基于人類動力學的在線學習行為規(guī)律分析及建模研究

李月 姜強 方慧 趙蔚

[摘 ? 要] 探究在線學習行為，有助于明晰在線學習本質(zhì)、改進在線學習過程。已有研究主要聚焦于在線學習行為的外顯表征分析，還應(yīng)關(guān)注在線學習行為發(fā)生的內(nèi)隱規(guī)律與動因。文章采用人類動力學研究方法，挖掘在線學習行為時間上的規(guī)律性，構(gòu)建教學活動和學習興趣雙重驅(qū)動的在線學習行為動力學模型。研究表明學習者群體與個體的在線學習行為規(guī)律都具有一定的周期性、陣發(fā)性等基本特征，并且在時間間隔分布方面具有顯著的重尾特征。模型在解釋學習行為發(fā)生動因方面具體表現(xiàn)為，學習興趣的衰減與學習行為發(fā)生概率呈負相關(guān)，而教學活動的影響與學習行為發(fā)生概率呈正相關(guān)。在促進在線學習行為中，需考慮任務(wù)與協(xié)作驅(qū)動的教學設(shè)計、智能技術(shù)支持的資源推薦、基于學習規(guī)律的個性化干預等策略，以推動破解在線教育質(zhì)量難題。

[關(guān)鍵詞] 在線學習； 學習行為； 行為規(guī)律； 人類動力學； 建模

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 李月（1995—），女，安徽合肥人。博士研究生，主要從事大數(shù)據(jù)學習分析研究。E-mail：liy116@nenu.edu.cn。姜強為通訊作者，E-mail：jiangqiang@nenu.edu.cn。

一、引 ? 言

在線學習具備開放、靈活等優(yōu)勢，擴大教學規(guī)模的同時也滿足學習者的個性化需求?！犊茖W》（Science）子刊中的研究也證明在線教育能夠以更低的成本實現(xiàn)相同的教學效果，為擴大高等教育機會、推進教育公平提供幫助[1]。然而由于教師在線教學反饋與引導不足[2]、學生自主學習能力良莠不齊[3]等問題，在線學習質(zhì)量仍有待進一步提升。隨著學習管理系統(tǒng)的普及與數(shù)據(jù)挖掘等技術(shù)的蓬勃發(fā)展，學習者的在線學習行為研究為破解在線教育質(zhì)量難題提供可能。已有研究在挖掘在線學習行為外顯特征以促進學習績效方面作出重要貢獻，例如李月等采用過程挖掘方法分析在線學習行為間的跳轉(zhuǎn)概率，發(fā)現(xiàn)高成就學生的在線學習行為更加有序且意義連接更為緊密[4]；沈欣憶等也通過獲取在線學習平臺的各學習行為次數(shù)，構(gòu)建在線學習行為與學習績效評估模型[5]。然而，除了對在線學習行為的外顯特征（頻次、轉(zhuǎn)換概率等）進行研究之外，更應(yīng)關(guān)注學習行為發(fā)生背后的內(nèi)隱規(guī)律與動因。作為復雜系統(tǒng)推動的交叉學科，人類動力學旨在揭示人類行為中特定的統(tǒng)計規(guī)律，并挖掘相應(yīng)的動力學機制[6]，為剖析在線學習行為規(guī)律及其動因提供新思路、新方法。因此，本研究擬采用人類動力學理論和研究方法，探究在線學習者群體行為和個體行為的內(nèi)在規(guī)律，并構(gòu)建在線學習行為動力學模型，明晰在線學習行為發(fā)生的深層次原因與優(yōu)化機制，以期提高在線教育質(zhì)量。

