学习行为保障远程教育论文

2022-04-23

摘要：MOOC作为技术支持教育的一种，其本质仍是“师生相对分离”的远程教育，教学过程中教师不能像传统教学一样实时监控教学过程。构建MOOC教学过程质量监控评价体系能够实现教学过程的监控和评价，使教师根据监控数据和评价结果有针对性的、动态的调整教学。利用定量评价与质性评价，结合基于学生学习行为大数据的学习分析技术，给予及时的评价结果，反馈教与学。下面是小编精心推荐的《学习行为保障远程教育论文(精选3篇)》，欢迎阅读，希望大家能够喜欢。

学习行为保障远程教育论文篇1：

在线学习危机精准预警及干预：模型与实证研究

【摘要】对学生学习行为进行全面的定量化描述、学业诊断、精准预警、处方干预，有助于准确识别学习危机学生，提供精准教学服务。本研究利用数据挖掘和学习分析技术，跟踪分析在线学习中非干预行为数据，包括过程性结构化外显信息（如学习状态、学习交互、学业水平等）和非结构化内隐信息（如学习者情绪），确定在线学习危机预警因素。本研究采用朴素贝叶斯构建精准预警模型，利用准实验设计对处于学习危机的学生进行聚类分组，并提出采用邮件通知人工干预和在线学习支持环境自动干预两种策略，同时通过信誉积分和预警指标干预制度加以保障。研究结果表明，模型能够准确识别学习者学习状态与趋势，发现学习异常者;干预策略能够有效引导学生学习，化解学习危机，促进个性化教学和学生管理。

【关键词】学习危机;精准预警;学习干预;学习分析;数据挖掘;在线学习质量;大数据;学习过程

一、引言

在线教育不断演进发展，经历“多媒体驱动信息表征多通道个体学习”“以社会性交互为核心的虚拟社区规模化学习”“基于大数据分析的个性化学习”三个阶段，已从IT（Information Technology）迈向DT（Data Technology）时代。然而，目前在线学习仍存在高辍课率、低参与性、难以深度学习等质量危机，保证在线学习质量面临诸多挑战，精准预警与个性化干预可以有效解决这些严峻的现实问题。从预警理论和方法的坚实程度以及对预警结果正确性的信念大致可以把预警分为两类：一类是基于严格理论的预测结果，如基于量子力学理论预测某A粒子在一定时间内衰变成某B粒子的概率;另一类的极端是对未来的预言，多数来源于未来学家和科幻作家，例如托夫勒在《第三次浪潮》中对互联网科技时代的预言、诺查丹玛斯在《诸世纪》中对世界末日的预言以及凡尔纳在《海底两万里》中对潜艇和在《从地球到月球》中对人类登月的预言等（周涛， 2017）。这类预言更像是猜测而非预测，只能定性给出正确与否的判断，而不能在数字上给出精确程度。本研究探究基于大数据分析的在线学习精准预警与干预，是基于跟踪记录学生的学习过程数据，利用数据挖掘方法分析学生的学习特点，对学习发展进行可量化预测。研究一方面有助于识别不同类别学习危机群体，提供更科学合理、差异化的教学决策，适应变化的学习需求，增强在线学习投入，提升学习效果;另一方面能够推动顶层设计和实践探索有机结合，形成基于全学习过程数据的个性化、精准的教学服务，重塑学习观，有利于洞悉数据背后隐藏的学习成长轨迹、教育发展规律，提高决策的前瞻性和科学性。

二、研究现状

国外研究者对于解决大学生在线学习危机、提升在线学习质量进行了大量探索，其研究方向主要分为两类：第一类集中在大学生在线学习危机的预测因素方面，包括对学生的学习目标、学习需要、认知风格等相关数据的收集与分析，基于学生个人、社会、心理和环境等变量对学生在线学习行为表现进行预测。梅扎里等人（Mezzari & Adelina， 2013）通过使用学习情绪数据（如帖文中学生情感的体验与表达）、学习交互数据（如回复和发布）、学业水平数据（如作业成绩和测验成绩）探究在线学习危机的原因，主要包括缺乏动力、缺乏时间、缺乏与在线材料的互动、孤立感、技术知识不足等。余（Yu， 2015）将学生是否处于学习危机的指标分为学生概况（如性别、累积平均分（CGPA）等）和学生参与度（如登录次数、发布讨论数量等）两类。艾哈迈德等（Ahmed & Elaraby， 2014）在研究中使用学生的课程信息、实验室测试等级、研讨会表现、作业成绩、出勤率等数据预测学生的学习表现。科洛等（Kolo， Solomon A. Adepojub， & Alhassan， 2015）收集了尼日利亚教育学院计算机科学专业学生的数据结构课程相关数据进行研究，認为学生的个人属性，如成绩、地位、性别、财务实力、学习态度等是预测学习表现的重要因素。戈加等人（Goga et al.， 2015）使用了尼日利亚巴布科克大学的学生数据，在审查文献的基础上将年龄、性别、父母的婚姻状况、父母的职业等学生背景因素纳入设计框架，基于背景因素预测学生第一学年的CGPA。此外，心理学因素也被提出作为指标来辨别具有高辍学率和学习风险的学生（Khalil & Ebner， 2014）。第二类是在线学习危机干预系统的研究。阿尔哈比等（Alharbi， Cornford， Dolder， & Lglesia， 2016）从管理者角度出发，通过使用数据挖掘技术预测处于学习危机的学生构建学习推荐系统，以指导大学生在课程的第一年进行模块选择，帮助学生提高学习效果。普渡大学的“课程信号”干预系统，辅助教师利用学习分析等技术手段为学生提供及时且具有针对性的反馈。不仅预测学生的学业行为表现，而且以可视化的方式向学生呈现其学习特征、学业历史及学习努力过程，使每一位学生都能清楚自己的学习状况与学习表现（Arnold & Pistilli， 2012）。

