鄭曉薇，劉 靜，高 悅

(遼寧師范大學(xué) 計算機(jī)與信息技術(shù)學(xué)院，遼寧 大連 116029)

面向?qū)ο蟮膶W(xué)習(xí)分析模型的構(gòu)建與實(shí)現(xiàn)

鄭曉薇，劉 靜，高 悅

(遼寧師范大學(xué) 計算機(jī)與信息技術(shù)學(xué)院，遼寧 大連 116029)

學(xué)習(xí)分析作為數(shù)字化學(xué)習(xí)績效評價的主要手段，是目前教育技術(shù)領(lǐng)域研究的熱點(diǎn)之一。為了使學(xué)習(xí)分析能夠更有針對性地指導(dǎo)教學(xué)過程，該文從利益相關(guān)者的角度構(gòu)建了面向?qū)ο蟮膶W(xué)習(xí)分析模型，其特征是基于面向?qū)ο蠓椒▽W(xué)的理論創(chuàng)建學(xué)習(xí)對象類，具有對象的封裝性和類的繼承性。根據(jù)應(yīng)用環(huán)境的約束和學(xué)習(xí)分析目標(biāo)的方向性設(shè)計了一組方法，可對學(xué)習(xí)數(shù)據(jù)變量進(jìn)行量化計算，實(shí)現(xiàn)在教學(xué)過程中有針對性地實(shí)施干預(yù)。以計算機(jī)操作系統(tǒng)課程教學(xué)為例，采用對照實(shí)驗(yàn)來驗(yàn)證該模型的可靠性與有效性。實(shí)驗(yàn)結(jié)果表明，面向?qū)ο蟮膶W(xué)習(xí)分析模型可以優(yōu)化教學(xué)過程、為教與學(xué)提供參照與指導(dǎo)，并能有效地提升學(xué)生的學(xué)習(xí)效果，實(shí)現(xiàn)個性化學(xué)習(xí)。

學(xué)習(xí)分析模型；面向?qū)ο螅焕嫦嚓P(guān)者；干預(yù)約束；多元回歸分析

一、引言

學(xué)習(xí)分析是指導(dǎo)者通過收集、處理、分析數(shù)據(jù)來評估和預(yù)測學(xué)生的學(xué)習(xí)狀態(tài)，并以不同方式對學(xué)生實(shí)施干預(yù)。2010年，學(xué)習(xí)分析從商業(yè)智能、行為分析等領(lǐng)域分離出來，轉(zhuǎn)變成服務(wù)于教育領(lǐng)域的一門應(yīng)用。美國新媒體聯(lián)盟(NMC)發(fā)布的地平線報告中連續(xù)三年將學(xué)習(xí)分析稱為四到五年內(nèi)影響學(xué)習(xí)科學(xué)技術(shù)發(fā)展的主要技術(shù)之一[1]。隨著信息技術(shù)在教學(xué)領(lǐng)域的應(yīng)用不斷擴(kuò)大，學(xué)習(xí)分析逐漸從理論性的概念分析轉(zhuǎn)向?qū)嵺`應(yīng)用服務(wù)。學(xué)習(xí)分析模型作為學(xué)習(xí)分析的實(shí)施參照，是學(xué)習(xí)分析研究成果中最具有代表性的部分。學(xué)習(xí)分析模型的優(yōu)化研究促進(jìn)了學(xué)習(xí)分析的發(fā)展。2011年，Brown和G.Siemens[2]基于概念確立了學(xué)習(xí)分析模型的基本要素，Elias強(qiáng)調(diào)了學(xué)習(xí)分析的循環(huán)性，SOLAR(學(xué)習(xí)分析研究協(xié)會)建構(gòu)了整合式學(xué)習(xí)分析系統(tǒng)[3-5]。2012年，Wolfgang Greller和Chatti強(qiáng)調(diào)了學(xué)習(xí)分析的限制因素[6][7]，國內(nèi)學(xué)者李艷燕等[8]提出了學(xué)習(xí)分析概念模型，學(xué)習(xí)分析成為國內(nèi)教育技術(shù)領(lǐng)域的研究熱點(diǎn)并迅速發(fā)展。2013年，祝智庭教授將學(xué)習(xí)分析應(yīng)用于智慧教育[9]。2014年起，學(xué)習(xí)分析模型逐漸具有明確指向(如數(shù)據(jù)分析、行為分析、預(yù)測等[10-12])，并與MOOC、個性化自適應(yīng)系統(tǒng)等相結(jié)合[13][14]。截止到2015年，學(xué)習(xí)分析模型已經(jīng)從最初的理論概念解析發(fā)展成為針對不同環(huán)境、不同目標(biāo)甚至不同環(huán)節(jié)的主題模型，學(xué)習(xí)分析也從技術(shù)型應(yīng)用發(fā)展為服務(wù)型應(yīng)用。然而，目前將學(xué)習(xí)分析模型與具體課程結(jié)合的應(yīng)用研究還較少，模型的目的性和約束性與干預(yù)的關(guān)系還有待進(jìn)一步深入研究。