二、人類動力學

人類動力學旨在通過量化實際的行為數(shù)據(jù)，對人的行為進行統(tǒng)計特征、尺度規(guī)律及動力學機制研究。該研究方法試圖發(fā)掘新的統(tǒng)計規(guī)則，并建立相關(guān)的動力學模型[7]。模型建立一般遵從“觀察現(xiàn)象—獲取數(shù)據(jù)—處理分析—挖掘統(tǒng)計規(guī)律—建立模型”的循環(huán)。人類動力學通常應(yīng)用于郵件通信[8]、商業(yè)交易[9]等社會學領(lǐng)域。例如，易明等基于人類動力學視角探究在線社區(qū)信息交流行為規(guī)律，為信息交流行為定量建模和優(yōu)化社區(qū)服務(wù)提供理論依據(jù)[10]。沈洪洲等運用人類動力學理論，對“知乎”社區(qū)中“優(yōu)秀回答者”回答問題的相關(guān)行為數(shù)據(jù)進行分析，結(jié)果發(fā)現(xiàn)“優(yōu)秀回答者”回答問題的行為并不是隨機發(fā)生，而是符合重尾特征的冪律分布，且提出的基于興趣的人類動力學模型能夠很好地解釋“優(yōu)秀回答者”回答問題的行為特征[11]。在教育領(lǐng)域中，研究者經(jīng)常使用構(gòu)建模型的方法對學生學習行為進行分析，通過建模來發(fā)現(xiàn)、研究、解決一系列教育教學問題[5]。在人類動力學模型構(gòu)建的整個過程中，研究者并不對學生的學習行為產(chǎn)生、獲取及分析過程進行任何人工干預，力求挖掘在當前的教學設(shè)計下學習者最本質(zhì)、最真實的學習行為規(guī)律。人類動力學作為一門新興的交叉學科，為發(fā)現(xiàn)學習者在線學習行為的隱含規(guī)律、挖掘?qū)W習表象行為下的深層機制提供新視角。

三、基于人類動力學的在線學習行為規(guī)律分析

（一）研究對象與數(shù)據(jù)獲取

以“網(wǎng)頁設(shè)計課程”為依托，選取東北地區(qū)某高校60名本科生為研究對象，進行為期八周的Moodle平臺在線學習。Moodle平臺能夠?qū)崟r記錄學習者的所有在線學習痕跡，見表1。對教學資源的選擇體現(xiàn)學習者的意義建構(gòu)過程[4]，任務(wù)練習、討論發(fā)帖和同伴交互是影響學生學習成績的重要行為因素[12]，而參與在線測驗有助于提升在線學習績效[13]。因此本研究收集的在線學習活動主要包括五類，分別是瀏覽教學資源、提交學習任務(wù)、參與課后討論、實施同伴互評及完成測驗。

（二）冪律分布

在人類動力學中，一般使用冪律分布作為研究人類行為的理論，通過分析時間間隔的分布規(guī)律來刻畫人類行為的活動規(guī)律。人類動力學的相關(guān)研究發(fā)現(xiàn)，大多數(shù)人的行為都與傳統(tǒng)假定的正態(tài)或泊松分布背道而馳，主要表現(xiàn)為概率密度函數(shù)，見公式（1）。其中x遵循冪律分布，λ是一個被稱作冪指數(shù)[14]或標度參數(shù)的常數(shù)。公式（1）中的概率值隨x的增大而減少。冪律分布的衰減速率較慢，其特點是在較長時間的間隔后出現(xiàn)短時間間隔的可能性很大，具有“陣發(fā)”的特點。

p（x）=Pr（X=x）=Cx－λ ? ? ? ? ? ? ? （1）

將公式（1）取以10為底的對數(shù)進行計算得到公式（2），在此基礎(chǔ)上，證明冪律分布的概率密度函數(shù)斜率為-λ。所以，在初期人們通常使用一元線性回歸模型，并利用最大似然法[15]求出y和x的冪函數(shù)，以驗證隨機變量x是否遵循冪律分布。冪指數(shù)λ是衡量人類行為規(guī)律的重要參數(shù)。λ值越大，表明行為活躍性較高，較短時間間隔比較長時間間隔的比例更大，說明人類行為更均勻，也更具有規(guī)律性；λ值越小，說明間隔時間相對較長，行為不均勻，規(guī)律性也更弱。

Y=c-λx ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

基于此，研究將通過分析學生在平臺中的點擊行為來挖掘相應(yīng)的學習行為規(guī)律。首先，使用Python中的datetime模塊對學生學習行為時間間隔進行計算。然后，根據(jù)學生學習行為的時間間隔繪制雙對數(shù)坐標下的時間間隔分布圖。最后，對學生學習行為的時間間隔分布使用冪律函數(shù)進行擬合。對于雙對數(shù)坐標，可以將時間間隔的統(tǒng)計值近似為一條直線，見公式（3）。根據(jù)該公式進行數(shù)據(jù)擬合后可以計算出a與b，根據(jù)公式（2）可知，a一定為負數(shù)，因此-a即為冪指數(shù)λ。

