SPOC学习者在线学习行为分析
——以“发酵工程”课程教学为例

田 华

(信阳师范学院 生命科学学院 ，河南 信阳 464000)

2018年10月，教育部发布《关于加快建设高水平本科教育 全面提高人才培养能力的意见》[1]，该文件指出“积极推广小班化教学、混合式教学、翻转课堂，大力推进智慧教室建设，构建线上线下相结合的教学模式”。SPOC是Small Private Online Course的缩写，即“小型私密在线课程”。SPOC是MOOC与传统校园教学的有机融合，基于“申请限制”和“私密性”学习机制，其管理复杂度降低、学习互动增强、自主学习动机增强，完课率和学习成绩均有提升[2]。在SPOC环境下，在线学习者的学习活动越来越个性化、协作化和虚拟化，为在线学习分析提供了机遇和挑战。全面深入地分析SPOC在线学习行为，对于构建个性化、“以学习者为中心”的SPOC学习体系具有极其重要的作用，其具体体现在以下几个方面：(1)有利于教学资源的整合与开发。研究学习者对SPOC教学资源的偏好程度，可以有针对性地设计和开发有利于学习者的教学资源，提高学习效率。(2)有利于教学活动的重新设计。在SPOC学习过程中，如果教师能将更好地了解学习者的学习兴趣、学习爱好、背景和学习目标，就可以更好地组织和改进课程设计。(3)有利于开展多元化的学习过程评价。依托学习分析技术和SPOC日志记录，可以重现学习者的学习过程，聚焦和还原学习者学习的动机、目的和路径，从而开展基于学习过程的多元化评价。(4)有利于提供个性化的学习反馈和干预策略。依托SPOC日志记录，能够及时分析学习者的学习行为特征，开展学习行为和学习效果的分析与预测，进而给予个性化的学习反馈和干预策略，对学习行为做出有效干预。因此，本研究从学习需求出发，基于学习者的在线学习行为数据，从实证分析角度开展SPOC学习者个体学习行为和社会交互行为特征分析，为SPOC课程设计及实施提供参考。

一、研究综述及研究问题

1.SPOC

SPOC于2013年由加州大学伯克分校MOOCLab的课程主任Armando Fox教授率先提出[2]。2019年，中共中央、国务院印发了《中国教育现代化2035》《加快推进教育现代化实施方案(2018—2022)》[3,4]基于SPOC限制性、私密性、开放、共享的优点，指出在高校开展SPOC课程建设与应用，既有利于整合和共享优质教学资源，弥补传统教学的不足，又有利于提升建设高校的品牌效应，同时还规避了MOOC“建设成本高、辍学率高、学习质量低、互动难”等难题。SPOC实现了“规模化教育与个性化培养有机结合”[5]。基于时空、学习方式、课程评价和技术工具的多维度翻转课堂混合学习是SPOC常用的教学模式[6]。目前支持SPOC的教学平台很多，如Moodle、edX、学习通等，在线学习行为的记录、跟踪、掌握和可视化方便快捷。具体来说，SPOC将 MOOC 中教案、课件、视频、通知、资料、考试、测验、作业等教学资源和讨论、统计、督学、管理、直播等在线教学交互功能应用到小规模的注册学生团体的在线课程中，开展线上线下混合式教学模式[7]，为在线学习分析提供了重要的数据资源。可以说，面向 SPOC 的混合学习，正在成为高校课程建设与改革创新的新热点[8]。

2.在线学习行为分析

学习者在线学习时的登录、浏览、互动、检索、上传、下载等一切可追溯的活动是学习者在线学习行为的真实反映，这些学习活动是教育数据的一个重要来源，是跟踪学习者学习路径、评价学习效果以及改进学习模式的最佳数据来源。“数据，是记录信息的载体，是知识的来源”[9]。基于教育数据分析，可以从多维度、多视角挖掘在线学习过程中的微观表现，追溯学习行为产生的需求和动机，以及行为背后的目的和环境等。在线学习行为分析主要聚焦在在线学习分析模型[10-12]、在线学习行为特点[13]、在线学习行为影响因素[14-16]，尤其是在线学习投入度[17-18]、社交性[19-21]、在线学习系统[22]、教师情感支持度[23,24]等对在线学习者学习效果的影响因素方面。依托学习分析技术，我们可以重现学习过程，聚焦分析学习过程和学习成效，让数据为教学提供依据和凭证。

