机构设置 通知公告 管理规章 项目申报 立项数据 成果管理 经费管理 选题征集
 重大项目 优秀成果 年度项目 各地规划 专家数据 教科动态 资料下载 相关链接
2020-08-09 星期日
当前位置:主站 - 优秀成果

学习分析视阈下优化网络学习行为的机制与策略研究

 来源:全国教育科学规划领导小组办公室    发表时间:2020-03-27   阅读次数:2811   作者:张进良

    湖南科技大学张进良主持完成了全国教育科学规划教育部重点课题“学习分析视阈下优化网络学习行为的机制与策略研究”(课题批准号:DCA140234)课题组主要成员:张克敏、张祎、王伟清、叶求财、段娟、周霈、陈凡丽、邢贞德。 
   
1.内容与方法
   
1.1 研究内容
    在分析变革教育的大数据时代,网络化、数据化、智慧化是高校教学变革的必然趋势,数据支持的教学改革是教育信息化发展的核心。在网络学习系统中汇集了大量的有关学习行为的数据,如何有效挖掘、分析相关数据,优化网络学习行为,提供个性化学习服务,增强网络教学效果是学校执着追求的目标本项目以大数据时代高等教育教学变革为背景,综合运用高等教育学、学习分析学、行为科学等多学科的理论和方法,以服务大学生个性化学习为根本,以提高网络学习效果为目标。按照“模型—挖掘—分析—创新”的研究范式,通过实证研究检验假设,探索学习分析在高校网络教学中的应用创新。重点研究以下主要问题:
    (1)学习分析模式优选。优选国外学习分析模式的数据采集、数据存储、数据分析和数据可视化工具和技术,并与网络教学平台进行整合。
    (2)学习者知识建模。从课程平台中采集学生在课程系统中的交互数据,如学生应答的正确和错误数据、帮助请求数据、学习者技能练习的内容和时间数据,构建学习者知识模型。
    (3)学习者行为建模。采集学生在课程系统中花费的时间、完成作业情况,学习者网络学习行为变化情况,探索学习者学习行为与学习结果的关系,最终构建学习者学习行为模型。
    (4)学习者兴趣建模。采集在线课程中学习者相关数据,记录在该课程在线学习中留下的学习轨迹,结合线下学习者的基本信息数据,分析学习者的学习特征,并对学习者的学习兴趣进行预测,为学习者创建智慧化学习环境做好准备。
    (5)网络学习行为与学习风格的关联关系研究。鉴别体现具有不同学习风格的学习者网络学习行为,学习风格模型体现了哪些网络学习行为特征。
    (6)网络学习行为优化机制研究。通过学习分析,预测学习者的学习需求,绘制学习者学习路径图,为学习者推送最适宜的学习资源,优化学习者学习路径和学习行为。
    1.2 研究方法
    本研究采用文献研究和理论分析法,分析国内外学习分析成功模式,优选学习分析的关键技术和模式。
    (1)问卷调查法:自编《网络学习行为影响因素调查问卷》,对高校师生进行调查,了解网络学习行为的影响因素。
    (2)实验研究法:选取某所高校的1-2门本科生课程,利用学习分析对其中的数据挖掘和分析,探求网络学习行为的影响因素和优化机制,为课程的有效教学提供数据支持,探索高校学习分析的模式。
    (3)数据统计与分析:利用数据挖掘工具、数据分析工具和数据可视化工具对数据进行处理。
   
2.结论与对策
   
2.1初步构建了学习分析模式
    在梳理国内外相关学习分析模式的文献基础上,构建了学习分析模式(如图1所示),该模式由初始化数据、可视化呈现、分析反馈三大模块构成。

 

图1  学习分析模式图
 


    2.2初步构建了学习者知识模型
    学习行为与知识结构之间存在相互影响的关系,学习者知识模型主要用来描述学习者的知识结构,即学习者已经形成的知识体系。本研究构建的学习者知识模型流程如图2所示,该模型由学习者数据层、数据分析层、数据可视化层、用户反馈层四大模块构成。

