孫眾　宋潔　吳敏華　駱力明

摘要：在線開放課程與高校傳統(tǒng)教學(xué)的結(jié)合，使得校園混合課程成為未來高等院校課程的主要形態(tài)。在綜述已有教學(xué)干預(yù)經(jīng)驗與不足的基礎(chǔ)上，該文提出了校園混合課程教學(xué)干預(yù)的框架，以課程動態(tài)設(shè)計為切入點，根據(jù)預(yù)測需求選擇預(yù)測模型，確定干預(yù)對象選擇干預(yù)類型，實施混合課程下的教學(xué)干預(yù)。該文以三類六種教學(xué)干預(yù)為例，依托校園混合課程開展了連續(xù)2年的教學(xué)干預(yù)實證研究。結(jié)果發(fā)現(xiàn)：班級干預(yù)比個別干預(yù)更能激發(fā)學(xué)生群體的在線學(xué)習(xí)參與度；面授在線相結(jié)合的混合干預(yù)比傳統(tǒng)干預(yù)更能建立良好的社會化學(xué)習(xí)網(wǎng)絡(luò)；深層干預(yù)與淺層干預(yù)對于中低分組的學(xué)生均有正向促進作用，其中深層干預(yù)對于中分組學(xué)生的學(xué)業(yè)改善作用更為明顯。基于學(xué)習(xí)分析技術(shù)的有效教學(xué)干預(yù)，不僅是動態(tài)設(shè)計混合課程的基礎(chǔ)，還成為提升校園混合課程質(zhì)量的關(guān)鍵。

關(guān)鍵詞：教學(xué)干預(yù)；學(xué)習(xí)分析；學(xué)習(xí)預(yù)測；校園混合課程

一、研究背景

2016年9月教育部發(fā)布《關(guān)于推進高等教育學(xué)分認(rèn)定和轉(zhuǎn)換工作的意見》，鼓勵高校學(xué)生基于互聯(lián)網(wǎng)學(xué)習(xí)平臺選修課程。2016年12月國務(wù)院發(fā)布《“十三五”國家信息化規(guī)劃》，其中“在線教育普惠行動”包括多項具體措施，不僅鼓勵高等院校建設(shè)在線開放課程和公共服務(wù)平臺，引進國外在線課程，還提出要將在線課程納入高校的人才培養(yǎng)方案和教學(xué)計劃。而在線課程聚合平臺Class Central發(fā)布的2016年全球大規(guī)模在線開放課程（以下簡稱MOOC）統(tǒng)計報告表明，自2011年起引發(fā)高等教育研究熱潮的MOOC，已經(jīng)不再追求開課范圍和學(xué)習(xí)者群體的大規(guī)模，而轉(zhuǎn)向服務(wù)于高校常規(guī)教學(xué)。到2016年全球700多所大學(xué)開設(shè)的MOOC總數(shù)已超過6800門，而這個數(shù)字還在呈現(xiàn)快速增長態(tài)勢。由此可見在線與傳統(tǒng)教學(xué)相結(jié)合的校園混合課程，會成為全球高校教學(xué)的發(fā)展趨勢。

校園混合課程的生命力在于，學(xué)習(xí)者不僅能夠參與面授學(xué)習(xí)，實現(xiàn)師生、生生的真實人際交流，還可以通過在線或移動平臺學(xué)習(xí)，豐富學(xué)習(xí)內(nèi)容，改變學(xué)習(xí)方式，同時留下較為全面的學(xué)習(xí)行為痕跡。通過運用學(xué)習(xí)分析技術(shù)，不僅能為學(xué)生提供了實時學(xué)習(xí)記錄，即時評估結(jié)果，還為教師提供改進教學(xué)質(zhì)量的決策依據(jù)。在此背景下，本研究以提升校園混合課程質(zhì)量為目的，以動態(tài)課程設(shè)計為視角，開展了為期兩年基于學(xué)習(xí)分析技術(shù)的教學(xué)干預(yù)研究。

