摘要：学习过程数据反映了学习者在学习过程中的状态。当前众多对学习者学习过程数据进行挖掘与分析的研究，大多基于学习者在某一学习行为上投入的精力和时间来开展。这些粗粒度数据并不能细致地反映学习者的认知投入水平，且部分学习行为数据对学习效果的预测正确率不高。与学习者参与度相比，学习过程中的学习行为序列，更能反映学习者学习行为轨迹、意愿与认知过程。利用滞后序列分析法对DEEDS平台上的学习过程数据的分析发现：滞后序列分析法可以清晰地揭示若干重要的学习行为序列；相较于支持向量机、逻辑斯蒂回归以及决策树等数据挖掘方法，朴素贝叶斯方法具有良好的预测性能，平均正确率超过70%。研究结果证明，学习者的学习行为序列可以为教师呈现更全面的在线学习图景，帮助教师发现学习者的学习习惯、偏好以及认知过程，辅助教师对教学过程进行反思。同时，通过行为序列数据可以较准确地预测出学习者的学习成就，继而对预测模型中关键属性进行分析，为教师在后续教学过程中采取有针对性的干预措施提供建议，达到提高教育教学绩效的目的。
关键词：学习过程；行为序列；数据挖掘；滞后序列分析法；学习效果预测
中图分类号：G434 文献标识码：A 文章编号：1009-5195（2018）02-0103-10 doi10.3969/j.issn.1009-5195.2018.02.012
一、引言
学习过程数据反映了学习者在学习过程中的状态。在传统课堂教学中，往往需要指派特定人员对课堂中学习者的学习行为进行观察、记录，整理成学习过程数据，再借助这些数据对学习者学习参与度、学习行为与学习效果关系进行研究（McIntyre et al.， 1983）。但是，无论是通过传统的研究人员观察、手动记录，还是借助视音频录制设备对学习者学习过程进行录制，再经转录形成研究数据，都存在数据收集烦琐、录入易出错等问题。随着信息通信技术的不断发展、各类在线学习平台（如MOOC、Moodle等）和学习设备（如电子书包等）的不断涌现，人们在学习平台、学习设备上的大量数据也得以被简单有效地收集起来。
学习者的学习过程数据收集问题虽得以解决，但是这些数据大多是无规则的、零散的，隐含大量潜在信息，通过常規的统计方法难以对其进行分析。随着数据挖掘技术在其他领域的有效应用，已有众多研究者利用数据挖掘技术分析教育领域的学习数据，发掘隐藏在其中的、具有潜在价值的信息和知识。例如，通过学习者的学习过程数据，发现学生的学习时间偏好以及在线课程模块访问偏好（魏顺平，2011）；挖掘学习行为与学习效果之间的关联（傅钢善等，2014；贾积有等，2014）；通过学习行为数据来预测学习者的学习效果（孙力等，2015；胡祖辉等，2017）等。现有的很多关于学习效果预测的相关研究是基于学习者的学习行为参与度（Engagement）数据，即学习者某一学习行为上投入的精力和时间。这些粗粒度数据并不能细致地反映学习者的认知投入水平，且部分学习行为数据对学习效果的预测正确率不高（Macfadyen et al.，2010）。最新研究发现，与学生参与度相比，学习过程中的学习行为序列，更能反映学习者学习行为轨迹、意愿与认知过程（杨现民等，2016）。例如，通过学习行为序列分析来研究整个活动过程行为模式（Hou et al.， 2009），以及不同学习阶段行为模式和不同学习成就组行为模式的比较（Yang et al.，2015）等。同时，借助学习者学习行为序列对学习者学习效果预测，可为教师确定用于监控和分析学习过程的关键行为序列，达到监测学习者学习情况、及时实施教学干预、提高学习效果的目的。受此启发，本文针对某虚拟仿真实验平台的学习行为数据，利用学习者的学习行为序列来开展过程分析与学习效果预测研究。
二、文献综述
目前对学习行为的概念尚没有明确的界定，不同学者从不同层面、不同学习环境、不同学习对象等出发对学习行为给出了各自不同的定义。例如，有学者从网络环境出发，认为学习行为是学习者在由现代信息技术所创设的、具有全新沟通机制与丰富资源的学习环境中，开展的远程自主学习行为（彭文辉等，2006）或学习活动的总和（杨金来等，2008）。也有学者从学习行为涵盖的注意力、学习动机、学习态度与策略应用等方面指出，学习行为是学习者在学习中所表现出来的积极的和消极的两个方面的行为（姚纯贞等，2009）。吴淑苹（2013）针对教师这一特定学习对象，给出了其在网络学习环境下的学习行为是教师在专业成长的过程中，在由信息技术所创设的，具有全新沟通机制、研修模式与丰富资源的网络培训环境中，开展的网络自主研修学习行为。
综合考虑学习环境、学习对象等各方面因素，研究将学习行为界定为学习者在某种动机指引下，为获得某种学习结果而与周围环境进行双向交互活动的总和（郁晓华等，2013）。基于此，本研究中的学习行为序列是指按照学习行为发生时间先后所形成的行为次序，也就是将一种行为向另一种行为的转换定义为一个行为序列。
寻找具有显著性的若干学习行为序列可以发现学习者的学习行为模式。滞后序列分析法（Lag Sequential Analysis，LSA）是萨基特（Sackett，1978）提出的一种用于检验行为序列显著性的方法，旨在通过分析一种行为在另一种行为之后出现所形成概率的显著性来探索人类的行为模式。该方法自提出后，已被应用于众多领域，如在电子商务领域，用于客户行为偏好分析；在医疗领域，用于患者行为分析与治疗；在游戏领域，用于玩家游戏行为分析等。近年来，该方法引起了教育研究者的广泛关注，并将其迁移运用至教育领域内。在已有研究中，部分研究利用滞后序列分析法探究群体间在行为模式上的差异。例如，胡（Hou，2012）采用LSA探索了角色扮演游戏中不同性别群体在行为序列上的差异，并根据研究结果探讨了所采用的教学模式的不足，提出了相应的改进建议。李爽等（2017）利用LSA对开放大学2131名学生在Moodle平台上的日志数据进行了在线学习行为序列和参与模式探索。其研究发现，根据行为序列可以定义出不同的在线参与模式，进而提出更具针对性的教学改进意见。另一部分研究，利用滞后序列分析法探索整个活动过程中的学习行为模式（Jeong，2003；Lan et al.，2012；Yang et al.，2016）。例如，胡等（Hou et al.，2009）从教师的在线讨论行为出发探索了知识分享讨论活动中教师的行为模式。还有一部分研究运用滞后序列对不同学习阶段的学习者学习模式差异进行了分析。例如，杨等（Yang et al.，2015）利用LSA分析了协同翻译过程中，学生在不同活动阶段的知识建构行为。以往研究均表明，通过分析学习者的学习行为序列可以帮助教学相关者把握学习者潜在的行为模式，发现不同学习群体、整个学习活动阶段以及不同学习阶段学习行为上的差异。然而已有研究鲜少尝试利用这些行为序列建立学习者学习效果预测模型，帮助教师确定用于监控和分析学习过程的关键行为序列，从而实现监测学习者学习情况、及时实施教学干预、提高学习效果的目的。
本文来源：https://www.sh-renlong.com/zhuantifanwen/xuexiqiangguo/21981.html