 

图2  学习者知识建模过程图
 


    学习者数据模块:学习者数据层的主要任务是完成数据的获取、预处理及存储,并将数据导入数据分析模块。数据分析模块:数据分析层主要利用统计分析、数据挖掘、可视化分析等实现学习者模型的大数据分析。概念图、知识地图、认知地图、知识图谱等方法是在教育领域、自适应学习系统中常采用的知识建模的主要方法。主要包括学习者背景数据分析、学习者交互数据分析、学习者行为数据分析等。数据可视化模块:数据可视化层主要是为师生呈现学习者知识模型,即展示学习者当前知识习得水平与目标知识水平的分布差异。用户反馈模块:用户反馈模块包括优化教学、满足需求、资源改进及促进决策四部分,构建学习者知识模型的意义也正在此。
    2.3构建了网络学习行为影响因素及其模型
    以GETAMEL等为理论依据,以师范大学生为研究对象,构建师范生微学习行为影响因素模型,运用自编量表对师范大学生开展问卷调查,回收994份问卷数据,采用AMOS对数据进行分析,构建了如图3所示的微学习行为影响因素模型。

 

3 师范生为学习行为影响因素概念模型
 


    对数据进行验证性检验,最终得出以下研究结论:
    社会影响对师范生微学习行为具有多层次的正向影响。数据结果显示,社会影响对感知有用性和微学习行为意愿具有显著的正向影响。这说明师范生所处的人际关系、学校的相关政策对自身的微学习质量提升至关重要。
    感知娱乐对师范生微学习行为具有多层次的正向影响。数据分析结果显示,感知娱乐对感知有用性和感知易用性都具有直接的正向影响,对微学习态度和行为意图具有间接的正向影响,这与其他学者的研究结论相一致,感知娱乐对使用态度有直接影响,感知娱乐直接影响大学生采纳移动学习的行为意愿。
    学习经验对师范生微学习行为具有多层次的正向影响。结构方程检验表明,学习经验对感知有用性和感知易用性均具有正向的显著影响作用,对微学习态度具有间接的正向显著影响作用。
    微学习平台的有用性对师范生微学习行为具有直接的正向影响。结构方程检验表明,微学习平台的有用性正向显著影响师范生微学习态度。因此,师范院校依据本校各专业师范生微学习的需求,优选功能全、门槛低、定位准的第三方微学习平台,并对其中的微学习资源审核或改编,提高微学习平台的有用性,适时向学生推荐这些平台。
    微学习平台的易用性对师范生微学习行为具有直接的正向影响。结构方程检验表明,感知易用性对微学习态度具有直接的正向影响作用,对微学习行为意愿具有间接的影响作用。感知易用性取决于微学习系统操作难易程度和师范生的技术素养,说明微学习系统交互功能设计的合理性及易操作程度是制约师范生微学习行为的重要因素。
    技术素养对师范生微学习行为具有正向的调节作用。结构方程检验表明,技术素养对社会影响与感知有用性之间、感知有用性与学习态度之间、感知易用性与学习态度之间的关系具有明显的调节作用。
社会影响、感知娱乐、学习经验、自我效能、系统功能与感知有用性显著正相关,感知娱乐、学习经验等三个潜变量与感知易用性显著正相关,感知有用性、感知易用性与学习态度显著正相关,社会影响、学习态度和行为意愿显著正相关。社会影响通过感知有用性、学习态度的部分中介作用对行为意愿产生间接影响。
    2.4构建了网络学习行为与学习风格的关联关系
    学习风格是学习系统为学习者提供个性化学习方案、策略和学习资源的重要依据之一。学习者学习行为数据不仅对学习过程的分析提供依据,也对学习者学习风格分析提供了重要参考。
在系统梳理Dunn 夫妇、Kolb科博、Felder-Silverman、Curry等学习风格经典理论的基础上,分别分析了传统环境下、网络环境下学习者学习风格研究的不足和学习风格的测量方法。基于自适应学习系统的需要,找出网络学习环境下学习风格分析的具体方法和流程,构建合理的网络学习环境下的学习风格测量分析模型(如图4)。