f（x）=ax+b ? ? ? ? ? ? ? ? （3）

（三）在線學習行為規(guī)律分析

1. 群體行為規(guī)律分析

（1）統(tǒng)計性分析

圖1是學習者群體每天登錄Moodle平臺的學習行為次數(shù)分布圖?？梢钥闯觯诮?jīng)歷一段時間較低頻次的學習行為后，學生群體的學習行為數(shù)量會快速上升達到峰值，隨著時間的推移又逐漸降低，并表現(xiàn)出一定的周期性。根據(jù)教學活動的安排可知，學生產(chǎn)生高頻學習行為通常是在新的教學活動發(fā)布之后。從整個學習過程來看，學生第一周的學習行為最頻繁，隨著教學周的進行，學生的學習行為次數(shù)都呈現(xiàn)出小幅度下降的趨勢。這種現(xiàn)象的產(chǎn)生很大程度上是因為學生的學習興趣在學期伊始最為高漲，而隨著時間的推移學習興趣逐漸降低。因此，可以初步認為學習者群體的學習行為規(guī)律具有周期性和陣發(fā)性，并且主導這種學習行為規(guī)律產(chǎn)生的外在因素是教學活動的設(shè)計與安排，內(nèi)在因素為學生自身的學習興趣。

（2）陣發(fā)性分析

陣發(fā)性是一種定量描述人類行為時間間隔分布的方法。當把時間間隔用冪律函數(shù)來表示時，人類的行為會呈現(xiàn)出在很短的時間里密集爆發(fā)，然后在很長的一段時間內(nèi)沒有事件發(fā)生，這種現(xiàn)象被稱為人類行為的陣發(fā)性。Goh等[16]給出用于測量陣發(fā)性的指數(shù)，見公式（4）。其中，？滓？子指時間間隔分布標準差，m？子指時間間隔分布平均值，B的取值范圍為-1到1。對冪律分布而言，？滓？子>m？子，即時間間隔分布標準差大于平均值，此時B越趨近于1，陣發(fā)性越明顯。通過統(tǒng)計全體學生的在線學習行為時間間隔序列，計算出陣發(fā)性為0.56，說明學習者群體的在線學習行為具有較強的陣發(fā)性規(guī)律特征，即在線學習過程中，學生群體的學習行為表現(xiàn)出短暫的高強度爆發(fā)，以及一段較長的無行為狀態(tài)。

B=（4）

（3）時間統(tǒng)計特征分析

為進一步分析學習者群體在時間方面的行為規(guī)律，從人類動力學角度，繪制不同類型教學活動下學習行為時間間隔分布圖，如圖2所示。通過對冪律分布曲線的擬合，可以發(fā)現(xiàn)冪律分布具有重尾特征，其尾部的實證數(shù)據(jù)雖然很多，但是產(chǎn)生概率很小。因此主要擬合圖中左半部分的主體數(shù)據(jù)，擬合出的直線斜率即為該冪律分布的冪指數(shù)λ。運用MATLAB軟件，采用最大似然法對時間間隔分布圖的主體數(shù)據(jù)進行冪律函數(shù)Y=c-λx曲線擬合，計算出所有教學活動的學習行為時間間隔分布冪指數(shù)λ約為1.92。與冪指數(shù)1.0和1.5的普遍分布情況相比，本實驗所得到的冪指數(shù)較高，很大程度上是因為學習內(nèi)容是學校教學要求的必修課，不容易由于學生興趣的快速衰減而產(chǎn)生輟學現(xiàn)象。

圖2 ? 學習者群體學習行為的時間間隔分布

通過圖2.b—圖2.e可以看出，學生群體在不同教學活動中的學習行為均滿足冪律分布特征，并且在不同的教學活動下，學習者群體的學習行為規(guī)律存在著一定區(qū)別。其中，學生在實施同伴評價時的學習行為最積極；其次是瀏覽教學資源；相較于完成測驗活動，學生提交學習任務(wù)時的學習行為積極性稍差；而學生在參與課后討論時的學習行為活躍度最低。這是由于同伴互評相較于其他教學活動更加新穎，學習者不僅可以查看他人作品，還可以通過對比反思自己的作業(yè)是否可以完成得更好。因此可以推斷在線學習過程中，假設(shè)同一名學習者對于每項教學活動的學習興趣衰減程度一致，教學活動是促使學生產(chǎn)生學習行為的驅(qū)動因素之一，且不同類型教學活動的驅(qū)動作用不同。