二、教學(xué)干預(yù)綜述

教學(xué)干預(yù)作為一個約定俗成的概念，包括一切對學(xué)習(xí)者學(xué)習(xí)產(chǎn)生影響的介入手段。它能闡釋學(xué)習(xí)過程中多方面的要素和關(guān)系，能為改善學(xué)習(xí)績效提供新的思路和視角。傳統(tǒng)課堂環(huán)境下的教學(xué)干預(yù)，常指教師發(fā)現(xiàn)問題后直接為學(xué)習(xí)者提供方法上的建議、態(tài)度和心理上的疏導(dǎo)、組織學(xué)習(xí)伙伴幫扶，從教學(xué)角度調(diào)整課程資源和授課方式，也包括引入家庭、社會力量共同進行干預(yù)等?？ɡば栐凇督虒W(xué)與行為干預(yù)》一書中提出了干預(yù)反饋模式（Response to Intervention，簡稱RTI），為小學(xué)到高中各個年段學(xué)生的提供閱讀、教學(xué)、行為等方面的多種教學(xué)干預(yù)。陳珊提出學(xué)生在問題解決過程中遭遇認(rèn)知困境時，教師可以建立支持學(xué)生問題解決的學(xué)習(xí)框架，在此基礎(chǔ)上改進與學(xué)科內(nèi)容相關(guān)的資源和活動，實施教學(xué)干預(yù)。Zhai等人通過分析在職教師的職業(yè)壓力和自信心，采取了基于課堂環(huán)境的干預(yù)，在其行為管理中強化職業(yè)控制力，擴展職業(yè)資源，提高職業(yè)自信，有效地達成了傳統(tǒng)環(huán)境下的干預(yù)效果。

隨著在線課程和大數(shù)據(jù)技術(shù)的迅速發(fā)展，研究者開始關(guān)注基于學(xué)習(xí)分析的教學(xué)干預(yù)。美國Desire2Learn機構(gòu)開發(fā)的學(xué)生成功系統(tǒng)，通過分析學(xué)生的出席率、課程完成情況、參與度和社會學(xué)習(xí)等影響因素，構(gòu)建多種預(yù)測模型，預(yù)測出有潛在學(xué)業(yè)危險的學(xué)生，向其提供干預(yù)措施。He等人基于學(xué)生在線學(xué)習(xí)數(shù)據(jù)，用邏輯回歸算法預(yù)測出可能無法完成課程的學(xué)生，給他們呈現(xiàn)學(xué)業(yè)危機的可能性，督促其調(diào)整學(xué)習(xí)方式和進程，以降低輟學(xué)率。普渡大學(xué)開發(fā)了Course Signal課程信號燈系統(tǒng)用于監(jiān)測學(xué)生的學(xué)習(xí)狀態(tài)，并且采用算法判斷處于學(xué)業(yè)危險中的學(xué)生對其進行預(yù)警，根據(jù)預(yù)警信號，教師通過電子郵件、短信、在線消息等形式對學(xué)習(xí)者進行干預(yù)。

傳統(tǒng)課堂環(huán)境下的研究提供了較好的教學(xué)干預(yù)策略，在線學(xué)習(xí)環(huán)境下的研究提供了基于學(xué)習(xí)分析技術(shù)的實證研究基礎(chǔ)。但是已有教學(xué)干預(yù)的研究多是以單一學(xué)習(xí)環(huán)境為干預(yù)場景，而在校園混合課堂環(huán)境下，學(xué)生在線學(xué)習(xí)的過程其實是與面授課堂學(xué)習(xí)緊密結(jié)合。由此已有研究中面向校園混合課程的干預(yù)研究并不多見，因此本研究就是要探索基于學(xué)習(xí)預(yù)測的教學(xué)干預(yù)有效方式，以提高校園混合課程質(zhì)量。