国内研究者针对在线学习危机的研究主要分为两类：第一类是有关大学生在线学习危机预测模型的研究。武法提等（2016）梳理了当前国内外学习分析模型存在的问题，在此基础上构建了个性化行为分析模型，设计了学习结果预测框架，旨在为个性化学习分析工具的设计提供理论指导。杨现民等（2016）从预警的实现形式、算法与工具、内容与方法等方面比较分析了国外五个典型学习预警系统，提出了学习预警系统的通用设计框架，并构建了学习预警系统的功能模型和过程模型。赵慧琼等（2017）从学习分析的视角出发，利用多元回归分析确定在线学习危机预警因素，在此基础上构建干预模型，将干预模型应用于在线教学过程，及时识别出存在学习危机的学生并提供个性化干预对策，有效提高了大学生在线学习效果。第二类是有关大学生在线学习危机干预方法的研究。杨雪等（2017）基于学习分析对大学生在线学习拖延情况进行描述，采用电子邮件、弹出窗口、学习资源推送等干预策略对学生进行个性化干预，有效减少了拖延次数与时间，改善了在线学习效果。尤佳鑫等（2016）基于多元回归模型预测结果，综合考虑性别、活跃度等因素，对部分危机学生进行干预，干预的方式包括一对一和一对多面谈、在线交流等，干预的内容包括警示、鼓励和知识点答疑等，研究结果表明基于预测的教学干预取得了较好的效果，接受干预的学生成绩进步显著。

综上所述，国内外学术界在在线学习预警和干预方面已积累宝贵经验，但仍有亟待改善的地方：①多数从理论视角构建学习成绩预测和评估框架，有必要加强实证研究;②大部分研究者使用结构化数据建立在线学习预警模型，难以准确解释在线学习行为差异，需要引入非结构化数据;③经大数据分析诊断存在危机的学生，不仅要有技术干预，更需要制度的介入，最终实现由约束转化为提高内在动机、自我效能和情绪的主动学习。

三、大学生在线学习危机预警因素

（一）结构化数据：外显信息

学习管理系统会记录学生在课程学习过程中留下的多种学习痕迹，如任务提交情况和实施互动评价情况等。通过收集这些日志数据并进行数据过滤与筛选，最终选定了包括学生学习状态（包括完成作业时间、完成评价时间、登录总时长等5项数据）、学习交互（包括发帖总次数、发帖总长度、给他人回复总数等6项数据）、学业水平（包括作业得分、测验得分和考试成绩3项数据）三个维度的结构化初始数据集，如表1所示。

（二）非结构化数据：内隐信息

依据朗（Lang， 1980）提出的自我评估人体模型评分量表（采用9分制，其中1分表示非常消极的评论，9分表示非常积极的评论，5分表示中性评论），采用人工注释法对学生的自我反思日志以及学习评价等非结构化数据（306条自我反思日志和112条学习评价）中的情绪强度进行判定。为确保样本数据编码的可靠性，由两名助理共同完成，经过数据比较Kappa系数为0.81，对意见不一致的编码进行再次讨论，以达成100%的共识，结果如表2所示。

通常，学生的情绪随时间而发生改变，教师根据折线图反应的情感变化向情绪波动或持续低下的学生提供实时反馈，如图1所示。

其中，第三周学生的自我反思日志表达了“我对陌生术语感到困惑”，词汇中“困惑”的情感词的效价等级为4（情感强度低于4.5），意味着学生产生了消极情绪。第四周学生自我评估关键语句是“这门课程我很感兴趣”，情感词“感兴趣”词典的评价等级为7（情感强度高于5.5），表明学生后来又产生了积极情绪。

四、在线学习精准预警模型构建

本研究选择朴素贝叶斯分类器作为研究预警模型，识别处于风险中的学生。它是简化的贝叶斯网络，是基于条件独立性概念的图形模型，使用有向图以紧凑方式编码一组变量的联合概率分布来描述概率变量之间的依赖关系。已有研究表明相比逻辑回归、支持向量机、决策树、多层感知器、K-最近邻算法等常用的预测方法，朴素贝叶斯方法识别出处于学习危机学生的精确度最高（Marbouti， Diefes-Dux， & Madhavan， 2016）。计算公式如下：

将全员学生数据随机分为6∶4（30∶21名学生）的训练集和测试集，基于朴素贝叶斯的预警模型分别在第二周、第四周、第六周对大学生在线学习成绩进行预测，目标变量为学生成绩，70分以上作为可以被接受的学业水平。其中，结构化数据包括学生学习状态、学习交互、学业水平数据，而非结构化数据则取自学生自我反思日志和学习评论的情感分析内容。根据预测结果得出TP（预测结果判定为风险学生，事实上也是风险学生）、FP（预测结果判定为风险学生，事实上不是风险学生）和FN（预测结果判定为不是风险学生，事实上是风险学生），根据上述公式（3）、（4）、（5），比较了仅使用结构化数据和结合使用结构化与非结构化数据集两种预测方式的P值、R值和F-Measure值差异，结果如表3所示。

可见，在预测数据集中添加非结构化数据，准确率在第二周从0.65上升到0.77，第四周从0.70上升到0.77，第六周从0.73上升到0.83;召回率在第二周从0.53上升到0.63，第四周從0.59上升到0.72，第六周从0.59上升到0.75;F-measure值在第2周从0.59上升到0.69，第4周从0.64上升到0.74，第六周从0.65上升到0.79。证明了纳入非结构化数据显著提高了预警模型的预测精度。

五、在线学习危机干预实证分析

（一）在线学习危机干预模型

基于预警模型，结合在线学习环境特征设计了在线学习危机干预模型，如图2所示。通过预警模型识别学生是否存在学习危机，若诊断结果为不存在，则继续进行下一轮诊断，实时更新学习者的个人在线学习诊断信息;若诊断结果存在学习危机，将学生分到通知干预组或在线学习支持环境干预组。

1. 通知干预

分配到“通知干预”组中的学生会收到一条消息，指出他们在线学习表现较差，可能无法完成课程，并指导他们如何提高自身的学习表现。学生收到的邮件信息中应该包含以下内容（如图3所示），告知学生通过对其近期作业成绩和其他一些可能预测学业水平的因素进行分析，发现该学生的表现可能会对其学习成绩产生负面影响，并告知学生采取怎样的措施可以改善其在线学习表现，提升自身的在线学习质量。