2. 個體行為規(guī)律分析

（1）統(tǒng)計性分析

以學生S1為例，其學習行為次數(shù)與學習者群體具有相似的分布情況，只是數(shù)量級較小，且在學習行為時間間隔上要大于學習者群體。學生S1在線學習行為的總體規(guī)律是第一周的學習行為頻次最高，隨著時間推移，學習行為頻率也隨之降低。以周為單位，學生S1的學習行為次數(shù)會在某一天迅速達到峰值并逐漸下降。在經(jīng)歷一段時間較低的學習行為頻率后，學生S1的學習行為會再次上升達到峰值，表現(xiàn)出一定的周期性。

（2）陣發(fā)性分析

通過對學生個體在線學習行為陣發(fā)性進行統(tǒng)計后發(fā)現(xiàn)，學生個體層面的在線學習行為也存在著較強的陣發(fā)性，平均為0.62。為進一步驗證學習者個體具有周期性、陣發(fā)性的規(guī)律特征并不是一種偶然現(xiàn)象，收集并統(tǒng)計學習行為較頻繁的前五名學生的學習行為次數(shù)。結(jié)果發(fā)現(xiàn)學習者個體發(fā)生的學習行為在時間整體的分布情況較為相似，其每周的峰值也基本接近，說明學習者個體的在線學習行為也呈現(xiàn)出周期性與較強的陣發(fā)性。

（3）時間統(tǒng)計特征分析

對60名學習者的在線學習行為時間間隔進行分析，結(jié)果發(fā)現(xiàn)59名學生的在線學習行為時間間隔服從冪律分布（其中有1名同學登錄次數(shù)過少，無法分析），而且具有顯著的重尾特點，在大多數(shù)學生中均存在著一種常見的行為不均勻現(xiàn)象。學生個體在線學習行為時間間隔分布的冪指數(shù)主要在1～2之間，均值為1.55，標準差為0.098，表明學生個體的在線學習行為存在長時間沉默與短時間密集爆發(fā)的現(xiàn)象，與已有的人類動力學實證研究成果相吻合[17]。不同的學習者個體之間的學習行為遵循不同冪指數(shù)的冪律分布，說明學生的學習行為受到自身特點因素的影響，使得每位學習者都具有自己獨特的學習行為模式與規(guī)律。

以學生S1為代表，分析不同教學活動下學生S1的學習行為時間統(tǒng)計特征，如圖3所示。可以看出，不同教學活動下學生個體的學習行為規(guī)律也存在著一定的差異。因此，冪指數(shù)可以作為對學習者個體學習行為規(guī)律進行分類歸納的一個指標，根據(jù)冪指數(shù)將整個學生群體劃分成為不同學習規(guī)律的學生群體，學習行為冪指數(shù)相近的學生更有可能具有相似的學習模式與規(guī)律，從而有助于教師針對不同學生群體制定不同的學習計劃、提供最佳的學習策略，為教師開展精準教學、提高教學質(zhì)量提供指導。

四、在線學習行為動力學建模

通過上文的研究發(fā)現(xiàn)，學生在學期開始時對在線學習的興趣最為濃厚，使得學生的學習行為也具有較高的頻率。隨著時間的流逝，學習者對學習的興趣越來越低，導致學生在線學習行為頻次逐漸下降。但是，在每周發(fā)布新的教學活動之后，能在某種程度上激發(fā)學生的學習興趣，使學生的學習行為呈現(xiàn)出一種周期性的變化，并且在周期內(nèi)行為都具有長期靜默和短期高頻爆發(fā)的規(guī)律。鑒于此，本研究構(gòu)建教學活動和學習興趣雙重驅(qū)動的在線學習行為動力學模型，更深層次地探討在線學習環(huán)境下學生學習行為規(guī)律的內(nèi)在驅(qū)動因素，并為后續(xù)提升在線學習效果提供依據(jù)。

（一）模型假設(shè)

根據(jù)在線學習過程中的行為規(guī)律，并結(jié)合實際學習中的學習情況分析發(fā)現(xiàn)，學生學習行為規(guī)律服從冪律分布的原因可能與學生自身的興趣變化周期和周期內(nèi)教學活動的影響有關(guān)。并且不同學習者的行為具有不同冪指數(shù)的冪律分布也說明，學習興趣和教學活動的影響對每位學生作用并不一致，從而使得每個學生都有自己獨特的學習規(guī)律和方式。因此，參考前人提出的興趣驅(qū)動的人類動力學模型[18]，以學習者在線學習行為為研究對象，建立教學活動與學習興趣雙重驅(qū)動的動力學模型，探究學習者行為規(guī)律的內(nèi)在動力學機制。模型假設(shè)學生在學習平臺上產(chǎn)生學習行為的原因最初是源于興趣，但隨著時間的推移，其學習興趣逐漸衰減，導致在線學習行為次數(shù)逐漸降低。每個學習周的開始，教師在學習平臺上發(fā)布新的教學活動，這種外在的驅(qū)動因素可以一定程度上刺激學生的學習行為，激發(fā)其學習興趣。與此同時，學生的興趣也會產(chǎn)生周期性變化，即使沒有外在因素的影響，在經(jīng)歷一段時間的低興趣狀態(tài)后，學生的興趣也會上升。

