江波　高明　陳志翰　王小霞

摘要：學(xué)習(xí)過程數(shù)據(jù)反映了學(xué)習(xí)者在學(xué)習(xí)過程中的狀態(tài)。當(dāng)前眾多對學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)進(jìn)行挖掘與分析的研究，大多基于學(xué)習(xí)者在某一學(xué)習(xí)行為上投入的精力和時(shí)間來開展。這些粗粒度數(shù)據(jù)并不能細(xì)致地反映學(xué)習(xí)者的認(rèn)知投入水平，且部分學(xué)習(xí)行為數(shù)據(jù)對學(xué)習(xí)效果的預(yù)測正確率不高。與學(xué)習(xí)者參與度相比，學(xué)習(xí)過程中的學(xué)習(xí)行為序列，更能反映學(xué)習(xí)者學(xué)習(xí)行為軌跡、意愿與認(rèn)知過程。利用滯后序列分析法對DEEDS平臺上的學(xué)習(xí)過程數(shù)據(jù)的分析發(fā)現(xiàn)：滯后序列分析法可以清晰地揭示若干重要的學(xué)習(xí)行為序列；相較于支持向量機(jī)、邏輯斯蒂回歸以及決策樹等數(shù)據(jù)挖掘方法，樸素貝葉斯方法具有良好的預(yù)測性能，平均正確率超過70%。研究結(jié)果證明，學(xué)習(xí)者的學(xué)習(xí)行為序列可以為教師呈現(xiàn)更全面的在線學(xué)習(xí)圖景，幫助教師發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)習(xí)慣、偏好以及認(rèn)知過程，輔助教師對教學(xué)過程進(jìn)行反思。同時(shí)，通過行為序列數(shù)據(jù)可以較準(zhǔn)確地預(yù)測出學(xué)習(xí)者的學(xué)習(xí)成就，繼而對預(yù)測模型中關(guān)鍵屬性進(jìn)行分析，為教師在后續(xù)教學(xué)過程中采取有針對性的干預(yù)措施提供建議，達(dá)到提高教育教學(xué)績效的目的。

關(guān)鍵詞：學(xué)習(xí)過程；行為序列；數(shù)據(jù)挖掘；滯后序列分析法；學(xué)習(xí)效果預(yù)測

中圖分類號：G434 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-5195（2018）02-0103-10 doi10.3969/j.issn.1009-5195.2018.02.012

一、引言

學(xué)習(xí)過程數(shù)據(jù)反映了學(xué)習(xí)者在學(xué)習(xí)過程中的狀態(tài)。在傳統(tǒng)課堂教學(xué)中，往往需要指派特定人員對課堂中學(xué)習(xí)者的學(xué)習(xí)行為進(jìn)行觀察、記錄，整理成學(xué)習(xí)過程數(shù)據(jù)，再借助這些數(shù)據(jù)對學(xué)習(xí)者學(xué)習(xí)參與度、學(xué)習(xí)行為與學(xué)習(xí)效果關(guān)系進(jìn)行研究（McIntyre et al.， 1983）。但是，無論是通過傳統(tǒng)的研究人員觀察、手動(dòng)記錄，還是借助視音頻錄制設(shè)備對學(xué)習(xí)者學(xué)習(xí)過程進(jìn)行錄制，再經(jīng)轉(zhuǎn)錄形成研究數(shù)據(jù)，都存在數(shù)據(jù)收集煩瑣、錄入易出錯(cuò)等問題。隨著信息通信技術(shù)的不斷發(fā)展、各類在線學(xué)習(xí)平臺（如MOOC、Moodle等）和學(xué)習(xí)設(shè)備（如電子書包等）的不斷涌現(xiàn)，人們在學(xué)習(xí)平臺、學(xué)習(xí)設(shè)備上的大量數(shù)據(jù)也得以被簡單有效地收集起來。

學(xué)習(xí)者的學(xué)習(xí)過程數(shù)據(jù)收集問題雖得以解決，但是這些數(shù)據(jù)大多是無規(guī)則的、零散的，隱含大量潛在信息，通過常規(guī)的統(tǒng)計(jì)方法難以對其進(jìn)行分析。隨著數(shù)據(jù)挖掘技術(shù)在其他領(lǐng)域的有效應(yīng)用，已有眾多研究者利用數(shù)據(jù)挖掘技術(shù)分析教育領(lǐng)域的學(xué)習(xí)數(shù)據(jù)，發(fā)掘隱藏在其中的、具有潛在價(jià)值的信息和知識。例如，通過學(xué)習(xí)者的學(xué)習(xí)過程數(shù)據(jù)，發(fā)現(xiàn)學(xué)生的學(xué)習(xí)時(shí)間偏好以及在線課程模塊訪問偏好（魏順平，2011）；挖掘?qū)W習(xí)行為與學(xué)習(xí)效果之間的關(guān)聯(lián)（傅鋼善等，2014；賈積有等，2014）；通過學(xué)習(xí)行為數(shù)據(jù)來預(yù)測學(xué)習(xí)者的學(xué)習(xí)效果（孫力等，2015；胡祖輝等，2017）等?，F(xiàn)有的很多關(guān)于學(xué)習(xí)效果預(yù)測的相關(guān)研究是基于學(xué)習(xí)者的學(xué)習(xí)行為參與度（Engagement）數(shù)據(jù)，即學(xué)習(xí)者某一學(xué)習(xí)行為上投入的精力和時(shí)間。這些粗粒度數(shù)據(jù)并不能細(xì)致地反映學(xué)習(xí)者的認(rèn)知投入水平，且部分學(xué)習(xí)行為數(shù)據(jù)對學(xué)習(xí)效果的預(yù)測正確率不高（Macfadyen et al.，2010）。最新研究發(fā)現(xiàn)，與學(xué)生參與度相比，學(xué)習(xí)過程中的學(xué)習(xí)行為序列，更能反映學(xué)習(xí)者學(xué)習(xí)行為軌跡、意愿與認(rèn)知過程（楊現(xiàn)民等，2016）。例如，通過學(xué)習(xí)行為序列分析來研究整個(gè)活動(dòng)過程行為模式（Hou et al.， 2009），以及不同學(xué)習(xí)階段行為模式和不同學(xué)習(xí)成就組行為模式的比較（Yang et al.，2015）等。同時(shí)，借助學(xué)習(xí)者學(xué)習(xí)行為序列對學(xué)習(xí)者學(xué)習(xí)效果預(yù)測，可為教師確定用于監(jiān)控和分析學(xué)習(xí)過程的關(guān)鍵行為序列，達(dá)到監(jiān)測學(xué)習(xí)者學(xué)習(xí)情況、及時(shí)實(shí)施教學(xué)干預(yù)、提高學(xué)習(xí)效果的目的。受此啟發(fā)，本文針對某虛擬仿真實(shí)驗(yàn)平臺的學(xué)習(xí)行為數(shù)據(jù)，利用學(xué)習(xí)者的學(xué)習(xí)行為序列來開展過程分析與學(xué)習(xí)效果預(yù)測研究。

