计算机导论混合课堂学习行为画像与干预.pdf

第 22卷 第 9期2023年 9月Vol.22 No.9Sept.2023软 件 导 刊Software Guide计算机导论混合课堂学习行为画像与干预任会峰1，陆松1，董庆超2（1.无锡学院 物联网工程学院，江苏 无锡 214105；2.海军航空大学 岸防兵学院，山东 烟台 264001）摘要：为及时了解计算机导论课程学生的学习状况，通过正确引导学习方法，适时调整授课策略，提出学习行为四段分析法。依托学习通智慧教育平台获取学习数据，将不同量纲的学习行为数据归一化至4个区间，并以气泡图形式挖掘其中蕴藏的规律，剖析行为原因，开展针对性干预，根据课程前期学习行为画像对课程后期学习行为进行干预、指导。实践表明，该方法显著改善了学生各项学习指标，期末考试成绩优秀率、及格率同比提高6.19%和10%，证实了该方法能揭示混合式教学中的学习行为规律，有效指导学生学习行为、提高教学效果，对计算思维导论、计算机文化基础等课程同样具有借鉴意义。关键词：学习行为；行为画像；学习画像；学情分析；行为干预；数据可视化；四段分析法DOI：10.11907/rjdk.222289开 放 科 学（资 源 服 务）标 识 码（OSID）：中图分类号：G642；TP301 文献标识码：A文章编号：1672-7800（2023）009-0238-05Mixed Classroom Learning Behavior Portrait and Intervention of Introduction to Computer CourseREN Huifeng1，LU Song1，DONG Qingchao2（1.School of Internet of Things，Wuxi University，Wuxi 214105，China；2.School of Coast Guard，Naval Aviation University，Yantai 264001，China）Abstract：In order to understand the learning situation of the students in the course of Introduction to Computer in a timely manner，the four-stage analysis method of learning behavior is proposed by correctly guiding the learning methods and adjusting the teaching strategies in a timely manner.Relying on the Learning Intelligence Education Platform to obtain learning data，normalize the learning behavior data of different dimensions to four intervals，and excavate the laws contained therein in the form of bubble chart，analyze the causes of behavior，carry out targeted intervention，and intervene and guide the learning behavior in the later stage of the course according to the learning behavior portrait in the early stage of the course.The practice shows that this method has significantly improved students learning indicators，and the excellent ratio and passing rate of the final examination have increased by 6.19%and 10%year on year，which proves that this method can reveal the rules of learning behavior in mixed teaching，effectively guide students learning behavior，improve learning efficiency and teaching effect，and also has reference significance for courses such as Introduction to Computational Thinking and Computer Culture Foundation.Key Words：learning behavior；behavior portrait；learning portrait；analysis of learning situation；behavior intervention；data visualization；four-stage analysis0 引言计算机导论课程是各高校为计算机及相关专业大学一年级新生开设的专业基础必修课，目的是建立学生对专业的基本认识，培养学生面向学科的思维能力，强化对专业的爱好与兴趣1。