在线学习行为输入分析框架及测评指标研究_因子分析论文

在线学习行为投入分析框架与测量指标研究,本文主要内容关键词为:在线论文,测量论文,框架论文,指标论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。

      [修回日期]2016-02-29

      [中图分类号]G434 [文献标识码]A [文章编号]1007-2179(2016)02-0077-12

      [DOI编码]10.13966/j.cnki.ldyyj.2016.02.010

      行为投入(behavioral engagement)是学习投入的基本构成维度,是学生学习心理投入(情感投入和认知投入)的载体(Newmann et al.,1992)。学习行为投入是影响学习绩效的重要因素(Lahaderne,1968;Anderson,1975;Finn,1989;Birch & Ladd,1997;Fredricks et al.,2004;Johnson & Sinatra,2012等),对学习行为投入的及时评测与干预会有效地促进学习绩效的改善。

      在线学习行为投入的评测早受人关注。在二十世纪九十年代末,就有研究对在线论坛异步交互数据进行分析,评价学生间交互参与度和交互质量。学习管理系统(Learning Management System,简称LMS)的普及在线教学方法的演进使得可被记录与分析的学习数据更加多样化,对行为投入的分析也从论坛交互数据拓展到对学习管理系统各类学习数据的分析。在此背景下,哈拉斯廷斯基(Hrastinski,2009)提出在线参与学习理论,指出在线学习参与是学生参与学习以及与他人保持联系的复杂过程,包括个体认知和社会性等各类投入活动。一些学者对不同环境中在线学习参与指标与学习绩效的关系进行了实证研究,发现在线学习参与对学习成绩同样具有预测作用(Rafaeli & Ravid,1997;Morris et al.,2005;Macfadyen & Dawson,2010;Wong,2013;Hamane,2014)。还有学者对如何分析和评测在线学习参与度进行了理论与实践的初步探索(Zhu,2006;Beer & Clark,2010;李文昊,2011;李银玲,2008;彭敏军等,2011;Abdous et al.,2012;张艳梅等,2014)。

      然而,已有关于在线学习行为投入的分析与评价缺乏对学习投入研究中关于行为投入构成、类型、评测等成果的充分借鉴,尚未形成较成熟的投入分析模型,也缺乏对有关投入测量指标的实证研究。究竟该如何分析学习管理系统中学生的学习行为投入,哪些指标能够有效表征投入,在线学习行为投入对学习绩效有怎样的影响等问题仍需更多实证研究探讨。综上,本研究在学习行为投入理论评测研究基础上,通过课程学习管理系统数据,对在线学习行为投入的分析框架与测量指标进行研究。

      二、相关文献研究

      (一)内涵与类型

      行为投入研究源自二十世纪三十年代泰勒(Tyler)提出的“任务时间理论”,是学习投入研究的重要分支。行为投入关注学生学习活动中的行为表现,包括投入时间、活动强度和努力程度等(Jacobi et al.,1987;Patrick et al.,1993),如准时上课、认真听讲、积极回答教师问题、准时提交作业、遇到难题不放弃等。费恩(Finn,1989)将行为投入定义为学生参与学校学术与课外活动的表现。斯金纳(Skinner,1993)认为行为投入指学生参与学习活动的强度,米瑟雷迪诺(Miserandino,1996)认为行为投入指可以观察到的学生课堂行为表现,马科斯(Marks,1998)认为行为投入既包括课堂中学生的努力程度,也包括课外时间的投入等。综上,行为投入指学生在学习活动中投入的时间、精力和努力,是可以被观测到的外显行为表现。

      (二)分析与评测

      很多文献对行为投入的观察、分析与评测视角和维度进行了探索,并开发出行为投入的评测工具(McKinney et al.,1975;Kerr,1986;Fredricks et al.,2011),为搭建在线学习行为投入分析框架提供了依据。

