尤佳鑫++孫眾

【摘 要】

預(yù)測在校大學(xué)生學(xué)業(yè)成績并及時進行干預(yù)指導(dǎo)，是提升大學(xué)生學(xué)習(xí)效果的有效途徑。云環(huán)境下，學(xué)習(xí)中過程性數(shù)據(jù)的積累為預(yù)測分析提供了有力依據(jù)。本研究設(shè)計并開展一門基于實體課堂和云學(xué)習(xí)平臺（MOODLE平臺、微信平臺）的混合式大學(xué)課程。通過收集學(xué)生多類屬性及學(xué)習(xí)過程性數(shù)據(jù)建立多元回歸模型，對其將取得的成績進行預(yù)測，并展開教學(xué)干預(yù)以提升其學(xué)習(xí)效果。結(jié)果顯示，在預(yù)測模型方面，多元回歸模型可以在全班水平上取得較佳的預(yù)測效果；在預(yù)測因子方面，績點、在線學(xué)習(xí)參與度、前導(dǎo)課成績和學(xué)習(xí)興趣是影響學(xué)業(yè)成績的重要因素；在干預(yù)效果方面，教學(xué)干預(yù)取得了較好效果，學(xué)弱群體接受干預(yù)后進步顯著。

【關(guān)鍵詞】 云學(xué)習(xí)平臺；學(xué)業(yè)成績；預(yù)測；干預(yù)；多元線性回歸

【中圖分類號】 G443 【文獻標(biāo)識碼】 A 【文章編號】 1009—458x（2016）09—0014—07

一、研究背景

在線學(xué)習(xí)和課堂學(xué)習(xí)相結(jié)合的混合式教學(xué)方法，已成為目前許多高校正在探索的模式。隨著以云計算、云存儲為標(biāo)志的云時代的到來，在線學(xué)習(xí)方式變得更加多元。學(xué)習(xí)者可以隨時隨地使用任何設(shè)備接入云端學(xué)習(xí)平臺，基于云存儲的大量在線學(xué)習(xí)痕跡也為學(xué)業(yè)成績預(yù)測和個性化學(xué)習(xí)研究提供了有力支持。

在校大學(xué)生學(xué)業(yè)成績預(yù)測是指以單科學(xué)習(xí)情況為基本分析單元，在課程開始后根據(jù)學(xué)生的各種基本情況對其將取得的成績進行評估（李建萍， 2009）。收集和分析大學(xué)生的個性化特征以及在云學(xué)習(xí)平臺上的在線行為數(shù)據(jù)，據(jù)此進行學(xué)業(yè)成績預(yù)測并及時干預(yù)指導(dǎo)，可以對學(xué)生起到預(yù)警作用，督促其采用有效的方法提高學(xué)業(yè)成績，同時也能夠督促教師建立更加有效的教學(xué)策略。這對采用更好的教學(xué)法、讓學(xué)生主動參與學(xué)習(xí)和提升學(xué)習(xí)效果是十分必要的。

因此，本研究以一門大學(xué)課程為切入點，設(shè)計并開展基于實體課堂和云學(xué)習(xí)平臺（MOODLE平臺、微信平臺）的混合教學(xué)。在課程進行中，通過收集和分析學(xué)習(xí)者基本信息、心理認(rèn)知水平（網(wǎng)絡(luò)自我效能、學(xué)習(xí)興趣）、先前知識水平（績點、前導(dǎo)課成績、上次任務(wù)成績）和在線行為數(shù)據(jù)（MOODLE平臺參與度、微信平臺參與度），建立多元回歸預(yù)測模型，對其將取得的成績進行評估，并展開預(yù)測結(jié)果指導(dǎo)下的學(xué)習(xí)干預(yù)，以建立更加有效的教學(xué)策略和方法，提升學(xué)習(xí)者在云環(huán)境下的學(xué)習(xí)效果。

二、文獻綜述

1. 心理認(rèn)知水平

非智力因素在學(xué)習(xí)活動中具有引導(dǎo)、控制、調(diào)節(jié)等作用。自我效能感與學(xué)習(xí)興趣是影響大學(xué)生學(xué)習(xí)過程和學(xué)業(yè)成績的重要心理因素。在傳統(tǒng)學(xué)習(xí)環(huán)境中，根據(jù)學(xué)習(xí)者的自我效能感可以有效預(yù)測其學(xué)業(yè)表現(xiàn)（Lane， Lane， & Kyprianou， 2004）；在在線學(xué)習(xí)環(huán)境中，根據(jù)網(wǎng)絡(luò)自我效能感會對學(xué)習(xí)效果產(chǎn)生深遠(yuǎn)影響（Peng， Tsai， & Wu， 2006）。網(wǎng)絡(luò)自我效能感是指個體對自己成功使用網(wǎng)絡(luò)進行工作學(xué)習(xí)的自我信念和期望（Wu & Tsai， 2006）。Peng等人（2006）研究發(fā)現(xiàn)，在線學(xué)習(xí)環(huán)境中，大學(xué)生網(wǎng)絡(luò)自我效能是其學(xué)習(xí)動機、興趣與學(xué)業(yè)表現(xiàn)的重要影響因子。隨著學(xué)生擁有越來越多的機會使用網(wǎng)絡(luò)信息資源或工具進行學(xué)習(xí)，網(wǎng)絡(luò)自我效能感已成為研究者關(guān)注的重點。