二、文獻(xiàn)綜述

目前對學(xué)習(xí)行為的概念尚沒有明確的界定，不同學(xué)者從不同層面、不同學(xué)習(xí)環(huán)境、不同學(xué)習(xí)對象等出發(fā)對學(xué)習(xí)行為給出了各自不同的定義。例如，有學(xué)者從網(wǎng)絡(luò)環(huán)境出發(fā)，認(rèn)為學(xué)習(xí)行為是學(xué)習(xí)者在由現(xiàn)代信息技術(shù)所創(chuàng)設(shè)的、具有全新溝通機(jī)制與豐富資源的學(xué)習(xí)環(huán)境中，開展的遠(yuǎn)程自主學(xué)習(xí)行為（彭文輝等，2006）或?qū)W習(xí)活動(dòng)的總和（楊金來等，2008）。也有學(xué)者從學(xué)習(xí)行為涵蓋的注意力、學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)態(tài)度與策略應(yīng)用等方面指出，學(xué)習(xí)行為是學(xué)習(xí)者在學(xué)習(xí)中所表現(xiàn)出來的積極的和消極的兩個(gè)方面的行為（姚純貞等，2009）。吳淑蘋（2013）針對教師這一特定學(xué)習(xí)對象，給出了其在網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下的學(xué)習(xí)行為是教師在專業(yè)成長的過程中，在由信息技術(shù)所創(chuàng)設(shè)的，具有全新溝通機(jī)制、研修模式與豐富資源的網(wǎng)絡(luò)培訓(xùn)環(huán)境中，開展的網(wǎng)絡(luò)自主研修學(xué)習(xí)行為。

綜合考慮學(xué)習(xí)環(huán)境、學(xué)習(xí)對象等各方面因素，研究將學(xué)習(xí)行為界定為學(xué)習(xí)者在某種動(dòng)機(jī)指引下，為獲得某種學(xué)習(xí)結(jié)果而與周圍環(huán)境進(jìn)行雙向交互活動(dòng)的總和（郁曉華等，2013）。基于此，本研究中的學(xué)習(xí)行為序列是指按照學(xué)習(xí)行為發(fā)生時(shí)間先后所形成的行為次序，也就是將一種行為向另一種行為的轉(zhuǎn)換定義為一個(gè)行為序列。

尋找具有顯著性的若干學(xué)習(xí)行為序列可以發(fā)現(xiàn)學(xué)習(xí)者的學(xué)習(xí)行為模式。滯后序列分析法（Lag Sequential Analysis，LSA）是薩基特（Sackett，1978）提出的一種用于檢驗(yàn)行為序列顯著性的方法，旨在通過分析一種行為在另一種行為之后出現(xiàn)所形成概率的顯著性來探索人類的行為模式。該方法自提出后，已被應(yīng)用于眾多領(lǐng)域，如在電子商務(wù)領(lǐng)域，用于客戶行為偏好分析；在醫(yī)療領(lǐng)域，用于患者行為分析與治療；在游戲領(lǐng)域，用于玩家游戲行為分析等。近年來，該方法引起了教育研究者的廣泛關(guān)注，并將其遷移運(yùn)用至教育領(lǐng)域內(nèi)。在已有研究中，部分研究利用滯后序列分析法探究群體間在行為模式上的差異。例如，胡（Hou，2012）采用LSA探索了角色扮演游戲中不同性別群體在行為序列上的差異，并根據(jù)研究結(jié)果探討了所采用的教學(xué)模式的不足，提出了相應(yīng)的改進(jìn)建議。李爽等（2017）利用LSA對開放大學(xué)2131名學(xué)生在Moodle平臺上的日志數(shù)據(jù)進(jìn)行了在線學(xué)習(xí)行為序列和參與模式探索。其研究發(fā)現(xiàn)，根據(jù)行為序列可以定義出不同的在線參與模式，進(jìn)而提出更具針對性的教學(xué)改進(jìn)意見。另一部分研究，利用滯后序列分析法探索整個(gè)活動(dòng)過程中的學(xué)習(xí)行為模式（Jeong，2003；Lan et al.，2012；Yang et al.，2016）。例如，胡等（Hou et al.，2009）從教師的在線討論行為出發(fā)探索了知識分享討論活動(dòng)中教師的行為模式。還有一部分研究運(yùn)用滯后序列對不同學(xué)習(xí)階段的學(xué)習(xí)者學(xué)習(xí)模式差異進(jìn)行了分析。例如，楊等（Yang et al.，2015）利用LSA分析了協(xié)同翻譯過程中，學(xué)生在不同活動(dòng)階段的知識建構(gòu)行為。以往研究均表明，通過分析學(xué)習(xí)者的學(xué)習(xí)行為序列可以幫助教學(xué)相關(guān)者把握學(xué)習(xí)者潛在的行為模式，發(fā)現(xiàn)不同學(xué)習(xí)群體、整個(gè)學(xué)習(xí)活動(dòng)階段以及不同學(xué)習(xí)階段學(xué)習(xí)行為上的差異。然而已有研究鮮少嘗試?yán)眠@些行為序列建立學(xué)習(xí)者學(xué)習(xí)效果預(yù)測模型，幫助教師確定用于監(jiān)控和分析學(xué)習(xí)過程的關(guān)鍵行為序列，從而實(shí)現(xiàn)監(jiān)測學(xué)習(xí)者學(xué)習(xí)情況、及時(shí)實(shí)施教學(xué)干預(yù)、提高學(xué)習(xí)效果的目的。

學(xué)習(xí)效果預(yù)測是教育數(shù)據(jù)挖掘領(lǐng)域的一類常見問題，一般使用學(xué)習(xí)者的各類學(xué)習(xí)數(shù)據(jù)對其學(xué)習(xí)效果進(jìn)行預(yù)測（Huang et al.，2013；Jiang et al.，2014；牟智佳等，2017）。例如，通過學(xué)習(xí)者的操作日志數(shù)據(jù)、論壇行為數(shù)據(jù)對學(xué)習(xí)成績進(jìn)行預(yù)測（Vicente-Arturo et al.，2012；Romero et al.，2013），或者根據(jù)學(xué)習(xí)者的行為數(shù)據(jù)對其所學(xué)課程的證書獲得情況進(jìn)行預(yù)測（Qiu et al.，2016；賀超凱等，2016）。以上研究均表明通過對預(yù)測模型中相關(guān)屬性的理解與分析，可以找出影響學(xué)習(xí)效果的關(guān)鍵行為，輔助教學(xué)者在后續(xù)教學(xué)活動(dòng)中采取更有針對性的教學(xué)方式，制定科學(xué)合理的教學(xué)管理制度，從而有效地提高教育教學(xué)績效。

