影响大学生在线学习投入的因素分析.docxVIP

影响大学生在线学习投入的因素分析 一般来说，在线学习是指通过网络学习和教育的活动。在本文中,在线学习指的是发生在网络教学平台上的学习,要比一般意义上的在线学习(以及与之近义的e-Learning、网络化学习、数字化学习)的外延要窄。本研究所关注的在线学习行为特点描述及其影响因素分析主要基于学习者在教学平台上留下的各种行为记录以及学习者的基本信息。研究远程学习者的在线学习行为特点,并发现影响这些行为的关键因素,将有助于远程教师及管理人员了解当前学习者的总体学习状况,为他们开展相关决策,如优化教学平台和教学资源、改进学习支持服务提供有力参考。 目前,有关在线学习行为描述与影响因素分析的研究围绕在线学习行为描述、影响因素分析及相关监控软件开发应用等展开。这些研究采用文献研究、问卷调查、访谈、网络日志分析、内容分析等方法对学习者的学习行为、参与度以及影响参与度的因素进行研究。 从已有研究来看,不少研究通过分析教学平台网络日志来描述在线学习行为。例如,谢维奇(2004)采用数据挖掘方法对Web服务器日志和后台数据库进行挖掘,一方面为教师及时提供学员的访问次数、访问时间、教学资源的利用情况,另一方面为网站的管理者提供用户的浏览模式信息,分析使用者的访问路径,从而使教师对学员的学习过程能实施有效的监控,完成对学员的形成性考核,并完善网站设计。宋江春等(2005)提出使用挖掘技术分析学生的访问行为、频度、内容、停留时间等内容,得出学生访问行为和方式的一般模式,并以此为依据向学生提供全面的个性化教学支持服务。袁明等(2006)则以一所网络教育学院教学平台学习记录为挖掘对象,设置课程页面点击次数和上网人数两个参数,结合时间和地域特点,对已上网人数、每天访问在线课程人数及其月平均值、访问量时段特点、各地区(以下称为站点)学习者到访比例和在线测试题完成情况等方面进行分析研究。有研究人员将关联规则挖掘技术用于从用户访问序列数据库的序列项中挖掘出相关的规则,揭示学习者访问一些内容的同时会访问哪些内容,借此找出具有相关内容的网页,从而更好地组织课程页面和推荐页面,尽可能缩短相关内容的分布距离,或提供便捷的路径指引(Ha et al.,2000;Wang,2002)。Romero等(2005)曾采用统计、可视化、分类、聚类以及关联规则挖掘等数据挖掘方法对Moodle平台中的各种数据进行分析,得到的分析结果可为学生了解自己的学习状况、教师监控学生的学习状况提供参考,并为教师的教学决策提供依据。上述研究成果可为本研究的开展提供挖掘内容和挖掘方法参考。 已有研究表明,在线学习行为的影响因素主要有网络资源和学习支持服务。赵丕元(2002)通过对2000名中央电大开放教育试点学生的问卷调查发现,影响学生参与网上学习的不利因素有:网上资源内容尚不够丰富、网页形式呆板,有些课程辅导缺乏交互性、网页内容更新较慢;学习支持服务不够便捷。龚志武(2004)指出,网络课程结构体系相对完整,学生网上学习时间和次数就会相应增长;师生网上交互率的高低与学生网上学习的时间和次数成正比,即交互率越高,上网次数越多,学习时间也越长。肖爱平等(2009)指出在线学习的影响因素具体包括网络环境、课程资源、网上交互以及学习者自身的原因。 此外,在线学习行为分析的实际应用就是建立在线学习行为监控系统(毛利杰等,2009;杨金来等,2008;邵艳丽等,2008)。网络学习中的监控机制对于促进网络学习这种新型的学习方式的普及和发展、提高网络学习质量具有重要意义。其中,杨金来等(2008)所设计开发的监控系统涉及来访客户端信息统计、不同地域学习者在线分布情况、学习者在线人数的实时统计、学习者个体网络学习行为的实时监控等。 综合上述已有研究,笔者认为,基于网络日志的学生行为分析还可以更加细致深入,可以从学习时间、学习活动、师生交互、学习资源、考试成绩等多个角度发现更多的学习行为特点;影响因素分析还可更加注重内在因素,即学生自身因素的分析。本研究将采用网络日志分析这一非反应性研究方法以及相关分析、差异检验、聚类分析、社会网络分析等数据挖掘方法,对在线学习的网络日志做出更为细致深入的分析,并探索在线学习行为的内在影响因素。 以课程为单元的开放学习形式 参加该网络课程学习的学生分为本科、专科和“课程开放”三个专业层次。其中,“课程开放”属于一种以课程为单元的开放学习形式,即允许学习者注册单科学习课程。这三种专业层次的学生分布情况如表一所示。我们以5年为一个单位,将学生年龄分为若干段,然后统计得到各年龄段学生的数量分布,其结果如表二所示。学生集中在15~34岁之间,这四个年龄段的学生数占样本总数的83%。 学生登录的统计方法 通过对登录行为数据表做各种查询操作,可得到学生登录的基本情况信息,如表三所示。 在登录行