程光勝

(寧夏財經(jīng)職業(yè)技術(shù)學(xué)院 信息與智能工程系，銀川 750021)

一、引言

隨著信息技術(shù)的快速發(fā)展，學(xué)習(xí)方式、形態(tài)及環(huán)境已經(jīng)發(fā)生了翻天覆地的變化。新一代信息技術(shù)逐漸融入教育教學(xué)活動，在線學(xué)習(xí)催生出虛擬學(xué)習(xí)、移動學(xué)習(xí)、泛在學(xué)習(xí)、數(shù)字化學(xué)習(xí)、智能學(xué)習(xí)、智慧學(xué)習(xí)等概念。與傳統(tǒng)學(xué)習(xí)相比，在線學(xué)習(xí)表現(xiàn)出技術(shù)支持、交互與協(xié)作、時空分離、自主與適應(yīng)等特征[1]。受到新型冠狀病毒肺炎疫情的影響，在線學(xué)習(xí)不再是以往傳統(tǒng)學(xué)習(xí)的補充，而成為學(xué)習(xí)常態(tài)，在線學(xué)習(xí)優(yōu)勢日益凸顯，掀起了教育信息化新的浪潮，推動教育教學(xué)深度改革。

通過對在線學(xué)習(xí)行為及學(xué)習(xí)效果的研究，從理論層面，有助于從數(shù)據(jù)科學(xué)角度探索信息化教育教學(xué)模式，豐富學(xué)習(xí)分析領(lǐng)域的理論內(nèi)涵，并進一步挖掘在線學(xué)習(xí)環(huán)境下促進學(xué)習(xí)的作用機制和內(nèi)在邏輯；在實踐層面，可以發(fā)現(xiàn)行為數(shù)據(jù)背后的規(guī)律，對于優(yōu)化在線學(xué)習(xí)平臺、調(diào)整教學(xué)決策和精準干預(yù)，具有重要的指導(dǎo)作用。

二、在線學(xué)習(xí)行為與學(xué)習(xí)效果研究概況

在線學(xué)習(xí)行為是在學(xué)習(xí)動機的驅(qū)使下，學(xué)習(xí)者通過在線學(xué)習(xí)平臺或環(huán)境提供的各項學(xué)習(xí)活動，實現(xiàn)整個學(xué)習(xí)的過程集合。從外在表現(xiàn)來看，就是學(xué)習(xí)者和學(xué)習(xí)環(huán)境之間的一系列操作和交互，這些操作和交互最終被系統(tǒng)記錄下來形成學(xué)習(xí)行為數(shù)據(jù)。以超星學(xué)習(xí)通為例，系統(tǒng)會記錄任務(wù)點完成情況、音視頻觀看詳情、參與主題討論、投票、搶答、問卷活動等學(xué)習(xí)行為數(shù)據(jù)，這些數(shù)據(jù)為分析學(xué)習(xí)行為模式提供數(shù)據(jù)基礎(chǔ)。

在線學(xué)習(xí)行為方面，國內(nèi)外相關(guān)學(xué)者也做了大量的研究。歐陽嘉煜等提出通過特征工程方法來識別學(xué)習(xí)分析中的行為模式，并將其運用到“投機取巧(Gaming the System)、挫折與困惑(Frustration and Confusion)、注意力集中與粗心(Engaged Concentration and Careless)、心不在焉與不假思索(Off-Task and Without Thinking Fastidiously)”等經(jīng)典的行為模式中[2]。馬志強等通過描述性、診斷性、預(yù)測性三個維度，從整體上探究個體與群體、群體之間的行為差異，并采用滯后序列分析等方法進行了實證分析[3]。程光勝基于Hadoop框架和R語言實現(xiàn)了學(xué)生行為特征的分析，從學(xué)生管理角度為學(xué)校的高層決策提供智力支持[4]。