 


 

图4 网络学习者学习风格分析模型

    本分析模型由三大模块组成,学习者学习风格静态数据采集模块、学习者学习风格动态分析和学习者学习风格确认模块。
    模型需要的数据与分析过程:学生学习风格的判定首先要依靠传统的学习风格量表初步对学生的学习风格进行推断。其次要依靠自适应学习系统获取学生的各类学习行为数据,运用数据挖掘与分析算法,挖掘系统中的日志数据或者学习行为数据,最终确立学生在一段时间内固定的学习风格特征。因此,从以上过程来看整个学习风格模型的推断过程主要有两大核心数据源、四个数据获取途径组成。两大核心数据源主要包括学生静态学习风格数据源和学生动态学习风格数据源。四个数据获取途径是学生登录系统后的学生注册信息数据,学生在系统上填答问卷后的初步风格测量结果数据,学生在平台上各类操作的日志数据以及学生学习行为的各类活动流数据。
    2.5构建了基于学习分析的网络学习行为优化机制
    学习分析终极目标是通过对学习行为数据的挖掘与处理,分别从技术、社会、教学等维度为学习者提供适应性的学习服务,促使其优化学习路径,改善学习成效。学习分析视域下的学习行为优化,在系统动态跟踪学习者学习行为数据的基础上,通过AI大数据分析,发现学习者的学习路径、学习风格、学习偏好等个性化学习信息,依此为学习者推送合适的学习内容与智力服务,其主要目的是通过具体的优化措施促进学生自主反思,自我发现问题,规避学业不良行为累计风险,并给予个性化的指导与帮助,以便因材施教,力求让所有学生获得更好的发展。
    (1)网络学习行为优化模型
    在梳理国内外有关网络学习行为相关研究文献的基础上,依据G.Siemens的优化学习分析模式,构建了智慧学习环境中的网络学习行为优化理论模型(如图5),该模型以优化学习者学习行为为方向,以主体性教育理论、生态学习理论、最优化教学理论为指导思想,按照学习分析的基本模式,将要解决的问题映射为学习者学习行为数据,经过数据采集、数据分析、结果呈现以及优化调整四个步骤,最后落脚到学生学习行为的整体优化。

 

 