雖然已有眾多研究對學(xué)習(xí)者學(xué)習(xí)過程數(shù)據(jù)進(jìn)行挖掘與分析，但大多是從學(xué)習(xí)者在某一學(xué)習(xí)行為上投入的精力和時(shí)間來開展，較少從學(xué)習(xí)行為序列的角度來考察學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)聯(lián)。鑒于此，本研究基于已有學(xué)習(xí)過程數(shù)據(jù)集，應(yīng)用滯后序列分析法來探索學(xué)習(xí)者的學(xué)習(xí)行為模式，并嘗試根據(jù)學(xué)習(xí)者的學(xué)習(xí)行為序列對其學(xué)習(xí)效果進(jìn)行預(yù)測。

三、研究方法

1.研究問題

在已有研究基礎(chǔ)上，本研究嘗試應(yīng)用滯后序列分析法、數(shù)據(jù)挖掘方法來研究以下兩個(gè)問題：（1）在學(xué)習(xí)者的學(xué)習(xí)過程中，有哪些行為序列的出現(xiàn)概率達(dá)到顯著性水平，由此反映的學(xué)習(xí)者學(xué)習(xí)參與模式是怎樣的？（2）根據(jù)學(xué)習(xí)者在學(xué)習(xí)過程中的學(xué)習(xí)行為序列，是否可以對學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行預(yù)測？

2.案例課程與數(shù)據(jù)樣本

本研究以意大利熱那亞大學(xué)（University of Genoa）2014年秋季學(xué)期“數(shù)字電路”實(shí)驗(yàn)課程有完整記錄的93名計(jì)算機(jī)工程專業(yè)學(xué)生在DEEDS（Digital Electronics Education and Design Suite）平臺上的學(xué)習(xí)過程數(shù)據(jù)為樣本。該課程分為理論教學(xué)和實(shí)驗(yàn)教學(xué)兩部分，其中本研究所涉及的實(shí)驗(yàn)學(xué)習(xí)部分，主要是在學(xué)生完成理論知識學(xué)習(xí)后，在教室環(huán)境下借助DEEDS平臺提供的虛擬仿真環(huán)境根據(jù)預(yù)設(shè)的學(xué)習(xí)任務(wù)在規(guī)定時(shí)間內(nèi)自主探究并完成實(shí)驗(yàn)課程的學(xué)習(xí)。DEEDS是由意大利兩位學(xué)者專為“數(shù)字電路”實(shí)驗(yàn)課程的學(xué)習(xí)而開發(fā)的（Donzellini et al.，2007），集成了課程所需的“數(shù)字電路模擬器（d-DcS）”“有限狀態(tài)機(jī)模擬器（d-FsM）”和“微機(jī)接口與編程模擬器（d-McE）”三大模擬器，可實(shí)現(xiàn)邏輯電路的設(shè)計(jì)、組裝、測試以及時(shí)序電路圖繪制等多種功能，為課程電路實(shí)驗(yàn)的開展提供了一個(gè)逼真的虛擬仿真實(shí)驗(yàn)環(huán)境。

學(xué)習(xí)者在DEEDS平臺上的學(xué)習(xí)過程數(shù)據(jù)經(jīng)研究者使用特定軟件被收集起來（Vahdat et al.，2015），從而形成了研究所使用的數(shù)據(jù)集。本研究分析的是93名學(xué)生在2014年秋季學(xué)期“數(shù)字電路”課程學(xué)習(xí)中產(chǎn)生的20余萬條數(shù)據(jù)，這些數(shù)據(jù)構(gòu)成了本研究的數(shù)據(jù)樣本。研究重點(diǎn)分析數(shù)據(jù)集所記錄的學(xué)號（student_id）、活動(dòng)（activity）等字段，考察學(xué)生在虛擬仿真實(shí)驗(yàn)環(huán)境下的行為序列與轉(zhuǎn)換模式，并嘗試從行為序列出發(fā)對學(xué)習(xí)者的學(xué)習(xí)效果進(jìn)行預(yù)測。

3.數(shù)據(jù)處理與編碼

原始數(shù)據(jù)集定義并記錄了不同學(xué)時(shí)和不同學(xué)習(xí)任務(wù)下的15種大類的學(xué)習(xí)活動(dòng)。例如，“Deeds_Es_# _#”表示某一課時(shí)進(jìn)行某一任務(wù)的普通邏輯電路模擬活動(dòng)，“Deeds_Es”表示未具體甄別出所屬課時(shí)以及所屬任務(wù)的普通邏輯電路模擬活動(dòng)。需要說明的是，“Deeds_Es_#_#”和“Deeds_Es”雖然在數(shù)據(jù)采集中被認(rèn)為是兩種學(xué)習(xí)活動(dòng)，但它們之間的差異僅在于具體課時(shí)和任務(wù)的不同，本質(zhì)上還是在進(jìn)行邏輯電路模擬活動(dòng)。因此，本研究對類似的學(xué)習(xí)活動(dòng)進(jìn)行了合并處理，將其歸納為9種學(xué)習(xí)行為，作為行為序列分析的行為對象。表1呈現(xiàn)的是9種行為的名稱、描述、來源活動(dòng)以及研究編碼。

如前所述，本研究將一種行為向另一種行為的轉(zhuǎn)換定義為一個(gè)行為序列，并用兩種行為的編碼組合表示兩種行為形成的序列，組合中行為編碼的前后順序代表該序列中行為轉(zhuǎn)換的方向。例如，AS表示先查看學(xué)習(xí)任務(wù)（A）后閱讀學(xué)習(xí)資料（S）這一行為序列，亦即從查看學(xué)習(xí)任務(wù)（A）跳轉(zhuǎn)到閱讀學(xué)習(xí)資料（S）所形成的序列。根據(jù)行為序列的定義，本研究中的9種行為形成了可供研究的81個(gè)行為序列。

4.研究工具與方法

研究首先采用Python語言編寫算法從原始數(shù)據(jù)集中提取學(xué)習(xí)行為數(shù)據(jù)并生成研究所需格式的行為序列文件；之后，采用滯后序列分析工具GSEQ 5.1①對兩種行為所形成序列的發(fā)生頻次和概率值進(jìn)行計(jì)算，并根據(jù)結(jié)果繪制行為轉(zhuǎn)換模式圖；接著，采用適用于Python語言的數(shù)據(jù)挖掘包scikit-learn進(jìn)行學(xué)習(xí)效果預(yù)測研究，運(yùn)用SPSS 18.0對包含不同特征數(shù)目的模型進(jìn)行預(yù)測效果比較以及最終模型確定等工作。

