MOOC课程资源访问模式与学习绩效的关系研究_2

1、    mooc课程资源访问模式与学习绩效的关系研究    三、研究问题与方法（一）研究问题本研究旨在基于对mooc课程学习数据的挖掘，探索mooc课程的资源访问模式及其与学习绩效的关系，主要聚焦如下三个研究问题：1.哪些在线课程资源访问行为变量可以作为定义mooc资源访问模式的特征变量？2.基于mooc学习者的资源访问特征是否会挖掘出多种mooc资源访问模式，各访问模式的特征是什么？3学习者在mooc课程中的不同资源访问模式是否会影响其学习绩效？（二）研究案例与变量选择本研究以我国主要mooc课程平台之一学堂在线正在开设的一门英语mooc课程学习数据作

2、为分析对象，探索mooc课程的资源访问模式。该课程是学堂在线的代表性课程，课程采用认知主义教学方法讲授英语日常表达，课程学习以看视频做习题为主，辅以少量的讨论。课程包括八个单元的教学内容。教学资源包括教学视频、习题、课程信息、扩展内容、进度把控信息和论坛信息等。课程每个单元都安排了计入平时成绩的习题，课程最后还有期末考试。学生课程总成绩超过50分则通过该门课程，获得课程证书。本研究基于文献研究最终确定从访问动机、资源类型、行为投入特征三个方面定义资源访问行为变量，其中，资源访问的行为投入特征主要通过访问度和访问规律两个方面来定义。对mooc课程的资源类型分析可知：教学视频资源的访问以学习内容为

3、主，归为内容类资源；单元习题答题情况是计入课程成绩的，因此单元习题被归为绩效类资源；课程信息页面与进度页面为学习者提供学习通知和学习进度信息，为学生有效管理其在线学习提供了依据，因此将这两类页面归为管理类资源；扩展页面提供了与教学大纲相关的扩展内容，是可选择的内容资源，因此将这类页面划分为扩展类资源；论坛是学生互动、交流的空间，论坛资源以生成类资源为主。论坛生成的资源既可能包括与学习内容密切相关的内容类资源，也可能包括课程要求学生访问的绩效类资源，也可能包括与作业提交、考试等有关的管理类资源，还可能包括一些教师和同伴共享的扩展类资源。因此，论坛的生成类资源实际上可能包括前述四类资源，可根据具体

4、课程情况进行归类。通过对本研究所选课程论坛内容的分析，发现本课程论坛整体数据量较少，师生生成的内容与教学内容更相关，因此在本研究中论坛生成类资源被归为内容类资源。本研究将课程资源划分为四类：内容类资源、绩效类资源、管理类资源、扩展类资源。本研究借鉴dweck和leggett（1988）关于学生学习动机的分类，将对内容类、管理类、扩展类资源的访问归为目标驱动的资源访问，将对绩效类资源的访问归为绩效驱动的资源访问。目标驱动的学习更多的是关注自身能力的提升，绩效驱动的学习更多关注的是他人的评价，如课程成绩评定。之后，本研究根据课程已有数据，从资源访问度和规律性两个方面定义资源访问的行为变量。访问度变

5、量涉及访问时长、频次、完成度等行为变量，访问规律性包括访问拖延度和访问时间间隔均匀性两类变量。其中，访问拖延度通过学习者访问资源与该资源发布的时间差来表征，访问时间间隔均匀性变量通过计算学习者相邻两次访问同类资源的时间间隔的标准差来表征。综上所述，研究初步定义出18个资源访问行为变量，这18个变量体现了两类动机目标，涉及四类课程资源的访问度和访问规律性特征。表1初拟访问行为变量访问特征变量资源类型行为特征动机类型视频访问总时长内容类资源访问度目标驱动视频访问完成度内容类资源访问度目标驱动视频访问拖延度内容类资源访问规律目标驱动视频访问间隔均匀性内容类资源访问规律目标驱动论坛访问时长内容类资源访

6、问度目标驱动信息页面访问次数管理类资源访问度目标驱动信息页面访问时长管理类资源访问度目标驱动信息页面访问间隔均匀性管理类资源访问规律目标驱动进度页面访问次数管理类资源访问度目标驱动进度页面访问时长管理类资源访问度目标驱动进度页面访问间隔均匀性管理类资源访问规律目标驱动扩展页面访问次数扩展类资源访问度目标驱动扩展页面访问时长扩展类资源访问度目标驱动扩展页面访问间隔均匀性扩展类资源访问规律目标驱动习题访问完成度绩效类资源访问度绩效驱动习题访问次数绩效类资源访问度绩效驱动习题访问拖延度绩效类资源访问规律绩效驱动习题访问间隔均匀性绩效类资源访问规律绩效驱动（三）样本与数据处理本研究对平台记录的26,9

