论文部分内容阅读
【摘要】 微信平台凭借其优秀的社交内涵为个性化学习提供了新的途径。应用相关性分析，研究了微信平台支持下的个性化学习学生个性的差异性导致的原因，给出了关键的影响因素，应用四象限分析原理将学生个体数据分成了内驱型、协作型、自主型与被动型四类，并为教师的教学策略提出了相关建议。
【关键词】 微信平台 个性化 个体差异
《教育信息化“十三五”规划》指出要大力推进网络学习空间人人通，以促进学习型社会的发展。微信是一款使用简单方便的信息化支撑服务软件，作为优秀的社交平台，吸引了庞大的使用群体，催生了各类应用的开展，更是凭借其信息的组织与传播方式得到了教育界的青睐，依靠微信平台展开的各类学习应用研究取得了丰硕的成果。学习效率问题是一个经典的但又恒久地吸引学者们关注的问题。现有研究多集中在学习者行为与学习成绩间的关系，微信作为一个新的教辅平台，体现学生个体差异性的应用还较少，因此有必要对这种差异产生的机理进行探讨。本文研究微信平台支持下的个性化学习者个体差异及产生的原因，在此基础上将学生进行分类，研究成果可作为教师教学策略调整的依据。
一、相关研究
有研究表明学生的学习投入影响学习效果[1]。Fredericks[2]认为学习投入涉及到行为投入、情感投入与认知投入三个维度。围绕着这三个维度，展开了相应地研究。胡敏[3]，沈欣忆[4]，研究了学习者参与度与学习效果的关系，构建模型提出了相应的应用策略;朱珂[5]研究了学习者的交互意愿与沉浸感对学生学习产生的个体差异性;Huang[6]等通过数据挖掘技术以学生者行为进行挖掘，探究其活动的模式，以此为基础对学生的成绩进行预测;Ferguson[7]等应用聚类分析方法将学习者的行为进行分类，总结出十种典型的学习模式。这些研究成果都为教学组织者提供了制定策略的依据，但研究还需深化，要更好地调整策略，以达到课程教学目标，那么个体差异性产生机理研究是教学中首先要解决的问题之一。个体差异主要表现在智力类型差异性、智力水平差异性、知识结构差异性、性格差异和兴趣差异等方面。本文在现有学习者行为研究的基础上，剔除先天条件产生的个性差异，包括智力类型、智力水平差异和性格差异，着重从学生的兴趣差异和知识结构差异三个方面研究基于微信平台的个体差异产生的原因及并对其进行分类。
二、个体差异性指标体系、各指标的度量与分析方法
2.1指标体系
学习者个体差异性因素的采集和度量是进行个体差异性产生的原因分析的前提。受学习者兴趣与知识结构两个方面的差异影响，学习者在学习过程中表现出强烈的个体差异性。首先，兴趣是学习最好的老师，是学生学习的最原始驱动力，对课程学习的兴趣不同，其学习的投入也不同，最明显直接的表现表现在当学习遇到困难时的本能反应，有的迎难而上、有的临阵退缩。这里所说的兴趣是指情境兴趣，这是一种持续时间不长的需要外界不断刺激的兴趣。好的学习环境可以激发学习者的兴趣，如果学生在学习过程中能不断地获得进步所带来的成就感会明显地增强学生的学习兴趣，最终将之转化为一种持久性、稳定状态----个人的兴趣，从而形成学生坚持学习的支撑。因此可以通過考量学习者参与学习活动、完成学习任务的态度和意志力来反映学生兴趣的差异。研究中选用参与讨论次数、每天在线学习总时间等与表征稳定的学习状态相关联的行为因素度量;
合理的知识结构，就是指既要有精深的专门知识，又要有广博的知识面，反映在课程的学习上，则体现了学习认知能力的不同，它是与学习者对学习的理解相关的因素。一般认为学习理解能力强的学生，其学习效率也会高，因此可以从反映学生学习效率因素考查知识结构导致的差异，包括各知识点内容的学习时间之和、已完成作业数量、参与讨论的次数、资源浏览次数等因素。
综上，得到反映学生个体差异性的度量指标，见表1。
2.2分析方法
研究学生的个性差异性，需要明确导致各差异性的因素及其之间的关系，因此在研究中首先要对指标体系中的典型行为进行相关性分析，从不同要素之间相关性强弱确定导致学生个性差异的核心要素，从而更深层次地理解学生学习兴趣与学生的知识结构之间的关系;然后基于指标体系，应用四象限法则分析原理从学生的学习兴趣和知识结构两个方面考虑学生个体的差异并进行分类，以发现学生个体性差异中隐藏的规律，为教师发现个性化学习中可能存在的问题提供依据，使其有针对性地进行引导学生进行状态调整，加速学习进程并提高学习效率。
三、应用分析
获取中南林业科技大学学生基于微信平台学习《数据挖掘》课程某章节学习的相关数据，对学生学习的个体差性异展开研究。参与学生82人，采集到的数据包括学生的作业提交次数，统计学生在线时长，浏览资源的次数等数据。
3.1相关性分析
对采集到的指标数据（1）主动上网学习时长;（2）参与讨论次数;（3）提交作业次数;（4）浏览资源次数;（5）知识学习时长等应用SPSS进行Pearson相关系数分析，找出这些指标间的相关性，得出的相关系数矩阵见表2。