學(xué)生的學(xué)習(xí)興趣是其對學(xué)習(xí)活動產(chǎn)生的心理上的愛好和追求的傾向，是推動學(xué)習(xí)活動的內(nèi)部動機，也是影響學(xué)業(yè)成績的重要因素（吳靖媛， 等， 2010）。早期就已有大量研究調(diào)查興趣對學(xué)習(xí)結(jié)果的影響（Lepper， 1988； Paris， Olson， & Stevenson， 1983； Pintrich， 1989）。興趣與學(xué)業(yè)成績的關(guān)系一直是該領(lǐng)域研究的核心。如今，興趣對學(xué)習(xí)的促進作用已得到人們的普遍認(rèn)同（吳靖媛， 等， 2010）。考慮以上因素，本研究選擇了網(wǎng)絡(luò)自我效能感和學(xué)習(xí)興趣兩個因素，作為預(yù)測學(xué)業(yè)成績時心理認(rèn)知方面的影響變量。

2. 先前知識水平

本研究調(diào)查的先前知識水平，即背景知識水平，是指課程學(xué)習(xí)之前，學(xué)習(xí)者所擁有的與該門課程有關(guān)的所有背景知識的總體掌握程度。學(xué)習(xí)者的先前知識是影響其學(xué)習(xí)效果的重要因素之一（葉海智，等， 2014）。先前知識在不同階段的信息加工中起作用，缺乏必要先前知識的學(xué)習(xí)者在學(xué)習(xí)新信息與構(gòu)建新知識的過程中會遇到困難（Dochy， 1994）。因此，本研究認(rèn)為學(xué)習(xí)者先前知識水平能夠?qū)ζ鋵W(xué)業(yè)成績產(chǎn)生影響。已有研究中（Huang & Fang， 2013； Hoschl & Kozeny， 1997； Huang & Fang， 2011），前導(dǎo)課成績、GPA成績（以下稱“績點”）以及課程中上次任務(wù)成績等均可作為衡量學(xué)生先前知識水平的因素。

3. 在線學(xué)習(xí)參與度

許多研究者（Alavi， 1994； Astin， 1996； Pratton， 1986）都強調(diào)了教學(xué)中學(xué)生參與度的重要性。Hrastinski（2009）認(rèn)為，如果學(xué)習(xí)者想在在線學(xué)習(xí)中取得更好的學(xué)習(xí)效果就要投入更大的參與度。他在研究中發(fā)現(xiàn)，學(xué)生在論壇中發(fā)消息的數(shù)量能夠作為其在線學(xué)習(xí)參與度的影響因子。Morris等人（2005）的研究表明，在線學(xué)習(xí)參與度的影響因子（例如發(fā)帖數(shù)量和瀏覽時長）會對學(xué)習(xí)績效（考試成績）產(chǎn)生正向促進作用。眾多相關(guān)研究（Bento & Schuster， 2003； Michinov， Brunot， Le Bohec， Juhel， & Delaval， 2011； Webster & Hackley， 1997）也表明，當(dāng)學(xué)生能夠有效參與在線學(xué)習(xí)時，其學(xué)習(xí)效果更佳。

有學(xué)者認(rèn)為參與度的衡量不能僅僅依靠在線論壇中的帖子數(shù)量來評估。Shaw（2012； 2013）在研究了在線論壇中學(xué)生的學(xué)習(xí)交互行為后，總結(jié)出回復(fù)、提問、瀏覽與無行為四種在線學(xué)習(xí)參與類型，并分析了它們與學(xué)習(xí)績效的關(guān)系。其研究結(jié)果表明，不同類型行為對在線學(xué)習(xí)參與度的貢獻程度不同，計算權(quán)值也應(yīng)是不同分值。其中，方差分析結(jié)果顯示“回復(fù)”是權(quán)重最高的行為類型。本研究參考了Shaw（2012； 2013）研究中的思想和方法，根據(jù)實際情況擴展了行為類型，并結(jié)合加權(quán)計算的方法衡量學(xué)生的在線學(xué)習(xí)參與度。