（二）模型規(guī)則

在模型假設(shè)的基礎(chǔ)上，結(jié)合基于自適應(yīng)變化的興趣驅(qū)動的動力學模型，建立以下的模型規(guī)則：

1. 學習行為在時間上是不連續(xù)的，時間間隔步長的最小單位為1，在時間間隔步長為t時，學生產(chǎn)生學習行為的概率為p（t）。

2. 前文的研究結(jié)果表明，學習者對在線學習的興趣具有一定的周期性。假設(shè)興趣的最大值為1，興趣的周期為T。因而，在假設(shè)T周期中，學生的興趣會隨時間而持續(xù)下降。在一個周期T結(jié)束后，對學習的興趣會回歸到最大值1。

3. 前文的研究已經(jīng)驗證，教師發(fā)布的教學活動會對學生的學習狀態(tài)產(chǎn)生一定的影響，能增加學生的學習行為頻率，并能在某種程度上緩解學習興趣的衰弱。為簡化該模型，本研究假定學習興趣周期不受教學行為驅(qū)動因素β的影響。

（三）模型構(gòu)建

在本研究中，不僅要探究學生整體學習行為規(guī)律的動力學機制，還想要進一步探究不同教學活動下學生學習行為規(guī)律的動力學機制。由于學生對知識的接受程度存在差異等原因，同一教學活動對不同學生產(chǎn)生的作用并不相同，學生在不同教學活動下的學習行為規(guī)律也不一樣。因此，對于教學活動驅(qū)動因素β，應(yīng)根據(jù)在線學習平臺中學生的學習行為進行計算與分析。將本研究中的五類教學活動下的教學活動驅(qū)動因素分別定義為β1、β2、β3、β4和β5。根據(jù)前文對學生學習行為規(guī)律的分析發(fā)現(xiàn)，在每周教學活動發(fā)布的前兩天內(nèi)，學生的學習頻率普遍最高，可以體現(xiàn)出教學活動剛發(fā)布時對學生的積極影響。所以，在模型中假定，如果學生的學習行為受到教學活動驅(qū)動因素的影響，則教學活動驅(qū)動因素的值是固定的，該值代表某段時間內(nèi)學生受到該教學活動影響的平均水平。因此，采用以下方式對教學活動驅(qū)動因素β進行量化：設(shè)學生在某個學習周i內(nèi)前兩天的學習行為次數(shù)為ni，在整個學習周內(nèi)所有的學習行為次數(shù)為Ni，則此學習周內(nèi)的教學活動驅(qū)動因素見公式（5）。教學活動驅(qū)動因素β為βi的平均值，且β∈[0，1]。

（5）

在對學習者在線學習行為的研究中，設(shè)學習者在線學習興趣隨時間的衰減函數(shù)為：，其中，α表示學習興趣的衰減程度。由于教師發(fā)布的教學活動會對學生學習行為產(chǎn)生影響，激發(fā)其學習興趣，使得衰減函數(shù)變?yōu)椋?，整理后即為：。β值越大，教學活動驅(qū)動系數(shù)對學生學習行為的影響就越明顯，學習興趣隨時間衰減得也更慢。結(jié)合實際的學習情況來看，教學活動對學習行為的影響的確是積極的，在發(fā)布新的教學活動后，學生的學習行為頻率會呈現(xiàn)一定的上升趨勢，與衰減函數(shù)的推理結(jié)果相吻合。

