当前位置:首页 > 学术论文 > 教育论文

混合学习环境下学习者的在线自我调节学习潜在剖面分析及行为过程挖掘

  • 教育论文
  • 2021-02-03

  邓国民 徐新斐 朱永海

  [摘 要] 混合学习强调线下课堂教学和线上自主学习的混合以实现优势互补,其中学习者的在线自我调节学习能力显得异常重要。文章旨在揭示学习者的在线自我调节学习能力存在哪些潜在类别,不同类别学习者是否具有不同的在线自我调节学习行为过程模型,以及这对于在线自我调节学习环境的设计有何启示。研究首先对239名学习者的在线自我调节学习能力进行测评,然后使用潜在剖面分析方法对测评数据进行分析,发现样本学习者可以分为高、中、低三种不同水平的自我调节学习剖面类别。然后分别对三种类别学习者的在线自我调节学习行为数据进行过程挖掘,研究发现:(1)学习者的自我调节学习能力更多体现在执行阶段的行为上;(2)中高水平自我调节学习者的在线学习行为表现出更强的认知和元认知策略;(3)高水平自我调节学习者体现出更有效的时间管理策略与更强的整体规划能力。因此,在线自我调节学习环境需要引入自适应支持机制,为学习者提供适应性的过程和策略支持。

  [关键词] 混合学习; 自我调节学习; 在线自我调节学习环境; 潜在剖面分析; 过程挖掘; 自适应学习

  [中图分类号] G434 [文献标志码] A

  [作者简介] 邓国民(1981—),男,湖南醴陵人。教授,博士,主要从事信息化环境下的教师专业发展和教育大数据研究。E-mail:dam1981@163.com。

  一、引 言

  過程挖掘最先应用于企业事务的流程管理中,使用基于模型和面向数据的分析技术,从信息系统的事件日志中挖掘事务流程模型,发现、监测和改进业务流程[1]。教育过程挖掘(Educational Process Mining,EPM)是过程挖掘技术与方法在教育领域中的应用,一般使用在线学习环境记录的学习行为日志数据,或利用出声思维、观察等方法记录学习者的行为数据,以发现、分析和直观表示完整的教育过程,为改进教育过程提供依据[2]。在线学习对学习者的自我调节学习能力提出了更高的要求,国内外一些学者在自我调节学习理论框架的基础上,设计和构建了在线自我调节学习环境,为学习者的自我调节学习提供过程支架,并将他们的在线自我调节学习行为细粒度数据记录下来[3]。本研究重点探讨如何在这些学习行为日志数据的基础上进行过程挖掘,检验学习者在线自我调节学习行为的事件性和过程性,分析和比较不同自我调节学习能力水平学习者的在线学习行为过程模型,并在此基础上为教师和学生提供策略建议,为在线自我调节学习环境的发展与完善提供依据。

  二、研究现状

  大量研究证据表明,学习者的自我调节学习水平和学业成绩之间是正相关的。Zimmerman和Bandura的研究发现,自我调节学习策略的应用可以预测学生的学业成绩[4];Puzziferro的研究发现,在线学习环境下,学习者自我调节学习的时间、环境和努力调节与其学业成绩显著相关[5];Lim和Jalil使用结构方程模型分析方法确定了在混合学习环境下,学习者的自我调节学习策略对其学习成绩的影响[6]。

  这些研究主要使用主观报告的方法测量学习者使用自我调节学习策略的情况,主要测量内容包括认知、元认知和资源管理策略与调节[7]。他们虽然证明了自我调节学习策略和学业成绩之间的关系,但主要侧重于探讨学习者内在的心理特征和能力属性与其最终学业成绩之间的关系,而无法说明这些策略是如何外化为自我调节学习行为以及如何发挥作用的。

