价率共8个特征指标，并据此将学生分为三类：第一类学生主动性强，参与程度高，占比60%；第二类学生学习投入不足，但态度较好，签到率高，占比24%；最后一类学生自我约束能力差，容易出现挂科，占比16%。张序等[11]基于MOOC平台采集学生的学习行为数据，分析发现本科生在MOOC平台的学习效果与学习主动性成正比。用教师布置学习任务到学生开始学习的天数度量学生的学习积极性，发现积极性高的同学完成全部学习内容的天数短，在论坛中参与互动交流的次数多，同时这部分同学的学习效果也是最好的。田华[12]采集课程论坛中发帖者和回复者的关系并构建了社会网络，按中心度识别网络中的核心成员，但未分析学习效果与参与程度的关系。王春霞[13]建议采集线上课程的视频观看、作业和互动讨论等数据并对学生进行聚类，针对不同类型的学生采取不同的教学方法，做到因材施教。

除学习的积极主动性外，学生个人的学习能力也影响其最后的学习效果。谢晖等[7]对在线实验课程以2周为一个采样点分析数据变化情况，提出从学习能力（learning ability）、实操能力（practical ability）、理论知识掌握能力（master knowledge ability）、独立思考能力（thinking ability）、独立解决问题能力（solving abili?ty）五个核心维度进行量化评价。分析结果表明，及时获得学习反馈能显著提升学生各维度的学习效能。

学生的基础能力，学习的积极性、主动性、独立性、努力程度等均影响学习效果，另外针对学生个体刻画其知识点掌握情况可以帮助他们发现自己的不足，进而做到查漏补缺，提高学习成绩。本文以计算机科学与技术专业为例，从上述5个方面设计了混合式教学数据分析方案。

3.1 基础能力分析方案

以计算机科学与技术专业为例，基础能力分析方案包含入学基础、数理基础、信息素养和相关课程基础4个方面，具体内容如表2所示，其中权重依据经验或专家打分确定（下同）。针对基础能力的分析包括以下几个方面：

A1.1 入学基础和数理基础的相关性分析。进入大学后，相较于高中阶段学校对学生的管理没有那么严格，导致一部分自控力较弱的同学成绩下滑严重，表现为入学排名靠前，但第一学年后排名急剧下降，尤其是数理基础课程由于难度较大得分偏低。

A1.2 入学基础和信息素养的相关性分析。很多同学在选择专业时并不了解自己的兴趣所在，大多尊重父母的意见，或选择社会上的热门专业，这就造成他们虽然入学排名靠前，但由于对专业不感兴趣，缺乏计算思维，导致最基本的信息素养课程得分偏低。反而是那些转专业的同学对自己的未来规划非常明确，容易获得较好的成绩。

A1.3 学生基础能力数据统计分析。分析全专业学生各子模块的平均得分、中位数及离散程度等，绘制基础能力综合得分的散点图并进行聚类分析；针对学生个体各子模块得分，以专业平均得分为对比绘制雷达图，分析学生个体基础能力的短板。

A1.4 学生基础能力与课程考核成绩的相关性分析。针对全专业学生，分析基础能力总得分以及各分项得分与课程考核成绩的相关性。一般来讲编程基础差的同学专业课得分也不会太高，前序相关课程成绩会直接影响后继课程的学习。

3.2 学习积极性分析方案

积极性高的同学学习成绩一般不会太差，这些同学对于教师布置的任务通常会在第一时间完成。拟从以下数据着手分析学生的学习积极性，具体内容如表2 所示。针对学习积极性的分析包括以下几个方面：

A2.1 学习积极性数据统计分析。统计全专业学生课堂考勤及任务执行积极性的平均得分、中位数及离散程度等，绘制学习积极性得分直方图；针对学生个体各子模块得分，以专业平均得分为对比绘制雷达图，分析学生个体学习积极性差异。

A2.2 课堂考勤与学习积极性的相关性分析。通常来讲，积极性高的同学对待教师布置的任务都会第一时间去完成，他们一般会提前签到/到达教室，而拖拉的同学则更容易迟到，对待教师布置的任务也是能拖就拖。

A2.3 学习积极性与课程考核成绩的相关性分析。一般来讲，学习积极性高的同学一般最后的考核成绩都不会太差，当然最后成绩还与其学习基础和学习方法等有关。

3.3 学习主动性分析方案

学习主动性主要包含以下几个方面：一是对教师布置的必选任务是否能够按时完成；二是对于教师布置的选择性任务是否也会有所执行；三是对于不懂的问题是否会主动请教老师及同学，或者通过网络、图书馆等自主解决；四是主动参加竞赛及科研项目等创新性任务情况，具体内容如表2所示。针对学习主动性的分析包括以下几个方面：

A3.1 学习主动性数据统计分析。统计全专业学生必选任务与选择性任务的主动完成情况，以及主动参与讨论情况的平均得分、中位数及离散程度等，绘制学习主动性得分直方图；针对学生个体各子模块得分，以专业平均得分为对比绘制雷达图，分析学生个体学习主动性差异。

A3.2 学习积极性与学习主动性的相关性分析。通常来讲，积极性高的同学具有更高的主动性，他们会合理安排自己的时间，以保证任务能按时完成。学习积极性差的同学执行任务开始的时间晚，通常会拖到最后才能完成任务，或者出现任务不能及时完成的情况。是否参与讨论一般与学生性格相关，外向的同学更喜欢提问和回答问题，容易从老师和其他同学的赞许中获得满足感，而内向的同学可能更喜欢自己思考，或通过网络资源解决问题。