      有些学者讨论了学生行为投入类型。如费恩(Finn,1989)的参与-认同模型将学生投入行为归为四类:对要求的响应、课堂活动中的主动表现、参与课外活动、参与学校管理与决策。费恩(Finn,1989)认为,上述四种行为投入体现了学生对学校机构的认同感与归属感从低到高的变化。在费恩的基础上,弗雷德里克斯(Fredricks et al.,2004)将行为投入归纳为三类:积极执行相关规定与要求,没有出现违规或破坏性行为(如逃课)(Finn,1993);学习或学术任务中的表现,如努力、坚持、专注、提问、参与讨论等(Skinner & Belmont,1993);参加课外和学校相关活动的情况,如体育运动或学校管理(Connell & Wellborn,1991)。

      一些学者对学术任务中的行为投入构成或表现进行了探索。如斯威夫特和斯皮瓦克(Swift & Spivack,1969)基于对45种课堂行为的分析定义了五种课堂行为投入表现,即口头互动、与教师的和谐关系、坐立不安、安静、坏习惯。麦金尼等人(McKinney et al.,1975)开发的学习参与观察框架将学生学习行为分为出勤、任务导向的互动、建构式游戏、建构式自我引导、注意力分散、进攻行为。克尔(Kerr,1986)的行为观察量规从课前准备、在学术绩效中展示兴趣、与教师适当交互三个方面对行为进行观测。米瑟雷迪诺(Miserandino,1996)认为,行为投入包括七种行为:参与、坚持、逃避、无助、参加讨论、集中。伯奇和莱德(Birch & Ladd,1997)在评测学生课堂行为投入时,将配合教师要求的行为与自主学习行为分开评测。前者表现为认真听教师指导、能够承担教师安排任务的责任、遵循教师的要求;后者表现为寻求挑战、工作独立、不需要帮助与引导等(Birch & Ladd,1997)。还有些学者讨论了学习任务中高投入的表现,如帕特里克等人(Patric et al.,1993)认为高度集中、选择挑战性问题、努力程度强、持续性高是高投入的表现,马克斯(Marks,1998)指出较高的行为投入体现在努力、钻研和更多的时间投入三个方面。

      其它一些研究文献和评测工具也为行为投入提供了分析维度。安赫利诺和纳特维格(Angelino & Natvig,2009)提出积极参与、交互学习、合作学习维度;孙蔚雯(2009)提出专注、努力、坚持维度;哈曼内(Hamane,2014)提出师生交互、主动学习、合作学习、尝试反馈、多样化经验、任务时间等;莎菲利(Schaufeli,2002)编制的学业投入量表提出活力和专注维度;NSSE和AUSSE量表提出主动与合作学习、参与挑战性学术活动、师生交流、丰富教育经验、参与基于工作的学习维度(Coates,2006,2010);维梅特等人(Ouimet & Smallwood,2005)编制的学生课堂投入量表提出技能、参与和绩效维度;兰等人(Lam et al.,2014)编制的行为投入分量表考察了积极参与、专注、坚持维度。

      (三)行为投入分类

      综上所述,本研究将学生学习行为投入归为参与、坚持、专注、交互、学术挑战、自我监控六类(见表一)。

      “参与”(Participation)指学生投入课程基本活动的时间与精力,这类投入就是费恩(Finn,1989)、弗雷迪克斯(Fredricks,2004)等人提到的第一类行为投入,即学生遵循和响应课程规定和教师要求的行为。伯奇和莱德(Birch & Ladd,1997)将其定义为配合教师要求的行为。有些研究还将参与同课程学习评价相关的规定任务定义为绩效投入,如准时提交作业、完成作业、准时参加考试等(Handelsman et al.,2005;Appleton,2008;Lam et al.,2014)。参与类投入与后五类投入相比,较少与深层次学习有关。可是,参与类投入是课程学习的基本行为投入,体现了学生对于课程规则、要求的接受与认同程度,是其他行为投入的基础。