學(xué)習(xí)效果方面，江波等研究發(fā)現(xiàn)，學(xué)習(xí)過程中的行為序列數(shù)據(jù)更能反映學(xué)習(xí)者學(xué)習(xí)行為軌跡，同時可以較準確地預(yù)測出學(xué)習(xí)者的學(xué)習(xí)成就，為教師的精準干預(yù)、教育教學(xué)績效提供有價值的建議[5]。趙呈領(lǐng)等從網(wǎng)絡(luò)學(xué)習(xí)資源視角，將具有相似訪問網(wǎng)絡(luò)學(xué)習(xí)資源行為的學(xué)習(xí)者進行了聚類，針對不同的類型與學(xué)習(xí)資源之間開展Kruskal-Wallis檢驗和Mann-Whitney U檢驗，并從提升學(xué)習(xí)成效方面提出了學(xué)習(xí)資源建設(shè)的措施和建議[6]。沈欣憶等基于MOOC平臺上產(chǎn)生的學(xué)習(xí)行為數(shù)據(jù)，運用Python技術(shù)以及Stata采用抽樣逐步回歸方法，建立學(xué)生在線學(xué)習(xí)行為與在線學(xué)習(xí)績效評估模型，并提出促進MOOC學(xué)習(xí)績效提升的教學(xué)策略建議[7]。馬忠玲利用SPSS對學(xué)生的在線學(xué)習(xí)情況進行統(tǒng)計和分析，并從性別、學(xué)習(xí)行為特征、學(xué)習(xí)成績等方面探索了在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的內(nèi)在聯(lián)系，并給出了提升成人學(xué)習(xí)者教學(xué)質(zhì)量的意見和建議[8]。

上述文獻為本文研究提供了思路，但大部分是基于本科層次的學(xué)生，在分析中關(guān)注特殊群體學(xué)生，忽視對在線學(xué)生學(xué)習(xí)的整體性分析，缺乏對學(xué)習(xí)行為數(shù)據(jù)的具體解釋。在基于超星學(xué)習(xí)通的混合式教學(xué)環(huán)境下，一方面為學(xué)生提供規(guī)模化的在線學(xué)習(xí)環(huán)境，另一方面也輔助教師開展正常的線上線下實際教學(xué)。因此，本文基于超星學(xué)習(xí)，立足高職學(xué)生學(xué)習(xí)實際，分析在線學(xué)習(xí)的各項學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系，從而發(fā)現(xiàn)行為背后的潛在規(guī)律，并從優(yōu)化資源、學(xué)習(xí)空間組織視角給出相關(guān)的建議和措施。

三、研究設(shè)計

(一)研究目標

通過對高職學(xué)生在線學(xué)習(xí)數(shù)據(jù)的有效分析，發(fā)現(xiàn)學(xué)生的在線學(xué)習(xí)行為模式，進而建立學(xué)生學(xué)習(xí)行為對學(xué)習(xí)效果的影響模型，從而為教師優(yōu)化教學(xué)策略、有效開展在線教學(xué)、精準指導(dǎo)學(xué)生學(xué)習(xí)提供有效信息和建議。

學(xué)生參與在線學(xué)習(xí)所體現(xiàn)出的固有行為模式，是行為、習(xí)慣、興趣、認知、情感等融合在一起的多元結(jié)構(gòu)，而且認知和情感因素對學(xué)習(xí)效果也有很重要的影響，但是鑒于數(shù)據(jù)采集、處理和分析的復(fù)雜性，以及容易受到人為干預(yù)等原因。因此，認知和情感因素在本研究過程中不作為影響因素。

(二)研究對象

本文的研究對象是高職學(xué)生。與普通本科學(xué)生相比，大部分高職學(xué)生存在學(xué)習(xí)目標不明確、學(xué)習(xí)自主性不強、缺乏學(xué)習(xí)動力、學(xué)習(xí)能力和學(xué)習(xí)效率相對較弱、對問題的理解和鉆研不夠深入，且創(chuàng)造性思維、能力和水平不夠突出等問題。同時，近年來高職院校的學(xué)生來源拓寬，從而使得高職學(xué)生的學(xué)習(xí)基礎(chǔ)、學(xué)習(xí)風(fēng)格、學(xué)習(xí)習(xí)慣以及學(xué)習(xí)能力等方面存在很大差異。因此，無論是在傳統(tǒng)課堂教學(xué)中，還是網(wǎng)絡(luò)化線上學(xué)習(xí)環(huán)境中，表現(xiàn)出的在線學(xué)習(xí)行為也多種多樣。