图5 学习行为优化模型示意图

    从图5可见,该模型有五大模块组成,即数据采集与存储模块、行为分析模块,反馈与提醒模块、学习行为智能优化引擎和智能化行为优化模块。
    实证研究部分,将此模型运用于湖南省S高校《信息技术与课程整合》课程教学改革与实践中,从课程教学平台后台获取学生学习行为数据,对行为数据进行统计检验和可视化分析,针对不同的学习情境,分别采用不同学习行为优化措施。研究结果表明,采用对整体优化措施后,学生在认知维度的学习成绩优良率比以往班级明显提升。在主题讨论和PBL学习中,采用系统优化和人工优化相结合的方式进行优化,实验结果表明,行为优化能够有效地提升互动维度的学生参与讨论和学习的积极性。针对学习者存在学习拖延和突击完成作业的情况,教师经过调查分析原因,优化课程设计、并且给予学习者贴切的优化措施,结果显示作业提交的时间大大提前,学习拖延现象明显减少,学生整体观看资源的时长明显提升。针对学习者在学习之初参与度不高,教师分别采取个体优化和群体优化的措施,实验结果显示,学生参与讨论次数、发帖次数、使用资料次数和共享资料次数都明显提升,说明参与维度的优化效果非常明显。
    (2)对网络学习行为优化的建议
    学习环境的优化是学生学习行为优化的前提。学习环境的搭建是学生学习的基本条件,教师充分调用智慧教育坏境中的学习工具与学习资源,为学习者构建宽松、自由的学习环境是行为优化的前提。
    学习者主动性的发挥是学生学习行为优化的根本。学生主动性是每一位学生的内在需求,教学的作用就是通过合理引导将其发挥出来。在智慧教育环境下,基于在线学习系统的自动提醒等属于教学管理层面的手段,教师的引导作用是学生学习主动性发挥的重要砝码,在智慧教育环境中,要发挥基于学习系统的精准管理功能,又要发挥教师引导的积极作用。
    教育智力资源的调用是优化学生学习行为的保障。教育是人学,学习行为优化归根到底是人的问题。在线学习系统连接了教师、学生、助教等智力资源,在学生学习行为优化的过程中,如何合理利用行为优化引擎,向学习者自动推荐教师、优秀学生和助教等教育智力资源,为学生学习提供必要的智力服务与支持,
    2.6构建了基于大数据的学习资源智能推荐模型
    大数据技术赋予人们对学习资源相关数据的自动收集能力,大数据技术为学习资源的智能化推荐提供了思维框架,大数据技术赋予学习资源自我进化能力。
    现有的学习资源推荐忽视了对学习资源之间的语义关联和学习资源的建模,对学习资源的分析只关注到资源的相似度,忽视了学习者资源利用行为等过程性信息;忽视了学习者人际网络等情景信息;忽视了对资源之间的语义关联和对学习资源的建模。第二,个性化资源推荐系统大多都是封闭或者半封闭状态,并未向学习者开放,学习者并不能从该系统中得知自己学习状态和资源应用情况。资源推荐模型中数据采集大多采用传统数据挖掘技术,并没有采用大数据分析技术。
    遵循动态性、有效性和智能性等原则,依据大数据分析系统的构成要素,结合学习资源推荐基本流程,本研究构建了学习资源的智能推荐模型(如图6所示)。

 

图6学习资源的智能推荐模型
 

    学习资源的智能推荐需要较强的分析能力、更智能的决策能力和更完善的推荐机制。智能化推荐的重点是求异,通过挖掘和辨识学习者特质为其提供适应性服务,如何挖掘学习者的学习行为数据、预测学习者的资源需求和科学分析学习资源的特性是智能化推荐系统的核心任务。该推荐模型由数据源模块、学习者分析模块、学习资源分析模块和智能推荐引擎模块、个性化服务模块等六部分组成。本学习资源推荐模型具有适应性、个性化和易用性三大优势。
    2.7 阐释了DT时代教师的必备素养:数据素养
    (1
)数据素养相关概念
    数据素养(Data Literacy),主要指教师在数据的采集、组织和管理、处理和分析、共享与协同创新方面的能力,以及教师在数据生产、管理和发布过程中的道德与行为规范。教师必须具备数据素养,能够获取、评估、操作、总结和展示数据。数据素养是大数据时代教师的核心素养之一。
    (2)教师数据素养的构成要素
    具有数据素养的教师需要以下五个方面的关键能力数据意识,是数据素养的先决条件,是指客观存在的数据在人们头脑中的能动反映,表现为人们对所关心的事或物的数据敏锐的感受力、判断能力和洞察力以及对数据价值的认同。数据定位和采集能力,就是教师利用必要的数据采集工具收集学生学习的各种数据,并将其分类汇总、分析以支持合理的教学。数据分析与解读能力,就是教师合理地筛选、分类、汇总、优化并分析数据的能力。数据反思与决策能力,就是教师通过学生学习行为数据反思教学、调整教学和开发个适应性课程的能力。数据伦理道德,大数据来源广泛、渠道多样,虽然数据易得、开放和透明,但是教师必须重视数据安全和保护用户隐私。在分析和使用数据的过程中,教师要懂得伦理性原则,个人隐私保护是数据采集和分析的重要前提否则,教师则面临巨大的法律责任和道德压力。
    (3)教师数据素养的价值意蕴
    有助于教师适应数据文化,增强教学领导力。数据文化在教育行业也逐渐生根发芽,在大数据时代,教师要摈弃以往靠直觉和经验决策的习惯,要适应数据文化,学会理解数据、相信数据、应用数据,将数据决策能力与教学领导力整合起来。有助于教师科学决策教学,提升教学绩效。大数据使教育数据越来越多元化和非结构化,教育数据的广度、深度和细度不断延伸。教师要具备高效使用数据的能力,能通过分析学生对学习资源的交互数据读懂千差万别的学生,熟谙每一位学生的学习兴趣和需求,为他们推送个性化学习资源和个性化学习服务。有助于教师适应E化科研,促进科研成果产出。具有数据素养的教师,对新的数据技术具有较强的敏锐度和理解力,理解科学数据在科学研究中的重要价值,将科学数据处理作为一种新的科学投入模式,能有效管理数据洪流,从数据仓库中挖掘科研价值,这不仅有助于教师教研协同,也能有效促进教师专业发展。
    (4)教师数据素养发展的路径选择
    教师数据素养的提升是一个系统工程,要将其放在整个国家教育生态系统中来考量(如图7),也就是教育系统数据驱动文化构建的过程,实质上是一个新教学文化实施的路径选择问题。