      “交互”(Interaction)指学生与教师和同学互动、协作,既包括学生为掌握知识、解决问题主动与教师和同学进行交流、讨论和协作,又包括学生与教师和同学建立、维护良好关系的投入。有些文献将师生关系与学习任务中的互动分开,还有些则将师生互动与同伴互动和协作分开。从知识建构角度看,社会建构主义认为社会性交互对学生的意义建构有重要作用。交互行为能够反映学生在观点选择、批判性思维、协作知识建构过程中的认知投入。此外,交互行为可以让学生产生积极的情感体验,如快乐、好奇、归属感等,这些体验会对行为投入与认知投入产生积极的影响。

      

      “坚持”和“专注”被很多学者认为是反映学生努力程度的行为投入(Patrick et al.,1993;Marks,1998等)。坚持(Persistence)通常指学生遇到困难、挫折时的反应与表现。学生遇到困难或挫折时,没有放弃,而是积极应对、寻求解决方法,那就是坚持的表现。有时坚持也被用来描述学生主动或积极学习行为的保持,如总是提早完成作业、总是比同伴学习更长时间等,这些行为体现了学生不仅遵循基本要求,还在学习中持续投入更多热情或付出更多的努力。坚持类行为反映了学生为实现学习目标对努力和情感的管理,体现出学生对目标的坚持、对成功的渴望。专注(Concentration)指学生保持注意力的努力程度。专注的学生能够不受外界干扰,将注意力保持在学习内容和任务上,如专心听讲、将任务完成后才去做别的事、忘记时间等。专注类行为体现了学生对学习内容本身的兴趣,也体现了学生克服外界干扰的能力。综上,坚持与专注两类行为体现了学生对努力的管理,与元认知策略的使用相关(Meece et al.,1988;Miller et al.,1996)。

      “学术挑战”与“自我监控”是与认知投入密切相关的两种行为投入类型,体现学生学习策略使用情况。“学术挑战”(Academic Challenge)指学生在知识应用与创造或在超越学习要求等更高认知挑战的学术任务中的投入。相关行为表现有选择挑战性任务,参与问题解决、研究等学习任务,学习课程拓展内容等。学术挑战投入体现了学生对更高学术成就的渴望或兴趣,以及在学习中应用高级学习策略的程度。对知识的深度加工、应用与创新是与认知发展更相关的学习行为,分析和评测学生的相应投入将有助于预测学生高阶能力的发展。“自我监控”(Self-regulated Learning)指学生在监控和调节自身学习行为以确保学习目标实现方面的投入,表现为明确学习目标、制订学习计划、管理学习时间与资源、定期自我评价、定期反思与总结等。该类投入与元认知策略、资源管理策略、情感管理策略的使用有关,体现了学生对学习的自我责任感和自我管理意识,以及对成功的渴望,是学生在开放、灵活的在线学习中提升效率、取得成功的保障。

      三、分析框架

      本研究把文献研究获得的参与、坚持、专注、交互、学术挑战、学习自我监控六类投入作为分析在线学习行为投入的主要维度,结合在线课程和学习管理系统数据库特点,构建在线学习行为投入分析框架(见表二)。

      参与指学生访问课程学习管理系统及课程知识点内容与资源投入的时间与精力,表现在在线课程出勤、资源访问、投入时间三个方面。出勤关注的是学生登录平台、课程、课程学习模块的次数。资源访问关注与课程教学计划密切相关的内容页面、视频等的浏览与下载情况。投入时间关注学生登录平台、课程及学习模块的时长,以及浏览资源的时长。

      

      交互指学生基于学习管理系统与教师或同学进行互动、交流与合作。该投入类型关注学生通过学习管理系统与教师和同学进行互动与协作的主动性、活跃性和交互质量,主要从师生互动、同伴互动和同伴协作三个维度分析。前两类互动指标主要来自论坛、站内信箱、邮件等,如回帖数、发帖数、帖子长度、发邮件数、发站内信息数、同伴回帖数等。协作类投入指标主要与支持协作知识建构的Wiki活动有关,如创建的Wiki页面数、Wiki页面修改次数与字数等。