(三)數(shù)據(jù)獲取

本文分析數(shù)據(jù)來源于超星學(xué)習(xí)通平臺上Java Script程序設(shè)計課程的在線學(xué)習(xí)數(shù)據(jù)。該門課程的學(xué)習(xí)通過任務(wù)點來完成指定的學(xué)習(xí)任務(wù)，任務(wù)點設(shè)置為觀看課程視頻、書面作業(yè)、閱讀文檔片段等。任務(wù)點的核心是課程的音視頻數(shù)據(jù)，學(xué)生在觀看的過程中，系統(tǒng)會記錄觀看時長，以及反芻比(視頻觀看時長/視頻實際時長*100%)；在學(xué)習(xí)過程中可以參與具體的討論，系統(tǒng)會記錄總討論數(shù)、發(fā)表討論以及回復(fù)討論、獲贊數(shù)等；章節(jié)學(xué)習(xí)次數(shù)反映學(xué)生學(xué)習(xí)該門課程的頻繁度，以及具體的學(xué)習(xí)時段；成績數(shù)據(jù)有章節(jié)測驗和期末考試成績；最后的總成績由上述學(xué)習(xí)數(shù)據(jù)和成績數(shù)據(jù)按照不同的比例加權(quán)計算得出。

因此，結(jié)合研究的實際目標，采集的數(shù)據(jù)有：登錄次數(shù)(x1)、任務(wù)點完成次數(shù)(x2)、視頻觀看總時長(x3)、重復(fù)觀看視頻次數(shù)(x4)、發(fā)表討論數(shù)(x5)、回復(fù)討論數(shù)(x6)、學(xué)習(xí)次數(shù)(x7)、作業(yè)完成次數(shù)(x8)、平時測試成績(x9)、期末考試成績(y)。

(四)研究工具與方法

本研究使用Excel和SPSS軟件對所得數(shù)據(jù)進行加工。利用Excel對從超星學(xué)習(xí)通獲取學(xué)生學(xué)習(xí)數(shù)據(jù)進行初步匯總與分析，然后統(tǒng)一導(dǎo)入到SPSS中，對其進建模并深入分析。因此，在研究方法上，采用數(shù)量分析法和實證建模法，以具體的學(xué)生學(xué)習(xí)行為數(shù)據(jù)探索學(xué)習(xí)者之間相似的行為特征，并構(gòu)建在線學(xué)習(xí)行為和學(xué)習(xí)效果之間的量化方程，前者采用聚類分析方法，后者采用回歸分析方法。

(五)關(guān)于學(xué)習(xí)效果的說明

職業(yè)教育人才培養(yǎng)的目標是為社會和國家培養(yǎng)更多高素質(zhì)技術(shù)技能人才、能工巧匠、大國工匠。因此，學(xué)生的學(xué)習(xí)效果具體體現(xiàn)為：技術(shù)技能的提升、職業(yè)素養(yǎng)的養(yǎng)成、學(xué)習(xí)態(tài)度的轉(zhuǎn)變、學(xué)習(xí)興趣的培養(yǎng)、學(xué)習(xí)能力的增強、工匠精神的塑造等多個方面?？梢钥闯?，學(xué)習(xí)效果具有綜合性、抽象性和多樣性，這也決定了學(xué)習(xí)效果量化的復(fù)雜性。所以，在本文的實證分析中，為了降低這種復(fù)雜性，簡化數(shù)據(jù)處理，基于傳統(tǒng)和一般認識，以學(xué)習(xí)成績反映學(xué)習(xí)效果，從而構(gòu)建在線學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系。但是，學(xué)習(xí)成績僅僅是學(xué)習(xí)效果的一部分，二者之間不存在等價關(guān)系，也不存在嚴格的因果關(guān)系，這里特此說明。

四、數(shù)據(jù)建模

(一)在線學(xué)習(xí)行為分析

學(xué)生學(xué)習(xí)數(shù)據(jù)包含了很多關(guān)鍵信息，在綜合比較相關(guān)文獻的基礎(chǔ)上，本文采用聚類方法研究在線學(xué)習(xí)行為模式。由于沒有特定類別的數(shù)據(jù)標簽，不適合使用分類，因此通過聚類將相似的學(xué)習(xí)者聚為一起。常見的聚類方法有層次聚類和K均值聚類，二者各有優(yōu)缺點和不同的應(yīng)用場景。本文首先對數(shù)據(jù)采用層次聚類確定聚類的數(shù)目，然后以此為基礎(chǔ)進行K均值聚類，進而發(fā)現(xiàn)不同類別下的共性行為。