此外，通过分析学生提交作业的IP地址（如图4所示），如果发现存在学术不端行为的学生，也将通过邮件方式给予提醒。

2. 在线学习支持环境干预

被分配到“在线学习支持环境”小组的学生会收到一份与其学习表现相对应的学习诊断报告，如图5所示。报告包括提供综合评估学习者在线学习风险仪表盘、每周学习风险报告、针对具体学习活动的诊断与建议、每节课后学生情绪分析。其中，仪表盘使用不同的颜色表示学生在线学习状态，包括优秀、良好、普通、危险。每周学习风险报告以纵向线形式呈现，可用于跟踪学期中学生学习表现的变化。学习活动的诊断与建议分为学习水平、学习交互和学习状态三类，每个类别均由一个图标表示，学生可以点击该图标接收教学助理或教师提供的建议和其他与表现相关的信息。每个类别的建议有助于学生理解其学习绩效评估并作出相应的改进措施。情绪分析图表有助于追踪学生的学习状态趋势，情绪状态的下降会引发警报，帮助学生反思他们与课程相关的情绪，从而改善在线学习表现。

除此之外，在线学习支持环境还包含以下四点内容：提高学生对学习支持服务的认识——由在线辅导人员指导学生使用各种由平台提供的在线资源（如辅导服务、在线实验室等）;促进点对点互动——由高年级的优秀学生负责组织一个学习讨论区，他们担任同伴导师，从中学生可以获得各种学习技巧，包括时间管理、减压小贴士、如何处理考试焦虑等经验分享;提供自我评估工具，如学习进度条、电子徽章、学习策略清单等，以帮助学生更好地了解自己的学业水平和学习风格，并可据此获得提高学习质量的建议;提供教育脚手架，为学生提供一系列在线开放学习内容，如“网页设计轻松学”“网页设计课程实战”等课程。

（二）在线学习危机干预制度

1. 信用积分

对于出现课程缺席、自评互评活动缺席、学习任务未按照要求完成等行为的学生，系统会扣除相应信誉积分，情节严重者将禁止参与该学习活动。倘若学生因不可抗因素导致信誉积分被扣除，可通过积极完成各项学习活动，并在活动中拥有出色的学习表现来恢复自己的信誉积分，信誉积分过低则无法通过该课程。

2. 预警指标

从学习状态、学习交互、学业水平三个维度对每个任务的在线学习表现进行评价，采用访谈、头脑风暴等方法，由学科领域权威专家制定预警指标。如图6所示，预警阈值能够根据学习者的个性特征进行动态微调，符合任一条件的学生都将作为督导对象，连续三周成为督导对象的学生将无法通过该课程。

（三）干预效果的实证分析

本研究根据“网页设计与开发”课程教学观察周（第1周～第7周）的学生学习诊断结果，选取其中32名学习风险学生作为研究对象，进行为期8周（第8周～第15周）的干预实验，同时比较两种干预策略效果。

1. 任务设计

除了完成作品，学习任务还包括互动评价、课后交流讨论、测验、自我反思日志、课程答疑讨论和考试等，具体安排如表4所示。教师分别在第7周和第15周按照考试分数占50%、互动评价分数占30%、教师评价分数占20%给出学生成绩，做出学习危机判断。

2. 学生聚类分析

基于预警指标，通过Q型聚类分析方法将32名存在学习危机的学生分为三类，如图7所示。其中，21名学生（序号为6、27、……32、22）学习成绩分数较高，接近可接受的参考值，属于轻度学习危机学生，他们的共同特征是具有较高的活动性，登录学习平台次数较频繁，少数任务未完成，表现较为良好;8名学生（序号为4、25、……2、26）属于中度学习危机学生，这个群组的共同特征是活动性一般，学习时间适中，完成部分学业任务，且完成任务平均时间较长，表现一般;3名学生（序号为12、23、1）属于重度学习危机学生，他们的共同特征是具有较低的活动性，学习时间短，学习任务未完成次数较多，且完成任务平均时间长，表现较差。

然后，在准实验研究下，根据聚类结果按照一定比例把学生分为三组，利用单因素方差分析得出组间学生先前知识水平没有显著性差异，p=0.639>0.05。其中，通知干预组11人（轻度学习危机者8人、中度学习危机者2人、重度学习危机者1人），在线学习支持环境干预组11人（轻度学习危机者7人、中度学习危机者3人、重度学习危机者1人），对照组10人（轻度学习危机者6人、中度学习危机者3人、重度学习危机者1人）。

3. 干预效果分析

对干预后三个小组的学习成绩进行单因素方差分析，分析结果显示对照组和通知干预组（p=0.019<0.05）以及对照组和在线学习支持环境干预组（p=0.001<0.05）均存在显著性差异，干预组成绩高于对照组，但两个干预组之间（p=0.203>0.05）没有显著性差异，如表5所示。

另外，研究发现两个干预组中最初被认定为高度学习危机的2名学生学习评价分数均达到了中度学习危机学生水平;最初被认定为中度学习危机的5名学生学习评价分数有2名达到了轻度学习危机学生水平，有1人达到了无风险水平;最初被认定为轻度学习危机的15名学生，有9人达到了无风险水平，如表6所示。

4. 问卷调查反馈

为了进一步验证干预策略的有效性，分别对两个干预组学生发放总计22份问卷，统计结果如表7所示。

从反馈结果来看，在通知干预组中，全部学生都认为通知邮件能够使自己意识到学习问题，90.91%的学生认同通知邮件能够提醒自己按时完成学习任务，避免出现任务逾期未完成的情况。在在线学习支持环境支持干预组中，90.91%的学生认为能够通过查看在线学习诊断报告了解自己的学习状态，及时查漏补缺;72.73%的学生认为学习进度条能够促使他们积极参与学习活动，增强学习动机;仅有54.54%的学生认可学习讨论区中的学习资源以及学习支持人员的指导作用，究其原因，学生C表示“尽管在讨论区中学长学姐分享了学习技巧和学习资源，但由于分类不够明确，难以获取”，学生D表示“不太愿意与学习支持人员交流，会觉得有点麻烦”，由此提醒在后续研究中干预策略的设计需要着重考虑干预措施的用户体验。此外，77.27%的学生认为信誉积分和督导指标制度能够促使其积极参与学习活动，按时完成学习任务，但也有个别学生表示各种约束使自己对学习产生了厌烦情绪，严重影响了在线学习体验。