      坚持指学生面临困难、问题和压力时为实现学习目标而表现的持续性努力,表现在从学生在学习中表现出的克服困难、坚持完成学习任务、保持高参与度三方面。相关指标包括被反复自测的自测题数、反复浏览的课程内容页面或播放课件视频数、各项在线学习任务的完成率、高学习时间投入与资源访问量的保持等。

      专注指学生将注意力集中在学习内容或任务的程度。本研究主要通过两方面进行分析:一是从事单次任务时是否一次性完成所有任务要求,即单项任务完成率;二是是否耗费比平时更长的时间投入任务,即长时间学习。相关指标包括单次自测尝试完成所有题目的次数、视频播放时完整播放视频的次数、课程学习时间大于自身学习平均时长的次数等。

      学术挑战指学生在知识应用与创新、高于学习要求等挑战性学术活动中的投入,表现在挑战任务工作量、挑战任务质量、认知工具应用三方面。相关指标包括体现知识应用与创新的作业数和自测题数、自测成绩,拓展学习资源的访问量,应用学习管理系统中的搜索、术语表、电子笔记等认知工具的次数等。

      自我监控指学生对在线自我监控与管理的投入,表现在明确目标与要求、自我评价与反思、管理工具使用三方面,相关指标包括课程导学和通知访问次数、单元自测题完成率均值、电子日历、电子档案等管理工具使用次数等。

      四、在线行为投入测量指标的实证探索

      基于在线学习行为投入分析框架,本研究选取国家开放大学一门专科层次的公共必修课作为案例,通过分析该课程2014年秋季学期的学习管理系统数据,对投入测量指标进行初步探索。

      (一)案例课程

      案例课程共36学时,包括导论和十一个章节。教学以基于Moodle的在线课程为主,地方电大根据学生需求组织面授辅导。课程要求学生必须参与社会实践,社会实践活动由地方电大组织和评估。该课程基于Moodle平台的网络部分是学生系统学习课程知识点、与教师和同学互动交流、自主学习课程其他资源、自测练习的主要途径。该网络课程根据课程知识点开发各章节的学习页面,并提供视频库、案例库、拓展资源、自测题和模拟试题等资源。网络课程还提供了课程导学,引导学生更好地完成学习。网络课程基于认知-行为主义的教学理念,在我国网络课程中有一定的代表性。

      (二)案例课程LMS平台与样本数据

      案例课程依托的Moodle平台是目前较为主流的学习管理系统之一,支持学生浏览课程页面、异步讨论、实时文本交流、自测、提交作业、编辑wiki、发布博客、参加投票等活动,还提供多种插件工具支持学生学习,包括站内搜索、课程日历、术语表等。通过对课程在线活动和Moodle平台功能模块的分析,本研究根据在线学习行为投入分析框架初步设定98个行为投入测量指标,其中,参与类22个,交互类39个,坚持类10个,专注类5个,学术挑战13个,自我监控9个。这些指标数据来源于33个数据表,包括1个日志数据表、6个课程信息表、2个师生信息表、3个论坛数据表、3个作业数据表、2个成绩数据表、3个测试数据表、4个Wiki数据表、2个Message数据表、2个Glossary数据表,2个Blog数据表、3个Workshop数据表。

      研究选取课程教学班新疆建设兵团2268名学生作为样本,该教学班学生在线数据相对完整,在线活动的表现有代表性。学生样本包括男生907人,女生1361人,年龄在17~53岁之间,以23~28岁学生为主。这些学生基于Moodle平台学习产生的数据是本研究的数据样本。