四、研究結(jié)果

1.學(xué)習(xí)過程分析

研究應(yīng)用滯后序列分析法考察學(xué)習(xí)者在學(xué)習(xí)過程中達(dá)到顯著性水平的行為序列，構(gòu)建學(xué)習(xí)者在虛擬仿真環(huán)境下進(jìn)行實(shí)驗(yàn)學(xué)習(xí)的行為序列轉(zhuǎn)換圖，呈現(xiàn)一幅學(xué)習(xí)過程全景圖，并進(jìn)一步對行為序列轉(zhuǎn)換圖所反映出的行為模式、學(xué)習(xí)習(xí)慣等進(jìn)行分析。

（1）行為序列總體情況

研究首先對學(xué)生在課程學(xué)習(xí)期間所產(chǎn)生學(xué)習(xí)行為序列的頻次進(jìn)行統(tǒng)計(jì)，形成如表2所示的9種學(xué)習(xí)行為間的轉(zhuǎn)換頻次表。表中行代表起始行為，列表示緊接著該行行為之后發(fā)生的行為，也就是由行行為跳轉(zhuǎn)到列行為；表中數(shù)據(jù)代表的是兩種行為所形成的行為序列的發(fā)生頻次。例如，第1行第3列中的數(shù)字339表示，在查看學(xué)習(xí)任務(wù)行為（A）后緊接著進(jìn)行普通電路模擬行為（D1）這一行為序列發(fā)生的總頻次為339次。另外，從表2中也可以快速發(fā)現(xiàn)序列發(fā)生頻次的總體情況，例如出現(xiàn)較多的行為序列有D1T（從組裝與運(yùn)行普通電路行為跳轉(zhuǎn)到記錄與反思實(shí)驗(yàn)結(jié)果行為，11686次）、TD1（記錄與反思實(shí)驗(yàn)結(jié)果行為跳轉(zhuǎn)到組裝與運(yùn)行普通電路行為，12215次），出現(xiàn)較少的行為序列有AP（查看學(xué)習(xí)任務(wù)行為跳轉(zhuǎn)到電路參數(shù)調(diào)節(jié)行為，7次）等。

（2）行為轉(zhuǎn)換模式分析

根據(jù)滯后序列分析理論，表3是在行為頻次矩陣基礎(chǔ)上調(diào)整后的殘差表，表中數(shù)據(jù)是兩種行為所形成的行為序列發(fā)生頻次調(diào)整后的殘差值（Z-score）。其中，Z-score>1.96表明該行為序列出現(xiàn)的頻次在統(tǒng)計(jì)上具有顯著意義（p<0.05）。從表3中可以發(fā)現(xiàn)，AA（從查看一個(gè)學(xué)習(xí)任務(wù)跳轉(zhuǎn)到查看另一個(gè)學(xué)習(xí)任務(wù)）、OA（由進(jìn)行與實(shí)驗(yàn)無關(guān)的其他行為跳轉(zhuǎn)到查看學(xué)習(xí)任務(wù)）以及SA（從閱讀學(xué)習(xí)資料行為跳轉(zhuǎn)到查看學(xué)習(xí)任務(wù)）等31個(gè)行為序列發(fā)生頻次達(dá)到了顯著性水平。為了更直觀呈現(xiàn)學(xué)習(xí)過程中行為序列之間的跳轉(zhuǎn)情況，依據(jù)其中具有顯著意義的31個(gè)行為序列繪制了如圖1所示的行為序列轉(zhuǎn)換圖。圖中節(jié)點(diǎn)表示各種學(xué)習(xí)行為，節(jié)點(diǎn)之間的連線表示有意義的行為序列，箭頭代表行為轉(zhuǎn)換的方向。

圖1中不同節(jié)點(diǎn)之間眾多的交叉連線表明，學(xué)生在DEEDS平臺上的行為轉(zhuǎn)換較為豐富。由圖可知，9種學(xué)習(xí)行為中，普通電路模擬行為（D1）、閱讀學(xué)習(xí)資料行為（S）與其他行為相比有著更多具有顯著意義的序列。另外，可以發(fā)現(xiàn)這些序列中既包括單向的跳轉(zhuǎn)序列，也包括雙向的彼此交互序列。

通過對圖1所示行為序列轉(zhuǎn)換圖的分析可以發(fā)現(xiàn)學(xué)習(xí)者潛在的一些行為模式、學(xué)習(xí)習(xí)慣以及認(rèn)知過程等：（1）當(dāng)學(xué)習(xí)者在查看學(xué)習(xí)任務(wù)時(shí)，傾向于對當(dāng)前課時(shí)學(xué)習(xí)任務(wù)首先進(jìn)行一番了解（AA），以便做出合理的計(jì)劃。例如，是選擇按照所給任務(wù)順序按部就班完成當(dāng)前課時(shí)的學(xué)習(xí)，還是選擇先完成自己熟悉的，再探究尚不熟悉的內(nèi)容。（2）在進(jìn)行普通電路的模擬時(shí)，他們傾向于在電路運(yùn)行成功后及時(shí)記錄實(shí)驗(yàn)結(jié)果（D1T）。（3）在進(jìn)行時(shí)序電路圖的繪制時(shí)，傾向于不斷運(yùn)行實(shí)驗(yàn)電路，根據(jù)實(shí)驗(yàn)現(xiàn)象來繪制對應(yīng)的時(shí)序電路圖（D2D1、D1D2）。（4）在實(shí)驗(yàn)中遇到問題時(shí)，經(jīng)常采取的解決辦法有以下幾種：其一，不斷試錯(cuò)。例如，D1P、PD1（或者FP、PF）表示的是不斷調(diào)整參數(shù)不斷運(yùn)行電路這一行為，D2P、PD2表示的是調(diào)整參數(shù)與制圖之間的往返行為。其二，通過在平臺上查閱教師分發(fā)的學(xué)習(xí)資料尋找解決辦法（D1S、SD1）。其三，通過回顧以往學(xué)習(xí)內(nèi)容，如查看已完成的電路或時(shí)序電路圖，從而獲得啟發(fā)以解決當(dāng)前所遇到的問題（D2D2、FF）。（5）與其他學(xué)習(xí)行為相比，當(dāng)學(xué)習(xí)者在查看學(xué)習(xí)任務(wù)或閱讀學(xué)習(xí)資料時(shí)，他們的注意力更容易分散，從事一些與學(xué)習(xí)無關(guān)的活動(dòng)（AO、SO）。學(xué)生在A、S兩種行為之后更易分神的原因：一方面可能是在學(xué)習(xí)基本理論知識時(shí)遇到困難，導(dǎo)致在查看實(shí)驗(yàn)課程學(xué)習(xí)任務(wù)時(shí)無法激起學(xué)習(xí)興趣，直接放棄本節(jié)課的學(xué)習(xí)，同時(shí)為了應(yīng)付教師在實(shí)驗(yàn)學(xué)習(xí)時(shí)的巡視，在兩個(gè)活動(dòng)界面間不斷切換（OA、AO）；另一方面可能是在電路運(yùn)行時(shí)出現(xiàn)問題，查閱學(xué)習(xí)資料時(shí)對學(xué)習(xí)資料無法理解或依舊無法找出解決辦法時(shí)放棄嘗試，從事與學(xué)習(xí)無關(guān)的學(xué)習(xí)活動(dòng)（SO）。另外，當(dāng)學(xué)習(xí)者從事與學(xué)習(xí)無關(guān)的行為時(shí)，往往更難以進(jìn)行自我約束，以致難以及時(shí)返回到當(dāng)前學(xué)習(xí)進(jìn)程中，這與在線學(xué)習(xí)環(huán)境下經(jīng)常出現(xiàn)的情況也是相吻合的（OO）。