  近年来,一些研究检测了基于学习者在线学习行为日志数据的过程挖掘方法能否用于测量在线自我调节学习和预测学习效果。Cho等人发现,对学习者的在线自我调节学习行为日志数据进行挖掘,要比对自我报告的调查数据进行统计分析具有更好的预测能力[8];Bannert等使用过程挖掘方法,识别和挖掘通过口语报告的方式捕获的自我调节学习事件中的过程模型,发现学习者的成功与否与其学习调节事件的多少和时间序列模式有关[9];Rodríguez等将学习者观看视频讲座的行为事件记录下来,然后使用过程挖掘技术分别对最成功和最不成功的学习者群组进行自我调节学习过程挖掘与比较,以揭示不同学习者群组在自我调节学习行为与元认知活动方面存在的差异[10]。

  过程挖掘技术为自我调节学习理论模型的检验提供了一种新的客观主义和微观主义的视角。但仍存在一定的局限性:(1)数据的跟踪记录方案并没有依据自我调节学习理论进行,而是事后根据理论主观对在线学习行为进行二次编码,带有明显的主观性;(2)大多集中在频率的分析上,而学习者自我调节学习活动的动态发展过程尚不明确。

  因此,我们需要在自我调节学习理论模型的基础上,构建学习者在线自我调节学习行为数据的跟踪记录方案,再利用过程挖掘方法对他们的自我调节学习行为序列模式进行挖掘,才能够真正揭示出自我调节学习策略是如何外化为在线学习行为模式并提高学习效果的。

  三、研究方法

  (一)研究对象与研究问题

  本研究的研究对象为一门混合课程的选课学生,该门课程采用“线上+线下”的混合教学模式。其中,“信息时代教师专业能力发展”主题的学习让学习者使用“基于开放教育资源的在线自我调节学习环境”进行自主学习,共245名学习者参与,其中男生29名,女生216名,他们来自现代教育技术、学科教学、小学教育、音乐教育和体育教育等20个学科专业。系统全程记录他们的学习行为数据,然后使用剖面分析和过程挖掘方法回答以下研究问题:

  (1)学习者在线自我调节学习策略及技能水平的潜在剖面有哪些类别?

  (2)不同剖面学习者的在线自我调节学习行为模式之间有何差异?

  (3)不同剖面学习者的在线自我调节学习行为时间序列模式之间有何差异?

  (4)不同剖面学习者的在线自我调节学习行为模式及其时间序列模式之间的差异,对于在线自我调节学习环境的设计有何启示?

  (二)潜在剖面分析

  本研究使用在线自我调节学习问卷(Online Self-Regulated Learning Questionnaire,OSLQ)调查学习者的在线自我调节学习能力。OSLQ包含24个项目,采用李克特量表形式,从目标设置、环境组织、时间管理、寻求帮助、任务策略和自我评价等六个维度测量在线学习者的自我调节学习能力及策略,在过去的在线学习和混合学习环境下的学习者样本身上显示出令人满意的心理测量特性[11]。测量之后,使用Mplus软件对获取的学习者在线自我调节学习策略水平各指标数据进行潜在剖面分析,以确定他们在自我调节学习策略水平方面可以划分为哪几种类别。

  (三)教育过程挖掘

  本研究使用ProM 6.9软件对学习者的在线自我调节学习行为数据进行过程挖掘,比较和揭示不同剖面类别学习者的在线自我调节学习过程模型。ProM是由埃因霍温大学的Van Der Aalst W研究团队开发的一个基于Java的免费开源软件,能够处理大规模的包含噪声的数据日志文件,返回较高质量、适配性较好的过程模型,并支持规则挖掘和跟踪聚类[12]。使用ProM软件进行过程挖掘,一般包括计划、提取、数据处理、挖掘与分析、评估和过程提升与支持等六个阶段[13]。