      (三)数据处理与分析

      98个预设指标涉及次数、频次、时长、字数、比率等。绝大部分测量指标需要通过一定算法对相关数据表原始数据进行计算后才能获得。研究首先根据预设指标的意义和数据库结构,编写获取指标数据的算法,然后运行算法获取学生样本在98个指标上的数据。研究遵循如下步骤对预设指标的数据进行处理与分析:1)预设指标缺失值分析,剔除缺失值大于80%的指标;2)对剩余指标数据进行标准化处理,转化为Z分数;3)分析指标与课程成绩的相关性,剔除与成绩无关的指标;4)分析指标间的相关性,剔除与其他指标相关且与成绩相关较低的指标;5)对剩余指标进行探索性因子分析,剔除载荷低于0.4的预设指标,探索指标结构;6)将剩余指标与课程成绩进行回归分析,考察投入指标对课程成绩的预测力。研究采用SPSS 20.0软件进行数据处理与分析。

      (四)数据分析结果

      1.预设指标的缺失值占比分析

      指标中存在缺失值意味着该指标算法运行时从相应数据表中无法提取数据。由于本研究预设指标时已经排除了平台没有记录数据的测量指标,所以缺失值主要是由于学生没有参加指标相关活动导致。由此,指标的缺失值占比可以反映学生学习活动的投入分布。

      缺失值分析结果显示:自我监控、交互和学术挑战三类投入指标数据大比例缺失(见图1);16个预设指标没有数据。这些指标与协作建构、与教师互动、管理工具应用有关,如Wiki访问与编辑、回复教师主题帖次数、电子日历访问次数等;42个预设指标尽管有数据但是80%以上数据缺失,其中相当一部分与同伴互动有关,如获得同伴回帖以及对同伴回帖的次数、向同学发送信息次数等。还有些与自测题完成和认知工具使用有关;缺失值占比小于80%的预设指标41个,其中占比小于50%的指标22个,主要涉及登录平台及相关模块、浏览内容页面和导学页面、作业提交等。

      指标缺失值分析表明,案例课程学生在线学习行为主要分布在知识点页面浏览和作业相关活动中,还包括少量论坛发帖与浏览他人发帖的交互活动。学生间、师生间互动缺乏,自主利用学习管理系统有关工具与功能管理和促进学习的行为基本没有发生。根据分析结果,研究剔除57个缺失值大于80%的测量指标,保留41个预设指标,参与类15个,交互类10个,坚持类6个,专注类3个,学术挑战类4个,自我监控类3个。

      

      图1 六类在线行为投入测量指标的缺失值占比分布

      2.预设指标与课程成绩的相关分析

      只有与学习绩效相关的行为投入指标才是具有教育意义的有效投入指标。为此,本研究进一步对41个指标与课程成绩进行相关分析,以筛选出与课程成绩相关的行为投入测量指标。相关分析结果显示:

      5项指标与课程成绩无显著相关(p>0.05),分别是“课程内容页面浏览总次数”“每次登录访问的平台模块数”“浏览过的自测题数量”“自测题浏览的总次数”“浏览课程导学内容平均时长”。

      36项指标与课程成绩显著相关(r=0.06-0.49,p<0.05)(见表三)。其中,10项指标与成绩中等程度相关(r=0.31-0.49),可以解释9.61%-24.01%的学习成绩变异;26项指标与成绩低相关(r=0.06-0.30),解释了0.36%-9.00%的学习成绩变异。

      

      与课程成绩中等相关的10个指标中,相关性排名前四的指标都与作业投入相关,包括提交的作业数、专注完成作业的情况、作业提交总次数、作业提交速度,涉及学术挑战、专注和坚持三类投入。相关度排名第5到第7的是与学生交互的主动性和发帖质量有关的指标。排名第7到第10的指标主要与课程页面浏览行为有关,涉及浏览量和浏览中的坚持行为。综上,作业投入、主动交流和知识点页面浏览三类活动与课程成绩有更高的相关性。