六、结论

本研究采用朴素贝叶斯网络算法，通过整合学习状态、學习交互、学业水平的14个结构化数据和自我反思日志与学习评论的非结构化数据，提高了在线学习危机预警精度。经大数据分析诊断识别存在学习危机的学生，聚类分析后设置干预组（通知干预组和在线学习支持环境干预组）和对照组，在信用积分与预警指标两种干预制度保障下，准实验研究结果表明两个干预组与对照组均存在显著性差异，干预组成绩均高于对照组，但两个干预组之间没有显著性差异，表明仅通过邮件通知让学生意识到自己有学习危机的风险，就能激励学生寻求帮助、改善自身的学业表现。此外，两个干预组中学习危机学生的表现均有一定程度改善，其中高度学习危机者为0人，无风险学习者达到10人，进而印证了预警精确性和干预对策的有效性。本研究有助于人们理解影响在线学习危机的主要因素，利于教师和同伴及时发现学习异常的学生，采取有效干预和帮助措施，更好地引导学生学习。下一步研究包括：①样本数据的获取。预警的基础是数据，由于本研究受特定教学活动的限制，样本数较少，而且不同地区、不同民族的学习者学习行为存在一定的差异，后期会将成果应用到大规模在线课程学习体系中，增强预测研究的准确性和普适性。②预警指标动态调整与完善。预警指标体系的构建是学业危机预警的重要环节，但本研究在建立指标体系时仅根据数据的可获取性挑选了一些主要指标进行分析，在以后的研究中还将考虑采集学生的脑电、心率等生理数据及人格心理数据，对预警指标进行动态修正、补充和完善，以期获得更为可靠的预警结果，促进学生学业发展。

[参考文献]

武法提，牟智佳. 2016. 基于学习者个性行为分析的学习结果预测框架设计研究[J]. 中国电化教育（01）：41-48.

杨现民，叶洋，王林丽. 2016. 基于大数据的在线学习预警模型设计——“教育大数据研究与实践专栏”之学习预警篇[J]. 现代教育技术，26（07）：5-11.

杨雪，姜强，赵蔚，李勇帆，李松. 2017. 大数据时代基于学习分析的在线学习拖延诊断与干预研究[J]. 电化教育研究（07）：51-57.

尤佳鑫，孙众. 2016. 云学习平台大学生学业成绩预测与干预研究[J]. 中国远程教育（09）：14-20.

赵慧琼，姜强，赵蔚，李勇帆，赵艳. 2017. 基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J]. 电化教育研究（01）：62-69.

周涛. 2017-05-31. 预测的局限性[EB/OL]. [2018-11-01]. http：//blog.sciencenet.cn/blog-3075-1058131.html

Ahmed， Elaraby. （2014）. Sayed Elaraby I. Data Mining： A prediction for Students Performance Using Classification Method. World Journal of Computer Application & Technology， 2（2），43-47.

Hanan Khalil， Martin Ebner. （2014）. MOOCs Completion Rates and Possible Methods to Improve Retention-A Literature Review. World Conference on Educational Multimedia， Hypermedia and Telecommunications. Chesapeake， VA： AACE， 1236-1244.

Ke Arnold ， MD Pistilli.（2012）. Course signals at Purdue： using learning analytics to increase student success. International Conference on Learning Analytics and Knowledge. New York： ACM Press， 267-270.

Kolo David Kolo， Solomon A. Adepojub， John Kolo Alhassan. （2015）. A Decision Tree Approach for Predicting Students Academic Performance. Education and Management Engineering， 5， 12-19.

Lang P J. （1980）. Behavioral treatment and bio-behavioral assessment： Computer applications. Norwood， N. J.： Ablex Pub. Corp.

Marbouti F， Diefes-Dux H A， Madhavan K. （2016）. Models for early prediction of at-risk students in a course using standards-based grading. Computers & Education， 103， 1-15.

Mezzari， Adelina. （2013）. Strategies for the early detection of evasion propensity. Knowledge Management & E-Learning ： an International Journal， 5（1）， 104-116.

M Goga， S Kuyoro， N Goga.（2015）. A Recommender for Improving the Student Academic Performance [J]. Procedia-Social and Behavioral Sciences， 180（5）， 1481-1488.

Yu P T. （2015）. The benefits of a challenge： student motivation and flow experience in tablet-PC-game-based learning. Interactive Learning Environments， 23（2）， 172-190.

ZahyahAlharbi， James Cornford， Liam Dolder， Beatriz De La Iglesia. （2016）. Using data mining techniques to predict students at risk of poor performance. Sai Computing Conference. London： IEEE Computer Society Press， 523-531.

收稿日期：2018-12-25

定稿日期：2019-04-24

作者簡介：舒莹，硕士研究生;姜强，博士，副教授，博士生导师;赵蔚，博士，教授，博士生导师。东北师范大学信息科学与技术学院（130117）。

责任编辑刘莉张志祯

作者：舒莹姜强赵蔚

学习行为保障远程教育论文篇2：

MOOC教学过程质量监控评价体系的构建与研究

关键词：MOOC；教学质量；监控；评价体系

一、MOOC质量评价及教学评价的研究与应用现状

1.MOOC相关研究动态与研究内容。本研究在中国知网中检索篇名包含MOOC的文章，共计1524篇（截止2015年9月），并使用文献题录信息统计分析工具进行分析，从关键词词频分布上，MOOC、在线教育、高等教育以及教学模式关键词词频出现较高。在国外研究中，MOOC的主要研究方向为MOOC概念、设计、学习理论、案例研究、商业模型、目标群组以及评价等方面。其中研究多倾向于概念、设计、学习理论理论以及案例的研究，在MOOC商业模式、目标群组以及评价方式等方面的研究相对较少，尤其是在慕课的评价（assessment）方面，相关研究也比较少。从以上国内外的MOOC研究现状可以看出，目前MOOC教学评价方面的研究比较缺乏。

