基于真实校园场景的学习行为标准化管理研究

郎波 樊一娜

摘 要：对学生学习行为的研究能够有效了解学生的学习和生活行为特点，从而在教学中更好地实现因材施教。本文基于校园大数据的学生行为分析，提出了学习行为标准的研究框架，重点在行为指标分析和行为特征量化两方面进行了研究，探讨了学习行为数据的标准化建设问题，为更好地利用行为数据进行学习成绩预测和学生发展预测提供了一种思路。

关键词：学习行为，行为指标分析，行为特征量化，标准化

DOI编码：10.3969/j.issn.1002-5944.2023.04.033

基金项目：本文受珠海市教育科研“十四五”规划课题（项目编号：2021ZHGHKTG1183）和珠海城市职业技术学院质量工程项目（项目编号：KCSZ20200605）资助。

Research on Standardization Management of Learning Behavior Based on Real Campus Scene

LANG Bo1 FAN Yi-na2

（1. Zhuhai City Polytechnic； 2. Zhuhai Campus of Beijing Normal University）

Abstract： The study of students learning behavior can effectively understand the characteristics of students learning and life behavior， so as to achieve better individualized teaching in teaching. Based on student behavioral analysis based on campus big data， this paper puts forward the research framework of learning behavior standard， studies the two aspects of behavior index analysis and behavior characteristics of quantifi cation， and probes into the standardization construction of the data of learning behavior， which provides a train of thought for better use of behavior data to predict studentsgrades and development.

Keywords： learning behavior， behavioral index analysis， quantifi cation of behavior characteristics， standardization

1 引 言

学生学习手段的变化和疫情对正常教学的影响，使得研究校园场景下学生的学习行为变得尤为重要，有效进行自主学习的行为分析，是线上线下学习都面临的一个重要问题。如何为学生学习行为改善提供个性化的反馈，并建立相应的预警机制，为学生提供个性化教育方面和辅助教师教学活动方面提供技术依据，从而更好地在教学过程中实现因材施教。

目前，文献中记载的关于自主学习的效能分析都是基于学习者本身的主动行为和情感波动[1]。朱建东教授利用神经模糊方法来分析学生在学习过程中生成的学习日志，从而诊断出学生进行自主学习的最佳路径[2]；把遗传算法与学习需求联系起来，在特定情境特征的前提下，进行有效的学习资源推荐[3]；此外，学习者生物特征的应用也引入到了学习行为追踪中，利用这些特征构造学习肖像，从而发现最佳的自主学习路径。从目前的研究状况来看，大部分研究都基于学生的学习成绩分析预测，但是学生的学习成绩与其平时的学习行为和习惯有很大的关系，尤其是学习积极性、学习心理状态对学习成绩的提高有着较大的影响，而针对如何构建有意义的学习行为特征的关注还不多，另外，该领域的研究也存在以下问题，例如：研究数据较为单一，不能发挥数据多样性和规模性的优势，尤其是认知、情绪等情感数据的关注度不够；数据样本大多重视数量，忽略了质量，学生的学习行为量化方法比较单一，通常用得较多的是统计频次或者信息熵的方法，难以完美解释学生学习行为的多样性；直接从数据统计的结果简单归纳学习规律，忽视了教师、教学管理者、学生的能动性。

2 学习行为标准化的框架研究

2.1 行为指标分析

学习行为的标准化分类可以分为静态和动态指标，其中静态指标是学生在学习过程中保持稳定，不随学习过程随意变化的数据，而动态指标是指学生在学习过程中容易变化的因素，例如：学习偏好、学习习惯、认知特点等，这些指标伴随整个学习过程，宏观上保持稳定，但是也可能随着学习时长的变化而发生变化。通常我们衡量学生的学习行为都是指在学生线上或线下的学习过程中产生的行为数据。这些数据的共同特点是由学生的学习交互行为产生的，根据交互的对象和方式不同，可以把行为指标分为以下五类，分别是学生与学生、学生与教师、学生与课程、学生与环境、学生与家庭之间的交互。根据以上指标可以确定学生在学习过程中所需获取的数据来源。其中，学生与学生的交互主要表现为学生情绪、社交网络情况、网络流量使用情况等。学生与教师的交互体现在学生是否积极参加老师布置的教学任务，在作业提交时间上学生是否拖延，在回答问题上是否积极。而老师表现为是否及时关注学生的提问、是否能为学生的问题提供有效的解决方式、是否能及时批改学生的作业等；学生与课程的交互行为表现为学生能够选择自己需要的课程，以及课程内容的展现方式；学生与环境的交互表现为目前的数字化手段是否容易被学习者接受，通过现有的方式进行学习能否让学习者顺利接受；学生与家庭的交互表现为学生与家庭的关系是否和谐，父母對学生学习行为习惯的养成等。