三、校園混合課程的教學(xué)干預(yù)系統(tǒng)框架

（一）以課程動態(tài)設(shè)計為切入點

面向傳統(tǒng)課程的教學(xué)設(shè)計，通常包括分析目標(biāo)、內(nèi)容和學(xué)習(xí)者，設(shè)計教學(xué)過程，制作學(xué)習(xí)資源，確立評價標(biāo)準(zhǔn)等。它具有預(yù)置性、系統(tǒng)性、穩(wěn)定性、劃一性等特征，然而這種設(shè)計更偏向滿足傳統(tǒng)環(huán)境下集體教學(xué)的需求，學(xué)生個性化學(xué)習(xí)需求難以得到重視，于是高校課堂有出席率低或者隱f生逃課現(xiàn)象。面向以MOOC為代表的在線課程設(shè)計，除了要具有前面?zhèn)鹘y(tǒng)課程教學(xué)設(shè)計必備要素外，主要差別在于學(xué)習(xí)過程和評價設(shè)計，即要為不同背景的學(xué)習(xí)者提供在線學(xué)習(xí)的全過程服務(wù)。例如要有同步或異步講座、課程直播、學(xué)習(xí)答疑區(qū)等，并根據(jù)學(xué)習(xí)者的在線學(xué)習(xí)表現(xiàn)評估其學(xué)習(xí)效果和教學(xué)質(zhì)量，它具有開放性、共享性、泛在性等優(yōu)點，但由于學(xué)習(xí)者規(guī)模大，群體差異明顯，無法實現(xiàn)面向特定學(xué)生的有針對性的學(xué)習(xí)服務(wù)，因此居高不下的輟學(xué)率成為MOOC實現(xiàn)良性發(fā)展要突破的難題。其實有研究發(fā)現(xiàn)，大部分放棄MOOC的學(xué)習(xí)者，在課程前半段已就呈現(xiàn)出輟學(xué)跡象，包括登錄次數(shù)明顯減少，不再提交課程階段性任務(wù)，瀏覽視頻的次數(shù)開始降低等，但是由于MOOC是遠程學(xué)習(xí)情境，干預(yù)的有效性和及時性與傳統(tǒng)課堂相比還是有一定的差距。那么能否將傳統(tǒng)環(huán)境和在線環(huán)境的干預(yù)優(yōu)缺點進行綜合考慮，在校園混合課程這種新的學(xué)習(xí)形態(tài)下，借助學(xué)習(xí)分析技術(shù)，在課程進行的前半段就判斷每個學(xué)習(xí)者學(xué)習(xí)狀態(tài)和潛在問題，在預(yù)測的基礎(chǔ)上進行面授和在線環(huán)境相結(jié)合的教學(xué)干預(yù)，同時動態(tài)調(diào)整課程，以幫助學(xué)習(xí)者獲得更為理想的學(xué)業(yè)表現(xiàn)呢？筆者認(rèn)為以課程動態(tài)設(shè)計為切入點，一方面收集傳統(tǒng)環(huán)境下能獲得的學(xué)習(xí)者個人屬性特征、前期知識基礎(chǔ)、興趣態(tài)度等非智力因素；另一方面積累在線學(xué)習(xí)環(huán)境下學(xué)習(xí)者全過程全樣本數(shù)據(jù)，綜合起來進行學(xué)習(xí)預(yù)測，在此基礎(chǔ)上進行不同形式的教學(xué)干預(yù)，實現(xiàn)動態(tài)課程設(shè)計，以提高校園混合課程質(zhì)量。

（二）明確預(yù)測需求，選擇預(yù)測模型，鎖定干預(yù)對象

學(xué)習(xí)分析技術(shù)（Learning Analysis）是教育大數(shù)據(jù)應(yīng)用的重要領(lǐng)域，該技術(shù)利用數(shù)據(jù)和模型，評估學(xué)習(xí)者的學(xué)習(xí)狀態(tài)和學(xué)習(xí)效果，預(yù)測未來表現(xiàn)，采取干預(yù)措施，提高學(xué)習(xí)者學(xué)習(xí)績效。學(xué)習(xí)分析的一個重要應(yīng)用是監(jiān)測和預(yù)測，根據(jù)實際需要選擇不同預(yù)測點。比如Ahmad等人用認(rèn)知網(wǎng)絡(luò)來預(yù)測大學(xué)生的選課趨勢，這是對學(xué)習(xí)需求的預(yù)測；如Kruger-Ross等人則通過分析學(xué)生對課程基本概念的理解和認(rèn)知，預(yù)測成功在線學(xué)習(xí)的可能性，Yang用登錄次數(shù)、頻率和間隔來預(yù)測MOOC輟學(xué)率，這是對學(xué)習(xí)結(jié)果的預(yù)測；如Luft等人用認(rèn)知任務(wù)來預(yù)測數(shù)學(xué)教學(xué)水平較低學(xué)校里的學(xué)生數(shù)學(xué)學(xué)業(yè)表現(xiàn)，這是最為常見的學(xué)習(xí)成績預(yù)測，及時發(fā)現(xiàn)問題，并做出干預(yù)。