本文對各時期的學(xué)習(xí)分析模型進(jìn)行對比和分類，歸納出它們的共性與特性，給出了學(xué)習(xí)分析模型的基本要素，并從利益相關(guān)者的角度構(gòu)建出一個面向?qū)ο蟮膶W(xué)習(xí)分析模型。該模型基于面向?qū)ο蠓椒▽W(xué)的理論，引入對象、對象類、方法、實(shí)例等概念，具有對象的封裝性、抽象性和類的繼承性等特點(diǎn)。以利益相關(guān)者為對象建立了對象類，設(shè)計了學(xué)習(xí)數(shù)據(jù)變量以及變量間的相互關(guān)系，定義了一組方法對學(xué)習(xí)數(shù)據(jù)變量進(jìn)行量化計算和多元回歸分析與統(tǒng)計處理，完成對該類對象的操作。通過設(shè)定目標(biāo)有方向性地對學(xué)生的學(xué)習(xí)過程進(jìn)行學(xué)習(xí)分析，突出對學(xué)生的學(xué)習(xí)干預(yù)，重點(diǎn)為學(xué)習(xí)支持服務(wù)。以我校某年級的計算機(jī)操作系統(tǒng)課程教學(xué)為實(shí)例進(jìn)行實(shí)踐。實(shí)驗(yàn)結(jié)果表明，該模型能夠激發(fā)學(xué)生的學(xué)習(xí)興趣并促進(jìn)學(xué)生的自主學(xué)習(xí)，推進(jìn)個性化教學(xué)的深入，提升教學(xué)效果。模型的設(shè)計與實(shí)施對不同的教學(xué)環(huán)境也有參考意義，對學(xué)習(xí)分析的推廣應(yīng)用起到促進(jìn)作用。

二、面向?qū)ο蟮膶W(xué)習(xí)分析模型

(一)學(xué)習(xí)分析模型的分類

學(xué)習(xí)分析技術(shù)是運(yùn)用不同的分析方法和數(shù)據(jù)模型來解釋與學(xué)習(xí)者學(xué)習(xí)信息相關(guān)的數(shù)據(jù)，探究學(xué)習(xí)者的學(xué)習(xí)過程與情境，發(fā)現(xiàn)學(xué)習(xí)規(guī)律或者根據(jù)數(shù)據(jù)闡釋學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)，為其提供相應(yīng)反饋從而促進(jìn)更加有效學(xué)習(xí)的技術(shù)[15]。學(xué)習(xí)分析模型作為學(xué)習(xí)分析的具體化形式，對學(xué)習(xí)分析的高效實(shí)施具有重要作用。我們根據(jù)現(xiàn)有各模型的特征將學(xué)習(xí)分析模型分為以下三類：

1.反饋環(huán)型學(xué)習(xí)分析模型，如持續(xù)改進(jìn)環(huán)模型[16]、學(xué)習(xí)分析概念模型[17]、智慧環(huán)境中的學(xué)習(xí)分析過程模型[18]、在線學(xué)習(xí)行為分析模型[19]等。著重描述了數(shù)據(jù)處理過程以及數(shù)據(jù)信息的環(huán)形流向，體現(xiàn)了學(xué)習(xí)分析過程的循環(huán)性。

2.交互網(wǎng)狀學(xué)習(xí)分析模型，如整合式學(xué)習(xí)分析系統(tǒng)[20]、融合多源信息的學(xué)習(xí)分析框架[21]等。該類模型以網(wǎng)狀的形式體現(xiàn)學(xué)習(xí)分析過程，用不同類型的引擎進(jìn)行數(shù)據(jù)分析和結(jié)果反饋。

3.多因素學(xué)習(xí)分析模型，如多因素學(xué)習(xí)分析通用設(shè)計框架[22]、Chatti的學(xué)習(xí)分析模型[23]等。多因素學(xué)習(xí)分析模型重點(diǎn)考慮可能影響學(xué)習(xí)分析結(jié)果的各種因素，強(qiáng)調(diào)內(nèi)部限制和外部約束，從人文角度對模型做進(jìn)一步優(yōu)化和改進(jìn)。

這些模型主要從數(shù)據(jù)來源、分析方法、工具以及數(shù)據(jù)采集與數(shù)據(jù)處理等方面對學(xué)習(xí)分析進(jìn)行研究，將數(shù)據(jù)分析作為學(xué)習(xí)分析的關(guān)鍵，綜合考慮環(huán)境層面、數(shù)據(jù)層面以及利益相關(guān)者等要素，實(shí)施合理的干預(yù)。但是，以利益相關(guān)者為主體、利用面向?qū)ο蠹夹g(shù)構(gòu)建學(xué)習(xí)分析模型，對對象類元素進(jìn)行約束和干預(yù)的研究還較少，在約束條件上也應(yīng)該將人性化約束融合到學(xué)習(xí)分析過程中。

(二)面向?qū)ο蠓椒▽W(xué)

面向?qū)ο?Object Oriented)方法簡稱OO方法。面向?qū)ο蟮乃枷胝J(rèn)為現(xiàn)實(shí)世界中的事物都可看成是一種對象，每一個對象都有自己的屬性狀態(tài)，對這組屬性可以進(jìn)行相應(yīng)的服務(wù)。對象和消息傳遞分別表現(xiàn)事物及事物間的相互聯(lián)系。將具有相同屬性的對象劃分成一類，在其下還可以派生出不同的子類，子類自動繼承父類的所有屬性并可加入新的特性。類的設(shè)計具有抽象、封裝、利用繼承實(shí)現(xiàn)共享的特性。通過封裝能將對象的定義和對象的實(shí)現(xiàn)分開，通過繼承能體現(xiàn)類與類之間的關(guān)系。對某類中的對象，可以通過定義一組方法來完成各種操作服務(wù)。不同對象的組合及相互作用就構(gòu)成了自然的客觀系統(tǒng)[24]。