课程教学过程中发现，新生的计算机基础不一，学习缺少监督，学习主动性不足，方法不够优良等行为会导致学习效果欠佳。学生学习行为是学习方法与学习态度的外在表现2。收稿日期：2022-10-31基金项目：教育部产学合作协同育人项目（202002112009）；江苏省高校哲学社会科学研究课题（2022SJYB0982）；无锡学院2021年教学改革研究课题（JGYB202107）作者简介：任会峰（1981-），男，博士，CCF 会员，无锡学院物联网工程学院讲师，研究方向为教育信息化与学习数据挖掘；陆松（1979-），男，博士，无锡学院物联网工程学院讲师，研究方向为大数据技术与高性能计算；董庆超（1982-），男，博士，海军航空大学岸防兵学院讲师，研究方向为软件工程与本体建模。第 9 期任会峰，陆松，董庆超：计算机导论混合课堂学习行为画像与干预通过分析学习行为，无疑对掌握学习习惯、学习态度、改进教学措施和课堂管理水平大有裨益3。传统教学过程中，难以收集学生学习行为数据，学习通等智慧教育平台为获取学习行为数据提供了途径4。屠菁5在雨课堂平台研究学生在数据库原理与应用中的学习行为与学习规律，有助于掌握学生学习特点。梅鹏江等6-7以微机原理、单片机技术课程为例，统计学习通平台学生部分学习行为与期末考试成绩的相关性。王文晶8依托 MOOC 平台分析SPOC 课程线上学习行为与学习成绩的关联性。肖瑞雪等9研究大学生线上学习行为，提出线上教学效果相关建议。郭玲玲等10收集学生线上学习数据，采用线性回归分析学生学习行为与最终成绩的关联性。代鸿等11分析了在线学习行为意向的影响因素。田娜等12分析慕课教学活动中学生部分学习行为与期末成绩的相关系数。总体而言，上述研究均面向纯粹的线上学习行为，而混合式教学已被证明具有单一线上、线下教学所无法比拟的优势13。相关研究欠缺针对性的干预措施，更缺乏对学生学习行为的具体指导。例如，忽视了多门课程间的关联性，只考虑单一课程的行为干预，体系层面思维不足；普遍从表示结果的期末成绩这个单一维度进行分析，未考虑行为间的耦合，忽视了学习过程对学习行为的影响14。针对上述问题，本文以学习通平台建设的计算机导论课程为依托，开展混合式教学学习行为研究，提出四段行为分析法将获取的学生学习行为数据归一化至4个区间，通过气泡图从学习过程分析学习行为数据间及其关联性，针对学习行为画像提出干预建议及教学改进措施。1 数据获取与处理本文研究数据来源于超星学习通平台上建设的计算机导论课程15。选择2021级无锡学院计算机科学与技术专业3个自然班共120名学生组成教学班进行研究。通过第3-6周数据进行学习行为画像，后12周进行干预及效果分析。该课程采用学习通作为辅助教学手段，实施混合式教学而非单一线上教学，因此未统计线上视频观看情况。从学习通学生学习过程数据中提取与学生学习行为密切相关的抢答互动率、作业开始时间、完成作业用时、作业重做次数、作业正确率共5个指标。其中，抢答互动率体现学生学习热情，能间接反映学生能否跟上教师思路、理解能力的强弱；作业开始时间是学生学习热情的外在表现，相较于抢答互动率，该指标反映的是无教师监督下的学习热情；完成作业用时反映学生对知识掌握的熟练程度、知识运用能力及对待作业的认真态度；作业重做次数体现学生知识掌握程度及对灵活掌握知识、勇于自我挑战的追求；作业正确率体现教学过程中学生的阶段性学习效果。为便于比较分析，对获取的原始数据进行预处理，借鉴期末总评时优、良、中、差的4级评分制，提出四段行为分析法。学生在课堂上参与师生互动，以抢答为主。为保证教学进度，抢答互动总次数控制在10次以内，所有学生均可参与，最终将抢答互动次数除以总次数作为抢答互动率。课后作业在学习通平台上设置为授课结束时自动公布，记为起始0时刻，截止时间为终止时刻，将学生开始作业时间归一化至作业公布与截止时间段内。学生从开始作业到提交作业的时间差为完成作业用时，用时最短者标记为起点 0，用时最长者记为终点 1。课后作业由学习通平台从预先设置的作业库中按照知识点随机抽取组成，学生重做时会重新抽取题目，确保每次题目均不相同。当学生对作业正确率不满意时，可重新作答。重做最大次数设为上限 1，最少次数为下限 0。以 0.9、0.75、0.6为分界线，评判作业正确率的优、良、中、差。归一化后的四段学习行为区间划分及含义如表1所示。2 学习行为画像与干预学习行为数据可视化能直观呈现数据中隐藏的规律，协助教师快速、准确地了解学生学习态度及行为特点，进而开展针对性的教学指导。图1图6以气泡图形式展示多维学习行为数据与学生人数的关系。