明確了預(yù)測需求后，需要選擇預(yù)測模型。Vandamme等人用學(xué)期初的分?jǐn)?shù)來預(yù)測學(xué)生的期末成績，結(jié)果發(fā)現(xiàn)線性判斷分析的預(yù)測準(zhǔn)確率高于決策樹和神經(jīng)網(wǎng)絡(luò)。Ayan等人提出線性回歸是常用的且有效的成績預(yù)測模型。黃少波等人使用了4種數(shù)學(xué)模型和6種預(yù)測因子進行組合，得到24種預(yù)測數(shù)學(xué)模型，結(jié)果發(fā)現(xiàn)在平均預(yù)測準(zhǔn)確率（Average Prediction Accuracy，簡稱APA）和準(zhǔn)確預(yù)測的百分比（Percentage of Accurate Predictions，簡稱PAP）上，除了支持向量機會（Support Vector Machine）在PAP有更好的預(yù)測結(jié)果以外，其他模型在預(yù)測結(jié)果上只有細(xì)微差別，預(yù)測因子的選擇和組合對于預(yù)測結(jié)果影響更大。因此根據(jù)預(yù)測目的不同，選擇預(yù)測因子和模型的組合，是通過預(yù)測找到需要教學(xué)干預(yù)對象的必要前提。

（三1根據(jù)目的確定教學(xué)干預(yù)類型和策略

干預(yù)類型有不同的劃分標(biāo)準(zhǔn)。根據(jù)干預(yù)性質(zhì)，可以分為教學(xué)干預(yù)和社會干預(yù)。教學(xué)干預(yù)指一切教學(xué)元素的干預(yù)，如學(xué)習(xí)路徑建議、學(xué)習(xí)資源推薦等，社會干預(yù)指學(xué)習(xí)心理疏導(dǎo)、伙伴推薦等。根據(jù)干預(yù)規(guī)?？煞譃閭€人干預(yù)和班級干預(yù)。個人干預(yù)是針對每個學(xué)習(xí)者，根據(jù)其學(xué)習(xí)風(fēng)格和學(xué)習(xí)狀態(tài)進行資源推送、學(xué)習(xí)建議和學(xué)習(xí)社區(qū)推薦等；班級干預(yù)指對整個班級進行干預(yù)，如學(xué)習(xí)方法的建議、交互建議、教師推薦等。根據(jù)干預(yù)環(huán)境，可以分為傳統(tǒng)干預(yù)和在線干預(yù)。傳統(tǒng)干預(yù)是指在課堂環(huán)境，由教師或其他人面對面地與學(xué)生進行交談、輔導(dǎo)，是基于真實空間的人際干預(yù)；在線干預(yù)是在學(xué)習(xí)平臺里，由教師或自行設(shè)計的學(xué)習(xí)程序，通過網(wǎng)絡(luò)與學(xué)生進行郵件溝通、留言提示、學(xué)習(xí)資源和任務(wù)推薦等干預(yù)，是基于虛擬空間的人機干預(yù)。

明確了干預(yù)類型后，教師可以根據(jù)學(xué)習(xí)實際需求進行選擇干預(yù)策略。李彤彤等人構(gòu)建了“狀態(tài)識別-策略匹配-干預(yù)實施-成效分析”四環(huán)節(jié)循環(huán)結(jié)構(gòu)干預(yù)模型，通過分析學(xué)習(xí)者的學(xué)習(xí)風(fēng)格類型、學(xué)習(xí)進度水平、學(xué)習(xí)互動水平、學(xué)業(yè)成就水平四方面的狀態(tài)水平，設(shè)計了服務(wù)于在線學(xué)習(xí)的具體干預(yù)策略、時機以及干預(yù)方式。但是如何在校園混合課程中構(gòu)建基于學(xué)習(xí)分析的干預(yù)模型和策略，還需要對混合課程中不同形式的干預(yù)效果進行深入分析，才能得出進一步的結(jié)論。因此本研究開展了兩輪實證研究。