總體來看，這些研究多是針對傳統(tǒng)課堂環(huán)境，研究過程與結(jié)論并不完全適用于云時代下的新型課堂環(huán)境。隨著云學(xué)習(xí)平臺與傳統(tǒng)課堂逐漸深入整合，在云學(xué)習(xí)環(huán)境下，如何有效預(yù)測學(xué)生學(xué)業(yè)成績并進行及時干預(yù)指導(dǎo)，形成有效教學(xué)策略，還有待研究。因此，本研究以一門基于云學(xué)習(xí)平臺開展的大學(xué)課程為切入點，考慮學(xué)生的心理認(rèn)知水平、先前知識水平和在線學(xué)習(xí)參與度三方面因素，建立多元回歸模型，預(yù)測其學(xué)業(yè)成績，并進行適當(dāng)?shù)母深A(yù)和指導(dǎo)，以提升其學(xué)習(xí)效果，為云環(huán)境下進行學(xué)業(yè)成績預(yù)測和建立有效教學(xué)策略提供一定的理論依據(jù)和實踐參考。

三、研究過程

1. 研究對象

研究對象來自北京市某高校的78名大三學(xué)生。他們在大三上學(xué)期學(xué)習(xí)了一門教育必修課，課程采用了云學(xué)習(xí)平臺（MOODLE平臺、微信平臺）和實體課堂相結(jié)合的混合模式。研究對象中男生26人（33.33%），女生52人（66.67%），使用MOODLE平臺和微信平臺的詳細(xì)情況如表1所示。從調(diào)查結(jié)果來看，所有學(xué)生擁有智能手機并安裝了微信應(yīng)用，大部分學(xué)生使用過微信或MOODLE平臺進行課程學(xué)習(xí)，有利于課程的開展。

2. 課程設(shè)計

本研究以大三下學(xué)期的一門教育類必修課“信息技術(shù)學(xué)科教學(xué)法”為基礎(chǔ)展開研究，設(shè)計流程如圖1所示。從教學(xué)安排來看，整個課程共有三次綜合性學(xué)習(xí)任務(wù)，分別在第1周、第2-4周和第5-8周。教師首先在課堂上講授學(xué)科知識并布置任務(wù)。學(xué)生在MOODLE平臺或微信平臺瀏覽學(xué)習(xí)資源、提交任務(wù)作品、進行同伴互評與討論。在截止時間內(nèi)，學(xué)生可根據(jù)互評建議修改作品，反復(fù)提交，終稿成績作為最終任務(wù)成績。

表1 MOODLE平臺和微信平臺使用情況

[題項＼&選項＼&人數(shù)＼&比例＼&使用智能手機并安裝微信應(yīng)用＼&是＼&78＼&100%＼&否＼&0＼&0＼&使用微信的頻率＼&每時每刻都在用＼&43＼&55.13%＼&每天偶爾用一下＼&32＼&41.03%＼&幾天用一次＼&2＼&2.56%＼&很少使用＼&1＼&1.28%＼&使用微信公眾號進行過課程學(xué)習(xí)＼&是＼&39＼&50%＼&否＼&39＼&50%＼&希望通過微信公眾號進行課程學(xué)習(xí)＼&很希望＼&25＼&32.05%＼&一般＼&45＼&57.69%＼&不希望＼&8＼&10.26%＼&閱讀過的微信教育類公眾號＼&10個以上＼&3＼&3.85%＼&5-10個＼&17＼&21.79%＼&5個以內(nèi)＼&53＼&67.95%＼&從未閱讀過＼&5＼&6.41%＼&使用MOODLE平臺進行過課程學(xué)習(xí)＼&是＼&53＼&67.95%＼&否＼&25＼&32.05%＼&希望通過MOODLE平臺進行課程學(xué)習(xí)＼&很希望＼&19＼&24.36%＼&一般＼&56＼&71.79%＼&不希望＼&3＼&3.85%＼&]

圖1 課程與實驗設(shè)計流程

在實踐環(huán)節(jié)，課程第一周，研究人員與教師共同布置在線平臺，講解平臺使用方法，并完成對學(xué)生的前測。隨后，學(xué)生正式展開課程學(xué)習(xí)。研究人員在課程進行過程中收集學(xué)生完成任務(wù)1與任務(wù)2時的在線行為數(shù)據(jù)，并結(jié)合前測數(shù)據(jù)進行任務(wù)3的成績預(yù)測。隨后，針對預(yù)測結(jié)果展開學(xué)習(xí)干預(yù)，尤其是瞄準(zhǔn)學(xué)弱群體及時進行提醒與預(yù)警。當(dāng)任務(wù)3結(jié)束后，研究人員對部分學(xué)生進行訪談，對實驗效果進行分析。

3. 研究方法

多元回歸是研究一個因變量與兩個或兩個以上自變量的回歸，是反映一種現(xiàn)象或事物的數(shù)量依多種現(xiàn)象或事物的數(shù)量的變動而相應(yīng)變動的規(guī)律，建立多個變量之間數(shù)量關(guān)系式的統(tǒng)計方法。