在以往關(guān)于興趣驅(qū)動的人類動力學模型中，僅考慮興趣這一單一因素對人類行為的影響，本研究引入教學活動這一外部驅(qū)動因素，在時間t時，學習者產(chǎn)生學習行為的概率可以用公式（6）進行表示。從公式（6）的結(jié)果可以看出，學習行為的時間間隔分布是服從冪律分布的，其中冪指數(shù)為1+。因此，α越大，即學習興趣的衰減程度越大，冪指數(shù)越?。沪略酱螅唇虒W活動驅(qū)動因素越大，冪指數(shù)越大。因此可以說明，學生的學習興趣的衰減與學生學習行為發(fā)生概率呈負相關(guān)；而教學活動對學生產(chǎn)生的影響與學生學習行為發(fā)生概率呈正相關(guān)。

（6）

五、研究啟示

基于上文對在線學習行為規(guī)律的分析結(jié)果以及所提出的教學活動和學習興趣雙重驅(qū)動的在線學習行為動力學模型，本研究分別從任務(wù)與協(xié)作驅(qū)動的教學設(shè)計、智能技術(shù)支持的資源推薦、基于學習規(guī)律的個性化干預等方面對優(yōu)化在線學習體驗、提升在線學習效果提出建議。

（一）提供教學任務(wù)鏈和優(yōu)化同伴協(xié)作學習設(shè)計，促進學習者在線學習行為投入

研究結(jié)果表明教學活動會對在線學習者的學習行為產(chǎn)生積極影響，并且不同類型的教學活動對學生學習行為規(guī)律產(chǎn)生的影響并不相同。作業(yè)相關(guān)的教學環(huán)節(jié)更能影響學生的學習投入，且在技術(shù)介入的情況下，同伴協(xié)作學習能夠促進學生的互動學習投入[19]。因此，在線教學活動設(shè)計中，教師可以以教學任務(wù)鏈為牽引，最大化激發(fā)學習者的學習動機、維持其在線學習行為活躍度。教學任務(wù)鏈的設(shè)計應(yīng)當具備階梯性和過程性，任務(wù)設(shè)置由簡到繁、由易到難，力爭串聯(lián)所有教學環(huán)節(jié)與活動，層層深入覆蓋整個學習進程。同時，以同伴協(xié)作學習活動為主，適當引入工具優(yōu)化學習者在線協(xié)作體驗。在當前在線同伴協(xié)作學習活動中，仍存在低效交互、同伴行為難以感知等問題。因此，教師可以在教育認知神經(jīng)科學的指導下，將促進交互的機制融合到同伴協(xié)作學習設(shè)計中，如眾包機制[20]；同時，引入群體感知工具，消弭在線協(xié)作中的溝通壁壘，促進學習者對自身和同伴行為的感知、監(jiān)控與調(diào)節(jié)[21]。

（二）利用過程挖掘、深度學習等技術(shù)，實現(xiàn)基于學習興趣的資源推薦服務(wù)

隨著時間的推移和課程的進行，學習者的學習興趣逐步衰減，導致在線學習行為活躍度下降。有研究表明，學生無法維持對學習內(nèi)容的興趣，是造成MOOC輟學率居高不下的原因之一[22]。如何激發(fā)學習者的好奇心、維持學習興趣對于提升在線學習效果至關(guān)重要。首先，在課程設(shè)計開始之前要考慮到，學生是抱著不同學習興趣和動機參與課程的，允許學習者有自行定制課程目標與計劃的權(quán)利。其次，由于在線學習環(huán)境缺乏對學習者面對面的個人指導與關(guān)注，需要學習者覺察自我的學習狀態(tài)，并對自身進行監(jiān)控與調(diào)節(jié)。當學習者的元認知技能較差時，可能會產(chǎn)生脫節(jié)感、無助感，導致學習積極性不高。有研究表明增強學習者的元認知有助于提高在線學習興趣[23]，元認知技能促進在線學習過程中自主學習的流暢性，增加學習者對學習材料的興趣與參與度。過程挖掘等技術(shù)能夠可視化學習者的在線學習過程，幫助學習者使用元認知技能管理自己的學習節(jié)奏，成為保持學習進度的積極參與者。最后，隨著學習者與不同任務(wù)、不同資源的互動，其學習興趣也可能會慢慢發(fā)生變化與轉(zhuǎn)移。此時，學習管理系統(tǒng)中記錄的學習者在線行為數(shù)據(jù)為動態(tài)識別學習者的學習興趣提供可能。例如，依據(jù)學生的在線點擊流數(shù)據(jù)，采用深度興趣網(wǎng)絡(luò)[24]（Deep Interest Network）挖掘?qū)W習者學習興趣的相關(guān)信息，實現(xiàn)基于學習者學習興趣的資源推薦服務(wù)，真正做到因需供教的個性化教學。

