基于多元Logistic的混合式学习效果影响因素分析

李小雪 史小茹

摘  要：该文以西安航空学院理学院数据挖掘导论课程为例，采用问卷调查及统计方法，对影响学生混合式学习效果的16个最主要因素进行实证分析，得到学习环境、教学、个人和平台网络因子4个主成分，根据这4个主成分建立混合式学习效果的多元有序Logistic回归模型，研究表明环境因子、教学因子和个人因子这3个主成分对课程的混合式学习效果产生显著正向影响关系，并依此给出相关建议。

关键词：Logistic回归模型;混合式学习;影响因素;SPSS;数据挖掘导论

中图分类号：G642.4      文献标志码：A          文章编号：2096-000X（2023）31-0019-04

Abstract： This paper takes the course Introduction to Data Mining of School of Science of Xi'an Aeronautical Institute as an example， using questionnaire survey and statistical methods to analyze 16 factors affecting students' blended learning effect， and four principal components are obtained： learning environment， teaching， personal and platform network factors. Based on the four principal components， a multiple ordered Logistic regression model of mixed learning effect is established， and relevant suggestions are given.

Keywords： logistic regression model; blended learning; influencing factors; SPSS; Introduction to Data Mining

线上线下相结合的混合教学模式使学习不再局限于传统的课堂教学，网络与多媒体为学习者创造了更加生动、立体的学习环境，使学习者从单一的标准化知识变成了个性化的差异化学习。2018年，教育部发布《关于加快建设高水平本科教育全面提高人才培养能力的意见》指出，通过教学改革促进学习革命，积极推广小班化教学、混合学习、翻转课堂，大力推进智慧教室建设，构建线上线下相结合的教学模式[1]。混合式学习结合了在线教学和传统就教学的优势，能够为学生提供丰富的教学资源和更加高效自由的交流方式[2]。2019年，英联邦学习共同体发布了混合学习的质量评估标准，该标准从质量保障的角度对高校实施混合学习的实践过程进行了评估，旨在指导与协助东非地区各大学自主开发并共享混合学习的教学资源，以提高混合学习质量[3]。2022年，《教育部2022年工作要点》提出实施教育数字化战略行动，积极发展“互联网+教育”，加快推进教育数字转型和智能升级，改进课堂教学模式和学生评价方式[4]。这也说明，实施教育数字化成为教育部工作之一。通过梳理可发现，尽管各学者在定义混合式学习时有着不同的角度和侧重，但混合式学习的含义大致相同，其核心都是根据学习者不同的学习能力，线上线下相结合来提高学习效率。

数据挖掘导论是一门算法较多、理论较强的课程。本文利用调查问卷，基于Logistic回归模型对影响学生学习效果的影响因素进行调查分析，利用相关结果剖析课程学习存在的问题，同时给出混合式学习的建议。

一  多元有序Logistic回归模型的建立与求解

（一）  数据采集

通过前期对课程教学的分析，学生课堂注意力集中情况、课程知识点掌握情况、课程内容的难易度和课程线上学习平台等因素都会在不同程度上影响学生混合学习效果。本次调查面向西安航空学院理学院学习数据挖掘导论课程的141名学生，调查问卷选取了17个问题，共发放141份，回收134份，问卷回收有效率95.04%。

（二）  因子分析

本文利用SPSS，选取KMO统计和巴特利球形检验法来检验相关性。通过对134份有效问卷数据进行分析，数据信度检验KMO为0.848，显著性为0.000，说明变量之间可以做因子分析。

本文采用主成分分析法做因子提取，通过累计贡献率来确定公共因子。一般，累计贡献率达到75%以上就说明有公共因子。但在实际中，由于一些不可控因素，累计贡献率在60%以上就可以接受。

为研究影响混合学习效果的因素，本文选取课程学习效果为因变量，自变量分别为学生课堂注意力集中程度、教师教学组织合理情况、线上资源需求情况和班级学习氛围情况等，具体变量及赋值情况见表1。

利用SPSS進行因子分析，提取方法为主成分分析法，结果表明，4个因子变量累积的总方差在60%以上，达到要求，可以用来解释大部分的因子成分。其中，第1、2、3、4个因子可以解释总方差的39.184%、49.295%、57.085%和64.138%。为保证提取因子的准确性，结合SPSS碎石图加以验证，由图1可知，拐点在5附近出现，5之后图像变得平缓。同时结合主成分分析结果，可以得到最后的4个公共因子，得到旋转后的成分矩阵见表2。