同時(shí)，通過對行為序列轉(zhuǎn)換圖（圖1）的分析，也可以發(fā)現(xiàn)學(xué)生在虛擬仿真環(huán)境下進(jìn)行實(shí)驗(yàn)學(xué)習(xí)的一些局限。例如，F(xiàn)S序列的缺乏表明學(xué)生在有限狀態(tài)機(jī)實(shí)驗(yàn)環(huán)節(jié)遇到困惑時(shí)，較少通過查閱或復(fù)習(xí)相關(guān)學(xué)習(xí)資料去尋求解決辦法，而更傾向于通過調(diào)節(jié)參數(shù)來解決（FP、PF）。然而學(xué)生在普通電路實(shí)驗(yàn)環(huán)節(jié)遇到問題時(shí)，卻能夠通過查閱學(xué)習(xí)資料尋找解決辦法（D1S）。FS序列未達(dá)到顯著性水平，這可能在某種程度上揭示了教師在平臺上所提供的學(xué)習(xí)資料存在一定的缺陷，未能起到解惑和補(bǔ)充的作用。D2S的缺乏可能同樣表明了教師所提供的學(xué)習(xí)資料內(nèi)容在繪制時(shí)序電路圖環(huán)節(jié)的局限性。再如，由圖1可知，與編碼O所示行為（與實(shí)驗(yàn)無關(guān)的其他行為）進(jìn)行交互所形成的序列大多是查看學(xué)習(xí)任務(wù)（OA）、跳轉(zhuǎn)到另一無關(guān)行為（OO）等，而缺乏OD1（由無關(guān)行為跳轉(zhuǎn)到組裝與運(yùn)行普通電路）、OD2（從無關(guān)行為回到繪制時(shí)序電路圖）、OF（由無關(guān)行為跳轉(zhuǎn)到組裝與運(yùn)行有限狀態(tài)機(jī)電路）等行為序列，表明當(dāng)學(xué)生偏離學(xué)習(xí)路線時(shí)，他們往往很難再繼續(xù)回到與實(shí)驗(yàn)學(xué)習(xí)直接相關(guān)的電路組裝與繪制時(shí)序電路圖等行為上。這在某種程度上也反映了教師在學(xué)生的學(xué)習(xí)過程中可能未能很好地起到監(jiān)督與引導(dǎo)作用，未能在學(xué)生偏離當(dāng)前學(xué)習(xí)路線時(shí)及時(shí)進(jìn)行干預(yù)，讓學(xué)生返回到當(dāng)前的實(shí)驗(yàn)學(xué)習(xí)中。因此，在后續(xù)教學(xué)中，教師還應(yīng)重視對學(xué)生學(xué)習(xí)過程的觀察，積極與學(xué)生進(jìn)行交流，了解學(xué)生在學(xué)習(xí)過程中的問題所在，及時(shí)進(jìn)行引導(dǎo)。

2.學(xué)習(xí)成績預(yù)測建模與分析

在進(jìn)行學(xué)習(xí)效果預(yù)測之前，研究對原始數(shù)據(jù)進(jìn)行了如下處理：

第一，預(yù)測屬性的劃分。原始學(xué)習(xí)成績采用的是百分制，研究取60分作為中間值，將成績劃分成“及格”和“不及格”兩個(gè)類別，并以此作為預(yù)測屬性。

第二，數(shù)據(jù)歸一化。為了消除特征屬性之間的量綱對數(shù)據(jù)挖掘的影響，本研究將所有學(xué)習(xí)者的81種行為序列特征屬性取值歸一化處理至0到1之間。

（1）特征選擇

本研究采用卡方檢驗(yàn)進(jìn)行特征屬性的選擇?；诳ǚ綑z驗(yàn)的特征選擇是通過計(jì)算每一個(gè)特征屬性與類別之間的卡方統(tǒng)計(jì)量來表示兩者之間的相關(guān)性，卡方統(tǒng)計(jì)量越大表明兩者之間的相關(guān)性越大。表4是特征屬性與類別按卡方值大小排序后得到的卡方檢驗(yàn)結(jié)果。從表中可以發(fā)現(xiàn)，與學(xué)習(xí)效果關(guān)系最密切的三個(gè)行為序列分別是PF、FP、ST，最不相關(guān)的是最后6個(gè)行為序列。為了選擇不同的行為序列屬性進(jìn)行建模，研究根據(jù)卡方值大小生成81個(gè)特征子集，即第一個(gè)特征子集中僅包含卡方值最大的一個(gè)行為序列（PF），第二個(gè)特征子集中包含卡方值最大的2個(gè)序列特征PF、FP，依此類推，第81個(gè)特征子集中包含全部的行為序列。

（2）模型建立

在對學(xué)習(xí)行為序列與學(xué)習(xí)效果進(jìn)行相關(guān)性分析后，本研究使用Python及其常用的scikit-learn包作為數(shù)據(jù)挖掘工具，應(yīng)用四種常用的數(shù)據(jù)挖掘方法——樸素貝葉斯（Romero et al.，2013）、支持向量機(jī)（Qiu et al.，2016）、邏輯斯蒂回歸（賀超凱等，2016）以及決策樹（孫力等，2015；胡祖輝等，2017）方法進(jìn)行數(shù)據(jù)挖掘。在進(jìn)行樣本選擇時(shí)，使用了10折交叉驗(yàn)證方法。

確定好所選擇挖掘算法和樣本數(shù)據(jù)后，依次選擇不同的特征子集作為特征屬性輸入，同時(shí)將“成績類別”既作為輸入值又作為預(yù)測值。四種方法在采用81個(gè)不同特征子集，運(yùn)行30次后所得預(yù)測效果如圖2所示。圖中圓點(diǎn)表示的是四種方法采用不同特征子集建立預(yù)測模型運(yùn)行30次后的平均預(yù)測準(zhǔn)確率；豎線表示的是30次運(yùn)行結(jié)果的標(biāo)準(zhǔn)差，反映了選用不同特征數(shù)目所得模型在預(yù)測效果方面的穩(wěn)定性。