McKenzie等人（2001）通過問卷法調(diào)研了澳大利亞大學(xué)一年級的197名學(xué)生，以入學(xué)成績、社會心理、認(rèn)知水平和人口特征作為預(yù)測因子，學(xué)業(yè)表現(xiàn)（期末成績）作為因變量，建立多元回歸模型進行預(yù)測。結(jié)果顯示，入學(xué)成績、社會心理、認(rèn)知水平均為顯著預(yù)測因子，部分人口特征可以作為預(yù)測因子。他們認(rèn)為，找到影響學(xué)業(yè)表現(xiàn)的預(yù)測因子可以對目標(biāo)學(xué)生進行有效的指導(dǎo)干預(yù)，使其規(guī)避學(xué)業(yè)風(fēng)險。Huang和Fang（2013）在一項預(yù)測機械課程學(xué)術(shù)表現(xiàn)的研究中比較了四種不同數(shù)學(xué)模型的預(yù)測能力。他們收集了323名學(xué)生的績點、四門前導(dǎo)課成績、三次期中測驗成績和最終期末成績，建立多種預(yù)測模型，分析模型準(zhǔn)確率及自變量有效性。結(jié)果顯示，在預(yù)測全班學(xué)業(yè)成績時，選擇多元回歸方法最佳，以績點作為自變量即可實現(xiàn)較高準(zhǔn)確率。雖然其他數(shù)學(xué)方法也可以用來預(yù)測學(xué)業(yè)成績，但是從已有研究來看（Hoschl， et al， 1997； Flook， Repetti， & Ullman， 2005； Ayán & Garc， 2008），用多元回歸方法進行學(xué)業(yè)成績預(yù)測更為普遍，且準(zhǔn)確率較好。所以，本研究采用多元回歸作為主要的研究方法，以此來預(yù)測云環(huán)境下的大學(xué)生學(xué)業(yè)成績。

4. 數(shù)據(jù)收集

（1）個人基本信息與心理認(rèn)知水平

本研究以調(diào)查問卷的形式在前測時收集了學(xué)習(xí)者個人基本信息和心理認(rèn)知水平的數(shù)據(jù)。個人基本信息量表包括性別、年齡等學(xué)習(xí)者基本特征，以及MOODLE平臺和微信平臺的使用情況。

心理認(rèn)知水平維度包括網(wǎng)絡(luò)自我效能感和學(xué)習(xí)興趣兩個子量表。其中，網(wǎng)絡(luò)自我效能感量表選自謝幼如等人（2011）編制的“大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)自我效能感量表”，共20道題目，采用七級里克特答題范圍，整體一致性系數(shù)為0.92，各題項一致性信度在0.72-0.89之間，具有較高的同質(zhì)性。該量表用來測量個體對自己在網(wǎng)絡(luò)學(xué)習(xí)活動中取得成功的信念水平，是個體對自己使用計算機、網(wǎng)絡(luò)信息資源或網(wǎng)絡(luò)通信工具等完成學(xué)習(xí)任務(wù)的能力的一種主觀判斷。

學(xué)習(xí)興趣量表改編自Harackiewicz等（2008）編制的“原始學(xué)習(xí)興趣量表”。該量表共7道題目，采用七級李克特答題范圍，整體一致性系數(shù)為0.90，具有較高的同質(zhì)性。該量表原為測量學(xué)習(xí)者在心理學(xué)科中的學(xué)習(xí)興趣水平，因此研究人員對題目進行了改編以適于測量被試對教育學(xué)科的學(xué)習(xí)興趣。

（2）先前知識水平

為衡量學(xué)習(xí)者的先前知識水平，本研究在前測時收集了被試的績點與一門前導(dǎo)課期末成績作為參考。另外，為預(yù)測下一次任務(wù)成績，學(xué)生前一次任務(wù)成績也會作為假設(shè)影響因素?？凕c采用五分制計算方法，前導(dǎo)課成績采用百分制計算方法，每次任務(wù)成績采用十分制計算方法。

（3）在線學(xué)習(xí)參與度

研究者通常使用定量方式評估在線論壇參與度，如學(xué)習(xí)者在論壇中發(fā)帖的數(shù)量（Mazzolini & Maddison， 2003）。然而，參與度不應(yīng)僅僅依靠帖子或其他行為數(shù)量來評估（Wenger， 1998），積極參與的行為比被動接受的行為貢獻更大（Romiszowski & Mason， 2004）。因此，不同類型的在線行為，根據(jù)其貢獻程度，在參與度計算中的權(quán)重也應(yīng)有所區(qū)分。