其中，气泡越大代表表现出该项学习行为的学生人数越多，具体人数标记在气泡中心位置。由图1可见，课堂互动表现积极的学生普遍作业开始时间更早，而课堂互动中消极的学生在完成课后作业时最拖延；有2名学生虽然课堂互动积极，但课下作业最拖延。互动积极的学生能充分调动各种感官，保持持续专注力，紧跟教师授课思路，学习更为主动；互动积极但作业拖延的学生，虽然性格活跃，但自制力较差。因此，在教学中应鼓励学生参与互动16-17，例如以奖励平时分的形式，构建班级及学生间的竞争机制，促进良性循环。Table 1Interval division of four-stage learning behaviors表1四段学习行为区间划分表行为表现抢答互动率作业开始时间完成作业时间作业重做次数作业正确率学习行为四段区间及含义积极 1，0.9早 0，0.1快 0，0.1多 1，0.9优 1，0.9较积极（0.9，0.75较早（0.1，0.25较快（0.1，0.25较多（0.9，0.75良（0.9，0.75一般（0.75，0.6较晚（0.25，0.4较慢（0.25，0.4较少（0.75，0.6中（0.75，0.6消极（0.6，0拖延（0.4，1慢（0.4，1少（0.6，0差（0.6，0消极早较早作业开始时间抢答互动率较晚拖延一般较积极积极Fig.1Interaction rate and start time of homework图1抢答互动率与作业开始时间 2392023 年软 件 导 刊由图 2 可见，抢答互动积极的学生作业完成速度较快，这与图1中作业开始时间呈现的规律一致，学生通过积极参与互动，提高了学习效率，知识掌握迅速且扎实。但相较于图1，右上角人数明显减少，互动积极且完成作业较快、较慢的人数随之增加，更有2名学生课堂表现积极但作业完成很慢，体现了学生之间差异性，基础相对薄弱的学生完成课后作业的时间较长，需要额外时间回顾补充知识点；有4名学生互动较积极但作业完成较快，原因是这些学生基础扎实。因此，建议教师在鼓励互动的同时，控制好课后作业量，为基础较为薄弱的学生预留更多时间回顾知识点。由图 3可见，最大比例为学生作业开始早且完成快，体现出学生扎实的学习基础与极大的学习热情。教师可适当加快教学进度，拓宽教学知识面，培养学生解决复杂问题的高级计算思维。针对部分作业拖延且完成作业用时长的学生，应进一步优化教学活动设计与实施，创新教学内容与方法。例如，丰富在线交互环节设置、增加在线讨论比重和随堂小测次数，弥补无法及时获取学生反馈的不足，针对性地加强思政教育强化其自主学习能力等18。由图4可见，作业开始时间越早，作业正确率越高，反之越低，表明学生趁着课堂授课刚结束的知识热度，及时完成作业有助于进一步强化所学知识。根据艾宾浩斯记忆遗忘曲线19，建议教师设定作业截止时间不宜太长，尽量将作业截止时间提前至授课当天，趁热打铁，及时强化授课效果。针对不同知识点结合学生专长建立课程学习小组，减少客观题比重，增加团队探究式题目，通过分工协作，让积极的学生带动消极的学生。通过角色扮演、分组辩论、游戏形象、模拟教学等方式激发学生参与课堂教学的主动性，丰富学生情感体验。例如，课程中的数制问题可引导学生查阅 8进制与中国传统文化中的八卦图进行类比，在课堂上以小剧场形式抽取学生组成八卦图及八卦间的演化，既能活跃课堂气氛，还能发散学生思维，提高学生学习兴趣。由图 5 可见，作业完成快且成绩优秀的学生占比较大，表明这部分学生基础较为扎实；成绩优秀但完成较快的学生有11名，这部分学生基础相对较弱，需要更多时间才能取得较好成绩。完成作业用时为较快的良好率相较于用时快的良好率稍高，用时特别快的相较于用时特别慢的正确率更低。结合图4可知，这些学生拖延到作业截止时间前才开始提交，将作业当作任务应付了事。因此，建议教师不宜设置过长的作业持续时间，截止时间不宜过晚，一般难度的作业要求当天完成。此外，研究表明晚上9点后，人体大脑的活动将变得迟缓20，学习效率低且容易出错，故应将截止时间设置在此时间之前。由图6可见，作业重做次数少且不及格的人数为0，说明学生普遍具有上进心，当出现不及格时学生会选择重做。由于每次重做都会从题库中重新抽题，随着重做次数增加，学生对知识点的理解越来越深刻，正确率总体呈现上升趋势，因此重做次数多且优秀的人数占比最大，其次为重做次数少且优秀的人数。调查发现，15位重做次数少且优秀的学生基本固定不变，这些学生上课认真，抢答互动最积极，开始作业早且作业用时短；有4名学生重做次数多但仍不及格，一方面表明了其基础较为薄弱，入学前基本没接触过计算机，另一方面存在畏难情绪，听课效率不高，通常这几位学生也较为固定。因此，建议教师增加作业库中各知识点题量，帮助学生从多角度理解知识点，使其更牢固地掌握所学知识。教师还应考虑多门课程间的联系，从专业体系高度进行教学准备和知识讲授。