      3.有效行为投入指标的探索性因子分析

      与成绩相关的36个指标究竟具有怎样的投入结构呢?为考察这一问题,研究对36个投入指标进行了探索性因子分析。因为变量间的高度相关将会影响因子分析结果,所以在进行因子分析前,研究首先对36个指标进行两两相关分析,剔除与其他指标高度相关(r>0.80)且与成绩低相关的14个指标,然后对剩余的22个指标进行KMO检验和Bartlett球形检验。结果显示,KMO=0.77,Bartlett球形检验结果

=14827.266(p<0.01),表明数据适宜做因子分析。

      研究采用主成分分析法对22个指标进行探索性分析,选择正交旋转,提取特征值大于1的五个因子,五个因子累积方差解释率为61.56%,可知提取的五个因子能较好地解释变量作用。由于指标“作业提交与发布时间间隔的平均数”载荷低于0.4,研究者将其删除,最终保留21个指标(见表四)。

      因子一包括六个指标,指标载荷在0.46~0.91之间,解释率为17.30%,显著高于其他因子,是案例课程学生基于Moodle学习行为投入的首要因子。六个指标均与论坛的互动行为有关。其中,除了指标“访问课程论坛总次数”在预设时被定义为参与类投入指标外,其他五个指标均是交互类投入指标,从交互参与性、主动性、发帖质量等方面体现了学生在教学交互活动中的投入情况。研究最初考虑到论坛访问并不表明学生一定会浏览论坛帖子和发帖,因此将论坛访问次数指标暂时归入参与类投入指标。探索性因子分析显示,该指标与交互投入的关系更加紧密,是表征学生交互类投入的指标。综上,本研究将投入因子一定义为“主动交互”。

      因子二包括五个指标,载荷在0.58~0.88之间,解释率为14.09%。五个指标均是体现单次登录课程学习管理系统平均学习投入情况的行为指标,包括三个平均时长指标和两个资源平均浏览量指标。故研究将该投入因子定义为“单次登录的平均参与度”。

      

      因子三包括三个指标,指标载荷在0.84~0.86之间,解释率为11.30%。三个指标均体现了学生为获得好成绩在完成计分作业过程中表现的主动与努力,包括尽早提交作业、专注完成作业、为获得满意成绩而多次提交最好版本的作业。这三个指标是典型的体现绩效导向学习努力的指标,因此,本研究将投入因子三定义为“绩效努力”。

      因子四包括三个指标,载荷在0.43~0.73之间,解释率为9.78%。三个指标中,“提交的作业数”和“自测题尝试总次数”都是学术挑战类投入指标,体现了学生在知识应用与创造等挑战性任务中的投入。“高页面浏览量的保持”原假设为坚持类投入指标,该指标反映了学生在内容浏览量上高于班级平均投入水平的努力,从另一个角度也可以看做是学生为获得更高学术成就而比同伴付出更多努力,具有学术挑战投入的特征(Kul,2009)。鉴于此,本研究将投入因子四定义为“学术挑战”。

      因子五包括四个指标,指标载荷分别为0.52~0.61,解释率为9.09%。四个指标中,两个导学内容浏览的指标是预设的自我监控类指标,体现了学生在明确学习任务与要求方面的投入。两个与资源浏览相关的指标分别属于预设的专注和坚持类指标。这两个指标体现出学生在学习过程中对努力的管理。努力管理是学生克服潜在干扰因素与困难将注意力和努力始终保持在学习目标上的一种倾向(Corno,1994),因此,努力管理也被看做是学习的自我监控(Zimmerman & Martinez-Pons,1986)。该结果意味着预设的相关专注和坚持类指标可能更适合归入自我监控类投入中。综上,本研究将该投入因子定义为“自我监控”。