OO方法現(xiàn)在已經(jīng)廣泛地應(yīng)用在計算機(jī)軟件系統(tǒng)開發(fā)及硬件設(shè)計工程中。OO方法的抽象、分類、繼承、封裝、消息通信等基本原則與人們分析問題和處理問題的方法和原則相近，這種思想可將復(fù)雜的問題分解成若干個子問題，按照一定的規(guī)則分類并確定各個模塊間的聯(lián)系，降低問題的復(fù)雜度。在解決多學(xué)科綜合交叉的問題上，OO方法也是一個非常有效的工具。它具有很強(qiáng)的類的概念，能自然直觀地模擬客觀世界中存在的事物(對象)，其屬性和操作可在問題域中形象地刻畫事物的靜態(tài)和動態(tài)特征[25]。

(三)面向?qū)ο蟮膶W(xué)習(xí)分析模型的構(gòu)建

本文從利益相關(guān)者角度出發(fā)，融合上述三類學(xué)習(xí)分析模型的特征，構(gòu)建出一個面向?qū)ο蟮膶W(xué)習(xí)分析模型(如圖1所示)。該模型圍繞利益相關(guān)者，以學(xué)習(xí)干預(yù)為目的，以數(shù)據(jù)的量化分析為手段，將學(xué)習(xí)分析的過程表示為應(yīng)用環(huán)境及約束下的目標(biāo)的確立、數(shù)據(jù)的操作、實(shí)施干預(yù)三個層次。在面向?qū)ο竽Ｐ偷姆椒ㄓ嬎阒邪▽W(xué)生數(shù)據(jù)的采集、清洗、統(tǒng)計及分類。針對OO(Object Oriented)方法所需要的元素進(jìn)行歸類分析和整理，設(shè)置了實(shí)驗(yàn)對象、無關(guān)變量、教學(xué)模式變量、學(xué)習(xí)結(jié)果變量、計算變量和實(shí)驗(yàn)效果F。并以進(jìn)步度C和差異度D來驗(yàn)證模型的可行性及優(yōu)化效果。

圖1 面向?qū)ο蟮膶W(xué)習(xí)分析模型

1.利益相關(guān)者

學(xué)生、教師、管理層(教育管理者、教育決策者等)、助教、設(shè)計者等都是學(xué)習(xí)分析中的利益相關(guān)者，本模型將利益相關(guān)者創(chuàng)建為學(xué)生類、指導(dǎo)者類和監(jiān)督者類。同一類中的對象有著相同數(shù)據(jù)結(jié)構(gòu)，這些對象之間具有結(jié)構(gòu)、行為特征的共享關(guān)系。

學(xué)生既是數(shù)據(jù)來源的主體，又是實(shí)施干預(yù)的對象，處于核心地位。學(xué)生類的對象屬性包括學(xué)號、姓名、性別、成績、學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好等，對象的屬性確定后設(shè)計了處理這些屬性的方法。我們對學(xué)生類按實(shí)驗(yàn)組和對照組分為OBJ1類和OBJ2類，OBJ1類按學(xué)習(xí)狀態(tài)和前測成績又劃分為4個子類，分別是OBJ1_A類、OBJ1_B類、OBJ1_C類、OBJ1_D類用于區(qū)分四種學(xué)習(xí)類型；各子類可以繼承父類的對象屬性，同時增加了學(xué)習(xí)狀態(tài)及前測和后測屬性。在各個對象類之上定義了多組方法完成對學(xué)生類的操作。根據(jù)本模型應(yīng)用環(huán)境及約束條件下的目標(biāo)確立的需求，設(shè)計了一組方法Learning_style()，Learning_preferences()，Learning_state()，完成對學(xué)生類對象的學(xué)習(xí)風(fēng)格、學(xué)習(xí)偏好、學(xué)習(xí)狀態(tài)判斷及分析。

指導(dǎo)者類包含教師與管理層對象，負(fù)責(zé)目標(biāo)的設(shè)定，并與監(jiān)督者一同對學(xué)生實(shí)施干預(yù)；監(jiān)督者類的對象是教師和助教，是對數(shù)據(jù)進(jìn)行操作的主體。

每一實(shí)體類中的對象均可根據(jù)相關(guān)條件增刪，新增對象具有父類的所有屬性，又可獨(dú)有自己的個性。在實(shí)施學(xué)習(xí)分析過程中，利益相關(guān)者作為應(yīng)用對象類貫穿整個學(xué)習(xí)分析過程，既是學(xué)習(xí)分析的出發(fā)點(diǎn)，又對學(xué)習(xí)分析各部分有選擇和決定作用。

2.干預(yù)目標(biāo)的設(shè)定

根據(jù)實(shí)施方案，將干預(yù)目標(biāo)確定為由指導(dǎo)者對學(xué)生進(jìn)行的監(jiān)測、評估和預(yù)測以及由監(jiān)督者對學(xué)生進(jìn)行的個性化資源推薦等工作。