例消极快较快完成作业时间抢答互动率较慢慢一般较积极积极Fig.2Interaction rate and completion time of homework图2抢答互动率与完成作业用时快早较早作业开始时间完成作业用时较晚拖延较快较慢积极 快Fig.3Completion and start time of homework图3完成作业用时与作业开始时间不及格快较快完成作业时间作业正确率较慢慢及格良好优秀Fig.5Accuracy and completion time of homework图5作业正确率与完成作业用时早较早作业开始时间作业正确率较晚拖延不及格及格良好优秀Fig.4Accuracy and start time of homework图4作业正确率与作业开始时间 240第 9 期任会峰，陆松，董庆超：计算机导论混合课堂学习行为画像与干预如，在计算机导论中的电子表格软件Excel的应用教学过程中，可引导学生思考 Excel中的函数与 C程序设计语言课程函数的异同之处，分析哪些参数属于形参，哪些属于实参，思考能否使用C语言编程实现Excel中的SUM等函数功能。通过联系两个相同或相近的概念，发散学生思维，提高学生对课程及相关课程的认识与理解，培养学生举一反三的思维能力，增强学生学习兴趣与信心。3 效果分析教育心理学家班杜拉提出的模仿理论指出学习即模仿。学生会根据同伴表现和自身学习经历进行比较，通过外部强化、自我强化和替代性强化激励自身学习动力，改善学习行为与态度，从而对学业成绩产生积极影响。本文结合学习行为画像与干预从学习过程和结果两个维度进行效果分析。首先基于学生第3-6周学习行为数据的画像及干预建议，对2021级无锡学院计算机科学与技术专业计算机导论课程后12周（第7-18周）的学习行为采取干预指导。考虑到周课时较少，干预指导对学生学习行为的影响是个缓慢的过程。因此，评价指标数据的采集频率设置为每两周一次，共获得6组数据，过程干预效果如图7所示。其中，横轴为采取学习行为干预的教学周次，纵轴为四段学习行为中行为消极的两段学生数与行为积极的两段学生数之比。由图7可见，在抢答互动率、作业开始时间、作业完成时间3个指标中，消极的学生数与互动积极的学生数之比呈现下降趋势。对比学生名单可发现，学习主动的学生学习行为基本无波动，学习被动的学生被干预后进步较大，证实了通过学习行为干预指导及改进教学策略，能使学生积极模仿先进的学习行为，让更多学生充分重视互动的积极性，并主动参与其中，开始作业更早、完成作业更快。作业重做次数少的学生人数与重做次数多的人数之比总体呈现上升趋势，表明更多的学生知识掌握更扎实，更少的学生需要通过刷题来巩固知识点。课程结束后，采用问卷星设计调查问卷，选题包括积极性、学习动机和学习效果3个方面，设置90分及以上为非常赞同，75-90分为赞同，60-75分为一般，低于60分为不赞同，具体结果如表2所示。由此可见，与学习行为干预效果相似，大多数学生对干预建议持赞同态度。其中，认为能提高学习效果的学生占比71%（赞同与非常赞同之和，即评分在75分以上），69.67%、75%的学生赞同/非常赞同对学习行为进行干预后能提升个人学习积极性和端正学习动机，更愿意按照教师提供的先进学习模式完善学习过程，学习动机从外部分数驱动转变为内部知识驱动。表 3 为无锡学院计算机科学与技术专业 2021 级与2020级学生的期末考试成绩比较。由此可见，采取学习干预使2021级学生期末考试均分和优秀比分别提高6.19%和 11.39%，虽然良好比相当，但及格人数占比下降了1.48%，不及格人数为0，证实了该教学模式能提高课堂教学效果。此外，相关干预措施已用于指导 2022级新生的学习行为，并持续积累学习行为数据。4 结语学生学习行为画像能客观反映学生学习特征及规律，及时采取针对性干预能避免指导行为滞后、提升学生学习效果和教师教学效率。实践表明，学生对混合式教学中行为干预的认可度较高，研究成果对计算思维导论、计算机文化基础等课程同样具有借鉴意义。下一步，将收集更多课程学习行为数据，研究多门课Table 2Questionnaire results表2问卷调查结果评价指标积极性学习动机学习效果示例后期学习中会主动模仿身边效率高的同学的学习行为为了掌握知识，更愿意主动参与课堂互动及讨论通过老师的干预指导，学习效率进一步提高等级/%非常赞同3.787.3322.83赞同65.8967.6748.17一般30.3325.0029.00不赞同000不及格少较少作业重做次数作业正确率较多多及格良好优秀Fig.6Accuracy and redo times of homework图6作业正确率与作业重做次数0.7作业开始时间完成作业时间抢答互动率作业重做次数0.60.50.40.30.20.10.0第8周第10周第12周第14周第16周第18周Fig.7Curve of learning behavior intervention effect图7学习行为干预效果曲线图Table 3Comparison of final examination results表3期末考试结果比较指标年级20212020期末均分81.2275.03百分比/%优秀38.8927.50良好52.5952.50及格8.5210.00不及格0.0010.00 2412023 年软 件 导 刊程联动及专业体系的学习画像，通过机器学习等方法研究学习行为的定量分析，并通过及时有效的干预实现精确指导。