      4.在线行为投入指标对课程成绩的预测分析

      研究将投入指标作为自变量,将课程成绩作为因变量进行回归分析,以期考察在线行为投入对课程成绩的预测作用。在回归分析之前,研究首先对21个变量进行共线性诊断,剔除可能会导致共线性问题的9个指标(特征根小于0.5和条件指数接近10),然后将剩余的12个投入指标与课程成绩进行多重线性回归分析。回归结果表明,“提交的作业数”“每次提交作业时间间隔小于全班平均时间间隔的总次数”“帖子量贡献率”“每次登录浏览论坛主题帖数的均值”四个指标对课程成绩有显著预测作用(见表五)。四个指标来自除自我监控之外的其他四个投入因子,其中“提交的作业数”对成绩预测作用最强。最终形成的回归模型决定系数

=0.269,这表明这四个指标能预测26.9%的课程成绩变异。

      

      五、讨论与反思

      (一)对投入分析框架与测量指标的反思

      通过对实践课程Moodle数据的分析,研究最终获得评测案例课程学生在线学习行为投入的21个测量指标。对指标的探索性因子分析初步验证了预设投入分析框架中的交互、学术挑战、参与、自我监控类投入维度。然而,坚持和专注类投入相关指标被拆分到“学术挑战”“自我监控”“绩效努力”三个投入因子中。结合因子分析结果,笔者对行为投入类型进行反思:坚持和专注类部分预设指标体现了学生在克服外界干扰进行努力管理的投入。根据自我监控理论,努力管理也是自我监控行为的主要体现,因此将相关指标归入自我监控因子较为合理;学生在计分作业任务中体现出的坚持与专注更多地反映出学生对高绩效的追求和渴望,所以归入绩效努力因子较为合理;高投入坚持类指标体现了学生为获得更高学术成就而比同伴付出更多努力,如果班级平均投入水平能够反映课程基本要求,那么高投入保持则体现出学生超出课程基本投入要求的投入努力,具有学术挑战投入的特征。综上,本研究接受探索性因子分析的结果,将原假设学习投入框架调整为主动交互、平均参与度、绩效努力、学术挑战、自我监控五个维度。然而,这个结构还需要在更多在线教学情境和学习管理系统中探索、检验与优化。

      (二)影响在线行为投入测量的因素

      研究发现,测量在线行为投入受学习管理系统功能与数据记录方式,以及课程教学设计、开发与辅导等因素的影响。在本研究中,受Moodle数据记录和课程开发方式的影响,本研究无法获取教学视频访问与播放量数据,因此没有设置相关指标。受课程教学方法和评价方式的影响,学生在线学习以资源浏览为主,讨论与协作较少,自主学习和工具使用少,从而导致相关指标无法设置或因为缺乏数据而被剔除。此外,学习管理系统数据记录局限也会影响部分指标测量的准确性,如案例课程Moodle日志表不记录平台登入、登出时间,因此登陆时长等相关指标只能通过算法规则大致表征。综上,很难开发适用于所有在线教育情境和学习管理系统的投入测量指标,投入指标算法也需要在实证分析中不断优化。

      (三)有效的在线学习行为投入

      对案例课程Moodle数据的分析发现:1)学生在线学习具有显著的绩效导向特征,而非内容导向。学生在与成绩直接相关的作业活动中投入较多,在线测试的行为分布是最好的证明。75%以上的学生都完成了计入形考成绩的在线测试,不计分的测试题则完成率极低(缺失值大于85%)。2)在线学习以资源访问和浏览为主,与认知投入更相关的深层次学习和自我监控行为整体偏少。这一结果值得反思。究竟应该激励和促进哪些基于学习管理系统的学习行为?案例课程所反映的在线学习投入有一定代表性。当前,相当一部分在线课程仍尚未充分挖掘学习管理系统在促进互动学习和深层次学习方面的潜力,主要将其作为教学传播的工具之一(Campbell,2007)。通过评价激励行为投入是提升学习投入的重要策略。本研究发现,除了课程资源浏览量相关指标外,登陆总次数、在线学习时长等大部分参与类指标与成绩呈低相关,而学术挑战、绩效努力、主动交互类指标与成绩更相关,甚至有预测作用。因此,实践中对行为投入的评价应更关注与绩效和认知发展紧密相关的投入指标,这样才能激励学生参与到对其学习更有价值的活动中。