(1)監(jiān)測、評估和預(yù)測

監(jiān)測、評估和預(yù)測是逐漸遞進(jìn)的三個目標(biāo)，也是由面向?qū)ο蟮姆椒▽?shí)現(xiàn)的。監(jiān)測方法Monitoring()，指導(dǎo)者或監(jiān)督者通過數(shù)據(jù)分析結(jié)果了解學(xué)生的學(xué)習(xí)狀態(tài)，對學(xué)生學(xué)習(xí)過程做實(shí)時監(jiān)測；評估方法Assessment()，指導(dǎo)者根據(jù)學(xué)習(xí)者特征和監(jiān)測結(jié)果，參照相關(guān)評價標(biāo)準(zhǔn)對學(xué)生的學(xué)習(xí)狀態(tài)、學(xué)習(xí)績效等做出評估；預(yù)測方法Predict()，指導(dǎo)者用預(yù)測模型進(jìn)一步分析評估結(jié)果，對學(xué)生將來可能出現(xiàn)的學(xué)習(xí)狀態(tài)進(jìn)行預(yù)測。

(2)個性化推薦

個性化推薦的目標(biāo)是監(jiān)督者在數(shù)據(jù)分析的基礎(chǔ)上，根據(jù)分析結(jié)果、學(xué)習(xí)者特征以及教學(xué)進(jìn)度等多種因素，為學(xué)習(xí)者推薦個性化的學(xué)習(xí)資源、學(xué)習(xí)方法、學(xué)習(xí)建議等信息。通過一組方法Feedback()，Recommended()，實(shí)現(xiàn)反饋及推薦操作。

3.應(yīng)用環(huán)境及約束

學(xué)習(xí)分析的應(yīng)用環(huán)境是實(shí)施學(xué)習(xí)分析時所處的大環(huán)境，包括教學(xué)環(huán)境和學(xué)習(xí)過程。應(yīng)用環(huán)境對學(xué)習(xí)過程的約束主要體現(xiàn)在數(shù)據(jù)操作中的數(shù)據(jù)采集、數(shù)據(jù)分析和實(shí)施干預(yù)三方面。這些約束關(guān)系體現(xiàn)在各類之間及各對象間的相互依賴關(guān)聯(lián)條件上。

(1)數(shù)據(jù)的采集受數(shù)據(jù)環(huán)境和數(shù)據(jù)特性制約。

(2)數(shù)據(jù)的分析環(huán)節(jié)受分析工具的效用、分析結(jié)果的合理性以及分析方法的恰當(dāng)性制約。

(3)實(shí)施干預(yù)時，干預(yù)行為受利益相關(guān)者的類別權(quán)限以及倫理、隱私、人性化等約束的制約。

(四)面向?qū)ο蟮膶W(xué)習(xí)分析特征

面向?qū)ο蟮膶W(xué)習(xí)分析強(qiáng)化了學(xué)習(xí)分析作為輔助教學(xué)的應(yīng)用所具備的服務(wù)性，圍繞學(xué)習(xí)分析所服務(wù)的對象(利益相關(guān)者)實(shí)施學(xué)習(xí)分析，既凸顯了利益相關(guān)者的主體地位，又在人文和環(huán)境等限制約束的條件下突出了干預(yù)措施，并利用面向?qū)ο笞兞?、量化分析等相關(guān)技術(shù)體現(xiàn)了學(xué)習(xí)分析的服務(wù)性應(yīng)用特征。

1.干預(yù)措施

本模型中目標(biāo)的類型包括對學(xué)生學(xué)習(xí)過程的監(jiān)測、評估、預(yù)測以及個性化推薦四種，不同類型的目標(biāo)對應(yīng)不同類型的干預(yù)措施，其中個性化推薦是本模型的特點(diǎn)之一。如表1所示。

表1 不同目標(biāo)對應(yīng)的干預(yù)措施

實(shí)現(xiàn)學(xué)習(xí)分析的關(guān)鍵在于依據(jù)學(xué)習(xí)過程中的預(yù)設(shè)目標(biāo)與數(shù)據(jù)分析結(jié)果選擇并實(shí)施干預(yù)，本模型的干預(yù)以人工干預(yù)為輔、自我干預(yù)為主，實(shí)現(xiàn)學(xué)習(xí)過程的個性化與學(xué)生的自適應(yīng)學(xué)習(xí)。

2.量化計算及進(jìn)步度、差異度分析

本文綜合顯著性與成績變化程度對學(xué)生的學(xué)習(xí)效果加以判斷，分析了實(shí)驗(yàn)組和對照組進(jìn)步度的均值、標(biāo)準(zhǔn)差以及學(xué)習(xí)效果，對學(xué)生類及其子類操作方法中涉及的變量進(jìn)行了設(shè)定。

(1)面向?qū)ο笞兞?/p>

本文模型設(shè)置了實(shí)驗(yàn)對象O、無關(guān)變量X、教學(xué)模式變量M、學(xué)習(xí)結(jié)果變量R、計算變量和實(shí)驗(yàn)效果F。對O1實(shí)施M1，對O2實(shí)施M2后產(chǎn)生學(xué)習(xí)結(jié)果R1～R4，經(jīng)比較分析，對學(xué)習(xí)結(jié)果計算處理得到計算變量，包括進(jìn)步度變量C和差異度變量D。進(jìn)步度C是指教學(xué)前后自身的成績變化，包括實(shí)驗(yàn)組進(jìn)步度C1和對照組進(jìn)步度C2。差異度D是指教學(xué)前后兩組差距的變化，由教學(xué)后的差異值d2與教學(xué)前的差異值d1的差值來體現(xiàn)。為驗(yàn)證實(shí)驗(yàn)效果，本文將進(jìn)步度C默認(rèn)為實(shí)驗(yàn)組進(jìn)步度C1。變量詳情以及變量間的關(guān)系如圖2所示。