不同学习环境中学生的学习行为呈现出一定的差异性。沈欣忆等分析了MOOCAP学习者学习风格、学习态度、学习成绩和综合能力，构建MOOCAP学习绩效评价模型，实现了“以个性化评测引导个性化学习”[25]。张慕华等分析了自带设备环境下学习者个体学习行为和社会性学习行为，发现BYOD在促进社会性学习方面独具优势[26]。基于RFM模型，宗阳等依据在线学习过程行为将MOOC学习者分为八类[27]。MPOC课程中学习者的活跃程度差异较大，多数学生只关注和考核直接相关的作业和测验，存在突击完成学习任务的情况[16]。在线学习参与度、学习力、线下面授、知识编排、生成度、评测反馈、平台工具等因素均影响SPOC有效学习(按影响大小从大到小依次顺序)[28]，因此开发和设计面向SPOC的混合学习策略非常重要[29]。总体来看，关于SPOC学习行为分析，在研究方法上以理论探讨和思辨居多，多为教学模式的探讨，实证研究相对匮乏。那么，SPOC学习者获取学习资源的时间分布如何？学习者会在多大程度上参与学习成果的展示、讨论和交流？课程内外学习者的学习行为与学习效果的关系如何？基于以上问题的思考，本文通过聚焦SPOC学习者在线学习数据，利用相关分析、回归分析等技术深入分析SPOC学习者的在线学习行为，具体包含：(1)SPOC的在线学习者访问时段呈现什么特征？学习者参与学习讨论、课程作业等的积极性如何？(2)学习者多种学习行为因素之间有何相关性？相互影响程度如何？学习者是积极参与课程还是消极应付？(3)学习者的在线学习行为与期末成绩有什么样的关系？通过回答上述问题，为SPOC课堂教学实践的有效开展提供切实可行的建议。

二、研究设计

1.基于SPOC的教学活动设计思路

本研究选取了某师范院校生物科学专业的专业任选课“发酵工程”进行实验设计。选择“发酵工程”课程是基于几个方面的原因：(1)“发酵工程”是一门带有浓厚工科色彩的课程，实践性比较强，在师范院校中属于学习难度较大的课程，在线学习可以较好地弥补理论课时有限这一问题，典型性很强。(2)传统的课堂讲授不利于视频展示、虚拟仿真等多样化学习资源的供给，开展小组合作学习讨论难度大，课堂教学互动效果差，无法激发学生更大的学习兴趣。(3)本课程自开通SPOC以来，已进行多轮教学实践和大量学习体验的数据采集，开展在线学习分析具备一定的实践研究基础。(4)SPOC在加强课堂内外的教学互动、随堂测验、支持学习资源的即时获取和可视化分析等方面有巨大的优势。因此，本文选取“发酵工程”课程，开展了为期一个学期的基于SPOC的课程教学实践，教学活动设计思路见图1。

图1 基于SPOC的教学活动设计思路图

2.研究对象与数据采集

该案例以某师范院校的生物科学专业的专业任选课SPOC(“发酵工程”)在线学习者的学习行为数据为研究对象，应用数据统计与可视化、相关分析、回归分析等数据分析和挖掘技术，了解本课程在线学习情况，挖掘行为数据之间的关系，找出SPOC在线学习特点及其影响因素。本课程所有学生均为师范生，合计73 人，学习时间一学期共计90天，学习方式包含混合式学习和自主学习两种。本研究主要采集SPOC学习者学习行为数据，数据来源于学习通学习系统的日志文件和系统提供的相关统计信息，包括访问课程学习期间登陆系统的次数、访问时段、访问天数、作业(Ⅰ,Ⅱ,Ⅲ)的完成质量(成绩)、浏览讨论区发表讨论数、回复讨论数、总讨论数、课程视频观看数、任务点完成数、期末成绩等11个变量。