2.MOOC质量/教育质量的评价研究。MOOC课程质量以及其教育价值是决策者、研究者最为关注的问题，决定着MOOC是否具有真正实施到实际教学中的条件。在MOOC质量评价方面，刘路等对欧洲远程教育大学联合会的开放教育质量标签、西班牙MOOC教育质量综合评价指标体系以及德国MOOC设计质量评价标准进行了比较研究，认为MOOC质量评价应按评价目的选择局部或整体性评价标准，评价方式突出教师与学习者的评价主体地位，评价环节强化质量控制。李青等在在线课程质量量规的基础上，结合MOOC的特殊性，构建了MOOC质量模型，包括媒体技术、课程内容和课程管理三部分。冯雪松等人从量化因素与定性描述两方面出发，围绕课程内容建设及实施、内容组织、呈现、讲授方法及课程执行与推广等六个方面构建了MOOC质量评价体系。Miguel对比了ADECUR和Standard UNE 66181：2012标准。Yousef A. M. F等总结cMOOC、xMOOC以及面对面教学方式的优缺点，在综合三种教学方式的基础上构建了Blended MOOC，并应用包括开放性、质量保证等12个维度评价量规进行质量评价。MOOC质量评价是在整体层面对MOOC本身进行的综合性评估，关注的是MOOC平台与课程的有用性與易用性，评价客体是MOOC课程。MOOC教学过程质量监控评价是对MOOC教学过程的评价，关注的是学生的学习和教师的教学，评价客体是MOOC教学的过程和效果。

3.MOOC教学评价研究。针对于MOOC教学过程和效果的评价，研究点主要集中在三个方面：同伴评价及其机制研究，自动测评系统、技术研究以及评价方法体系的构建研究。在同伴评价研究中，郑燕林等探索了同伴评价实施路径的选择；刘玲等以edX，Coursera和北京大学MOOC为例，研究为什么实施同伴评价，同伴评价如何实施，教师如何使用，以及在实施中碰到哪些问题，等等，包括定量评价与质性评价；孙力等构建了同伴互评概率模型来提高MOOC评价系统中主观试题评分的客观性和准确性；Hoi K. Suen指出，缺乏形成性评价和反馈，MOOCs就会变成信息垃圾或者节目广播，不能发挥教育作用，可以通过综合几种方式提高同伴评价的准确性和可用性。在构建综合评价方法体系方面，丁慧等从学习互动评价、过程性评价和终结性评价的基础上构建学习评价机制。马桂花从电子学习档案袋、教师记录档案袋和学习成效评价等方面构建多维动态评价体系，并强调以过程性评价为核心。沈欣忆等针对BOOC学习，提炼了12种学习策略，其中，学习评价策略包括作业完整度的同伴评价、优秀作业的同伴推荐、教师对学习者反思的评价以及电子徽章。裴小琴等人从知识、能力和态度三个层面出发，根据学习成绩、自主学习、协作学习、信息处理以及参与水平五个指标对混合式教学模式下MOOC教学效果进行评价。Linda Briggs指出MOOC的几种常用评价工具：同伴评价、自动作文评分、MOOC考试监考。Amit Chauhan总结了几种评估和评价方式，如学习分析技术，利用学生课程应用状态、学习者特点以及学生交互、论坛数据进行分析评价，自适应评价、自动测评、先前学习认定等评价方式；指出可以通过花在任务上的时间、学生与课程交互、知识技能的认证等方式进行学习评价。María认为MOOC教学评价方式主要围绕两种类型的MOOC，并列举了除了测评、任务完成等其他评价方式，如同伴评价2.0（将同伴评价作为学习的一项任务）、基于网络的评价、电子档案袋、引入专家评价、语义网、学习分析等。

二、MOOC教学过程质量监控评价体系原则

无论是cMOOC、xMOOC还是bMOOC，其评价方式目前都是从某一个或者部分角度出发进行评价。MOOC能否取得有效的教学效果，除了科学有效的课程内容设计、教学方法模式的创新应用，有效机制的保障之外，教学过程质量监控评价体系也是极为重要的一环。通过实施教学过程质量监控和评价，教师可以在教学过程中做到及时调整教学内容、方法和进度等，优化教学过程，从而提高MOOC教学的有效性。

1.MOOC的教学应用模式。SPOC（小型私有化在线课程）与MOOC相比最大的区别是可控的课程参与学生数，使SPOC教学的学习监控、学习评价、个性化辅导、学生出勤率以及师生交互都优于MOOC课程，能够提供较深层次的在线学习体验。将SPOC教学与面对面的教学结合起来，实现混合式学习，利用翻转课堂方式采用线上学习与线下教学的教学应用模式，如图1所示，解决在线教育“最后40厘米”的关键问题。

2.MOOC教学过程质量监控评价体系构建原则。①评价目的清晰化：MOOC教学过程质量监控评价体系的评价目的是对教学的全过程进行及时的监控，评价教与学效果，以便教师调整教学进度、方法和过程。评价内容包括教师的教学过程，学生的学习行为、学习结果，师生交互行为，并对教与学的状态利用数据分析技术进行监控。②评价主体全面化：传统的教学评价主体只有教师，而基于MOOC的教学过程监控与评价需要多方联动。建构主义学习理论指出，学生是学习的主体、知识的建构者，因此教学评价尤其需要注重学生的主体地位和作用，重视学生对学习过程的评价和自我反思。除教学参与者（教师和学生）之外，教学督导能够以第三方的角度客观的对教学过程进行评价。基于平台的学生学习行为大数据能够实时的反映出学生的在线学习行为，对学习过程进行监控，为教学评价提供量化的数据。③评价方式多元化：MOOC教学是一个动态的、个性化的学习过程，需要与之相应的多元化、动态化、过程性的评价方式，为学习者和教学者提供及时的评价结果。除了可量化的学生学习成绩以外，教师评价、同伴评价、自我评价等质性评价更能反映出学生学习过程中的状态。