通過層次聚類可以得到Agglomeration Schedule，然后通過Excel利用樣本個數(shù)減去Stage列創(chuàng)建新的一列，命名為“類別數(shù)”，然后通過升序排列該列數(shù)據(jù)，再以“類別數(shù)”為橫軸，表中的“Coefficients”列為縱軸，繪制折線圖，具體結(jié)果如圖1所示。

圖1 在線學(xué)習(xí)行為層次聚類結(jié)果

圖1可以看出，整條折線明顯下降且逐漸趨于水平，當類別數(shù)取3或4時，與之前的近乎垂直下降相比，明顯趨緩。因此，3或4可作為K均值聚類中類別數(shù)的輸入，本文設(shè)定為4。

在具體執(zhí)行K均值聚類前，首先對各指標數(shù)據(jù)進行標準化變換，即：各指標數(shù)據(jù)減去均值然后除以樣本標準差，標準化變換后各指標數(shù)據(jù)的平均值為0，標準差為1。這樣一方面消除了各指標數(shù)據(jù)量綱不同帶來的影響，另一方面可以縮小聚類分析中的偏差。利用SPSS對學(xué)生行為K均值聚類后，生成的方差分析和聚類結(jié)果分別如表1和表2所示。

表1 方差分析ANOVA(方差分析)

表2 學(xué)生在線學(xué)習(xí)行為聚類結(jié)果Final Cluster Centers(最終聚類中心)

從方差分析(ANOVA)呈現(xiàn)的結(jié)果來看，這9個變量的F檢驗都非常顯著，說明這些變量在聚類分析中都起到了作用。結(jié)合在線學(xué)習(xí)行為數(shù)據(jù)和具體的聚類結(jié)果，可以將在線學(xué)習(xí)行為分為如下四種模式：(1)“學(xué)習(xí)慵懶型”：在各項學(xué)習(xí)行為上表現(xiàn)都不積極，不重視學(xué)習(xí)，主動學(xué)習(xí)能力很差；(2)“積極應(yīng)付型”：登錄次數(shù)比較活躍，發(fā)表和回復(fù)討論積極，但是觀看視頻、作業(yè)完成等其他學(xué)習(xí)行為都很低；(3)“認真拘謹型”：各項學(xué)習(xí)行為突出，但是發(fā)表討論和回復(fù)討論較低，即在認真學(xué)習(xí)過程中，缺乏學(xué)習(xí)的互動性，可能跟不擅長社交等有關(guān)；(4)“認真活躍型”：各項學(xué)習(xí)行為均表現(xiàn)得非常顯著。

(二)學(xué)習(xí)行為對學(xué)習(xí)效果的影響

上面對學(xué)習(xí)者的行為進行了聚類分析，通過聚類分析對相似行為的學(xué)生進行了類型劃分，從而為教師開展針對性教學(xué)提供依據(jù)。從學(xué)習(xí)效果方面來看，學(xué)生的在線學(xué)習(xí)行為體現(xiàn)了學(xué)生學(xué)習(xí)的多方面信息，比如學(xué)習(xí)認知、學(xué)習(xí)習(xí)慣、學(xué)習(xí)風(fēng)格、學(xué)習(xí)態(tài)度等，不同的學(xué)習(xí)行為可能會產(chǎn)生不同的學(xué)習(xí)效果。因此，這里對其進行具體研究，采用定量方法揭示學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系。張紅艷等認為，學(xué)習(xí)行為是預(yù)測學(xué)生學(xué)習(xí)效果的重要變量[9]，這說明各種學(xué)習(xí)行為變量和學(xué)習(xí)效果變量之間是有關(guān)系的。探討變量之間的數(shù)量關(guān)系，從已有研究文獻來看，主要有決策樹、神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí))、隨機森林等方法。決策樹方法基于規(guī)則產(chǎn)生結(jié)果輸出，因此可解釋性很強，但是對于連續(xù)性數(shù)據(jù)變量而言，其效果并不理想。神經(jīng)網(wǎng)絡(luò)方法在預(yù)測學(xué)習(xí)效果上，雖然可以有較高的準確率，但是指標的解釋性很差[10]，并且容易出現(xiàn)過擬合。隨機森林方法可得到較高的準確率，但是對數(shù)據(jù)量的要求較高，當樣本量較小時，準確率的波動很大、穩(wěn)定性減弱[11]。由于回歸模型的簡單性和很強的解釋性，因此，這里采用線性回歸模型來構(gòu)建學(xué)習(xí)行為變量和學(xué)習(xí)效果變量之間的回歸模型。