四、教學(xué)干預(yù)的兩輪實證研究

（一）課程背景信息

研究對象是142名來自某高校的師范生。他們在2015和2016兩個學(xué)年里分兩輪參與了一門教育類必修課。該課程每學(xué)年開設(shè)一次，是將Moodle在線學(xué)習(xí)和實體課堂相結(jié)合的校園混合課程。參與第一輪課程學(xué)習(xí)的人數(shù)是78人（男生26人，女生52人）；參與第二輪課程學(xué)習(xí)的是64人（男生16人，女生48人）。全部學(xué)生在大學(xué)第一學(xué)期均使用Moodle平臺進行過C語言必修課的學(xué)習(xí)，對于在線學(xué)習(xí)平臺的功能和學(xué)習(xí)方式比較熟悉，因此適合做為校園混合課程的學(xué)習(xí)者。

該門必修課共有四次綜合性學(xué)習(xí)任務(wù)，分布于課程的第1周、第2-4周、第5-8周和第9-15周。本研究為每次任務(wù)進行打分，同時收集每輪學(xué)生的先導(dǎo)課程成績、心理認(rèn)知水平、在線學(xué)習(xí)參與度等數(shù)據(jù)，建立下一次學(xué)習(xí)任務(wù)的預(yù)測模型，并且在預(yù)測基礎(chǔ)上實施干預(yù)，從而實現(xiàn)動態(tài)改進課程質(zhì)量目的。

（二）根據(jù)學(xué)習(xí)預(yù)測結(jié)果選定干預(yù)對象

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)地變動的規(guī)律，建立多個變量之間數(shù)量關(guān)系式的統(tǒng)計方法。已有研究者將該方法用于學(xué)業(yè)成績預(yù)測，并取得了較好的預(yù)測效果，因此本研究使用多元線性回歸的方法建立預(yù)測模型，對學(xué)生在本課程下一個學(xué)習(xí)任務(wù)成績進行預(yù)測，為實施干預(yù)提供依據(jù)。兩輪研究均采用多元線性回歸分析的方法，建立了預(yù)測成績模型（Y1和Y2），其中Y1為第一輪學(xué)生的預(yù)測模型，Y2為第二輪學(xué)習(xí)的預(yù)測模型。

Y1=-2.793+0.069X4+0.539X3+0.006X6+0.029X2+0.158X5-0.120X1 （1）

Y2=5.260+0.326X3+0.020X4+0.003X6+0.120Xs-0.025X2+0.001X1 （2）

模型建立后，再用10%的樣本量進行檢驗，發(fā)現(xiàn)兩輪學(xué)習(xí)的平均預(yù)測準(zhǔn)確率94.4%和97.8%，說明模型較合理，整體預(yù)測效果較好，同時也證明預(yù)測模型較穩(wěn)定，其中績點（X3）、前導(dǎo)課成績（X4）和在線學(xué)習(xí)參與度（X6）成為影響力最大的預(yù)測因子。因此研究者用該模型，將全體學(xué)生的預(yù)測成績進行降序排列，按比例分為高（27%）、中（46%）、低（27%）三個分?jǐn)?shù)段。以每輪學(xué)習(xí)的其中一次預(yù)測成績?yōu)槔?，成績分布如下頁圖1和下頁圖2所示。

下頁圖1和下頁圖2中每個點代表一名學(xué)生，圓形代表高分組學(xué)生，方形代表中分組學(xué)生，三角形代表低分組學(xué)生。由圖可知，中分組同學(xué)的預(yù)測成績分布相對均勻，低分組的預(yù)測成績分布離散度大，因此所有高分組學(xué)生不采取干預(yù)措施，中低分組是需要采取教學(xué)干預(yù)的對象。

（三）混合課程中三類教學(xué)干預(yù)