圖2 實(shí)驗(yàn)中的變量關(guān)系

(2)標(biāo)準(zhǔn)化處理和比較分析

對前測結(jié)果、教學(xué)過程中的測試結(jié)果以及后測結(jié)果采用Standardized()方法進(jìn)行標(biāo)準(zhǔn)化處理，得出計算變量C、D并對其進(jìn)行分析，分析依據(jù)如表2所示。

表2 計算變量的分析依據(jù)

由于教學(xué)模式變量M與學(xué)習(xí)結(jié)果變量R強(qiáng)關(guān)聯(lián)，對計算變量C、D具有派生依賴，計算變量與R呈現(xiàn)多態(tài)特性，最終影響實(shí)驗(yàn)效果F。因此通過Regression()方法用回歸方程計算變量C、D與F的關(guān)系來驗(yàn)證實(shí)驗(yàn)的可靠性。

三、面向?qū)ο蟮膶W(xué)習(xí)分析模型實(shí)例

本文設(shè)計的面向?qū)ο蟮膶W(xué)習(xí)分析模型通過對照實(shí)驗(yàn)來驗(yàn)證其有效性與可靠性。

(一)實(shí)驗(yàn)對象與環(huán)境

本次實(shí)驗(yàn)的對象是我校計算機(jī)操作系統(tǒng)課程計算機(jī)專業(yè)某年級3班和4班的學(xué)生。在前期課程結(jié)束后，以班級為單位安排前測，將前測結(jié)果較低的班級設(shè)置為實(shí)驗(yàn)組。依據(jù)前測結(jié)果將3班(30人)設(shè)為實(shí)驗(yàn)組、4班(30人)為對照組，實(shí)驗(yàn)組3班有56%的學(xué)生處于及格及以下水平，其中不及格學(xué)生占6%；沒有學(xué)生達(dá)到優(yōu)秀水平。在保證實(shí)驗(yàn)組和對照組的教學(xué)環(huán)境、教學(xué)內(nèi)容、教學(xué)目標(biāo)和教師都相同的情況下進(jìn)行分組教學(xué)。實(shí)驗(yàn)組采用面向?qū)ο蟮膶W(xué)習(xí)分析模型教學(xué)模式M1，對照組實(shí)施原有的教學(xué)模式M2。操作系統(tǒng)課程教學(xué)包括理論知識和上機(jī)操作兩部分。教學(xué)環(huán)境包括線下的多媒體教室與機(jī)房和線上的教育平臺(課堂派網(wǎng)站)。教學(xué)方式以在多媒體教室中進(jìn)行的授課和上機(jī)操作為主，課后的練習(xí)任務(wù)和交互則通過課堂派實(shí)現(xiàn)。

課堂派是基于網(wǎng)站和移動端的在線教育平臺，具有作業(yè)管理、考勤、測驗(yàn)、課程資源共享、成績統(tǒng)計、師生交互、多平臺推薦信息等功能的在線課堂管理工具。將課堂派用于線上教學(xué)，不僅能夠給學(xué)生和教師提供優(yōu)質(zhì)的在線體驗(yàn)，還能實(shí)現(xiàn)師生私信溝通和實(shí)時交流，在師生反饋交流平臺上更好地實(shí)現(xiàn)師生互動。

(二)面向?qū)ο竽Ｐ蛯?shí)驗(yàn)

模型的實(shí)驗(yàn)結(jié)果由前測和后測的綜合成績體現(xiàn)，理論部分的前測是課程前期的隨堂測試，后測是期末的綜合性考核+閉卷考試；上機(jī)部分的前測是課程前期的實(shí)驗(yàn)任務(wù)，后測是期末的綜合性上機(jī)大作業(yè)。實(shí)驗(yàn)過程中對理論和上機(jī)分別測試，依照總成績=70%理論成績+30%上機(jī)成績統(tǒng)計，通過分析計算變量得出結(jié)論。

1.數(shù)據(jù)采集清洗與封裝

在課程開始之前通過在線教育平臺課堂派對所有學(xué)生做問卷調(diào)查，使用Data_collect()方法采集學(xué)生的個性特征(學(xué)習(xí)風(fēng)格和學(xué)習(xí)偏好)以及學(xué)習(xí)狀態(tài)參數(shù)。對數(shù)據(jù)篩選和清洗后，用Learning_state()方法根據(jù)狀態(tài)參數(shù)和學(xué)習(xí)基礎(chǔ)將學(xué)生類劃分封裝成4個子類，OBJ1_A類～OBJ1_D類區(qū)分優(yōu)良、中、及格、差四種學(xué)生類型，用于分析學(xué)生的學(xué)習(xí)狀態(tài)。

(1)學(xué)習(xí)風(fēng)格

學(xué)習(xí)風(fēng)格按照信息加工、信息感知、信息輸入、信息理解四個維度進(jìn)行統(tǒng)計。經(jīng)分析，學(xué)習(xí)風(fēng)格上，70%的學(xué)生在信息加工時傾向于積極運(yùn)用學(xué)習(xí)資源，善于嘗試新事物，喜歡討論與合作，喜歡實(shí)踐。73%的學(xué)生傾向于接受視覺信息，并能夠積極對信息進(jìn)行加工。有47%的學(xué)生在掌握學(xué)習(xí)內(nèi)容時傾向于小步調(diào)、線性的學(xué)習(xí)，還有 47%的學(xué)生則傾向于整體性的思維過程，大步調(diào)的學(xué)習(xí)，對概述更感興趣。針對不同風(fēng)格的學(xué)生需要推送不同的學(xué)習(xí)建議與學(xué)習(xí)資源。