如圖2所示，通過樸素貝葉斯方法（Bayes）建立的模型總體預(yù)測效果要高于其他三種方法所建立的模型。此外，圖2也展示了應(yīng)用不同方法所建學(xué)習(xí)效果預(yù)測準(zhǔn)確率與所選特征數(shù)目的關(guān)系。例如，在應(yīng)用樸素貝葉斯方法建立學(xué)習(xí)效果預(yù)測模型時(shí)（圖2（a）），學(xué)習(xí)效果預(yù)測準(zhǔn)確率隨所選特征數(shù)目的增加總體呈上升趨勢。當(dāng)特征子集中特征數(shù)目取44時(shí)，所建立模型對學(xué)習(xí)效果的預(yù)測準(zhǔn)確率取得較大值72.97%。此后，除特征數(shù)目取56時(shí)所建模型學(xué)習(xí)效果預(yù)測準(zhǔn)確率陡增至71.80%外，隨著特征數(shù)目再次增加，學(xué)習(xí)效果預(yù)測準(zhǔn)確率開始呈下降趨勢。在應(yīng)用支持向量機(jī)方法（SVM）對學(xué)習(xí)效果建立預(yù)測模型時(shí)（圖2（b）），當(dāng)所選特征子集中只包含最大的1個(gè)特征時(shí)，所建立模型對學(xué)習(xí)效果的預(yù)測準(zhǔn)確率最佳（54.97%）。由圖2（c）可知，應(yīng)用邏輯斯蒂回歸方法（Logistic）對學(xué)習(xí)效果進(jìn)行預(yù)測時(shí)，選用不同特征子集對學(xué)習(xí)效果預(yù)測準(zhǔn)確度不會(huì)產(chǎn)生影響。在應(yīng)用決策樹方法（Decision Tree）進(jìn)行預(yù)測建模時(shí)（圖2（d）），當(dāng)特征子集中包含最大的5個(gè)特征時(shí)，對學(xué)習(xí)效果的預(yù)測準(zhǔn)確率達(dá)到最大值（61.87%）。此后隨著特征子集中特征數(shù)目的增加，學(xué)習(xí)效果預(yù)測準(zhǔn)確度呈下降趨勢。

（3）模型選擇與分析

通過對上述四種方法所取得學(xué)習(xí)效果預(yù)測準(zhǔn)確度分析可知，應(yīng)用樸素貝葉斯方法所得學(xué)習(xí)效果預(yù)測準(zhǔn)確率明顯高于其他三種方法。從圖2（a）中可以發(fā)現(xiàn)，選用不同特征數(shù)目所建預(yù)測模型的準(zhǔn)確率結(jié)果中有9個(gè)峰值，模型所對應(yīng)的特征數(shù)目分別為5、11、15、18、20、29、34、44、56。上述9個(gè)預(yù)測模型進(jìn)行獨(dú)立樣本T檢驗(yàn)的結(jié)果如表5所示。綜合考慮模型復(fù)雜度、模型差異性和預(yù)測準(zhǔn)確度，本研究選擇特征數(shù)目為29的預(yù)測模型為最終結(jié)果。模型所選擇的特征數(shù)目為表4所示的前29個(gè)，平均預(yù)測準(zhǔn)確度達(dá)到73.10%，總體來說具有良好的預(yù)測效果。

為了更直觀地展示最終所選擇學(xué)習(xí)成績預(yù)測模型中與學(xué)習(xí)效果密切相關(guān)的學(xué)習(xí)行為序列，根據(jù)所得預(yù)測模型中與學(xué)習(xí)效果較密切相關(guān)（亦即表4中卡方值最大）的8個(gè)序列繪制了類似的行為序列轉(zhuǎn)換圖（如圖3所示）。

從圖3中可以發(fā)現(xiàn)，更多有意義的行為序列發(fā)生在與F（有限狀態(tài)機(jī)時(shí)序電路模擬）交互生成的行為序列中。在該課程的學(xué)習(xí)中，有限狀態(tài)機(jī)時(shí)序電路方面的內(nèi)容既是課程的重點(diǎn)，也是課程的一大難點(diǎn)（Vahdat et al.，2015），而且該章節(jié)的內(nèi)容占據(jù)了整個(gè)實(shí)驗(yàn)課程內(nèi)容60%的比重，這也解釋了為什么與學(xué)習(xí)效果密切相關(guān)的行為序列是與F交互生成的。

此外，與F交互的行為也是學(xué)習(xí)者學(xué)習(xí)投入與學(xué)習(xí)意愿的表現(xiàn)。如FT、TF序列表示的是學(xué)習(xí)者在電路運(yùn)行成功后，根據(jù)所呈現(xiàn)的現(xiàn)象對實(shí)驗(yàn)結(jié)果進(jìn)行記錄。FS、SF、FP、PF這些序列表征的是學(xué)習(xí)者問題解決的過程，其中F與S所形成的行為序列，展示的是學(xué)習(xí)者采取查詢資料的方式來解決問題；F與P所形成的序列，體現(xiàn)的是通過不斷試錯(cuò)來尋找解決辦法。在最終所要提交的實(shí)驗(yàn)報(bào)告中，除了對實(shí)驗(yàn)結(jié)果進(jìn)行記錄外，還有部分知識是需要學(xué)習(xí)者對學(xué)習(xí)內(nèi)容理解后進(jìn)行作答，這也解釋了為什么ST、TS序列也會(huì)出現(xiàn)在圖3中。上述這些行為發(fā)生得越頻繁，表明學(xué)生為獲得更好的表現(xiàn)和達(dá)到課程目標(biāo)投入更多努力的意愿。

從表4還可以發(fā)現(xiàn)，除ST（閱讀學(xué)習(xí)資源并進(jìn)行記錄）序列外，與實(shí)踐操作相關(guān)的PF、FP以及SF序列具有更大的卡方值，也就是說這些行為序列與學(xué)習(xí)效果關(guān)聯(lián)性更大。建構(gòu)主義學(xué)習(xí)理論認(rèn)為，知識不是從教師講授中得到的，而是學(xué)習(xí)者在一定的情境下，借助其他輔助手段，利用必要的學(xué)習(xí)材料和學(xué)習(xí)資源，通過意義建構(gòu)的方式而獲得的。在案例課程中，DEEDS提供了學(xué)習(xí)者所需要的學(xué)習(xí)情境，教師提供了必要的學(xué)習(xí)材料和資源，PF、FP以及SF體現(xiàn)的正是學(xué)習(xí)者通過意義建構(gòu)獲得知識的過程。這也驗(yàn)證了在學(xué)習(xí)行為序列基礎(chǔ)上所建立學(xué)習(xí)效果預(yù)測模型的有效性。

五、討論與總結(jié)