根據(jù)前面的分析可知，根據(jù)干預(yù)規(guī)?？煞譃榘嗉壵w干預(yù)和學(xué)生個別干預(yù)；根據(jù)干預(yù)環(huán)境分為傳統(tǒng)方式面對面干預(yù)和學(xué)習(xí)平臺中的在線干預(yù)；根據(jù)干預(yù)程度分為告知提醒為主的淺層干預(yù)和針對性幫扶的深層干預(yù)。本研究在兩輪教學(xué)中進行了三種干預(yù)的對比實驗。

1.班級干預(yù)與個別干預(yù)

為對比班級干預(yù)與個別干預(yù)的區(qū)別，第一輪教學(xué)采取了班級干預(yù)，教師在課堂內(nèi)和在線平臺上對全班同學(xué)的作業(yè)表現(xiàn)進行集中點評與學(xué)習(xí)建議，而第二輪教學(xué)，教師同樣是利用面對面和在線兩種方式進行干預(yù)，但對于中低分組的學(xué)生進行了一對一的個別指導(dǎo)。結(jié)果發(fā)現(xiàn)，實施整體干預(yù)的班級在線參與度較高，學(xué)生在校園混合課程開設(shè)期間發(fā)帖總次數(shù)達到2293次，每周平均發(fā)帖數(shù)143個；教師回帖數(shù)量次數(shù)456次，每周平均在線回復(fù)28次。而實施個別干預(yù)的第二輪學(xué)生，班級整體的在線參與度明顯下降，發(fā)帖總量為1616次，每周平均發(fā)帖數(shù)101個。第一輪干預(yù)的師生在線討論發(fā)帖數(shù)如圖3所示。由圖3可知，每次教師發(fā)帖對班級進行整體干預(yù)后，當(dāng)周或者第二周就會引發(fā)學(xué)生上網(wǎng)討論的高峰，而在課程后期，即使教師干預(yù)密度略有降低，但班級的整體參與度依然保持良好發(fā)展勢頭，形成在線學(xué)習(xí)良好氛圍。

為進一步說明班級干預(yù)與個別干預(yù)對于學(xué)生群體在線參與度的影響，本研究采用社會網(wǎng)絡(luò)分法。社會網(wǎng)絡(luò)結(jié)構(gòu)指的是在社會行動者之間實際存在或者潛在的關(guān)系模式。社會網(wǎng)絡(luò)分析法（Social Network Analysis，以下簡稱SNA）常用于來研究成員的參與性和交互性，特別適合挖掘成員之間形成的關(guān)系。已有大量研究通過SNA分析學(xué)習(xí)者在線交互的情況。SNA中心勢是刻畫社會網(wǎng)絡(luò)整體中心性。中心勢越高說明網(wǎng)絡(luò)整體交互程度越好。通過調(diào)取本課程在線學(xué)習(xí)平臺的系統(tǒng)后臺日志分析每個學(xué)習(xí)者在社交網(wǎng)絡(luò)中的中心度，結(jié)果顯示第一輪參與班級的中心勢為40.68%，中心度最大值為21，第二輪班級的中心勢為6.02%，中心度最大值為18。UCINET分析軟件中的雷達圖可以輔助解讀社交網(wǎng)絡(luò)整體中心度的變化。中心度值越大，雷達圖覆蓋范圍越大，說明社交網(wǎng)絡(luò)集中度越高。如圖4所示，實施班級干預(yù)的2015年第一輪參與班級的協(xié)達覆蓋面積明顯高于實施個體干預(yù)的第二輪，說明班級干預(yù)下的社交學(xué)習(xí)中，網(wǎng)絡(luò)中心度高，學(xué)生群體互動程度積極，互動氛圍好。該結(jié)果與Van等人的研究結(jié)果吻合，即教師干預(yù)對于學(xué)生在線參與學(xué)習(xí)活動有明顯的促進作用。通過本課兩年來的預(yù)測模型可知，在線參與度是學(xué)業(yè)表現(xiàn)的主要影響因子。因此提高學(xué)生的在線學(xué)習(xí)參與度有助于提升混合課程教學(xué)質(zhì)量。

2.傳統(tǒng)干預(yù)與混合式干預(yù)