(2)學(xué)習(xí)偏好

按照學(xué)習(xí)內(nèi)容、學(xué)習(xí)氛圍、學(xué)習(xí)態(tài)度、學(xué)習(xí)方法四個維度進(jìn)行學(xué)習(xí)偏好分析。分析結(jié)果表明，大多數(shù)學(xué)生偏重良好的學(xué)習(xí)氛圍和學(xué)習(xí)方法，潛藏著積極學(xué)習(xí)的巨大潛力。但有17%的學(xué)生對學(xué)習(xí)內(nèi)容不太感興趣，40%的學(xué)生的學(xué)習(xí)態(tài)度略為消極。為強(qiáng)化教學(xué)效果，需在教學(xué)過程中加強(qiáng)師生交互，在干預(yù)過程中特別關(guān)注積極性不高的學(xué)生，激發(fā)學(xué)生的學(xué)習(xí)動力與學(xué)習(xí)興趣。

(3)學(xué)習(xí)過程狀態(tài)

學(xué)習(xí)過程及學(xué)習(xí)狀態(tài)從學(xué)習(xí)動力，學(xué)習(xí)計劃設(shè)計，學(xué)習(xí)態(tài)度，自主學(xué)習(xí)能力等一級指標(biāo)進(jìn)行分析，每級指標(biāo)下又包含若干二級指標(biāo)。分別對各類參數(shù)進(jìn)行統(tǒng)計分析，得到每名學(xué)生的學(xué)習(xí)過程中的狀態(tài)特征。

2.評估與干預(yù)

實(shí)驗(yàn)中期，使用評估方法Assessment()對課堂派中的數(shù)據(jù)(學(xué)生信息、考勤、按時上交作業(yè)、上機(jī)作業(yè)成績、課堂測驗(yàn)結(jié)果、問卷、課程資源、師生交互記錄、討論記錄等)進(jìn)行學(xué)習(xí)分析。利用方法Feedback()，Recommended()，實(shí)驗(yàn)組和對照組都可通過網(wǎng)絡(luò)平臺得到測試成績、作業(yè)成績等學(xué)習(xí)結(jié)果的呈現(xiàn)；但實(shí)驗(yàn)組還會定期收到監(jiān)督者的學(xué)習(xí)分析激勵、給出個性化的學(xué)習(xí)建議等反饋，要求學(xué)生及時與監(jiān)督者交流等人工干預(yù)，學(xué)生在感受到教師的關(guān)注后更加積極地進(jìn)行自我干預(yù)。圖3是對學(xué)生的學(xué)習(xí)狀態(tài)評估和通過課堂派的反饋及個性化推薦。

在實(shí)現(xiàn)該模型的教學(xué)過程中，教師和助教基于學(xué)生的個性特征和學(xué)習(xí)狀態(tài)多次實(shí)施人工干預(yù)，使得學(xué)生在接受干預(yù)后產(chǎn)生積極的自我干預(yù)，積極提交作業(yè)，登錄網(wǎng)絡(luò)平臺次數(shù)增多，與教師私信交流的人次遠(yuǎn)超對照組，師生交互頻繁等主動學(xué)習(xí)的表現(xiàn)極大地提升了學(xué)習(xí)積極性。在信息反饋時采用人性化設(shè)計，照顧學(xué)生的隱私與感受，以私信和鼓勵贊賞話語為主與學(xué)生交流。而面對同樣的教學(xué)內(nèi)容，沒有進(jìn)行干預(yù)的對照組與實(shí)驗(yàn)組相比學(xué)習(xí)積極性較弱，兩極分化嚴(yán)重，成績明顯下降。

(三)面向?qū)ο竽Ｐ偷牧炕治?/h3>

利用Standardized()方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，計算得出進(jìn)步度C以及兩組的差異度D。

1.教學(xué)前后的進(jìn)步度C

進(jìn)步度是指學(xué)習(xí)成績的變化量，通過分析進(jìn)步度所處的范圍，可以驗(yàn)證教學(xué)是否得到優(yōu)化。利用模型中的方法，實(shí)驗(yàn)組的進(jìn)步度C1=R3-R1，對照組的進(jìn)步度C2=R4-R2。進(jìn)步度的均值體現(xiàn)了整體學(xué)習(xí)水平，均值越高，學(xué)習(xí)水平越高；進(jìn)步度的標(biāo)準(zhǔn)差體現(xiàn)了各個水平學(xué)生的分布程度，標(biāo)準(zhǔn)差越大，成績兩極分化越嚴(yán)重。分析結(jié)果如表3所示。

表3 教學(xué)前后的進(jìn)步度分析

2.教學(xué)前后的差異度D

差異度D是指差異值d的變化量，差異值是同一測試中實(shí)驗(yàn)組與對照組學(xué)習(xí)結(jié)果的差距。教學(xué)前的差異值d1=R1-R2，教學(xué)后的差異值d2=R3-R4，差異度D=d2-d1。若D＞0，則說明本模型的教學(xué)模式的效率更高，能夠更好地優(yōu)化教學(xué)。圖4是教學(xué)過程中兩組差異值的變化情況，圖中條形的長短體現(xiàn)了差異值的大小，差異值的正負(fù)則體現(xiàn)了該階段哪一組的成績更高(若差異值為正，則實(shí)驗(yàn)組的成績更高；否則，對照組的成績更高)。