在使用云學(xué)習(xí)平臺期間，學(xué)生在MOODLE平臺和微信平臺留下了多種操作痕跡，如瀏覽資源、提交作業(yè)和同伴互評等。參考已有研究（Shaw， 2012； Shaw， 2013； Morris， et al， 2005）的維度劃分及權(quán)重分配，并結(jié)合研究的實際情況與多名專家意見，本研究制定了MOODLE平臺和微信平臺的在線行為編碼體系（如表2所示）。該編碼原則就是不重不漏地記錄學(xué)生的在線行為。研究人員據(jù)此對MOODLE平臺系統(tǒng)日志及微信平臺聊天記錄進行了整理與編碼，統(tǒng)計學(xué)習(xí)者在兩個平臺中不同行為的數(shù)量，并計算參與度。計算公式如下，其中Pm為MOODLE參與度，Pw為微信參與度，N為行為數(shù)量，W為行為權(quán)重。

[P總=Pm+Pw]…（1）

[Pm=i=113NAi?WAi]…（2）

[Pw=i=110NBi?WBi]…（3）

5. 數(shù)據(jù)分析

本研究使用多元線性回歸模型作為預(yù)測模型。在學(xué)生完成兩次任務(wù)之后，使用前兩次任務(wù)的過程性數(shù)據(jù)建立預(yù)測模型，進行第三次任務(wù)成績的預(yù)測。

建立模型時，首先將網(wǎng)絡(luò)自我效能感和學(xué)習(xí)興趣兩個維度下的子題項計算均值，合并為兩個變量。然后將網(wǎng)絡(luò)自我效能感（X1）、學(xué)習(xí)興趣（X2）、績點（X3）、前導(dǎo)課成績（X4）、第一次任務(wù)成績（X5）、在線學(xué)習(xí)參與度（X6）作為自變量，第二次任務(wù)成績（Y）作為因變量，使用第二次任務(wù)中90%的樣本量作為訓(xùn)練樣本建立模型，10%作為檢測樣本檢驗?zāi)Ｐ?。預(yù)測模型建立完畢后，將第三次任務(wù)中的過程數(shù)據(jù)作為預(yù)測樣本帶入模型，進行任務(wù)3成績的預(yù)測。當(dāng)任務(wù)3實際成績得出后，再次驗證預(yù)測效果。模型的建立和預(yù)測工作都是在SPSS 18.0軟件中進行。

6.干預(yù)實施

在任務(wù)3預(yù)測結(jié)束后，將全班學(xué)生成績進行降序排列，按比例分為高（27%）、中（46%）、低（27%）三個分?jǐn)?shù)段。在中低分?jǐn)?shù)段中，綜合考慮性別、活躍度等因素，選擇一部分學(xué)生進行教學(xué)干預(yù)。干預(yù)方式包括在線交流、一對一面談和一對多面談，干預(yù)內(nèi)容包括提醒警示、鼓勵、知識點梳理和答疑。

四、研究結(jié)果

1. 最終預(yù)測模型

以第二次任務(wù)中90%樣本量為訓(xùn)練樣本，建議多元線性回歸模型。結(jié)果顯示，最終預(yù)測模型為：

[Y=-2.618+0.387?X3+0.007?X6+ 0.074?X4+0.385?X2]…………（4）

模型中，顯著影響因子按影響程度由大到小依次排序為績點（X3）、在線學(xué)習(xí)參與度（X6）、前導(dǎo)課成績（X4）和學(xué)習(xí)興趣（X2）。被排除在模型外的因子為網(wǎng)絡(luò)自我效能感（X1）和第一次任務(wù)成績（X5），說明二者對第二次任務(wù)成績（Y）的影響不夠顯著。

該結(jié)果符合常理，也與先前研究結(jié)果有所吻合。Huang和Fang（2013）的多元回歸預(yù)測結(jié)果中，績點也是首要預(yù)測因子，具有決定性作用，可見績點對評估學(xué)生學(xué)業(yè)成績的重要性。本研究中網(wǎng)絡(luò)自我效能感主要測量學(xué)生使用在線環(huán)境完成任務(wù)的信心，但想要取得更高的學(xué)業(yè)成績，需要學(xué)生形成真正的在線學(xué)習(xí)行為，并保持較高的參與度。第一次任務(wù)成績的影響能力最弱，主要是由于一次任務(wù)成績的隨機性較大，并不能充分體現(xiàn)學(xué)生的學(xué)業(yè)水平，而且該任務(wù)為課程開始后首次作業(yè)，學(xué)生可能還未完全熟悉課程，發(fā)揮也不夠穩(wěn)定。