  四、在线自我调节学习能力潜在剖面分析

  OSLQ问卷在线发放给245名选课学生,共回收有效答卷239份。本研究针对参与者在各子量表上所得分数进行潜在剖面分析(Latent Profile Analysis, LPA),估计他们未被观察到的异质性并对其进行分类,确定学习者可能属于何种自我调节学习特征类别。潜在剖面分析的模型拟合度统计结果见表1,其中,三种剖面类别的解决方案模型拟合优度较佳:从LMR值(<0.05)来看,支持保留2种、3种或5种类别;从Entropy值来看,保留3种类别的情况下Entropy值最高,表明将自我调节学习者划分为3种剖面类别最为精确;AIC值和BIC值随类别数递减,未见最低值,但保留3种类别以后,递减速度降低,表明在此处存在拐点。综合来看,保留3种在线自我调节学习剖面类别是相对比较合适的。

  潜在剖面分析输出的条件均值分布情况如图1所示,可以看出,根据学习者样本的在线自我调节学习能力,可以将其划分为三种主要的剖面类别:(1)高水平自我调节学习者(50.1%),各项指标均值大概在6.0左右浮动;(2)中等水平自我调节学习者(46.7%),各项指标均值大概在5.0左右浮动;(3)低水平自我调节学习者(3.3%),各项指标均值大概在3.0左右浮动。

  五、不同剖面学习者的在线自我调节学习行为过程挖掘

  (一)计划阶段

  计划阶段旨在建立研究项目并确定研究问题,其中输入是组织的业务流程,输出是与目标相关的研究问题和一组要分析的业务流程执行的信息系统[13]。本研究选择“基于开放教育资源的在线自我调节学习环境”作为过程挖掘的信息系统。该系统充分利用清华教育在线(THEOL)资源中心多年积累的各类开放教育资源,从系统功能层面引入自我调节学习支持,让学习者能够自定学习目标,制定个人学习计划,进行自我监测和自我调节,以及自我评价和反思,并将他们的在线自我调节学习的三个阶段:事先计划阶段(目标设置和学习计划)、执行阶段(自我监测和自我调节)以及自我反思阶段(自我判断和自我反应)的细粒度行为事件数据记录下来,作为过程挖掘与分析的数据来源[3]。因此,本研究使用的在线自我调节学习环境及其数据跟踪记录方案是严格建立在自我调节学习理论基础上的,记录下来的行为事件日志能够如实反映学习者在线自我调节学习的完整发生过程,有效弥补目前自我调节学习过程挖掘研究使用事后主观编码数据可能带来的偏差。

  (二)提取階段

  提取阶段包括三个活动,分别为确定范围、提取事件数据和转换过程知识[13]。首先,学习者所有的在线自我调节学习行为事件按三个阶段分别记录为相应的事件类,提取的属性包括案例(用户)、自我调节学习行为事件和时间等。其次,根据提取范围,从在线自我调节学习环境中收集相关的数据集。最后,利用自我调节学习过程理论解释和表述业务流程和事件属性相关的隐性知识。

  (三)数据处理

  数据处理阶段的主要目标是将事件日志创建为事件数据的不同视图,并处理事件日志,使其能够更加适合于数据挖掘与分析。本阶段的输入主要有事件数据以及过滤事件数据的过程模型,输出是在挖掘和分析阶段使用的事件日志。该阶段包括四种类型的活动,分别为创建视图、聚合事件、丰富日志和过滤日志[13]。本研究将自我调节学习环境记录下来的行为日志数据提取出来,并处理为ProM软件能够处理的数据格式,见表2。表2为一个学习者案例(case:466776)事先计划阶段的部分数据,包括目标设置和学习计划两类事件。

  (四)挖掘与分析

  挖掘与分析阶段,使用过程挖掘技术对事件日志进行挖掘与分析,回答研究问题,并深入了解过程绩效及合适度。此阶段的输入是事件日志,输出是回答与绩效和目标相关的研究问题的结果[13]。本研究主要使用模糊挖掘方法,对三种不同类别学习者的在线自我调节学习过程模型进行挖掘。模糊挖掘算法用于过程分析,能够生成一个和Zimmerman自我调节学习过程模型相当的过渡图,有助于我们清晰地理解和比较不同类别学习者的过程模型。