参考文献：1 LI N.Building the first step of computer specialtyon the teaching of introduction to computer J.China University Teaching，2021（9）：37-41.李宁.筑好计算机专业的第一级台阶谈计算机导论课程教学 J.中国大学教学，2021（9）：37-41.2 WU F T，ZHANG Q.Learning behavioral engagement：definition，analysis framework and theoretical modelJ.China Educational Technology，2018（1）：35-41.武法提，张琪.学习行为投入：定义、分析框架与理论模型 J.中国电化教育，2018（1）：35-41.3 ZHENG J R，ZHANG Y.A study on college students motivation of course selection and online learning behavior mechanism J.Journal of Chinese Youth Social Science，2022，41（5）：96-105.郑佳然，张煜.大学生选课动机及在线学习行为机制研究 J.中国青年社会科学，2022，41（5）：96-105.4 WU X X，LI Z M，GUO C J.Research on smart classroom teaching design and application based on learning knowledgeJ.Software Guide，2020，19（12）：167-170.吴晓璇，李正茂，郭昌建.基于“学习通”的智慧课堂教学设计与应用研究 J.软件导刊，2020，19（12）：167-170.5 TU J.Analysis of learning behavior in intelligent classroom teaching based on rain classroom：the course of principles and applications of database as an example J.Journal of Hefei University（Comprehensive ED），2019，36（2）：63-67.屠菁.基于雨课堂的智慧课堂教学学习行为分析以“数据库原理与应用”课程为例 J.合肥学院学报（综合版），2019，36（2）：63-67.6 MEI P J，CHEN Y F，SONG Y，et al.Analysis of students online learning process indicators and learning effects during the epidemic taking the course microcomputer principle and single chip microcomputer technology as an example J.Software Guide，2021，20（5）：192-196.梅鹏江，陈逸菲，宋莹，等.疫情下学生在线学习过程指标与学习效果分析以微机原理及单片机技术课程为例 J.软件导刊，2021，20（5）：192-196.7 CHEN Y F，MA C L，ZHAI H R，et al.Learning behavior data analysis of the SPOC course taking the course microcomputer principle and single chip microcomputer technology as an exampleJ.Software Guide，2021，20（9）：248-252.陈逸菲，马辰来，翟慧茹，等.SPOC课程学习行为数据分析以微机原理及单片机技术课程为例 J.软件导刊，2021，20（9）：248-252.8 WANG W J.Analysis&research on the online learning behavior based on MOOC+SPOC platform J.Office Informatization，2022，27（16）：55-58.王文晶.基于MOOC+SPOC平台的在线学习行为分析研究 J.办公自动化，2022，27（16）：55-58.9 XIAO R X，QU J P，WANG H，et al.Cluster，attribution and countermeasure research on online learning behavior of college students J.Software Guide，2022，21（6）：230-235.