2. 平均預(yù)測準(zhǔn)確率

[APA=1-1n?i=1nPi-AiAi?100%]…（5）

該數(shù)值反映了模型在預(yù)測全班學(xué)生成績時的有效性。其中，P為預(yù)測成績，A為實際成績，n為樣本量。

模型建立后，用任務(wù)2中10%的樣本量進行檢驗，其平均預(yù)測準(zhǔn)確率為91.14%。平均準(zhǔn)確率較高，說明模型較合理，可以用此模型進行第三次任務(wù)成績的預(yù)測。

任務(wù)3成績預(yù)測的結(jié)果顯示，平均預(yù)測準(zhǔn)確率為97.65%（兩人未交作業(yè)，n=76），說明此次預(yù)測在全班水平上準(zhǔn)確率較高，整體預(yù)測效果較好。

3. 命中率

命中率與平均預(yù)測準(zhǔn)確率均是檢驗預(yù)測模型效果的標(biāo)準(zhǔn)。命中率反映了在全班學(xué)生中符合預(yù)測成績在實際成績的90-110%區(qū)間內(nèi)的人數(shù)比例（即預(yù)測誤差為±10%）。命中率越高，預(yù)測模型越好。

任務(wù)3的預(yù)測命中率為53.85%，命中人數(shù)超過半數(shù)，與已有研究中（Huang & Fang， 2013）的預(yù)測命中率相對持平。Huang和Fang（2013）在研究中指出，預(yù)測模型不合適、預(yù)測因子不全面或不準(zhǔn)確等因素都可能是命中率不高的原因。本研究中，多元回歸模型雖然在全班水平上取得了較好的預(yù)測效果，平均預(yù)測準(zhǔn)確率較高，但是在預(yù)測某個學(xué)生成績時，大概會有50%的概率無法精準(zhǔn)評估，因此提升精確命中率成為本研究下一步需要解決的問題。

4. 成績干預(yù)結(jié)果

本研究對比了干預(yù)及未干預(yù)學(xué)生第三次任務(wù)與第二次任務(wù)的實際平均分，并用配對T檢驗分析差異的顯著性。

表3從高（27%）、中（46%）、低（27%）三個分?jǐn)?shù)段學(xué)生的角度進行分析，從干預(yù)結(jié)果可以看出，高分組學(xué)生平均分下降，中分組和低分組被干預(yù)的學(xué)生平均分提升顯著，而未被干預(yù)的學(xué)生平均分提升不顯著或有所降低。

五、討論

1. 多元線性回歸模型可以在全班水平上取得較好的預(yù)測效果

本研究在模型建立和驗證后，發(fā)現(xiàn)多元線性回歸模型在預(yù)測學(xué)業(yè)成績時，可以在理論上獲得一定的價值，能夠解釋目前課堂中一些常見現(xiàn)象，并且可以在實踐中取得較高的平均預(yù)測準(zhǔn)確率，但精確命中率偏低。這說明，多元線性回歸模型在預(yù)測全班整體學(xué)業(yè)水平時是一種簡捷有效的方法，但在精確預(yù)測某個學(xué)生成績時，可能不太適合。

2. 在線學(xué)習(xí)參與度是影響學(xué)業(yè)成績的重要因素

通過預(yù)測模型可知，績點、在線學(xué)習(xí)參與度、前導(dǎo)課成績和學(xué)習(xí)興趣對學(xué)生學(xué)業(yè)成績具有重要影響。在傳統(tǒng)課堂環(huán)境中，具有較高績點、前導(dǎo)課成績和學(xué)習(xí)興趣的學(xué)生將更有可能取得較高的學(xué)業(yè)成績，這與當(dāng)前課堂中的實際教學(xué)情況相符。值得注意的是，學(xué)生在云學(xué)習(xí)平臺中的在線學(xué)習(xí)參與度會對其學(xué)業(yè)成績產(chǎn)生較大的正向促進作用?？梢灶A(yù)見，在技術(shù)與教學(xué)深入整合的過程中，實體課堂與云學(xué)習(xí)平臺相結(jié)合的學(xué)習(xí)模式將在高校逐漸普及。各式各樣的云學(xué)習(xí)平臺將在學(xué)生的正式和非正式學(xué)習(xí)中發(fā)揮重要作用。教師應(yīng)更加關(guān)注學(xué)生在平臺中的在線學(xué)習(xí)參與度。

更重要的是，如何引導(dǎo)學(xué)生在平臺中高效參與，獲得更高的在線學(xué)習(xí)效果，是教師要著重考慮的問題。在本研究中，隨著使用平臺的時間逐漸增加，學(xué)生在平臺上與課程無關(guān)的行為明顯增多，此時就需要教師進行及時遏止，引導(dǎo)學(xué)生將注意力轉(zhuǎn)回課程學(xué)習(xí)中。這也說明，云學(xué)習(xí)平臺中的實時監(jiān)管非常重要。如果不能跟蹤學(xué)生的過程性數(shù)據(jù)，就難以及時發(fā)現(xiàn)問題，進行合理的教學(xué)干預(yù)。