（三）依據(jù)在線學習行為規(guī)律對學習者聚類，實施個性化干預策略

在以往的干預研究中，通常采用按學習成績對學習者進行分組[25]。然而即使是成績相近的學生，其學習規(guī)律、習慣也可能大不相同。通過分析學習者個體在線學習行為的時間間隔分布冪指數(shù)發(fā)現(xiàn)，不同學習者的學習行為規(guī)律遵循不同冪指數(shù)的冪律分布。因此，冪指數(shù)可以作為對學習者個體學習行為規(guī)律進行分類歸納的指標。例如，使用K均值聚類算法，依據(jù)學生學習行為規(guī)律的冪指數(shù)對學生進行聚類，將數(shù)據(jù)間的距離作為評價指標分析其相似性，即當兩名學生的冪指數(shù)越接近，他們所具有的學習行為規(guī)律的相似性就越高。對于聚類得出的具有不同學習規(guī)律的學生群體分別采用針對性的個性化干預策略。對于學習行為頻率較低、學習效果較差的群體，教師應(yīng)循序漸進，降低學習難度，及時進行干預引導，避免最后產(chǎn)生不良的學習結(jié)果；對于在線學習行為較規(guī)律，但學習效果仍有進步空間的群體，教師可以通過組織學生進行小組協(xié)作、頭腦風暴等方式，以提升學生的認知參與和知識建構(gòu)水平；對于具有良好在線學習規(guī)律習慣，并且達到較高知識水平的群體，此時教師干預的目的就是幫助其保持住這樣的學習狀態(tài)。例如，引入電子徽章等，通過社會比較對優(yōu)秀學生產(chǎn)生激勵作用，有助其延續(xù)甚至超越當前的學習狀態(tài)。

六、結(jié) ? 論

透過在線學習行為繁雜的表象，剖析在線學習行為的規(guī)律與內(nèi)在動因，有助于教師實施精準反饋和個性化干預、推動在線教育質(zhì)量提升。人類動力學為揭示在線學習行為背后隱含的規(guī)律與動因提供理論與方法支撐，對理解在線學習本質(zhì)、優(yōu)化在線學習效果具有重要價值，助力學習者成為全面、自由和個性發(fā)展的人。然而，本研究也存在一定的局限性。本研究的數(shù)據(jù)來自一門必修課程，研究對象較少且學習者無法完全按照自身喜好進行學習；同時，在線學習是受多方因素影響的過程，在未來研究中將考慮加入學習動機、教師風格、同伴影響等因素，共同構(gòu)建模型以實現(xiàn)對在線學習行為內(nèi)在動力學機制更深層次的探究。

[參考文獻]

[1] CHIRIKOV I， SEMENOVA T， MALOSHONOK N， et al. Online education platforms scale college STEM instruction with equivalent learning outcomes at lower cost[J]. Science advances， 2020， 6（15）：1-11.

[2] 曾巍，馮永華，趙慧臣，岳亞平.超越“實質(zhì)等效”的在線教學質(zhì)量審視與優(yōu)化路徑[J].現(xiàn)代教育技術(shù)，2021，31（11）：72-79.

[3] 宋靈青，許林.疫情時期學生居家學習方式、學習內(nèi)容與學習模式構(gòu)建[J].電化教育研究，2020，41（5）：18-26.

[4] 李月，姜強，趙蔚.基于過程挖掘的在線自主學習行為模式識別及干預實證研究[J].電化教育研究，2021，42（5）：61-69.

[5] 沈欣憶，劉美辰，吳健偉，董現(xiàn)壘.MOOC學習者在線學習行為和學習績效評估模型研究[J].中國遠程教育，2020（10）：1-8，76.

[6] 周濤，韓筱璞，閆小勇，楊紫陌，趙志丹，汪秉宏.人類行為時空特性的統(tǒng)計力學[J].電子科技大學學報，2013，42（4）：481-540.

[7] 樊超，郭進利，韓筱璞，汪秉宏.人類行為動力學研究綜述[J].復雜系統(tǒng)與復雜性科學，2011，8（2）：1-17.

[8] OLIVEIRA J G， BARAB？魣SI A L. Human dynamics： drawin and einstein correspondence patterns[J]. Nature， 2005， 437（7063）：1251.

[9] V？魣ZQUEZ A， OLIVEIRA J G， DEZSO Z， et al. Modeling bursts and heavy tails in human dynamics[J]. Physical review E，2006，73（3）：1-19.