學(xué)習(xí)過程數(shù)據(jù)反映了學(xué)習(xí)者在學(xué)習(xí)過程中的狀態(tài)。通過對學(xué)習(xí)過程數(shù)據(jù)進(jìn)行分析，無論是對教師發(fā)現(xiàn)教學(xué)現(xiàn)象、掌握教學(xué)規(guī)律，還是調(diào)整教學(xué)策略、優(yōu)化教學(xué)路徑、提高教學(xué)效果和教師專業(yè)發(fā)展能力都具有重要意義。

1.促進(jìn)對教與學(xué)過程的理解

通過對學(xué)習(xí)行為序列的分析，可以促進(jìn)教師或教學(xué)研究者對教與學(xué)過程的理解，從而幫助研究者和教學(xué)者，尤其是缺乏教學(xué)經(jīng)驗(yàn)或剛?cè)肼毜哪贻p教師，發(fā)現(xiàn)學(xué)生的學(xué)習(xí)路徑，掌握學(xué)生的行為偏好，把握學(xué)生潛在的行為模式。例如在滯后序列分析中，本研究發(fā)現(xiàn)：學(xué)習(xí)者與在傳統(tǒng)實(shí)驗(yàn)環(huán)境中一樣，在虛擬仿真環(huán)境下依然保持著在實(shí)驗(yàn)運(yùn)行成功后立即記錄實(shí)驗(yàn)結(jié)果（D1T）的習(xí)慣。再如，具有顯著性意義的D1P、PD1、D1S、SD1、D2D2、FF行為序列表明學(xué)習(xí)者常采用的問題解決方式是不斷試錯(cuò)、查閱資料以及對以往學(xué)習(xí)內(nèi)容的回顧。

同時(shí)，通過將滯后序列分析中繪制的行為序列轉(zhuǎn)換圖與教學(xué)者預(yù)設(shè)的學(xué)習(xí)模式圖進(jìn)行對比，可以幫助教學(xué)者找出預(yù)想學(xué)習(xí)模式與實(shí)際學(xué)習(xí)模式存在的差異，幫助教學(xué)者進(jìn)行教學(xué)反思，形成實(shí)踐性見識。如在本研究中，AD1、AF（兩個(gè)序列均表示查看學(xué)習(xí)任務(wù)后進(jìn)入實(shí)驗(yàn)的跳轉(zhuǎn)行為）序列的缺失表明學(xué)習(xí)者并不是在獲知學(xué)習(xí)任務(wù)后立即著手開始實(shí)驗(yàn)，往往傾向于先進(jìn)行一些其他活動(dòng)，繼而再跳轉(zhuǎn)到實(shí)驗(yàn)環(huán)節(jié)。教學(xué)者可以采取多種形式獲知出現(xiàn)此類現(xiàn)象的原因，例如是學(xué)習(xí)平臺存在缺陷還是教師的引導(dǎo)方式存在問題，進(jìn)而為改善后續(xù)教學(xué)提供支持。

2.發(fā)現(xiàn)有效行為序列與教學(xué)規(guī)律

發(fā)現(xiàn)和定義對學(xué)習(xí)效果具有促進(jìn)意義的行為序列是提高教學(xué)績效的前提。通過對所建立學(xué)習(xí)效果預(yù)測模型中關(guān)鍵數(shù)據(jù)節(jié)點(diǎn)的分析與解讀，可為教師確定用于監(jiān)控和分析學(xué)習(xí)過程的關(guān)鍵行為序列，亦可幫助教師發(fā)現(xiàn)教學(xué)重點(diǎn)，輔助教師采取科學(xué)有效的教學(xué)形式。例如，本研究發(fā)現(xiàn)，在案例課程中，與學(xué)習(xí)效果密切相關(guān)的行為序列大多是在有限狀態(tài)機(jī)實(shí)驗(yàn)環(huán)節(jié)呈現(xiàn)的行為序列（即出現(xiàn)在預(yù)測模型中的序列是與F交互生成的）。為了達(dá)到幫助學(xué)習(xí)者對教學(xué)內(nèi)容理解與掌握的目的，教師可以在此發(fā)現(xiàn)上提供該章節(jié)更豐富的學(xué)習(xí)資料，引導(dǎo)學(xué)生采取正確有效的學(xué)習(xí)形式。

以往的規(guī)律往往是研究者通過主觀臆想或演繹推論得出的，較少從復(fù)雜、多變的教學(xué)或?qū)W習(xí)現(xiàn)象觀察中研究得出。通過對學(xué)習(xí)效果預(yù)測模型中關(guān)鍵行為序列的分析，可為教師發(fā)現(xiàn)和掌握教與學(xué)規(guī)律提供支持。例如本研究發(fā)現(xiàn)，即使是在虛擬仿真環(huán)境下，最有效的提升學(xué)生對學(xué)習(xí)效果理解與掌握的途徑還是為學(xué)習(xí)者提供所需要的學(xué)習(xí)情境、必要的學(xué)習(xí)材料和資源，讓學(xué)生自主建構(gòu)知識。

3.及時(shí)實(shí)施干預(yù)，提升教學(xué)效果

通過分析學(xué)習(xí)行為轉(zhuǎn)換，可以幫助教學(xué)者發(fā)現(xiàn)學(xué)生的學(xué)習(xí)路徑、掌握學(xué)生的行為偏好、把握學(xué)生潛在的行為模式，促進(jìn)教師對教學(xué)過程的反思；通過學(xué)習(xí)行為序列建立學(xué)習(xí)效果預(yù)測模型，可以幫助教師找出更有意義的行為序列、發(fā)現(xiàn)教學(xué)規(guī)律，同時(shí)為教師確定可用于教學(xué)監(jiān)控的關(guān)鍵指標(biāo)。兩者有效結(jié)合，可以幫助教師轉(zhuǎn)換教學(xué)模式，調(diào)整教學(xué)策略，提升教學(xué)經(jīng)驗(yàn)，監(jiān)控學(xué)生的學(xué)習(xí)過程，并在學(xué)習(xí)發(fā)生偏離時(shí)實(shí)施教學(xué)干預(yù)，從而達(dá)到優(yōu)化教與學(xué)活動(dòng)、提升教學(xué)效果的目的。例如，在本研究案例課程的后續(xù)教學(xué)中，教師可以對AO、SO、OO以及與B交互形成的多種在頻次上具有顯著意義但與學(xué)習(xí)效果無顯著意義的序列進(jìn)行干預(yù)，引導(dǎo)學(xué)生更多地參與到與學(xué)習(xí)密切相關(guān)的學(xué)習(xí)活動(dòng)中。

注釋：

① 滯后序列分析工具GSEQ5.1相關(guān)信息：http：//www2.gsu.edu/～psyrab/gseq/index.html。

參考文獻(xiàn)：

[1]傅鋼善，王改花（2014）. 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)學(xué)習(xí)行為與學(xué)習(xí)效果研究[J]. 電化教育研究， （9）： 53-57.