  模糊挖掘(Fuzzy Miner)是一种在非结构化数据中找到基础过程的方法,可以将隐含在日志数据中的行为过程揭示出来,通过考虑所有事件的相对重要性和时间顺序,将其转换为由结点(事件)和边(两个事件类之间的关系)组成的自我调节学习细节过程模型,从而可以区分事件序列中重要的和相对次要的细节。模糊模型支持小样本数据的挖掘,使用显著性和相关性两个指标,计算给定数据集中的过程模型。显著性主要衡量事件类别的发生和事件之间关系的相对重要性,比如事件发生的频次往往被视为衡量其重要性的指标,包括一元显著性(节点/事件类)和二元显著性(两个事件类的边缘/关系);相关性主要针对边进行计算,表示彼此跟随的两个事件之间密切相关的程度,属于二元相关性(边缘)[9,14]。

  最终挖掘结果如图2所示。其中,低水平自我调节学习者的平均事件数为24.375次(195/8),中等水平自我调节学习者的平均事件数为21.8次(2616/120),而高水平自我调节学习者的平均事件数为57.234次(6353/111)。图中圆角矩形结点表示自我调节学习行为事件类,结点中包括事件名称及其一元显著性指标(根据事件发生频率,用0至1之间的数值表示)。结点之间的箭头表示其首尾相连的是两个连续事件,包括二元显著性指标(上面数值,值越高表示两个事件顺序发生的频次越高)和二元相关性指标(下面数值,值越高表示两个事件发起的时间比较相关)。

  左侧为低水平自我调节学习者模型,中间为中等水平自我调节学习者模型,右侧为高水平自我调节学习者模型。根据Zimmerman的自我调节学习过程模型,三种类别学习者的自我调节学习过程均包括前期准备、目标设置、学习计划、自我监测、自我调节、自我判断和自我反应等学习行为事件,但他们在事件和弧的显著性与相关性指标方面存在较大的差异。

  一元显著性方面,低水平自我调节学习者事先计划阶段的行为事件,包括目标设置和学习计划等行为发生的显著性最高,中等水平学习者次之,高水平学习者最低。执行阶段的自我调节学习行为,包括自我监测和自我调节,高水平学习者的显著性水平最高,中等水平学习者次之,而低水平学习者最低。自我反思阶段的行为事件,包括自我判断和自我反应,低水平学习者行为事件的显著性最高,高水平学习者次之,而中等水平学习者最低。因此,学习者的在线自我调节学习能力对其执行阶段的学习行为具有比较好的预见性,而无法预见事先计划阶段和自我反思阶段的行为。

  二元显著性方面,所有学习者在事先计划阶段和执行阶段的行为事件类之间均存在循环,但低水平学习者在事后反思阶段的行为事件类之间不存在循环。这说明在自我反思阶段,低水平学习者在提交作业并经过自我评价和判断后,较少继续修改和完善,而中、高水平学习者更倾向于对自己的作业和作品进行反复修改、完善和再次提交,而呈现出自我判断和自我反应的循环过程,高水平学习者的这种循环往复要更加显著。虽然在前面两个阶段内均存在行为事件循环,但在显著性方面仍然存在一定的差异。首先,在事先计划阶段,弧(目标设置→学习计划)的显著性水平随自我调节学习水平的提升而提升,而弧(学习计划→目标设置)的显著性水平则相反,表明自我调节学习策略水平越高的学习者,越倾向于按照Zimmerman的自我调节学习理论模型进行学习,即先在个人认知结构的基础上仔细设置学习目标,再基于学习目标精心制定个人学习计划,而不是较为随意地设置学习目标,然后在制定学习计划的过程中再盲目地修改。其次,在执行阶段,弧(自我监测→自我调节)和弧(自我调节→自我监测)的显著性水平,高水平学习者要高于中、低水平学习者。最后,在自我反思阶段,弧(自我判断→自我反应)和弧(自我反应→自我判断)的显著性水平,高水平学习者要高于中等水平学习者。总之,从二元显著性指标来看,高水平学习者在自我调节学习过程中更多使用了认知和元认知策略,对学习计划、目标结构及学习成果均更倾向于进行反复的监测与调整。