回歸模型描述了因變量的平均狀態(tài)隨自變量變化的情況，通過最小二乘法，按照偏差平方和達到最小的原則，使得觀測值和理論值之間的偏差平方和最小。

在SPSS中，以y為因變量，x1，……，x9為自變量，建立線性回歸模型，由于不同變量對被解釋變量的影響不同，或者甚至沒有影響。因此，在回歸方法中，選擇逐步(Stepwise)回歸，回歸結(jié)果如表3和表4所示。

從表3和表4可以看出，模型的整體擬合效果較好，修正可決系數(shù)達到0.82。ANOVA方差分析表顯示，F(xiàn)檢驗顯著性Sig≈0.000，說明學(xué)習(xí)成績y對作業(yè)完成次數(shù)x8、任務(wù)點完成次數(shù)x2、平時測試成績x9、學(xué)習(xí)次數(shù)x7的線性回歸高度顯著。從Coefficients系數(shù)表中得到回歸方程為：y=65.208+1.308*x8+0.822*x2-1.088*x9+0.077*x7，各項系數(shù)的t檢驗顯著性Sig≈0.000同樣高度顯著，從該方程可以看出，x2對期末考試成績的影響最大。但是，在回歸方程中，x9前的系數(shù)為-1.088，這與常規(guī)不相符合，可能與多重共線性有關(guān)，通過Collinearity Diggnostics輸出發(fā)現(xiàn)，Eigenvalue值為0.002，而Condition Index達到47.894，說明x9變量的引入存在多重共線性。刪除x9后，重新建立回歸模型，發(fā)現(xiàn)修正可決系數(shù)為0.675，較之前的0.82降低很多，這說明x9引入到模型中是有必要的，因此加入x9后出現(xiàn)多重共線的原因可能跟數(shù)據(jù)的樣本容量有限有關(guān)，如果樣本數(shù)據(jù)增大，關(guān)于x9多重共線性會減弱很多，x9前的系數(shù)會得到有效修正。

表3 模型概要Model Summarye

表4 各系數(shù)t統(tǒng)計檢驗Coefficientsa

五、研究結(jié)論及建議

從上面的定量分析和實證研究來看，在線學(xué)習(xí)環(huán)境下的學(xué)習(xí)行為存在特定的行為模式，這些行為模式可從學(xué)習(xí)認知、學(xué)習(xí)習(xí)慣以及學(xué)習(xí)主體本身的特征等方面進行解釋，不同的行為模式可為教師的分類教學(xué)和指導(dǎo)提供有力的支持，比如對“學(xué)習(xí)懶惰型”，需要加強平時的思想教育，轉(zhuǎn)變學(xué)習(xí)觀念和端正學(xué)習(xí)態(tài)度，建立對知識掌握和技能習(xí)得的正確認知；對“積極應(yīng)付型”，需激發(fā)其學(xué)習(xí)興趣，幫助樹立學(xué)習(xí)目標，通過階段性目標達成，使學(xué)生客觀認識自我，建立信心；“認真拘謹型”，要重視學(xué)生的溝通交流能力，因為在社會環(huán)境中，溝通本身已經(jīng)成為一種生產(chǎn)力，表述更專業(yè)就是思想的流動模式與生產(chǎn)力的增長和創(chuàng)造性輸出有著直接的關(guān)系[13]；對“認真活躍型”，通過參加各項技能大賽、“互聯(lián)網(wǎng)+”大學(xué)生創(chuàng)新創(chuàng)業(yè)大賽等，進行系統(tǒng)化和綜合化培養(yǎng)，培養(yǎng)創(chuàng)造性思維和能力。