7、81名注册本课程的学生数据进行初步整理，发现真正产生课程行为数据的学习者只有10,598名。因此本研究主要聚焦这10,598名学生，探索他们的资源访问模式。本研究首先根据访问行为特征变量对相应数据进行了初步检测与清理，如核对不同表格数据的完整性、处理缺失值等。由于很多学生中断对课程相关资源的访问，所以拖延度和访问间隔均匀性两个变量的缺失值较多。根据两个变量的意义，本研究用99,999来替代相应缺失值。之后，根据三个研究问题采用相应方法对数据进行了挖掘分析。为选取更有效的访问特征变量，对访问行为变量、期末成绩进行了皮尔逊相关分析，筛选出与学习绩效显著相关且相关性更高的访问行为变量，并采用多元线性

8、回归分析法检验了所筛选行为变量对学习绩效的预测作用。然后，基于筛选出的行为变量采用二阶聚类对样本进行聚类分析，探索资源访问模式。二阶聚类算法是一种智能聚类方法，可用于揭示未知数据集的自然分组，自动确定最佳聚类个数，并且能用于处理离散型数据和连续型数据的聚类问题（chiu，fang，chen，wang，& jeris，2001），因此适合本研究的聚类需求。最后，采用anova分析对聚类得到的不同资源访问模式的期末成绩进行差异性检验，考察资源访问模式对学习成绩的影响。本研究主要采用excel 2016对原始数据进行初步的整理和清理，采用spss 24.0进行回归分析、聚类分析和anova分

9、析。四、研究结果（一）访问特征变量的定义由于选取的两个指标之间若存在高度相关性，可能会减弱其他特征指标对于聚类结果的影响，降低聚类结果的准确性，因此本研究首先采用皮尔逊相关分析方法将最初定义的18个访问行为变量进行两两相关分析，以检验最初定义变量是否存在相关性较高的问题。皮尔逊相关分析显示视频访问完成度与视频访问总时长、习题访问完成度与习题访问次数的相关系数均在0.8以上，为此需要从两个变量中取舍。考虑到研究主要关注对于学习绩效具有促进作用的资源访问行为变量，所以研究将相关性较高的两个变量分别与期末成绩进行相关性分析，并最终选择保留与期末成绩相关性更高的变量作为访问模型构建的特征变量。这种方法

10、在以往研究中也用过，如khalil等（khalil & ebner，2017）发现学习者登录频率和阅读帖子频次高度相关（r=0.807，p0.01），因此在初步的筛选中保留了阅读帖子频次，而排除了登录频次这一指标。此外，对于与期末成绩没有显著相关的变量，我们也直接进行了删除，如信息、进度和扩展页面的访问时长、论坛访问时长。最终，本研究确定如下12个特征变量（见表2）。这12个特征变量两两之间的相关系数及其与期末成绩（fg）的相关系数见表3（采用英文首字母缩写代表各特征变量）。表2最终确定的访问特征变量表 表3特征变量两两之间及与期末成绩的皮尔逊相关系数表vcvpviecepe

11、iepnepiipnipippnppivc1vp-0.181*1vi-0.673*0.171*1ec0.389*0.173*-0.380*1ep-0.383*-0.160*0.413*-0.658*1ei-0.475*-0.026*0.502*-0.680*0.650*1epn0.079*0.063*-0.071*0.064*-0.049*-0.066*1epi-0.076*-0.021*0.052*-0.042*0.028*0.041*-0.679*1ipn0.107*0.085*-0.103*0.094*-0.064*-0.105*0.534*-0.363*1ipi-0.079*-0.06

12、4*0.091*-0.064*0.041*0.078*-0.315*0.302*-0.574*1ppn0.114*0.024*-0.111*0.128*-0.096*-0.134*0.376*-0.218*0.538*-0.370*1ppi-0.083*-0.0050.058*-0.068*0.045*0.074*-0.318*0.302*-0.409*0.432*-0.606*1fg0.337*0.137*-0.324*0.807*-0.662*-0.630*0.073*-0.044*0.100*-0.066*0.130*-0.061*p0.05；*p0.01根据表3，最终筛选的12个变量与

13、期末成绩均呈现显著相关（p0.01），且变量间不存在较高的相关性。在12个变量中，与期末成绩相关性最高的变量是习题的完成度（r=0.807*），其次是习题的访问拖延度（r=-0.662*）和访问间隔均匀性（r=-0.630*）。值得注意的是，访问度变量与成绩呈正相关，两个访问规律变量与成绩呈负相关，即：学生习题完成度越高，访问拖延性越小，访问间隔越均匀，学生期末成绩越高。习题在本课程中属于绩效类资源，学生对绩效类资源的访问度和访问规律对期末成绩的相关性整体高于其他类资源，与期末成绩呈现较高相关性的还有视频的完成度（r=0.337*）和视频访问间隔均匀性（r=-0.324*），可见视频的完成度和访问周期性对学生课程绩效具有较大影响。然而，与习题访问和成绩的关系不同的是，视频访问的拖延度并没有与成绩呈现负相关，而是