三、MOOC教学过程质量监控评价体系

1.MOOC教学过程质量监控评价体系要素。根据MOOC教学过程质量监控评价体系的构建原则，采取多元化的评价方式，基于在线教育网络课程的评价要素，结合基于学习行为大数据的学习分析技术，本文将MOOC教学过程质量监控评价体系的构成要素分为两种类型：质性评价和定量评价，四个模块：互动评价、在线学习行为、测评分析、线上与线下教学，如图2所示。

互动评价。互动评价主要包含四个方面的内容：①教师评价：教师评价主要包括评价教学过程和评价学生表现两方面。教师对学生的学习表现最具话语权，能够全面、深层次的评价学生的整体学习效果，从教学的参与者与学生学习引导者的角度进行主观的评价，为教学质量评价提供第一手的数据。②学生自评：学生是学习的主体、教学的对象，是知识的获得者与建构者。学生自评主要是进行学习效果的自我评价、学习过程的自我感受等。③同伴评价：同伴评价是学生之间进行作品、作业的相互评价，同伴互评不仅能够提高学习者的参与热情，而且学习者之间通过观看彼此的作业，可以从中获得新的启发和灵感，进而拓宽自己的视野，促进相互学习。为了提高学生互评的可信度和有用性，将“同伴评价”作为一个学习任务，以任务的形式提高同伴评价的深度。④教学督导评价：教学督导一般为执教经验比较丰富的老教师，能够以第三方的角度对教学过程进行客观的评价，避免教师和学生作为教学的直接参与者，在评价过程中可能掺杂的一些影响评价的主观因素。

在线学习行为。MOOC仍是“师生相对分离”的在线教育形式，其主要教学方式为学生的在线自主学习。对MOOC教学质量进行监控评价，必须把握学生的在线学习行为，学生的在线学习行为反映的是学生在线学习的参与水平。通过MOOC平台数据实时的监控学生的学习过程，利用数据的收集、汇总、统计与分析，可视化的展现学生利用平台的学习状态。①课程平台访问次数：学生登陆课程平台访问课程的次数，访问次数反映了学生学习的积极性。②课程平台登陆在线时长：学生每次登陆课程平台在线的时长。③学生登陆时间段：学生登陆时间段能够反映出学生利用哪些时间进行了MOOC学习，白天、晚上、深夜还是周末等，根据登陆时间结合在线时长，反映学生的学习状态。④教学视频观看次数与时长：教学视频是在线教育的核心资源，是学生在线学习的必学内容。在学生认真学习的前提下，反刍比（单个视频中，学生观看时长与视频时长的比）反映了学生基于学习视频的行为。⑤师生有效交互次数：有效交互是指教师对学生有效的答疑解惑及指导，学生有效的提问及教师、学生的相应。师生有效交互反映师生之间教与学互動的状态。⑥交互发帖数与回复数：发帖是在线学习中学生之间、师生之间进行学习互动的主要交互形式，通过发帖与回帖，可以对学习内容、学习问题进行讨论与解决。发帖数和回帖数表现了MOOC学习的活跃度，是评价MOOC学习的一个重要指标。

测评分析。基于平台数据的在线学习行为描述了学生的学习状态，而通过测评分析，能够真正的把握学生的学习效果，反馈学生学习效果。①学生阶段测评统计分析：阶段测评是学生学习过程中的阶段性、过程性评价，反映学生每个学习单元/学习阶段的知识水平，通过客观测试，能够较快的呈现学生知识掌握情况。②学生作业测评分析：主观题目是对知识的综合性考查，不仅考查知识点的识记、理解和应用等初级认知能力，更能通过综合性的题目考查学生利用习得知识进行分析、评价和创造的高级认知能力。通过学生作业测评分析，能够更准确的衡量学生的知识习得效果。

线上与线下教学。基于MOOC线上与线下相结合的教学模式中，线下教学能够解决在线学习中无法解决的问题，主要包括线上教学指导和线下问题解决两个内容。①线上教学指导：教师指导分为课程导学和个性化教学指导。课程导学是教师为学生提供的课程实施、知识教学方面的指导，是课程知识地图的导航。个性化教学指导是教师根据学生表现提供的个性化学习建议。②线下问题解决：根据翻转课堂设计，课堂教学过程主要是学生知识的内化过程，教师在课堂教学中通过问题解决引导学生进行知识体系构建。线下教学通过考察出勤、任务解决、实验操作、核心能力、项目设计等方式计算线下课堂总评成绩，对学生学习效果进行评价。

2.MOOC教学过程质量监控评价体系构建。根据MOOC教学过程质量监控评价体系的构建原则和构成要素，本文拟定了四个维度的评价指标项，分别是互动评价、在线学习行为、测评分析以及线上与线下教学。同时，基于评价的可操作性，本评价体系采用等级式评价，评价等级分“优、良、中、差”四个等级。MOOC教学过程质量监控评价要素数据，如视频观看时长、师生有效交互次数等来源广泛、复杂，在应用要素数据需要教学质量评价之前，需要进行数据的筛选、统计、分析等优化过程。对于互动评价，其评价主体不同，在实施教学质量监控评价时，需要给予一定的评价指导。MOOC教学过程质量监控评价体系如表1所示。

四、结论

本文采取多元化评价方式，基于在线教育网络课程的评价要素，结合基于学习行为数据的学习分析技术，从教学中的互动评价、测评分析、线上与线下教学以及在线学习行为等四个方面出发构建了一个MOOC教学过程质量监控评价体系。本评价体系兼顾了教学过程监控和教学效果的评价，能够对实施MOOC教学评价提供一些指导与帮助。

参考文献：

[1]刘路，刘志民，罗英姿.欧洲MOOC教育质量评价方法及启示[J].开放教育研究，2015，（05）：57-65.

[2]李青，刘娜.MOOC质量保证体系研究[J].开放教育研究，2015，（05）：66-73.