從學(xué)習(xí)行為和學(xué)習(xí)效果的回歸結(jié)果來看，在線學(xué)習(xí)過程中的作業(yè)完成次數(shù)、任務(wù)點完成次數(shù)、平時測試成績以及學(xué)習(xí)次數(shù)對學(xué)習(xí)成績存在正向影響。在其他因素保持不變的前提下，作業(yè)完成次數(shù)、任務(wù)點完成次數(shù)、平時測試成績以及學(xué)習(xí)次數(shù)這些行為中的一個或多個增減會使得學(xué)習(xí)成績也發(fā)生相應(yīng)的增減。事實上，這些行為也反映出學(xué)生在學(xué)習(xí)過程中的時間、精力的投入，對學(xué)習(xí)內(nèi)容的感興趣程度，以及對其鉆研的情況，也進一步印證了“一份付出、一份收獲”的道理。因此，作為教學(xué)一線教師，在布置作業(yè)時，要結(jié)合高職學(xué)生的學(xué)情和學(xué)習(xí)特點，一方面通過作業(yè)激發(fā)學(xué)生學(xué)習(xí)動力，增強學(xué)習(xí)的自主性，另一方面要有培養(yǎng)高職學(xué)生探究問題能力的意識。在設(shè)置任務(wù)點時，適時提供學(xué)生表達的機會和互動的空間，讓學(xué)生能夠?qū)W(xué)習(xí)過程中的所思所想以及疑問表達出來，一方面能夠顯示記錄學(xué)生的學(xué)習(xí)過程，讓學(xué)生獲得學(xué)習(xí)的成就感，另一方面通過記錄和表達能夠引發(fā)學(xué)生積極主動地思考。平時測試是對學(xué)生階段性學(xué)習(xí)的一個檢測，對最終的學(xué)習(xí)成績也有很大影響，因此也十分有必要，能夠起到查缺補漏、階段性預(yù)警的作用。學(xué)習(xí)次數(shù)在一定程度上反映了學(xué)生的勤奮程度或者對課程的興趣度，老師可以適度關(guān)注學(xué)習(xí)次數(shù)高的這部分學(xué)生。

定量化的分析結(jié)果也為重新組織教學(xué)空間提供了有效依據(jù)。因此，可從在線學(xué)習(xí)行為等方面入手，優(yōu)化在線學(xué)習(xí)環(huán)境中的學(xué)習(xí)資源配置，激發(fā)學(xué)生學(xué)習(xí)興趣，從而提高學(xué)習(xí)效果。

(一)豐富學(xué)習(xí)資源，提升視頻資源比重

從設(shè)置的任務(wù)點類型來看，學(xué)生更加偏好視頻學(xué)習(xí)資源，這就要求對在線課程的資源開發(fā)上，要提供高質(zhì)量的視頻資源。從學(xué)生學(xué)習(xí)視頻資源的統(tǒng)計數(shù)據(jù)來看，短視頻的資源更受學(xué)生歡迎和喜愛，這是因為人在接受知識時，高度的注意力是有一定時間限制的，而且相關(guān)研究也表明，分散學(xué)習(xí)或碎片化學(xué)習(xí)能夠加強學(xué)習(xí)者對知識的記憶和理解[12]。因此，對于知識點和技能點很多的教學(xué)內(nèi)容，在開發(fā)視頻資源時，做到適度拆分，形成邏輯上連續(xù)的多個短視頻集合，也可以將一個復(fù)雜的知識點或技能點分解到多個視頻資源中，這樣可促進知識的有效遷移。同時，要創(chuàng)新資源形式，豐富學(xué)習(xí)資源，根據(jù)內(nèi)容變化保持適度更新，提高資源的新穎度，激發(fā)學(xué)生的學(xué)習(xí)興趣，從而提高在線學(xué)習(xí)效果。