3. 教師的引導(dǎo)與干預(yù)作用不容忽視

從教學(xué)干預(yù)效果來看，全班接受干預(yù)的學(xué)生平均分顯著提高，最為明顯的是低分組，其次是中分組。而未接受干預(yù)的學(xué)生平均分有所降低，最顯著的是高分組，其次是中分組。這說明基于預(yù)測的干預(yù)起到了較好的效果，學(xué)弱群體接受干預(yù)的同學(xué)成績進步顯著。由此可見，在提倡學(xué)習(xí)要以學(xué)生為中心時，教師的引導(dǎo)與干預(yù)作用更不能忽視。

云學(xué)習(xí)環(huán)境下，保留學(xué)生學(xué)習(xí)痕跡和過程性數(shù)據(jù)變得可行，為教師監(jiān)控學(xué)生的學(xué)習(xí)過程提供了有力依據(jù)。在技術(shù)的輔助下，預(yù)警信息更加及時，目標(biāo)范圍更加精準(zhǔn)，教學(xué)干預(yù)能夠發(fā)揮更大作用。利用學(xué)習(xí)分析技術(shù)預(yù)測學(xué)生未來學(xué)習(xí)情況，針對可能發(fā)生的問題展開教學(xué)指導(dǎo)，是提升學(xué)生學(xué)習(xí)效果的一種有效手段，對正式與非正式學(xué)習(xí)都將發(fā)揮重要作用。

另外，在后測采訪接受教學(xué)干預(yù)的學(xué)生時，他們認(rèn)為教師的鼓勵或提醒有一定的警示作用，有助于其嚴(yán)格要求自己，但最有幫助的還是針對性的意見和建議。因此，教師在進行教學(xué)干預(yù)時，應(yīng)更加注重提出客觀性的指導(dǎo)意見，使學(xué)生明白為什么、怎么做，這是學(xué)生最需要的，也是對他們幫助最大的反饋。

六、結(jié)語

本研究以一門大學(xué)課程為切入點，設(shè)計并開展基于實體課堂和云學(xué)習(xí)平臺（MOODLE平臺、微信平臺）的混合學(xué)習(xí)模式。在課程進行中，通過收集和分析學(xué)習(xí)者基本信息、心理認(rèn)知水平（網(wǎng)絡(luò)自我效能、學(xué)習(xí)興趣）、先前知識水平（績點、前導(dǎo)課成績、上次任務(wù)成績）和在線行為數(shù)據(jù)（MOODLE平臺參與度、微信平臺參與度），建立多元回歸預(yù)測模型，對學(xué)生將要取得的成績進行評估，并開展預(yù)測結(jié)果指導(dǎo)下的學(xué)習(xí)干預(yù)，以提升學(xué)習(xí)者在云環(huán)境下的學(xué)習(xí)效果。研究結(jié)果顯示，多元回歸模型可以在全班水平上取得較佳的預(yù)測效果，但精確命中率不高；績點、在線學(xué)習(xí)參與度、前導(dǎo)課成績和學(xué)習(xí)興趣是影響學(xué)生學(xué)業(yè)成績的重要因素；基于預(yù)測的教學(xué)干預(yù)取得了較好的效果，中低分組接受干預(yù)的學(xué)生成績進步顯著。下一步，本研究將分析和討論提升預(yù)測命中率的問題，以實現(xiàn)更好的預(yù)測效果。

[參考文獻]

李建萍. 2009. 基于加權(quán)支持向量機的學(xué)習(xí)成績預(yù)測模型[J]. 中國科教創(chuàng)新導(dǎo)刊（14）：137.

吳靖媛，高光珍，胡象嶺. 2010. 高中生物理學(xué)習(xí)興趣與學(xué)習(xí)成績關(guān)系的實證研究[J]. 教育實踐與研究：中學(xué)版（B）（11）：9-11.

謝幼如，劉春華，朱靜靜，尹睿. 2011. 大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)自我效能感的結(jié)構(gòu)、影響因素及培養(yǎng)策略研究[J]. 電化教育研究（10）：30-34.

葉海智，趙耀遠(yuǎn)，吳金鴿. 2014. 基于Web的動態(tài)評價系統(tǒng)設(shè)計及其應(yīng)用效果探究[J]. 電化教育研究（9）：79-84.

Alavi， M. （1994）. Computer-mediated collaborative learning： an empirical evaluation. Management Information Systems Quarterly， 18（2）： 159-174.

Astin， A. W. （1996）. Involvement in learning revisited： lessons we have learned. Journal of College Student Development， 37（2）： 123-134.

Ayán， M. N. R.， & García， M. T. C. （2008）. Prediction of university students academic achievement by linear and logistic models. The Spanish journal of psychology， 11（1）： 275-288.