[3]冯雪松，于青青，李晓明.在实践中探索MOOC评价体系[J].中国大学教学，2015，（10）：72-81，85.

[4]郑燕林，李卢一.超越大规模，追求大智慧：MOOC学习同伴评价的实施路径选择[J].电化教育研究，2015，（09）：42-8.

[5]刘玲.MOOC中同伴互评的功能与策略探究——以edX、Coursera平台及北京大学的MOOC课程为例[J].工业和信息化教育，2014，（11）.

[6]孙力，钟斯陶.MOOC评价系统中同伴互评概率模型研究[J].开放教育研究，2014，（05）：83-90.

[7]丁慧，王小刚.基于MOOC的混合教学模式中学習评价机制的研究[J].时代教育，2015，（09）.

[8]马桂花.多元智能理论下大学英语慕课自主学习多维动态评价体系构建[J].湖北函授大学学报，2015，（08）.

[9]沈欣忆，李爽，丹尼尔·希基，李营.如何提升MOOCs的学生参与度与学习效果——来自BOOC的经验[J].开放教育研究，2014，（03）：63-70.

[10]裴小琴，夏春明，杜龙兵.MOOC视角下混合式教学效果评价体系研究[J].未来与发展，2015，（11）：95-98.

[11]吕森林，邵银娟，冯超，等.中国在线教育产业蓝皮书（2014-2015版）[M].北京大学出版社，2015.

[12]何克抗.建构主义──革新传统教学的理论基础（上）[J].电化教育研究，1997，（03）：3-9.

作者：谢宾施秋萍刘洋刘晟蓝

学习行为保障远程教育论文篇3：

浅论二语习得中互动的意义

长春大学旅游学院

摘要：二语习得问题是针对现代语言教育实践领域相关问题展开探索研究过程中的重点话题，切实做好二语习得相关问题的研究分析工作，对于切实优化现阶段我国语言教学工作的综合性组织开展水平，具备不容忽视的实践意义，本文围绕二语习得中互动的意义，择取两个具体方面展开了简要的分析论述。

关键词：二语习得；互动；意义；浅论

二语习得最早起源于上世纪60年代末期至70年代初期的历史阶段，并且时至今日已经逐步发展成为了一个具备充分独立性的学科门类。通过对目前已经公开发表的二语习得研究领域文献资料展开的梳理分析，不难发现，现有的世界各国学者在针对多元化学科理论展开借鉴参考组合的实践背景之下，已经初步给出了关于二语习得本质内涵，基础实践过程，以及基础性实践规律的基础性认识和阐释，并在此基础上为二语学习行为参与者，构筑和提供了基础性的实践方法指导条件。遵照目前已经获取的实践性研究经验，在二语习得活动的具体化组织实践过程中，本身具备着表现程度较为鲜明的动态性和互动性特点，因而要求具体化的二语习得学习行为参与者，在具体化的学习行为实践过程中，应当始终做好基于语言信息要素应用层次，以及人际交往实践层次的互动体验行为，保障和支持我国二语习得学习者在具体化的学习体验行为参与过程中，能够较为稳定且顺利地获取到最优化的预期效果。有鉴于此，本文将会围绕二语习得中互动的意义展开简要阐释。

一、互动与语言输入行为的关系分析

在针对二语习得学习实践体验过程中的语言输入问题展开研究分析过程中，通常认为著名学者Krashen创立并且独立提出的“输入假说”理论最具代表性和影响力。在“输入假说”理论的具体化学理表述语境中，通常认为语言习得实践行为具体发生过程中的必要前提条件，在于具体参与语言知识信息要素学习体验行为的实践者，能够切实接触，或者是感知到数量规模较为充分的，能够被现有的语言学习行为参与者充分理解的语言材料性学习要素（comprehensible input），也就是通常所说的，能够适当超越语言学习行为实践体验者目前具备的语言学科基础知识掌握水平，但却能够被语言学习行为实践者充分阅读理解吸纳的目标语言学习材料。在“输入假说”理论的具体化学理描述呈现过程中，学者Krashen借助于（i+1）语言针对语言知识要素学生体验者实际具备的基础性语言学科知识要素学习和掌握水平，以及基础性语言学科知识要素应用能力建构发展水平进行了衡量和描述，其中“i”、表示语言知识要素学习实践者目前具备的语言知识要素学习掌握状态，而“1”则表示语言知识要素学习实践者目前具备的学习能力水平，与期望实现的下一个设定学习目标之间的相互差距。

在世界各国学者针对二语习得问题相关理论展开的研究分析过程中，尽管学者Krashen创立并且独立提出的“输入假说”理论曾经遭遇过较多的质疑和非难，但是这一假说理论中本身包含的”可以被理解的语言输入“学理概念要素，却本身引起了世界各国相关领域研究学者的广泛关注，并且在此基础上，接连组织开展了一系列系统且深入的研究分析探索，且逐步形成和输出了一系列具备广泛深远影响的理论性研究成果，其中以学者Long具体参与的相关研究工作最具代表性。

作为最早关注人际互动行为对二语习得学习实践效果获取状态影响价值的代表性学者，学者Long在充分关注和肯定学者Kreshen在分析语言输入行为的可理解性特征背景之下对简化性语言输入要素，以及基础语境要素的引入呈现行为背景之上，结合自身在以往参与的基础性研究实践体验过程中所获取的相关经验，率先提出并且创立形成了“互动假说”理论，为世界各国学者关于二语习得相关问题研究实践过程中的基本成果获取状态不断丰富，做出不容忽视的实践贡献。