下頁圖3表明，教學(xué)前實(shí)驗(yàn)組的成績都低于對照組，且存在明顯差異；教學(xué)后實(shí)驗(yàn)組的成績高于對照組，且無明顯差異。經(jīng)計算，差異度D值為+12.6，因而本模型優(yōu)化教學(xué)的效果更好。

3.實(shí)驗(yàn)可靠性

實(shí)驗(yàn)的可靠性是指實(shí)驗(yàn)的信度，即采用同樣的方法對同一對象重復(fù)測量時所得結(jié)果的一致性程度。采用Regression()方法通過歸納計算變量C、D與F的關(guān)系來驗(yàn)證實(shí)驗(yàn)的可靠性。F為因變量，C和D為自變量，借助回歸分析來分析和檢驗(yàn)三者之間的關(guān)系。經(jīng)計算，C的回歸系數(shù)為0.827，D的回歸系數(shù)為-0.422，常量N的回歸系數(shù)為84.028，得出回歸方程：F=0.827*C-0.422*D+84.028。其中，常量N是該直線在縱軸上的截距，表示C、D為0時F的平均水平。從回歸方程中可看出，實(shí)驗(yàn)組進(jìn)步度越大且差異度越小，教學(xué)效果越好。

圖3 兩組差異變化對比

為保證回歸方程的信度，需對回歸方程中的變量進(jìn)行相關(guān)性檢驗(yàn)、對回歸方程的顯著性進(jìn)行方差齊性檢驗(yàn)(F檢驗(yàn))、對回歸系數(shù)進(jìn)行T檢驗(yàn)?；诿嫦?qū)ο蠓椒ㄓ嬎銣y試結(jié)果并分析成績變化是否顯著(設(shè)顯著水平α=0.05，若相關(guān)概率p＜α則變化顯著，否則變化不顯著)。通過對照F分布表和T分布表，找到各自的相關(guān)概率p，比較p值與顯著水平α的大小得出結(jié)果，分析如表4所示。

表4 回歸方程的信度檢驗(yàn)結(jié)果分析

上述檢驗(yàn)結(jié)果確保了回歸方程的信度，進(jìn)而驗(yàn)證了實(shí)驗(yàn)的可靠性。

(四)實(shí)驗(yàn)效果分析

面向?qū)ο蟮膶W(xué)習(xí)分析模型突出了學(xué)生類的主體設(shè)計，強(qiáng)調(diào)教學(xué)過程中的人性化因素，以學(xué)生為中心實(shí)現(xiàn)個性化教學(xué)。與現(xiàn)有的學(xué)習(xí)分析模型不同，該模型融合了學(xué)習(xí)分析的過程性、約束性與目的性，以技術(shù)手段強(qiáng)化對象變量的量化分析，其特點(diǎn)在于通過實(shí)施干預(yù)促使學(xué)生自我提升學(xué)習(xí)過程，進(jìn)而優(yōu)化教與學(xué)。實(shí)驗(yàn)組學(xué)習(xí)效果提升情況如表5所示。

表5 實(shí)驗(yàn)組學(xué)習(xí)效果

從表5看出，實(shí)驗(yàn)組整體從中等及以下水平提升至中等及良好水平，有10%的學(xué)生達(dá)到優(yōu)秀水平，各有30%的學(xué)生提升至中等或良好水平，在原有水平的學(xué)生的成績較教學(xué)前也有所提高。雖然教學(xué)后實(shí)驗(yàn)組仍有6%學(xué)生不合格，但具體學(xué)生有變動。該實(shí)驗(yàn)結(jié)果體現(xiàn)了面向?qū)ο蟮膶W(xué)習(xí)分析模型借用不同技術(shù)，借助不同形式的合理干預(yù)來優(yōu)化教學(xué)過程的有效性。

四、結(jié)論

面向?qū)ο蟮膶W(xué)習(xí)分析模型在面向?qū)ο蠓椒▽W(xué)理論的支持下，以利益相關(guān)者為對象建立了對象類，定義了一組方法實(shí)現(xiàn)對學(xué)習(xí)數(shù)據(jù)的操作，通過封裝將學(xué)生對象的屬性和操作整合在一起。通過方法的調(diào)用，對學(xué)習(xí)數(shù)據(jù)變量做量化計算和多元統(tǒng)計分析。本模型在應(yīng)用環(huán)境的約束下突出干預(yù)措施的方向性，強(qiáng)調(diào)人性化的學(xué)習(xí)推薦，促進(jìn)了個性化教學(xué)的實(shí)現(xiàn)，為提高教學(xué)效果提供了幫助。

本研究還有許多方面有待改進(jìn)。實(shí)驗(yàn)是在多媒體課堂和網(wǎng)絡(luò)師生互動平臺結(jié)合的教學(xué)環(huán)境下進(jìn)行的，還未能驗(yàn)證該模型在其他教學(xué)環(huán)境下的可行性。此外，干預(yù)環(huán)節(jié)中的預(yù)測功能還有待實(shí)踐，且個性化推薦的及時性和推薦內(nèi)容的適宜性還需進(jìn)一步提升。雖然研究中還存在諸多不足，但應(yīng)該肯定的是我們對學(xué)習(xí)分析模型的研究與實(shí)踐是一種有益的嘗試，隨著大數(shù)據(jù)、云計算、面向?qū)ο蠹夹g(shù)等現(xiàn)代信息技術(shù)與教育領(lǐng)域的結(jié)合，采用新技術(shù)后的學(xué)習(xí)分析在教學(xué)中的應(yīng)用一定會不斷地發(fā)展與完善。

[1]The New Media Consortium. The Horizon Report 2011 K-12 Edition[EB/OL]. http://www.nmc.org/pdf/2011-Horizon-Report-K12.pdf, 2013-01-21.