[2]賀超凱，吳蒙（2016）. edX 平臺教育大數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測[J]. 中國遠(yuǎn)程教育， （6）： 54-59.

[3]胡祖輝，施佺（2017）. 高校學(xué)生上網(wǎng)行為分析與數(shù)據(jù)挖掘研究[J]. 中國遠(yuǎn)程教育， （2）： 26-32.

[4]賈積有，繆靜敏，汪瓊 （2014）. MOOC學(xué)習(xí)行為及效果的大數(shù)據(jù)分析——以北大6門MOOC為例[J]. 工業(yè)和信息化教育， （9）： 23-29.

[5]李爽，鐘瑤，喻忱等（2017）. 基于行為序列分析對在線學(xué)習(xí)參與模式的探索[J]. 中國電化教育， （3）： 88-95.

[6]牟智佳，武法提（2017）. MOOC學(xué)習(xí)結(jié)果預(yù)測指標(biāo)探索與學(xué)習(xí)群體特征分析[J]. 現(xiàn)代遠(yuǎn)程教育研究， （3）， 58-66+93.

[7]彭文輝，楊宗凱，黃克斌（2006）. 網(wǎng)絡(luò)學(xué)習(xí)行為分析及其模型研究[J]. 中國電化教育， （10）： 31-35.

[8]孫力，程玉霞（2015）. 大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)教育學(xué)習(xí)成績預(yù)測的研究與實(shí)現(xiàn)——以本科公共課程統(tǒng)考英語為例[J]. 開放教育研究， （3）： 74-80.

[9]魏順平（2011）. Moodle 平臺數(shù)據(jù)挖掘研究——以一門在線培訓(xùn)課程學(xué)習(xí)過程分析為例[J]. 中國遠(yuǎn)程教育， （1）： 24-30.

[10]吳淑蘋（2013）. 基于數(shù)據(jù)挖掘的教師網(wǎng)絡(luò)學(xué)習(xí)行為分析與研究[J]. 教師教育研究， （3）： 47-55.

[11]楊金來，洪偉林，張翼翔（2008）. 網(wǎng)絡(luò)學(xué)習(xí)行為的實(shí)時(shí)監(jiān)控研究與實(shí)踐[J]. 開放教育研究， （4）： 87-92.

[12]楊現(xiàn)民，王懷波，李冀紅 （2016）. 滯后序列分析法在學(xué)習(xí)行為分析中的應(yīng)用[J]. 中國電化教育，（2）： 17-23，32.

[13]姚純貞，米建榮，王紅成（2009）. 國內(nèi)外學(xué)習(xí)行為研究綜述[J].教學(xué)與管理，（30）： 48-50.

[14]郁曉華，顧小清（2013）. 學(xué)習(xí)活動(dòng)流：一個(gè)學(xué)習(xí)分析的行為模型[J]. 遠(yuǎn)程教育雜志，（4）： 20-28.

[15]Donzellini， G.， & Ponta， D. （2007）. A Simulation Environment for e-Learning in Digital Design[J]. IEEE Transactions on Industrial Electronics， 54（6）： 3078-3085.

[16]Hou， H.-T. （2012）. Exploring the Behavioral Patterns of Learners in an Educational Massively Multiple Online Role-Playing Game （MMORPG）[J]. Computers & Education， 58（4）： 1225-1233.

[17]Hou， H.-T.， Sung， Y.-T.， & Chang， K.-E. （2009）. Exploring the Behavioral Patterns of an Online Knowledge-Sharing Discussion Activity Among Teachers With Problem-Solving Strategy[J]. Teaching and Teacher Education， 25（1）： 101-108.

[18]Huang， S.， & Fang， N. （2013）. Predicting Student Academic Performance in an Engineering Dynamics Course： A Comparison of Four Types of Predictive Mathematical Models[J]. Computers & Education， 61： 133-145.

[19]Jeong， A. C. （2003）. The Sequential Analysis of Group Interaction and Critical Thinking in Online[J]. American Journal of Distance Education， 17（1）： 25-43.

[20]Jiang， S.， Warschauer， M.， E.， & Williams， A. et al.（2014）. Predicting MOOC Performance with Week 1 Behavior[A]. J. Stamper， Z. Pardos， M. Mavrikis & B. M. McLaren （2014）. Proceedings of the 7th International Conference on Educational Data Mining[C]：273-275.

[21]Lan， Y.-F.， Tsai， P.-W.， & Yang， S.-H. et al.（2012）. Comparing the Social Knowledge Construction Behavioral Patterns of Problem-Based Online Asynchronous Discussion in E/M-Learning Environments[J]. Computers & Education， 59（4）： 1122-1135.

[22]Macfadyen， L. P.， & Dawson， S. （2010）. Mining LMS Data to Develop an “Early Warning System” for Educators： A Proof of Concept[J]. Computers & Education， 54（2）： 588-599.

[23]McIntyre， D. J.， Copenhaver， R. W.， & Byrd， D. M. et al. （1983）. A Study of Engaged Student Behavior Within Classroom Activities During Mathematics Class[J]. The Journal of Educational Research， 77（1）： 55-59.

[24]Qiu， J.， Tang， J.， & Liu， T. X. et al. （2016）. Modeling and Predicting Learning Behavior in MOOCs[A]. Proceedings of the Ninth ACM International Conference on Web Search and Data Mining[C]：93-102.

[25]Romero， C.， López， M.-I.， & Luna， J.-M. et al.（2013）. Predicting StudentsFinal Performance From Participation in On-Line Discussion Forums[J]. Computers & Education， 68： 458-472.

[26]Sackett， G. P. （1978）. Observing Behavior： Theory and Applications in Mental Retardation （Vol. 1）[M]. Baltimore： University Park Press.

[27]Vahdat， M.， Oneto， L.， & Anguita， D. et al.（2015）. A Learning Analytics Approach to Correlate the Academic Achievements of Students with Interaction Data from an Educational Simulator[A]. G. Conole， T. Klobu?ar， & C. Rensing et al.（2015）. Design for Teaching and Learning in a Networked World[M]. Springer International Publishing： 352-366.

[28]Vicente-Arturo， R.-Z.， Abelardo， P.， & Daniel， B. et al.（2012）. Monitoring Student Progress Using Virtual Appliances： A Case Study[J]. Computers & Education， 58（4）： 1058-1067.

[29]Yang， X.， Guo， X.， & Yu， S. （2016）. Student-Generated Content in College Teaching： Content Quality， Behavioural Pattern and Learning Performance[J]. Journal of Computer Assisted Learning， 32（1）： 1-15.

[30]Yang， X.， Li， J.， Guo， X.， & Li， X. （2015）. Group Interactive Network and Behavioral Patterns in Online English-To-Chinese Cooperative Translation Activity[J]. The Internet and Higher Education， 25： 28-36.

收稿日期 2017-10-28 責(zé)任編輯 汪燕