三、结果与分析

1.个体学习行为分析

(1)学习者在线学习访问时段分析

学习通系统把一天24小时平均分成6个时段，统计每天6个时段学习者参与课程情况，见图2。学习者在课程进行到第53天时在访问时段(8-12时)出现最高的访问次数273次，人均访问3.7次。由图3可以看出，学习者在线学习时段特征表现有差异，6个访问时段中访问次数最多的时段是8-12时，其次是16-20时，0-4时访问人数最少，符合大学生学习作息规律。这也给予任课教师启示：教师布置作业或者开展专题讨论，最好选择在学习者积极参与的学习时段进行。

图2 课程运行期间各时段访问次数

图3 课程运行期间总访问次数

(2)学习者阅读通知和提交作业时间分析

由图4可知，学生阅读通知和提交作业的时间比较分散，基本能在规定的2周时间内提交作业，未阅读通知和未提交作业的比例均在5%以内。对比阅读通知和提交作业情况，发现一个问题：在通知发生的10—12天阅读通知和提交作业的比例相对较高，最高达到43.83%。说明学习者SPOC在线学习存在突击完成学习任务的情况，需要教师及时引导和干预。

图4 学习者阅读通知和提交作业时间分布图

(3)Pearson相关性分析

根据表1矩阵分析结果可以看出：(1)与考试成绩存在显著相关的因素有访问天数、作业Ⅱ、讨论数、回复讨论数、任务点完成数、访问次数、作业Ⅰ、作业Ⅲ。前5个指标与期末成绩的相关系数均超过0.4，说明存在强相关性。这说明学习者在线学习重在积极参与课程学习任务，积极参与课程讨论，是否发起讨论话题对学习成绩影响不大。(2)访问次数与访问天数、访问天数与作业Ⅰ、作业Ⅰ与作业Ⅱ和作业Ⅲ、作业Ⅱ和作业Ⅲ、讨论数和回复讨论数存在强相关，说明学习者在线学习主要进行访问、作业、讨论等学习活动，符合一般在线学习规律。(3)访问次数与作业Ⅰ、作业Ⅲ、回复讨论数、任务点完成数存在较强相关，访问天数与讨论数、作业Ⅱ与讨论数和回复讨论数、作业Ⅲ与讨论数均存在较强相关，说明独立学习者学习行为与社会交互学习行为具有较高的相关性。

表1 学习者在线学习行为分析相关矩阵

2.社会交互网络分析

基于Unicet软件，执行网络→中心度→特征向量路径，即得到网络成员的特征向量值。由于特征向量主要探索整体网络中的最核心的成员与整体网络中的边缘成员，不关注局部结构。因此，特征向量值越大，该成员在整体网络中就居于核心位置。特征向量值越小，在整体网络中就越处于边缘位置。由此可判断该网络空间的核心参与者与边缘参与者(表2和图5)。由表2可知，S55、S68、S50、S14、S29、T、S43、S25、S67、S64的特征向量值均超过0.17，是该学习网络位于前十的核心参与者，并且在图4中节点也较大，其发布的帖子得到其他参与者回复的数量教多。S69、S17、S11、S39、S12、S52、S2、S10、S1、S6则是位于后十的边缘参与者，其与其他成员交互较少，甚至没有交互，如S69、S17、S11。

表2 基于特征向量的学习者社会交互中心度

图5 基于特征向量的网络社群图

3.在线学习行为与学习结果相关性分析

以学习者在线学习的9个变量作为自变量，采用线性回归分析建立回归方程，回归方程的系数见表3。标准化回归系数β的绝对值越大，表示该影响因素对期末成绩变量的影响越大。方差分析中的F值为 11.604，显著性检验P值为 0(p<0.05的显著水平)，回归模型整体解释变异量达到显著水平。9个自变量与期末成绩有效标变量的多元相关系数R为 0.790，多元相关系数平方为0.624，表示9个自变量可以共同解释期末成绩变量 62.4% 的变异量，说明影响因素与期末成绩具有较高的拟合度。