A3.3 学习主动性与课程考核成绩的相关性分析。学习主动性高的同学，尤其是主动参与竞赛或科研项目的同学通常都学有余力，实践能力较强，一般最后的考核成绩也会比较理想；主动参与课团活动的同学一般都性格比较外向，在人际交往方面能力较强，遇到问题可能更倾向于对外寻求帮助，因此这部分同学可能比较喜欢提问，但其学习成绩会比较一般，不会特别高，但也不会特别差；主动性差并且不爱提问的同学学习成绩通常会比较差，容易出现挂科现象，这部分同学的基础一般情况下也不太乐观，需要重点关注。

3.4 学习独立性分析方案

学习独立性主要包含以下几个方面：一是对教师布置的任务是否独立完成；二是对于问题是否有独立自主的见解，具体内容如表2所示。针对学习独立性的分析包括以下几个方面：A4.1 学习独立性界定分析。对于文本性任务如综合性题目或实验报告等，可通过检测文档雷同情况判断是否独立完成；对于客观性任务如选择题、填空题等可通过检测错误是否高度一致判断是否独立完成；线上课堂提问若经过较长时间才能回答，则可能是通过私下渠道询问其他同学后才给出的答案；线上讨论中经常发表无实质性内容，如点赞、+1等可视为学习独立性较差。

A4.2 学习独立性数据统计分析。统计全专业学生任务完成独立性情况，以及思考问题独立性情况的平均得分、中位数及离散程度等，绘制学习独立性得分直方图；针对学生个体各子模块得分，以专业平均得分为对比绘制雷达图，分析学生个体学习独立性差异。

A4.3 学习独立性与积极性、主动性及学习成绩的相关性分析。学习独立性差的同学通常不具备自主学习的意愿或者能力，学习积极性差，不会主动完成任务，对必须完成的任务如测验、作业等则经常抄袭。这部分同学的学习成绩通常会很差，很可能出现不及格现象，需要及早发现苗头，并及时干预。

3.5 学习努力程度分析方案

学习努力程度主要包含以下几个方面：一是对理论环节的学习努力程度，包括对于重难点部分视频及课件是否反复观看，对允许多次提交的测验或作业是否多次提交以获得更高的分数等；二是对于实践环节的学习努力程度，包括实验投入时间长、实验结果提交次数等，具体内容如表2所示。针对学习努力程度的分析包括以下几个方面：

A5.1 学习努力程度统计分析。统计全专业学生理论及实践两个环节的学习努力程度的平均得分、中位数及离散程度等，绘制学习努力程度得分直方图；针对学生个体各子模块得分，以专业平均得分为对比绘制雷达图，分析学生个体学习努力程度差异。

A5.2 学习积极性与努力程度的相关性分析。一般来讲积极性高的同学会比较努力，但也不排除有部分同学一开始很积极，但由于基础较差或个人原因遇到困难容易退缩的情况，抗挫性差，后期投入不够。这部分同学通常对于基础性的问题掌握尚可，但对于困难问题需要投入大量精力时往往表现不够积极，最后成绩一般，需要及早发现并给予鼓励与指导。

A5.3 学习努力程度与积极性、主动性及学习成绩的相关性分析。学习独立性差的同学通常不具备自主学习的意愿或者能力，学习积极性差，不会主动完成任务，对必须完成的任务如测验、作业等则经常抄袭。这部分同学的学习成绩通常会很差，很可能出现不及格现象，需要及早发现苗头，并及时干预。

3.6 學习习惯及学习成绩分析方案

A6.1 学生学习习惯分析。基于前述学习基础、积极性、主动性、独立性、努力程度共5个方面刻画学生的学习习惯，采用雷达图刻画专业平均分数，以及学生个体与平均分数的差异；学习习惯除与个人密切相关外，还受很多外界因素影响。例如新生刚入学时积极性较高，而到高年级后很多同学的积极性会逐渐消退，且会形成自己的固定模式；学生心性不太成熟，容易受到班风特别是同宿舍其他同学的影响，往往一个宿舍的同学要么都勤奋好学，要么都一起逃课、聚餐、打游戏等，这些都影响同学的学习习惯。以这5个方面为度量指标，对学生的学习习惯进行聚类分析，查看聚类结果与年级、班级、专业、性别、宿舍等分布的相关性。

A6.2 学习成绩分析。基于前述学习基础能力、积极性、主动性、独立性、努力程度共5个方面分析学生的学习习惯和成绩的相关性，并根据学习习惯的前期数据对学习成绩进行预测；统计学习成绩的分布情况：一般来讲成绩会呈正态分布，但对于部分课程会出现两端高、中间低，两极分化严重的情况，或者出现大面积不及格现象，这时就需要考虑课程考核难度与学生受众之间的匹配程度问题；分析学生成绩之间的连贯性情况，若学生未能很好地适应大学生活，会出现连续多门课程不及格的情况，而不管这些课程之间的联系是否紧密；当然也有部分同学是基础课程学得尚可，但由于对专业课不感兴趣而转专业又没有成功，则会出现进入高年级专业课学习后成绩一落千丈的情况。

4 结论

本文从传统课堂教学、线上教学及实践教学三方面总结了与学习行为数据采集相关的文献，在此基础上设计了一个较全面的面向混合式教学的学习行为数据采集方案，包括采集内容、方式和频率等。为进一步刻画学生的学习习惯，提出了从基础能力、学习积极性、学习主动性、学习独立性、学习努力程度5个方面着手的数据分析方案，最后对分析学习习惯与学习成绩之间的关系提供了建议。后续会以此方案为蓝本，做好学生学习行为数据的采集与分析工作，为提高教学质量提供帮助。