2.2 行为特征量化

2.2.1 学习刻苦程度的量化

学习刻苦程度是衡量一个学生良好学习行为的重要指标之一，但是该指标同时也是一个抽象概念，无法用客观的概念来直接表述，所以，如何将学习课程程度进行标准化的量化就显得尤为重要，本文采用学生在学习过程中所产生的“数字行为”来进行判断。其量化过程如图1所示。

学习刻苦程度的时序数据可以直接统计学习行为的发生频次，通过次数的累积来界定学生学习的刻苦程度，这也是统计学生学习行为较为常见的统计方式。特点是简单直接，容易操作。在图1列出的数据中，学生利用网络是否访问学习资源可以通过网络连接某些网站的频次来进行确定，学生在教学平台的时序数据可以直接反映学生的学习状态，利用学习资料和自习室的时序数据都是能够进行量化的数据。另外，利用自习室的时序数据量化出两个学习指标，分别是“进出自习室的次数”和“自习室的使用时间”。由于自习室的特殊性，学生和自习室的关联能够反映学生学习的刻苦程度。

2.2.2 行为规律性的量化

学习行为是否规律也是衡量行为是否标准化的重要依据之一。它代表了在学习过程中学习者的自我约束能力，这种能力的强弱，最终的反馈是学习成绩和学习效果的变化。对于行为的规律化主要从两个方面来进行分析，从线性和非线性的角度来对学习行为变化和学习行为复杂度进行量化。本文从一个学期（教学18周）为时间段，来分析学生学习行为和学习成绩之间的关系。在整个学期中，学习的任务的侧重点和内容以及强度都有所不同，我们将整个学期划分成不同的时间段，按时间段为单位来对学习行为规律的量化问题进行分析。主要采用的方法是：对于学生的行为变化，以第九周为中心点，将整个学期划分为两个阶段，利用线性回归的方法进行拟合，通过斜率的变化反应学习行为的变化，从而达到量化的目的。对于学生行为复杂度的量化，将整个学期划分为多个时间段，利用同样的方式对每个时间段进行拟合，并统计学习行为的发生频次，多个时间段的划分能够将学习行为的状态进行平均，学生的学习行为受到自身和外界的影响，并不总是保持在一个稳定的状态。对于学生学习行为复杂度的标准化量化可以采用熵的方式，但是传统的信息熵在衡量学习行为复杂度方面存在缺陷，它并没有聚焦于元素之间的关系，即学习行为是一个时序数据，学习行为的变化是基于前后数据的变化从而产生波动的，所以，利用近似熵来解决该问题，它是以每个时间段的平均相似率来衡量结构复杂度，通过将每个学生的行为数据转化为离散变量来实现。

3 结 语

学习行为的标准化研究是目前利用人工智能技术进行学习行为分析的一个热点问题，在学习行为数据的量化方面，大部分研究仅适用简单的线性统计方法，虽然利用信息熵取得了一定的成效，但是信息熵本身也具有一定的局限性。要做好学习行为的标准化工作，还需要从以下几个方面进行突破，例如：更进一步的超大规模数据研究，使得数据来源更加多元化、全面化，能够更好地全面反映学生的学习行为规律。此外，未来可以将标准化研究迁移至更多样化的数据样本中进行优化和量化，使得研究的普适性更强，利用人工智能技术进行学习行为的评价变得更为严谨。

参考文献

[1]姜强，赵蔚，等.大数据背景下的精准个性化学习路径挖掘研究——基于AprioriAll的群体行为分析[J].电化教育研究，2018，39（2）：45-52.

[2]史波.终身学习视角下职业教育标准化研究[J].中国标准化，2022（2）：188-190.

[3]薛晶晶，李毅伟，韩忠海.基于SPOC+QQ+慕课堂的标准化高等数学混合式教学模式研究[J].中国标准化，2022（18）：180-183.

作者简介

郎波，硕士研究生，教授，研究方向为人工智能。

樊一娜，硕士研究生，讲师，研究方向为物理实验、物理教育。

（責任编辑：高鹏）