表3 回归模型参数

回归方程如公式所示：学习成绩=0.432*访问天数+0.247*作业Ⅱ+0.062*回复讨论+15.201*任务点+52.29

四、结论与建议

1.结论

本研究以SPOC学习者在线学习行为数据作为数据来源，从实证角度对SPOC学习者的学习行为特征与相互影响进行了探讨，突出基于讨论的在线交互作用，建立学习成绩预测回归模型。研究结果表明：(1)SPOC学习者在线学习时段存在明显差异。6个访问时段中访问次数最多的时段是8—12时，其次是16—20时，0—4时访问人数最少。(2)在线学习重在积极参与课程学习任务和课程讨论，是否发起讨论话题对学习成绩影响不大。访问天数、作业Ⅱ、讨论数、回复讨论数、任务点完成数与学习成绩强相关。(3)基于特征向量的在线学习者社会交互分析，可以判断该学习网络位于前十的核心参与者分别为S55、S68、S50、S14、S29、T、S43、S25、S67、S64，而S69、S17、S11、S39、S12、S52、S2、S10、S1、S6则是位于后十的边缘参与者，其与其他成员交互较少，甚至没有交互，如S69、S17、S11。(4)开展SPOC学习行为与学习结果相关性分析，建立学习成绩预测回归模型，该模型对SPOC在线学习者的学习成绩变化具有较好的解释性，为学习分析与预测提供了可能。

2.建议

根据上述结论，本研究对SPOC课堂教学实践提供以下建议：

(1)基于讨论的在线交互是在线学习的核心和关键

在线讨论是学习者在网络学习平台学习过程中，师生、生生双向或多向等通过BBS、答疑、聊天室等工具进行的交互，强调以学习者为中心，旨在促进学生知识建构和高级思维的发展，是MOOC、SPOC等学习平台常用的在线交互方式。基于文本的异步讨论活动不仅有利于发展学习者的批判性思维，还有助于促进其深度学习与知识建构[30]。在线讨论促进学生之间、学生与老师之间的思维碰撞和信息共享，有助于激发学生学习的主动性[31]。关于在线讨论质量影响的因素，众多学者都强调教师的作用，主要表现在讨论中多样化的教学组织方法和形式、及时的反馈等，同时教师也要考虑学生的知识经验水平等特征。

通过SPOC实证分析，有几个问题需要注意：一是教师要参与网络课程讨论，激发学生对SPOC的参与度。由教师发起的话题，大多能引起同学们的重点关注，跟帖讨论的质量和数量都明显高于其他帖子，充分体现了教师的主导性。二是要促进SPOC学习者参与讨论。SPOC课程资源丰富，线上学习更加便捷和个性化，每一个学生都可以超越时空限制全面快捷地学习课程的每一个知识点，很容易激发学生表达的欲望，学生参与讨论的积极性也更高。

(2)以任务驱动的SPOC学习模式有助于提升学习效果

以任务驱动的学习方式促使学生及时完成学习任务并提交，有利于学习内容的巩固和提高。课程视频帮助学生更好地理解学习内容，课程作业帮助学生巩固学习内容，并查漏补缺，及时补充以保证学习的完整性和有效性。但在实施的过程中，也要注意几点：一是丰富碎片化学习资源。SPOC需提供多种形式、多种内容的学习资源和小测验，以便学生随时进行个性化学习和测验。二是难度适宜、多样化的学习任务和课程视频，有助于调动学生学习的积极性。三是布置适量的有助于学生深度思考的作业并及时反馈。作业太难，容易导致学生产生畏惧心理；作业太容易，容易导致学生不重视。学生作业提交之后，教师要尽快批阅，及时反馈，以便学生查漏补缺，及时弥补。

(3)SPOC需要教师及时的引导和干预

教师需要根据生源质量和班级学习风气及时给予引导、监督和激励，尽可能将班级分成学习小组，用最贴切课程的碎片化学习资源引导学生学习，以学生自主制作的优秀PPT、作业、微课、微视频等作为示范案例进行展示，激发学生学习动机，提升学生参与度，同时教师依据后台数据及时掌握每个学生的学习动态，及时开展精准干预。

(4)基于SPOC学习者角色的精准判断，构建差异化的教学干预策略

从MOOC到SPOC，在线学习者不仅仅是网络课程的浏览者，在线作业、讨论、测验与协作的深度参与者，还是通过在线交互生成隐性知识的知识建构者。基于SPOC在线学习行为分析，授课教师可以精准判断和识别SPOC学习网络的核心参与者和边缘参与者，构建差异化的教学干预策略。