(二)學(xué)練結(jié)合，提高作業(yè)的設(shè)計質(zhì)量

從建模結(jié)果來看，學(xué)生作業(yè)也是影響學(xué)習(xí)效果的一個關(guān)鍵變量，因此，設(shè)計高質(zhì)量的作業(yè)也是提升學(xué)習(xí)效果的一個重要途徑。作業(yè)的高質(zhì)量設(shè)計表現(xiàn)在：(1)控制難度，要讓學(xué)生通過作業(yè)提高學(xué)習(xí)的成就感和自信心；(2)體現(xiàn)重點和難點，通過重點和難點鞏固每次學(xué)習(xí)的內(nèi)容；(3)減少題量，如果長時間的在線學(xué)習(xí)和在線作業(yè)，就會引起學(xué)生在線學(xué)習(xí)的厭惡感，這樣不但沒有起到提高學(xué)習(xí)效果的目的，反而會降低學(xué)習(xí)效果；(4)有一定的激勵措施，對符合要求的作業(yè)要有獎勵(比如加分)，優(yōu)秀的作業(yè)放到展覽區(qū)示范，增強學(xué)生的自我效能感，從而促進深層次的學(xué)習(xí)。

(三)利用學(xué)習(xí)數(shù)據(jù)，開展個性化教學(xué)

教師要積極關(guān)注學(xué)生的學(xué)習(xí)數(shù)據(jù)，通過學(xué)習(xí)數(shù)據(jù)識別“困難”學(xué)生、“中間”學(xué)生和“優(yōu)秀”學(xué)生，針對不同層面的學(xué)生進行線下個性化的輔導(dǎo)和教學(xué)，讓學(xué)習(xí)有困難的學(xué)生能夠及時跟進，讓中間群體的學(xué)生能夠盡最大努力向優(yōu)秀靠近，讓優(yōu)秀的學(xué)生更加優(yōu)秀。分層次開展個性化教學(xué)，能夠讓不同層面的學(xué)生體驗學(xué)習(xí)提升所帶來的成就和快樂，從而會促進學(xué)習(xí)態(tài)度的轉(zhuǎn)變，提升主動學(xué)習(xí)意愿，達到“教育終極關(guān)懷”的教育目標。

(四)靈活運用在線學(xué)習(xí)的工具和方法

不同的在線學(xué)習(xí)平臺會提供不同的工具和方法，比如學(xué)習(xí)打卡、主題討論、問卷調(diào)查等，這些工具的使用可能會激發(fā)學(xué)生上課的興趣，但是跟學(xué)習(xí)效果關(guān)聯(lián)性較弱，而且過度使用可能會適得其反，進一步降低學(xué)習(xí)興趣。歸根到底，這些工具是一種淺層的師生、生生互動的弱交互工具，無法實現(xiàn)深度溝通、情意表達和思維方式的培養(yǎng)。因此，老師在教學(xué)過程中，要靈活把握這個“度”，讓工具和方法為教學(xué)目標服務(wù)。

六、結(jié)語

在線學(xué)習(xí)是當前信息化教學(xué)環(huán)境下學(xué)生學(xué)習(xí)的主流方式，在線學(xué)習(xí)行為分析是學(xué)習(xí)分析的一個重要內(nèi)容，通過對數(shù)據(jù)的分析和挖掘，理解、優(yōu)化學(xué)習(xí)過程，提高教與學(xué)的質(zhì)量和效果。本文結(jié)合高職院校學(xué)生在線學(xué)習(xí)的實際，選擇超星學(xué)習(xí)通平臺上JavaScript程序設(shè)計課程的學(xué)習(xí)數(shù)據(jù)，對高職學(xué)生的在線學(xué)習(xí)行為和學(xué)習(xí)效果進行了分析與建模，從而發(fā)現(xiàn)不同學(xué)生相似的在線學(xué)習(xí)行為，以及影響學(xué)習(xí)效果的主要因素，并根據(jù)這些分析結(jié)果提出了相關(guān)的建議和措施。但是，由于課程采集的數(shù)據(jù)有限，分析結(jié)果是建立在小樣本基礎(chǔ)上，所以與大樣本下的在線學(xué)習(xí)行為還有一定的差距。因此，在后續(xù)的研究中，根據(jù)職業(yè)院校學(xué)生的成長實際，界定學(xué)習(xí)效果，并隨著在線學(xué)習(xí)行為數(shù)據(jù)規(guī)?；媱潖膶W(xué)習(xí)動機、學(xué)習(xí)偏好、學(xué)習(xí)認知、學(xué)習(xí)情感、學(xué)習(xí)環(huán)境等方面開展詳細的研究，為實施個性化、適性化的精準教育提供進一步的探索。