 

图7 教师数据素养发展路径图
 

    标准与政策的制定是教师数据素养发展的前提。从国家或地区层面制定相应的政策或标准,能为教师数据素养的发展提供政策保障。我国应该及时制定教师数据素养发展规划或标准,并在高校开展教师数据素养发展的专题项目研究,吸纳大数据分析者和管理者投身到教育研究中来。
    职前培养是教师数据素养发展的基础。在教师职前培养过程中,应该增添数据素养相关的内容,培养学生数据处理、分析和解释的能力,为教师今后数据素养发展提供示范并打下坚实的基础。
    基于数据的教学革新是教师数据素养发展的关键。教师数据素养的发展本质是教师自主发展过程,需要教师在教学实践中主动使用数据来支持教学决策和改革,在具体的教学实践中训练数据管理、处理和分析的技能,这是提升教师数据素养关键的环节。
    职后培训是教师数据素养发展的保障。教师培训机构应充分利用大数据技术分析教师培训需求,确定合理的培训目标、选择和开发个性化的培训课程,改变培训模式。在不同层次的教师培训中增设教师数据素养内容,召开教师数据使用能力等专题培训会议或学术会议,为教师数据素养提供相应的保障。
    2.8构建了学习行为发生的交互与知识生成学习空间模型
    移动互联技术驱动的多媒体技术、数据库技术和触控等技术的交叉融合,对网络学习空间的三个子系统产生了综合效应,表现出如下的特征:数字教育资源子系统实现了资源的生成性与开放性建设,出现了在线智力资源。管理与决策子系统主要对生成性资源、交互过程的管理。交流与对话子系统走向集成交流与对话。三个子系统之间协同作用,使系统功能主要聚焦于互动和知识生成,资源云服务为互动与生成提供内外部工具、智力等资源支撑,个人空间和教与学空间为互动和知识生成提供环境支撑,因此,将此阶段的网络学习空间命名为“交互与知识生成学习空间”。其具备以下基本功能架构(如图8):

 