从宏观性学理分析角度展开阐释，互动泛指不同变量要素之间具体发生的关联渗透现象，相互作用机制，互动融合关系，以及推动变化过程。而在具体化组织开展的二语习得问题研究分析过程中，互动问题的基本内涵，泛指不同的独立语言知识要素信息学习体验者，基于特定化的语言交际实践环境的支持背景之下，运用具体学习的目标语言知识要素展开的交际互动行为，而且通常泛指以意思协商行为，和反馈性信息要素提供行为为主要外在表现形式的人际互动实践行为，其在具体化的表现形态层面，与基于目标语言本体性学理考量层面之下的词句互动模式，以及形义互动模式之间具备显著的相互差异。学者Long创立并且创立形成的“互动假说”基本理论，重点强调了语言知识要素學习体验者，在具体运用目标语言展开交际实践行为过程中，为切实彰显目标语言在交际互动实践过程中所具备的协商意义，而具体基于语言形态的人际互动性特点而组织开展的调整处理行为，而遵照具体发生的调整处理行为的形态特征角度展开分析，可以将如上所述调整行为，具体划分为语言调整以及会话调整两个具体表现类型。所谓语言调整，是基于目标语言形态本体研究视角的多个具体层面展开的调整处理行为，其内容构成结构，具体包含了音位层面（减慢在运用目标语言展开交际表达过程中的语速，大量使用重音表达或者是停顿式表达，重点关注交际语言表达过程中的发音清晰度，以及在大量使用完整语言表达形式背景之下避免使用缩略语言表达形式等）、词法或者是句法层面（尽可能引入运用形式简单但语义表达完整的话语表达形式，尽量运用正常陈述语序展开话语表达，以及严格遵循明确化语法规则展开话语表达等），以及语义表达层面（大量引入运用具备明确化语义表示关系的标识语，针对常规化目标语言词项的标记用法，以及尽量减少对习惯用语的引入运用）等多个具体层面。

二语习得学习体验行为的具体化组织开展过程中，借由对大量第二语言语料学习素材的输入和吸纳，能够显著且有效地改善提升二语习得学习者对目标语言的阅读感知水平，借由对自身实际获取的第二语言学习素材展开多元化且细致性的解读分析，不断收集获取关于第二语言的基础性词汇和句法知识要素，确保自身对第二语言基础知识要素的学习掌握水平不断改善提升。与此同时，借由针对二语习得学习者组织开展基础性的输入式教学工作环节，能够为不断锻炼优化相关学习者基于第二语言的表达能力构支持条件，对于相关学习者不断改善自身的语言互动实践本领，具备不容忽视的现实意义。

二、互动与语言输出行为的关系分析

在基于二语习得理论研究背景之下的基础性语言输出理论的指导约制条件下，语言性知识要素学习实践体验者，在具体参与语言输出表达体验的实践行为过程中，通常需要不可避免地遭遇和面对选择性注意实践境遇，也就是说，只有在语言知识要素学习实践体验者，基于目标语言知识要素應用行为背景下，具体形成和输出的语言表达行为成果形态，切实获取到预先制定的语言知识信息要素的接收者的关注和感知，才能切实获取到对象接收者的接收和吸纳，并且在此基础上切实获取到必要性且充分性的学习吸纳体验感知反馈结果。从二语习得学习实践活动的具体体验过程角度展开分析，语言性学科任课教师在具体组织开展的教学实践过程中充分调动语言知识信息要素学习者，具体参与开展基于目标学习语言背景之上的语言表达输出实践体验行为，能够保障和支持语言学习者切实实现对基础性语言学科知识要素应用价值的充分认识，并且在上述学习实践体验行为的具体组织实施过程中，能够根据自身实际遭遇的具体问题，具体择取和引入更多数量的目标语言学习信息形态，继而在不断改善提升自身对目标语言基础性词汇语法知识要素的学习掌握水平背景之下，保障和支持自身基础目标语言形态背景之下的交际表达实践体验本领，能够切实获取到表现程度较为显著的改善

优化。

语言知识要素在理解认知，以及具体化引入运用过程中的错误问题，在具体组织开展的语言知识内容学习体验过程中，本身具备表现程度显著的不可避免性。遵照现代第二语言教育事业实践领域的基础性输出理论，语言输出表达行为的实质，就是二语习得学习行为的实践者，在充分调动和运用自身已经学习掌握的第二语言知识要素的实践背景之下，借由设定学习探究假设以及检验学习探究假设的实践方式，切实发现和认识自身在已经完成的二语习得学习实践过程中所遭遇的具体问题，并且借由择取和运用适当表现类型的学习实践性改良优化手段，保障和提升自身在具体参与二语习得学习体验过程中所获取的综合效果水平。

从整体性教学工作的组织开展路径角度展开阐释分析，针对二语习得学习者展开基础性语料输入教学工作，能够在学生实际参与多元化语言交际互动实践行为过程中，不断改善提升学生对第二语言学科基础性词汇句法知识要素的学习吸纳丰富度，保障和支持二语习得学习者，在基于第二语言背景之下的语言知识要素学习应用能力水平不断改善提升。

三、结束语

针对二语习得中互动的意义问题，本文具体择取互动与语言输入行为的关系分析，以及互动与语言输出行为的关系分析，两个方面展开了简要的分析论述，旨意为相关领域的研究人员展开参考借鉴。

参考文献：

[1]马冬梅.影响互动性交际中意义磋商的主要因素——二语习得研究[J].外语与外语教学，2004，07：32-36.

[2]俞理明，袁平华.应用语言学还是教育语言学？——对二语习得研究学科属性的思考[J].现代外语，2004，03：282-293+329.

[3]王璐璐，戴炜栋.二语习得研究方法综述[J].外语界，2014，05：29-37.

[4]刘正光，冯玉娟，曹剑.二语习得的社会认知理论及其理论基础[J].外国语（上海外国语大学学报），2013，06：42-52.

[5]戴运财，杨连瑞.二语习得的一体化模式及其动态性研究[J].外语教学，2013，06：49-53.

[6]袁博平.从汉语二语习得中的界面问题看影响成人二语习得成功的因素——以习得汉语wh-词做不定代词为例[J].外语教学与研究，2012，06：856-874+960.

[7]戴运财，王同顺，杨连瑞.跨学科的二语习得研究——对二语习得学科属性的思考[J].外语界，2011，06：88-94.

[8]谢蓉蓉.数字化学习背景下三维虚拟学习环境的模式与分类研究——以二语习得语境为例[J].远程教育杂志，2015，01：87-92.

[9]倪传斌，刘治.二语习得与磨蚀的基本目标水平对比分析[J].外语与外语教学，2007，05：28-31.