  二元相关性方面,自我调节学习三个阶段的所有弧,包括(目标设置→学习计划)、(学习计划→目标设置)、(自我监测→自我调节)、(自我调节→自我监测)、(自我判断→自我反应)和(自我反应→自我判断)的相关性,除低水平学习者缺失弧(自我判断→自我反应)以外,高水平学习者的取值均在0.9以上,要远高于其他学习者。因此,高水平学习者在不同阶段内的学习行为,均表现出更密切的顺序关系、情境相似性和时间延续性,表明他们在各阶段的自我调节学习行为过程中能够更好地进行时间管理和及时做出调整与反应。从潜在剖面分析结果也可以看出,高水平学习者具有最高的环境组织、任务管理和时间管理能力,而這些能力也会在实际的学习过程中影响到他们的在线学习行为。

  因此,从不同类别学习者的在线自我调节学习过程模型来看,中、高水平学习者的在线自我调节学习表现出更多的学习行为事件及不同事件之间的循环往复,表明他们在在线学习过程中有更多的行为投入、更强的认知和元认知策略。高水平学习者更是对其在线自我调节学习过程表现出更强的整体规划能力、及时调整和反应能力以及更有效的时间管理能力。

  (五)评估

  ProM软件支持时间逻辑检测语言(Language for Temporal Logic Checker,LTL Checker),能够用于检测和评估学习者日志行为匹配自我调节学习部分过程的情况,比如通过制定逻辑公式,检测学习者是否按照自我调节学习过程模型中的某些行为序列进行学习。三种剖面类别学习者的LTL检测结果见表3。可见,低水平学习者的行为主要集中于事先计划和执行阶段,而中、高水平学习者行为的覆盖面要更加全面,尤其是高水平学习者,在不同阶段的学习行为分布比较均匀,各阶段行为之间的衔接比较连贯,基本贯穿了整个学习过程。

  六、结 语

  本研究揭示出学习者的在线自我调节学习能力水平存在高、中、低三种潜在剖面类别,然后分别挖掘出三种不同类别学习者的在线自我调节学习行为过程模式及时间序列模式,这进一步验证了自我调节学习过程的事件性和过程性,同时也在过程挖掘的基础上揭示出自我调节学习过程的复杂性、灵活性和时序性。很多时候,学习者的在线自我调节学习行为过程并不是直线式的,而是存在大量循环反复的迭代过程,这也反映了学习者在学习过程中对其认知及元认知策略的不断调节。过去的研究往往聚焦于各阶段行为事件发生的频率与学习成绩的关系,而很少关注各阶段行为事件的时间序列模式也可能对学习成绩产生重要的影响。因此,本研究的主要贡献在于:(1)揭示出自我调节学习不是由一系列简单的行为事件所组成的,而是一个具有很强的时序性、关联性、延续性和循环迭代的复杂过程,背后涉及大量的认知、元认知和情感等方面的参与;(2)清晰地呈现出不同自我调节学习能力水平学习者的在线学习行为模式及其时间序列模式的详细过程及细微差异,为形成自我调节学习策略是如何影响学生的学习行为,进而影响学习成绩的完整证据链补充上缺失的一环。

  學习者具有不同的自我调节学习能力水平,即使给他们提供在线自我调节学习环境支持,也并不代表所有学习者都能够有效利用。因此,在线自我调节学习环境需要引入自适应支持机制, 使其能够自动分析和诊断学习者的在线自我调节学习能力、过程和状态,为其提供适应性的自我调节学习过程支持,弥补他们在线自我调节学习行为的时间序列模式、循环迭代和延续性等方面的短板,帮助他们获得高水平学习者的学习经验,达到提高学习效果的目的。研究结论对在线自我调节学习环境设计的具体启示意义包括:(1)构建在线自我调节学习数据跟踪记录的大数据技术架构;(2)对自适应学习者模型进行拓展,引入自我调节学习属性,构建在线自我调节学习者模型;(3)设计基于规则的在线自我调节学习过程和时间序列模式的分析与诊断方案;(4)构建符合不同学习者能力的自我调节学习策略库,并通过与其他系统组件的互操作为学习者的在线自我调节学习提供自适应过程支架。