肖瑞雪，屈建萍，王赫，等.大学生线上学习行为的聚类、成因与对策研究 J.软件导刊，2022，21（6）：230-235.10 GUO L L，FAN S M，WANG M，et al.Online learning behavior analysis based on linear regression algorithm J.Computer Technology and Development，2022，32（7）：191-195.郭玲玲，范思萌，王梅，等.基于线性回归算法的在线学习行为分析J.计算机技术与发展，2022，32（7）：191-195.11 DAI H，YANG X F.Analysis of influencing factors of large-scale online learning behavior intention in epidemic period J.Journal of Higher Education，2022，8（21）：65-69.代鸿，杨雪飞.疫情时期规模化在线学习行为意向影响因素分析 J.高教学刊，2022，8（21）：65-69.12 TIAN N，SUN J.Analysis of learning behavior based on college MOOC results J.Software Guide，2019，18（4）：196-201.田娜，孙静.基于高校慕课成绩的学习行为分析 J.软件导刊，2019，18（4）：196-201.13 MU S，WANG Y N，HAN R.Features，methods，and principles of hybrid instructional design J.Open Education Research，2021，27（5）：63-72.穆肃，王雅楠，韩蓉.线上线下融合教学设计的特点、方法与原则 J.开放教育研究，2021，27（5）：63-72.14 LI Y，JIANG Q，ZHAO W.An empirical study on online self-regulated learning behavior pattern recognition and intervention based on process mining J.E-Education Research，2021，42（5）：61-69.李月，姜强，赵蔚.基于过程挖掘的在线自主学习行为模式识别及干预实证研究 J.电化教育研究，2021，42（5）：61-69.15 YU H T，GAO Y.Exploration of mixed teaching practice based on one level and three ends M.Changchun：Jilin University Press，2019.于洪涛，高颖.基于“一平三端”的混合教学实践探索 M.长春：吉林大学出版社，2019.16 MCCARTNEY M.Active learning：the twilight of chem 101？J.Science，2014，344（6189）：1239-1240.17 REN H F，KAN X，LU S，et al.Research on teaching practice of massive open online course platform：case study of computer culture courseJ.Software Guide，2020，19（12）：43-47.任会峰，阚希，陆松，等.计算机文化基础MOOC平台互动教学实践探索 J.软件导刊，2020，19（12）：43-47.18 CARVALHO P F，SANA F，YAN V X.Self-regulated spacing in a massive open online course is related to better learningJ.Npj Science of Learning，2020，5（1）：1-7.19 ZHOU X.Effective training：an important way of pedagogic epistemologyJ.Education Science，2021，37（4）：54-59.周序.有效训练：教学认识的重要方式 J.教育科学，2021，37（4）：54-59.20 YANG S，JIANG W T，WANG L，et al.Effect of mental fatigue on different working memory loads based on brain network J.Chinese Journal of Biomedical Engineering，2021，40（4）：446-452.杨硕，江文涛，王磊，等.基于脑网络的脑疲劳对不同工作记忆负荷的影响 J.中国生物医学工程学报，2021，40（4）：446-452.（责任编辑：刘嘉文）242