為對比傳統(tǒng)干預(yù)和混合式干預(yù)，第一輪研究中采用了面授與在線共存的混合干預(yù)，而第二輪研究中弱化了面向全體學(xué)生的在線交流，雖然與中低分組的部分學(xué)生也進行了一對一的在線交流，但是以面對面的傳統(tǒng)干預(yù)為主。

從學(xué)習(xí)成績來看，不同干預(yù)方式在兩輪研究均體現(xiàn)了一定的差異，如下頁表1所示。兩輪參與班級的中分組和低分組中，未接受教學(xué)干預(yù)的學(xué)生表現(xiàn)是相同的，即在下一個任務(wù)中得分仍處于中低分組，未出現(xiàn)明顯的成績改善。在接受干預(yù)的學(xué)弱群體中，下一次任務(wù)表現(xiàn)均出現(xiàn)了改善和提升。接受混合式干預(yù)的第一輪班級中，中低分組被干預(yù)的學(xué)生平均分提高顯著，達到了統(tǒng)計意義上的明顯變化程度（p<0.01），接受傳統(tǒng)干預(yù)為主的第二輪班級，也有改善（p=0.05）。因此，對于中低分組的學(xué)生而言，教學(xué)干預(yù)對于學(xué)業(yè)改善有明顯的促進作用，混合干預(yù)比傳統(tǒng)干預(yù)效果更為突出。

另外，通過SNA的社會網(wǎng)絡(luò)密度分析發(fā)現(xiàn)，兩.輪研究中班級的社會化學(xué)習(xí)網(wǎng)絡(luò)呈現(xiàn)出現(xiàn)不同的緊密程度。社會網(wǎng)絡(luò)密度是反映表示在線社群成員之間聯(lián)系的緊密程度，參與組織的成員之間聯(lián)系越多，網(wǎng)絡(luò)密度也就越大。

從兩輪參與班級的社會網(wǎng)絡(luò)密度來看，混合干預(yù)的班級網(wǎng)絡(luò)密度為1.034，如圖5所示，以傳統(tǒng)干預(yù)為主的班級網(wǎng)絡(luò)密度為1.002（因為在線交互矩陣為賦值矩陣，所以密度值可以大于1），如圖6所示，表明在社會網(wǎng)絡(luò)整體密度上，接受混合干預(yù)的班級高于接受傳統(tǒng)干預(yù)班級，即在社會化學(xué)習(xí)網(wǎng)絡(luò)的整體交互程度更深。

3.淺層干預(yù)與深層干預(yù)

第二輪教學(xué)中，主要對比干預(yù)層次的差異。淺層次教學(xué)干預(yù)是指提醒或告知被干預(yù)對象，需要對接下來的學(xué)習(xí)任務(wù)更為認(rèn)真和投入。比如教師通過口頭或者在線方式提醒學(xué)生“某某同學(xué)，接下來的課程里你需要更加努力哦，有問題可以隨時與教師和助教溝通”，并每周進行一次自愿參加的面授或在線答疑活動。深層次教學(xué)干預(yù)是根據(jù)學(xué)生在課程前期表現(xiàn)和預(yù)測結(jié)果，為其提出具體的，有針對性地深入指導(dǎo)，并根據(jù)其前期出現(xiàn)的學(xué)業(yè)弱點，給出詳細(xì)改進建議，每周進行一次必須參加的面授或在線答疑活動。

如右表2所示的結(jié)果，無論是淺層干預(yù)還是深層干預(yù)，對于低分組的學(xué)生來說，都有著明顯的促進作用，其成績的改變程度均達到了統(tǒng)計意義的非常顯著（p<0.01）。對于中分組的學(xué)生來說，深層干預(yù)達到了顯著提高的程度（p=0.007），淺層干預(yù)后無顯著提高（p=0.232）。因此在本研究淺層與深度干預(yù)對于低分組同學(xué)有明顯的改善學(xué)習(xí)質(zhì)量的幫助作用，但是對于中分組同學(xué)來說，深層干預(yù)的效果更好。當(dāng)然，我們要慎重地看待這一結(jié)果。因為本課是面向師范生的教學(xué)技能課程，與數(shù)理、計算機編程等對前導(dǎo)知識要求較高的學(xué)科不同，本課在知識難度上不存在較大的認(rèn)知障礙。低分學(xué)生更多是的在學(xué)習(xí)態(tài)度、方法以及對于學(xué)習(xí)內(nèi)容的理解深度和設(shè)計能力上存在差距。他們通過端正學(xué)習(xí)態(tài)度、優(yōu)化學(xué)習(xí)方法，重視同伴幫助和接受教師指導(dǎo)等多種干預(yù)措施，就有可能得到較明顯的改善。這也是為什么低分組更容易提高成績，而中分組需要進行深層干預(yù)才能達到顯著改善效果的原因。