  通过使用过程挖掘方法,我们可以更细致入微地理解和认识在线自我调节学习的行为过程模式及其时间序列模式,这是传统自我调节学习研究方法无法胜任的。但是,过程挖掘方法也不可避免地存在一定的局限性:(1)过程挖掘方法采用纯粹的基于归纳的数据驱动方法,目前只能挖掘行为事件层面的数据,而对于自我调节学习涉及的认知、动机和情绪等方面的数据无能为力,因而导致挖掘结果不可避免地带有一定的片面性和理论价值的局限性[9]。 (2)过程挖掘模型实际上是一种描述性模型,它最初的目的在于优化业务流程,而不是测试理论。因此,如果要确定自我调节学习过程模型的理论性,还需要借助统计学方法对不同学习者群体之间的差异性进行显著性统计分析。

  [参考文献]

  [1] GHAZAL M A, IBRAHIM O, SALAMA M A. Educational process mining: a systematic literature review[C]//2017 European Conference on Electrical Engineering and Computer Science (EECS). Bern: IEEE, 2017: 198-203.

  [2] BOGARN A, CEREZO R, ROMERO C. A survey on educational process mining[J]. WIREs data mining and knowledge discovery, 2018, 8(1): 1230.

  [3] 邓国民,韩锡斌,杨娟.基于OERs的自我调节学习行为对学习成效的影响[J].电化教育研究,2016,37(3): 42-49,58.

  [4] ZIMMERMAN B J, BANDURA A. Impact of self-regulatory influences on writing course attainment[J]. American educational research journal, 1994, 31(4):845-862.

  [5] PUZZIFERRO M. Online technologies self-efficacy and self-regulated learning as predictors of final grade and satisfaction in college-level online courses[J]. American journal of distance education, 2008, 22(2): 72-89.

  [6] LIM C L, JALIL H A, MAROF A M, et al. Peer learning, self-regulated learning and academic achievement in blended learning courses: a structural equation modeling approach[J]. International journal of emerging technologies in learning, 2020, 15(3): 110-125.

  [7] BROADBENT J. Comparing online and blended learner's self-regulated learning strategies and academic performance[J]. The internet and higher education, 2017, 33 (1): 24-32.

  [8] CHO M H, YOO J S. Exploring online students' self-regulated learning with self-reported surveys and log files: a data mining approach[J]. Interactive learning environments, 2017, 25(8): 970-982.

  [9] BANNERT M, REIMANN P, SONNENBERG C. Process mining techniques for analysing patterns and strategies in students' self-regulated learning[J]. Metacognition and learning, 2014, 9(2): 161-185.

  [10] RODRGUEZ M C, NISTAL M L, FONTE F A M, et al. Exploring the application of process mining to support self-regulated learning: an initial analysis with video lectures[C]//2018 IEEE Global Engineering Education Conference (EDUCON). Canary Islands: IEEE, 2018: 1766-1774.

  [11] BARNARD-BRAK L, LAN W Y, PATON V O. Profiles in self-regulated learning in the online learning environment[J]. International review of research in open & distance learning, 2010, 11(1):61-79.

  [12] VAN DER AALST W. Process mining software[M]//VAN DER AALST W. Process mining. Heidelberg: Springer, 2016: 325-352.

  [13] VAN ECK M L, LU X, LEEMANS S J J, et al. PM2: a process mining project methodology[C]//International Conference on Advanced Information Systems Engineering. Cham: Springer, 2015: 297-313.

  [14] GNTHER C W, VAN DER AALST W M P. Fuzzy mining–adaptive process simplification based on multi-perspective metrics[C]//International Conference on Business Process Management. Heidelberg: Springer, 2007: 328-343.

    猜你喜欢

    评论列表(0 条评论)

    扫一扫,加好友咨询