[10] 易明，趙錦香，張展豪，何語詩.人類動力學視角下在線社區(qū)信息交流行為研究[J].情報科學，2020，38（8）：3-10.

[11] 沈洪洲，史俊鵬.基于人類動力學的社會化問答社區(qū)優(yōu)秀貢獻者行為研究——以“知乎”為例[J].情報科學，2019，37（5）：85-91.

[12] MWALUMBWE I， MTEBE J S. Using learning analytics to predict students' performance in moodle learning management system： a case of Mbeya University of science and technology[J]. The electronic journal of information systems in developing countries，2017，79（1）：1-13.

[13] 趙慧瓊，姜強，趙蔚，李勇帆，趙艷.基于大數(shù)據(jù)學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017，38（1）：62-69.

[14] YOGESH V， AARON C. Power-law distributions in binned empirical data[J]. The annals of applied statistics，2014，8（1）：89-119.

[15] GOLDSTEIN M L， MORRIS S A， YEN G G. Problems with fitting to the power-law distribution[J]. European physical journal B： condensed matter and complex systems，2004，41（2）：255-258.

[16] GOH K I， BARAB？魣SI A L. Burstiness and memory in complex systems[J]. Europhysics letters， 2008，81（4）：1-4.

[17] BARABáSI A L. The origin of bursts and heavy tails in human dynamics[J]. Nature， 2005，435（7039）：207-211.

[18] SHANG M S， CHEN G X， DAI S X， et al. Interest-driven model for human dynamics[J]. Chinese physics letters，2010，27（4）：1-3.

[19] 冷靜，易玉何.智慧教室中學習投入度與教學活動類型的關(guān)系[J].現(xiàn)代教育技術(shù)，2020，30（5）：47-53.

[20] 姜強，藥文靜，晉欣泉，趙蔚.變革與新生：基于眾包的自組織協(xié)同知識建構(gòu)研究——面向深度學習的課堂教學結(jié)構(gòu)化變革研究之一[J].現(xiàn)代遠距離教育，2019（6）：3-10.

[21] 歐陽嘉煜，汪瓊.CSCL情境中的群體感知工具：設(shè)計類型與效果評估[J].現(xiàn)代遠距離教育，2022（1）：14-23.

[22] CHANG R I， HUNG Y H， LIN C F. Survey of learning experiences and influence of learning style preferences on user intentions regarding MOOCs[J]. British journal of educational technology，2015，46（3）：528-541.

[23] TSAI Y H， LIN C H， HONG J C， et al. The effects of metacognition on online learning interest and continuance to learn with MOOCs[J]. Computers & education， 2018， 121（6）：18-29.

[24] ZHOU G， SONG C， ZHU X， et al. Deep interest network for click-through rate prediction[C]//KDD'18： The 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： Association for Computing Machinery，2018：1059-1068.

[25] 韓后，王冬青.促進有效學習的評價反饋系統(tǒng)及其應(yīng)用[J].現(xiàn)代教育技術(shù)，2015，25（2）：100-106.

A Study on Law Analysis and Modeling of Online Learning Behaviors

Based on Human Dynamics

LI Yue1， ?JIANG Qiang1， ?FANG Hui2， ?ZHAO Wei1

（1.School of Information Science and Technology， Northeast Normal University， Changchun Jilin 130117;

2.Northeast Yucai School， Shenyang Liaoning 110179）

[Abstract] Exploring online learning behaviors helps to clarify the nature of online learning and improve the online learning process. While existing studies have mainly focused on the analysis of external representation of online learning behaviors， and studies should also pay attention to the internal laws and motivation of online learning behaviors. This paper adopts a human dynamics approach to excavate the temporal regularity of online learning behaviors and constructs a dynamics model of online learning behavior driven by both teaching activities and learning interests. The research shows that the online learning behavior law of both groups of learners and individuals has certain basic characteristics such as periodicity and paroxysm， and has significant heavy-tailed characteristics in the distribution of time intervals. In terms of explaining the motivation of learning behavior， the model shows that the decline of learning interest is negatively related to the probability of learning behavior， while the impact of teaching activities is positively related to the probability of learning behavior. In promoting the online learning behavior， strategies such as task- and collaboration-driven instructional design， intelligent technology-supported resource recommendations， and personalized intervention based on learning rules need to be considered to promote the solution of online education quality problems.

[Keywords] Online Learning; Learning Behavior; Behavior Law; Human Dynamics; Modeling