[2]Brown M. Learning analytics: the coming third wave [J].EDUCAUSE Learning Initiative Brief, 2011,(4):1-4.

[3]魏雪峰,宋靈青.學(xué)習(xí)分析:更好地理解學(xué)生個性化學(xué)習(xí)過程—訪談學(xué)習(xí)分析研究專家George Siemens教授[J].中國電化教育,2013,9(320):1-4.

[4][16]Elias T. Learning analytics: Definitions, processes and potential [J].Learning, 2011, (23):134-148.

[5][20]Siemens G, Gasevic D, Haythornthwaite C, et al.Open Learning Analytics: an integrated & modularized platform [J].Proposal to design,implement and evaluate an open platform to integrate heterogeneous learning analytics techniques, 2011,(8):2-18.

[6][22]Greller W,Drachsler H .Translating Learning into Numbers:A Generic Framework for Learning Analytics[J].Educational Technology&Society,2012,15(3): 42-57.

[7][23]M.A.Chatti,A.L.Dyckhoff,U.Schroeder,H.Thüs.A Reference Model for Learning Analytics[J].International Journal of Technology Enhanced Learning archive, 2012,(4):1-2

[8][17]李艷燕,馬韶茜,黃榮懷.學(xué)習(xí)分析技術(shù):服務(wù)學(xué)習(xí)過程設(shè)計和優(yōu)化[J].開放教育研究,2012,18(5):18-24.

[9][18]祝智庭,沈德梅.學(xué)習(xí)分析學(xué):智慧教育的科學(xué)力量[J].電化教育研究,2013,(5):5-19.

[10]魏順平.學(xué)習(xí)分析數(shù)據(jù)模型及數(shù)據(jù)處理方法研究[J].中國電化教育,2016,2(349):8-16

[11][19]胡藝齡,顧小清,趙春.在線學(xué)習(xí)行為分析建模及挖掘[J].開放教育研究,2014,20(2):102-110.

[12]馬杰,趙蔚,張潔,趙艷.基于學(xué)習(xí)分析技術(shù)的預(yù)測模型構(gòu)建與實(shí)證研究[J].現(xiàn)代教育技術(shù),2014,(24):102-110.

[13]花燕鋒,張龍革.基于MOOCs的多元同心學(xué)習(xí)分析模型構(gòu)建[J].遠(yuǎn)程教育雜志,2014,24(224):30-38.

[14]姜強(qiáng),趙蔚等.基于大數(shù)據(jù)的個性化自適應(yīng)在線學(xué)習(xí)分析模型及實(shí)現(xiàn)[J].中國電化教育,2015,1(336):85-92.

[15]顧小清,張進(jìn)良等.學(xué)習(xí)分析：正在浮現(xiàn)中的數(shù)據(jù)技術(shù)[J].遠(yuǎn)程教育雜志,2012,1(208):18-25.

[21]Ifenthaler D, Widanapathirana C. Development and Validation of a Learning Analytics Framework: Two Case Studies Using Support Vector Machines[J].Technology,Knowledge and Learning,2014,5(19):221-240.

[24]麻志毅.面向?qū)ο蠓治雠c設(shè)計第2版[M].北京:機(jī)械工業(yè)出版社,2013.

[25]張彤彤.面向?qū)ο蠓椒ǖ恼軐W(xué)思想及在土地復(fù)墾中的應(yīng)用[J].科學(xué)之友,2007,(10):166-168.

The Construction and Implementation of an Object-Oriented Learning Analytics Model

Zheng Xiaowei, Liu Jing, Gao Yue
(College of Computer and Information Technology, Liaoning Normal University, Dalian Liaoning 116029)

Learning analytics is the primary means of digitizing performance evaluation of learning.It is a focus of current research in the field of educational technology. In order to make learning analytics being more targeted guide the teaching process,this paper builds an object-oriented model for learning analytics from the perspective of stakeholders. The features of model is based on the object-oriented methodological theory to create learning objects classes which have the encapsulation nature of objects and the inheritance nature of classes.We design a set of methods according to the constrains of applied environment and the directivity of learning analytics goals.It can be used to quantify and calculate the variable of learning data and then targeted implement interventions in teaching. This paper makes contrast experiments for the teaching of computer operating system course as example to prove the reliability and validity of this model.Experimental results show that the object-oriented model for learning analytics can optimize the teaching process,it provide references and guidance for teaching and learning.This model enhances the students learning effect effectively and realizes personalized learning.

Learning Analytics Model; Object-oriented; Stakeholders; Intervention Constraint; Multiple Regression Analysis

G434

A

鄭曉薇：教授，碩士生導(dǎo)師，研究方向?yàn)橛嬎銠C(jī)輔助教學(xué)、教育信息技術(shù)(xwzheng@lnnu.edu.cn)。

劉靜：在讀碩士，研究方向?yàn)榻逃畔⒓夹g(shù)(dbigfan@163.com)。

高悅：在讀碩士，研究方向?yàn)榻逃畔⒓夹g(shù)(gy1070037243@sina.com)。

2016年7月26日

責(zé)任編輯：李馨 趙云建

1006—9860(2016)10—0116—07