图8 空间的功能架构
 

    交互与知识生成学习空间具备以下功能:
    资源的云服务。学习空间中资源子系统是一个相对独立的系统,将教学资源库、教与学工具、智力资源和生成性资源等通过云存储的方式存储起来,其中所有资源的建设都遵循相关数据标准,并对外提供标准的访问接口,以方便师生通过教与学空间、教师空间、学生空间等调用或汇集资源。
   个人空间。系统为普通用户提供构建个人空间的功能,用户可以根据需要调用各种资源或工具,组建自己的个人空间。依据用户身份的不同,个人空间又分为学生个人空间、教师个人空间和管理者个人空间等,这些空间除具备资源管理、个人档案管理、信息管理等个人空间的通用功能之外,分别具有与其身份相对应的独特功能。
    教与学空间。教与学空间为师生提供了交互工具、协作工具、环境构建工具和交互过程管理工具。交互工具提供文字、语音、图片、视频等形式的同步或异步的交流互动功能,可以为教师提供各类资源的汇聚、教学环境构建、教学流程设计、教学活动组织与管理、教学评价、专业发展共同体构建等核心功能。为学生提供学习档案管理、学习活动管理、学习绩效支持等核心功能。
    2.9 论述了在线学习行为分析的场景:智能化教学
    教与学环境、学习资源、教师、学生、教学组织形式等是学校教育活动的五个基本要素,人工智能的发展已撬动学校教育的坚固堡垒,对学校教育活动的要素产生直接的变革作用,推动着学校教育发生变革。
    虚实融合的智能化教与学环境。大数据智能技术进驻学校教育,对教与学环境产生颠覆式的变革作用,致使传统教学环境产生了显著的变化,并朝着智能化方向发展。它能提供虚实融合的智能化教与学环境,具备智能感知学习者学习需求的功能,为师生提供自然的交互环境,提供无缝衔接的学习环境。
    智能化学习资源。智能时代学校教育中的学习资源,重新整合了传统环境中的教材、课件等,其表现形态多样化,具有自我进化功能,能为学习者提供适应性的学习资源服务。智能化学习资源能够借助大数据智能技术,挖掘学习资源的属性数据及用户访问资源行为大数据,进一步完善资源的属性标签,实现资源的个性化表征,促进资源的自我进化,能够从区域内外的资源云中调用关联的学习资源,动态扩充资源图谱,形成体系化的资源群组,为学习者的碎片化和系统化学习提供资源推荐服务。
    无缝的学习方式。在智能社会中,学生的学习是智能泛在化的学习,学习者可以在教室内或者任意场所利用智能学习工具获取知识、实现技能训练或能力提升。学习者可以在无缝衔接的虚实学习环境中开展自主学习、协作学习、探究学习、体验性学习等多种学习活动。使任意时间、任意地点、任意方式、学习任意内容的“4A学习”成为可能。大数据智能技术动态实时挖掘学习者学习行为数据,分析学习者的学习兴趣、学习需求和学习风格,为每一位学习者推送适应性学习资源、个性化学习服务和个性化学习评价等。
    动态伸缩的学习型组织。在智能社会中,传统的学校教学组织形态将被解构,学校的功能将被重新定义,学校的管理模式将发生重大变革。学生的知识学习大多在网络中完成,学校将会成为一个个创新实践中心、实践技能训练中心、职业体验中心等,传统的班级教学组织将被打破,采用弹性的学习组织架构,根据学生的学习能力来跨年龄组班,区域内走班选学将成为常态。
    多重角色的教师。智能时代的教师,无论从角色、职能、形态和能力等方面都将发生诸多变化。首先,教师的角色发生重大变化,教师不再是学生知识的传授者,而是学生学习进程的指导者、管理者,学生技能训练、能力发展的帮助者等。其次,智能导师成为教师群体中的一员,为学习者的学习提供必要的指导与服务。智能导师和实体教师协同工作,共同为学生提供适应性的指导与服务。再次,各行业机构、科研院所的科研人员和工作人员等社会资源通过互联网为学习者提供智力支持,成为教师的有效组成部分。
    数据支持的学习评价。智能时代学习评价是自动、多元和全过程的个性化评价,这种评价能够有效地为学习者的学习提供数据参考,帮助学习者改进学习策略,提升学习绩效,实现个性化发展。

 

主办单位:全国教育科学规划领导小组办公室
地址:北京市北三环中路46号 邮编:100088 电话:(010)62003307 传真:(010)62003859
技术支持:教育部教育信息中心