（四）訪談學(xué)生對教學(xué)干預(yù)的看法

兩輪課程結(jié)束后，研究人員從兩個班級中隨機選擇了22名學(xué)生進行訪談。10名接受過干預(yù)的學(xué)生中，有9名同學(xué)明確指出教學(xué)干預(yù)對其學(xué)業(yè)有明顯的促進作用，他們對待課程的態(tài)度和付出程度明顯提高，他們表示“老師找我談過后我就得認(rèn)真學(xué)習(xí)了”“老師重視我，我更要重視自己了”“老師給我的意見給了我很強的激勵作用”“老師幾次的幫助對我?guī)椭貏e大”“希望其他課也能得到老師這樣的關(guān)注和幫助”。未接受干預(yù)的12名學(xué)生發(fā)表了除了對課程建設(shè)的意見以外，有8人提出希望得到教師更多的評價和指導(dǎo)，“希望老師能根據(jù)我的情況給我更多的建議”“希望課程不僅是給分，給評語，希望老師能給我更為具體的指導(dǎo)”。將所有學(xué)生的訪談實錄詞頻生成詞云（如下頁圖7所示），可知多數(shù)學(xué)生希望得到正面的教學(xué)干預(yù)，尤其是個別化的深層的干預(yù)，由此提升學(xué)習(xí)效果。

五、結(jié)語

本研究依托校園混合課程，探索基于學(xué)習(xí)預(yù)測的教學(xué)干預(yù)，并用連續(xù)兩年的實證研究驗證不同干預(yù)形式的有效性，以提高校園混合課程教學(xué)質(zhì)量。結(jié)果發(fā)現(xiàn)，班級干預(yù)比個別干預(yù)更能激發(fā)學(xué)生群體的在線學(xué)習(xí)參與度；混合教學(xué)干預(yù)比面授干預(yù)更能建立良好的社會化學(xué)習(xí)網(wǎng)絡(luò)；深層干預(yù)與淺層干預(yù)對于中低分組的學(xué)生均有正向促進作用，但深層干預(yù)對于中分組學(xué)生的教學(xué)改善作用更為明顯。同時，在研究過程中也發(fā)現(xiàn)了教學(xué)干預(yù)存在的一些問題。比如班級干預(yù)和深層干預(yù)對學(xué)生的直接幫助作用較大，但是對教師的教學(xué)投入時間和精力提出了極高的要求，不適合大規(guī)模的混合課程。建議教師可以嘗試建立輪流助教機制，發(fā)動學(xué)生組長和優(yōu)秀生起到小導(dǎo)師作用以及使用人工智能軟件等多種方式輔助教學(xué)干預(yù)。對于混合干預(yù)，則要把握好預(yù)測與干預(yù)的時機。預(yù)測時間太早，則可用于預(yù)測的數(shù)據(jù)不夠充分，導(dǎo)致預(yù)測準(zhǔn)確率低，而預(yù)測時間晚，則有可能錯過最佳干預(yù)時機，令學(xué)弱生覺得改進無望，最終放棄配合干預(yù)。而且無論是預(yù)測還是干預(yù)，都對教師的數(shù)字素養(yǎng)、數(shù)據(jù)分析和數(shù)據(jù)洞察能力提出了更高的要求。因此基于學(xué)習(xí)分析技術(shù)的教學(xué)干預(yù)，還需要在理論和實踐上進行更多的探索，真正成為提升校園混合課程質(zhì)量的利器。