      (四)与相关研究结果比较

      麦克法迪恩和道森(Macfadyen & Dawson,2010)曾基于118名学生在Blackboard平台的学习数据对在线学习行为指标与课程成绩的关系进行探索,是与本研究较类似的代表性研究。对比两项研究的结果有助于发现与学习绩效保持稳定相关的在线行为指标,理解基于学习管理系统的学习行为投入对学习绩效的影响。

      对比分析发现,两项研究在三个方面结论较为一致。1)课程内容资源浏览量与成绩正相关(r>0.3)。莫里斯等人(Morris et al.,2005)对并不是基于学习管理系统的Web课程数据的分析也发现了这种高相关性。可见,学生在线阅读的课程内容资源越多将可能获得较高的学习成绩。2)论坛发帖量与学习成绩正相关(r>0.3),且对成绩有预测作用。尽管两项研究相关发帖量指标不同,麦克法迪恩和道森的发帖量指标包括首发帖和回帖总量,而本研究只包括首发帖数,但是相关结果表明,主动与教师和同伴互动的学生会取得更好的成绩。3)时间投入指标只与成绩呈中低度相关,且不是预测成绩的关键指标。坎贝尔(Campbell,2007)对课程管理系统数据的研究甚至没有发现这种相关性。然而,仍有两个时间投入指标值得关注。一是访问论坛平均时长,该指标在本研究中与成绩的相关度最高(r=0.23),莫里斯等人发现该指标能解释成绩14%的变异。另一个是在线总时长,它在麦克法迪恩和道森的研究中与成绩相关度最高(r>0.3)。

      两项研究相关分析结果的差异体现在:1)麦克法迪恩和道森发现自测题完成数量是成绩的预测指标。坎贝尔(Campbell,2007)也发现该指标与成绩的高相关性(r>0.3)。但是,本研究中在线自测指标只有一个指标与成绩低相关,其它指标因为缺失值较多而被剔除;2)本研究发现作业投入指标与成绩呈最高相关,其中两个指标还对成绩有预测作用。可是,麦克法迪恩和道森只发现作业投入指标与成绩低相关(r=0.10~0.26);3)本研究发现论坛帖子平均浏览量对成绩有预测作用,相关指标在莫里斯等人的研究中也发现对成绩有预测作用。然而,该指标在麦克法迪恩和道森的研究中只与成绩低相关(r=0.25)。综上,上述指标对学习绩效的预测作用还需要在更多在线环境和教学情境中检验。

      两项研究中,在线行为对学习成绩的预测作用也存在差异。麦克法迪恩和道森构建的预测模型对成绩变异的解释度为33%,高于本研究预测模型26.9%的解释度。对两项研究案例课程教学因素进一步分析发现,麦克法迪恩和道森选取的课程是全在线课程,学生需要在学习管理系统中完成所有学习活动,课程较注重激励和促进学生的在线互动与自主学习。而本研究的案例课程除了在线学习外还在地方学习中心组织面授教学,并提供QQ群等互动途径。这在某种程度上削弱了学生对学习管理系统在线学习的依赖性,不仅影响了学生基于学习管理系统的交互投入和学习自主性,还影响了学习管理系统在线学习对学习绩效的预测作用。综上分析,两个案例在线行为对成绩预测力的差异再次印证了课程教学因素会影响在线行为投入对学习绩效预测作用这一结论(Macfadyen & Dawson,2010)。

      [致谢]特别感谢国家开放大学数字化学习技术集成与应用教育部工程研究中心学习分析实验室对本研究数据采集与分析的支持,感谢案例课程教师对本研究的大力支持。

标签:;  ;  ;  ;  ;  ;  ;  

在线学习行为输入分析框架及测评指标研究_因子分析论文
下载Doc文档

猜你喜欢