根据旋转后的成分矩阵可得出以下结论。

1）第1个因子包括变量x13、x14、x15和x16所对应的内容，主要与学习环境相关，因此该因子命名为学习环境因子F1。

2）第2个因子包括变量x3、x6、x7、x8、x10和x11所对应的内容，主要与教学相关，因此该因子命名为教学因子F2。

3）第3个因子包括变量x1、x2、x4和x5所对应的内容，主要与个人因素相关，因此该因子命名为个人因子F3。

4）第4个因子包括变量x9和x12所对应的内容，主要与平台网络有关，因此该因子命名为平台网络因子F4。

同时，根据表3得到的成分得分系数矩阵。

（三）  多元有序Logistic回归模型的建立

由于因变量学习效果（y）的水平存在序次关系，因此本文采用累积Logistic回归模型，该模型是针对多分类变量而构建的回归模型，基本形式为

式中：P（y≤j）表示y落在或小于某一特定j的概率，即y的累积概率。xi（i=1，2，…，n）为自变量组，βi（i=1，2，…，n）表示xi对因变量y落在类或小于的类别的对数优势的效应[5-6]。

本文因变量为混合式学习效果，共有3个等级，其中y=1表示“无效果”，y=2表示“有一定效果”，y=3表示“效果较好”，y=3是参照项。自变量为主成分F1，F2，F3和F4，建立的有序多分类Logistic回归模型为

式中：α1，α2，βi为Fi（i=1，2，3，4）对应的待估计回归系数。

通过对4个因子进行平行线检验，检验结果P=1.000>0.1，说明各回归方程互相平行，本文选择有序多分类Logistic回归模型是合适的。

（四）  多元有序Logistic回归模型的求解与分析

利用SPSS，输入因变量及4个因子，得到结果见表4。

为解释模型的意义，利用式（5）可推出变量xi在xi=a与xi=b 2点累积概率的优势比

式中：xi为式（5）中的自变量，βi为xi对应的参数估计值[7]。

结合表4和式（10），对于课程学习效果的类别j=1、2来说，分析结果如下。

第1个主成分学习环境因子的回归系数的值为2.131，说明学习环境因子会对学习效果产生显著的正向影响关系。优势比为8.423，意味着学习环境因子增加一个单位时，学习效果增加幅度为8.423倍。

第2个主成分教学因子的回归系数的值为1.364，说明教学因子会对学习效果产生显著的正向影响关系。优势比为3.912，意味着教学因子增加一个单位时，学习效果增加幅度为3.912倍。

第3个主成分个人因子的回归系数的值为1.317，说明个人因子会对学习效果产生显著的正向影响关系。优势比为3.732，意味着教学因子增加一个单位时，学习效果增加幅度为3.732倍。

第4个主成分平台网络因子的显著性大于0.01，说明平台网络因子对学习效果没有显著影响，也就说该课程的网络学习平台对学生的学习效果没有显著影响。

综上所述，环境因子、教学因子、个人因子对数据挖掘导论课程的混合式学习效果产生显著正向影响关系。

二  结论

本文采用多元有序Logistic回归模型对数据挖掘导论课程混合式学习效果的影响因素进行了分析。根据分析结果，环境、教学和个人因子对数据挖掘导论课程的混合式学习效果产生显著正向影响关系，网络学习平台对学生的学习效果没有显著影响。因此，在今后课程的教学中，教师应理论与实践相结合，多学科结合，合理安排课程内容、优化教学手段、营造良好学习氛围及严格要求学生等，以达到最佳学习效果。

另外，本文在调查研究时，选出了影响混合式学习效果的16个因素，影响因素的筛选还不够全面，可能还存在其他因素如心理因素等未被列入，后续还将根据教学运行情况等继续进行研究并完善。

参考文献：

[1] 教育部关于加快建设高水平本科教育全面提高人才培养能力的意见[EB/OL].http：//www.moe.gov.cn/srcsite/A08/s7056/201810 /t20181017_351887.html.

[2] 张玉辛.混合学习环境下教师教学行为对大学生学习投入的影响研究[D].大连：辽宁师范大学，2022.

[3] 许冬平，顾鑫城，陈勇.英联邦混合学习质量评估标准探析[J].上海教育评估研究，2022，11（4）：57-61.

[4] 教育部2022年工作要点[EB/OL].http：//www.moe.gov.cn/jyb_sjzl /moe_164/202202/t20220208_597666.html.

[5] 王济川.Logistic回归模型方法与应用[M].北京：高等教育出版社，2001：91-171.

[6] [美]弗雷德·C.潘佩尔.Logistic回归入门[M].周穆之，译.上海：格致出版社，2015.

[7] 赵国瑞，崔庆岳，田振明.高职学生数学学习兴趣影响因素研究——基于决策树和累积Logistic回归模型[J].数学的实践与认识，2018，48（24）：304-310.

基金項目：2021年教育部高等教育司产学合作协同育人项目“应用型本科院校《机器学习与数据挖掘导论》课程的教学改革研究——以西安航空学院为例”（202102211120）;2021年度西安航空学院高等教育教学改革项目“大数据背景下的《机器学习与数据挖掘导论》课程教学改革研究”（21JXGG2022）;2022年校级课程思政示范课程建设项目“《数据挖掘导论》”（22KCSZ07）;2019年西安航空学院教学质量工程资助项目“信息与计算科学专业导论”（19ZLGC5023）

第一作者简介：李小雪（1988-），女，汉族，陕西合阳人，博士，副教授，硕士研究生导师。研究方向为数据分析、数论及其应用。