Bento， R.， & Schuster， C. （2003）. Participation： The online challenge. In A. Aggarwal （Eds.）， Web-based education： Learning from experience （pp. 156-164）. Hershey， Pennsylvania： Idea Group Publishing.

Dochy， F. J. R. C. （1994）. Investigating the use of knowledge profiles in a flexible learning environment： analyzing students prior knowledge states. In S. Vosniadou （Eds.）， Psychological and Educational Foundations of Technology-Based Learning Environments （pp. 339-353）. Berlin， New York： Springer Verlag.

Flook， L.， Repetti， R. L.， & Ullman， J. B. （2005）. Classroom social experiences as predictors of academic performance. Developmental psychology， 41（2）： 319.

Harackiewicz， J. M.， Durik， A. M.， Barron， K. E.， Linnenbrink-Garcia， L.， & Tauer， J. M. （2008）. The role of achievement goals in the development of interest： Reciprocal relations between achievement goals， interest， and performance. Journal of educational psychology， 100（1）： 105.

Hoschl， C.， & Kozeny， J. （1997）. Predicting academic performance of medical students： The first three years. American Journal of Psychiatry， 154（6）： 87.

Huang， S.， & Fang， N. （2011）. Work in progress—Prediction of students academic performance in an introductory engineering course. In Frontiers in Education Conference （FIE）， 2011 （pp. S4D-1）. IEEE.

Huang， S.， & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers & Education， （61）： 133-145.

Hrastinski， S. （2009）. A theory of online learning as online participation[J]. Computers & Education， 52（1）： 78-82.

Lane， J.， Lane， A. M. & Kyprianou， A. （2004）. Self-efficacy， self-esteem， and their impact on academic performance. Social Behavior and Personality， （32）： 247-256.

Lepper， M. R. （1988）. Motivational considerations in the study of instruction. Cognition and Instruction， （5）： 289-309.

Mazzolini， M.， & Maddison， S. （2003）. Sage， guide or ghost？ The effect of instructor intervention on student participation in online discussion forums. Computers & Education， 40（3）： 237-253.

McKenzie， K.， & Schweitzer， R. （2001）. Who succeeds at university？ Factors predicting academic performance in first year Australian university students. Higher education research and development， 20（1）： 21-33.

Michinov， N.， Brunot， S.， Le Bohec， O.， Juhel， J.， & Delaval， M. （2011）. Procrastination， participation， and performance in online learning environments. Computers & Education， 56（1）： 243-252.

Morris， K. V.， Finnegan， C.， & Sz-Shyan， W. （2005）. Tracking student behavior， persistence， and achievement in online courses. Internet and Higher Education， 8（3）： 221-231.

Paris， S. G.， Olson， G. M.， & Stevenson， H. W. （1983）. Learning and motivation in the classroom. Hillsdale， NJ： Lawrence Erlbaum Associates.

Peng， H.， Tsai， C. C.， & Wu， Y. T. （2006）. University students self-efficacy and their attitudes toward the Internet： The role of students perceptions of the Internet. Educational Studies， 32（1）： 73-86.

Pintrich， P. R. （1989）. The dynamic interplay of student motivation and cognition in the college classroom. Advances in Motivation and Achievement， （6）： 117-160.

Pratton， J.， & Hales， L. W. （1986）. The effects of active participation on student learning. Journal of Educational Research， 79（4）： 210-215.

Romiszowski， A.， & Mason， R. （2004）. Computer-mediated communication. In D. H. Jonassen（Eds.）， Handbook of research for educational communications and technology （pp. 397-431）. Mahwah， New Jersey： Lawrence Erlbaum Associates， Publishers.

Shaw， R. S. （2012）. A study of the relationships among learning styles， participation types， and performance in programming language learning supported by online forums. Computers & Education， 58（1）： 111-120.

Shaw， R. S. （2013）. The relationships among group size， participation， and performance of programming language learning supported with online forums. Computers & Education， （62）： 196-207.

Webster， J.， & Hackley， P. （1997）. Teaching effectiveness in technology-mediated distance learning. Academy of Management Journal， 40（6）： 1282-1309.

Wenger， E. （1998）. Communities of practice： Learning， meaning， and identity. Cambridge： Cambridge University Press.

Wu， Y. T.， & Tsai， C. C. （2006）. University students internet attitudes and Internet self-efficacy： A study at three universities in Taiwan. Cyberpsychology & behavior， 9（4）： 441-450.

收稿日期：2016-01-20

定稿日期：2016-03-28

作者簡介：尤佳鑫，碩士研究生；孫眾，博士，副教授，碩士生導(dǎo)師，本文通訊作者。首都師范大學(xué)信息工程學(xué)院（100048）。

責(zé)任編輯 劉 莉