表中可以看出，（1）与主动上网时长存在显著相关的因素有知识点学习时长及浏览资源次数，其值都超过3，说明这些因素间存在着强相关性，可以作为教师调节学生学习的指标，主动上网时间与提交作业次数呈现弱相关性表明学生的学习与是否提交作业之间有一定的联系，但不是主要的因素;（2）知识点学习时长与浏览资源次数强相关，说明学习时间越长，资源的浏览量也越大，反映了学生对知识点扩充意愿强烈;（3）参与讨论次数与知识点学习时长有弱相关性，但与其他因素不相关，说明是否学生参与讨论与其学习并无必然的联系，究其原因，学生学习过程中的交互愿意不强，也许与长期传统教学模式下形成的学习习惯有关。（4）提交作业次数与浏览资源次数弱相关，说明辅助学习资源对学生的理解有一定的帮助。 3.2四象限分析
根据美国管理学家的时间管理四象限法理论，本文对学生的学习兴趣和知识结构进行划分，以进一步分析学生学习兴趣与其知识结构之间的关系，在不影响研究结果的前提下将表示兴趣度和知识结构的各因素进行了相关处理以简化运算：先将各指标做最大最小化归一化，然后分别得到兴趣度量值（兴趣度=主动上线学习时间与讨论次数归一化值乘积），表征知识结构完 整度的量值（知识结构=知识点学习时长、提交作业次数及浏览资源次数归一化值的乘积），以82位同学的（兴趣度，知识结构）数据运用Excel作出四象限图，见图1。中心点分别取的平均值（0.55，0.61）。
参考文献[1]研究将学生分为以下四类：图中第Ⅰ象限的数据表示学生的兴趣度浓厚，知识结构完整，这类学生可以归为内驱型学生;第Ⅱ象限表示兴趣度浓厚但知识点结构不完整，这类学生可以归为协作型学生;第Ⅲ象限表示知识结构完整，但兴趣度较欠缺，这类学生可以归为自主型学生;第Ⅳ象限表示没有学习兴趣，知识结构不完整，这类学生可以归为被动型学生。该图反映出两个方面的问题：（1）对该课程表现出无兴趣并且没有形成该课程知识结构的学生所占比例较大，老师需采取措施在提高学生的兴趣，即从如何促使学生自觉上网，设置讨论问题上入手;（2）Ⅲ象限的数据占比近1/3，这部分学生的知识结构尚可，但兴趣有待于提升，可以从帮助学生认识课程设置要达成的目的入手，使学生明确学习目标（3）第Ⅱ象限的数据是实际教学中出现的比较特殊的一类学生，这类学生人数较少，表示既使学生表现出对课程的兴趣度较高，但对知识的理解能力不足，需要加强知识深度的理解，完全依赖碎片化的微信信息学习远远不足以帮助学生理解知识，需加强课本知识的系统的学习。（4）第Ⅰ象限的数据超过1/3，这与人们的认知也是一致的，对所学知识感兴趣的学生一般都会建立起完备的知识结构体系。
四、结论与讨论
研究结果表明学生的主动上网时长会影响学生对知识点的学习时长、浏览资源的次数也会增加，但对作业的影响较小;学生提交作业的主动性会随着浏览资源数目的增加而增强，表明其对知识的理解与接收增强了;网上参与讨论的次数与各因素的相关性不强，研究认为与传统教学下养成的学习习惯有关。四象限图有助于从宏观上了解学生课程的学习兴趣和知识结构间的关系，教师在教学中可以根据每个学生的实际归类，确定对学生的学习督促策略。
参 考 文 献
[1] 房萌萌，刘斌.在線学习投入的影响因素及提升策略[J].数字教育，2018（1）：40-44.
[2] FREDERICKS J A，BLUMENFELD P C，PARIS A H.School Engagement：Potential of the Concept，State of the Evidence[J]. Review of Educational Research（S0034-6543），2004，74（1）：59- 109.
[3] 胡敏.在线学习中学生参与度模型及应用研究[D]. 武汉：华中师范大学，2015：8-13.
[4] 沈欣忆，李爽，丹尼尔，等. 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，（3）：63-70.
[5]朱珂.网络学习空间中学习者交互分析模型及应用研究[J].电化教育研究，2017，（5）：43-48.
[6]Hung J，Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching，2008，（4）：426-436.
[7]Ferguson R，Clow D. Examining engagement：Analysing learner subpopulations in massive open online courses（MOOCs）[A]. ACM，Proceedings of the Fifth International Conference on Learning Analytics and Knowledge[C]. ACM，2015：51-58.
【关键词】 微信平台 个性化 个体差异
《教育信息化“十三五”规划》指出要大力推进网络学习空间人人通，以促进学习型社会的发展。微信是一款使用简单方便的信息化支撑服务软件，作为优秀的社交平台，吸引了庞大的使用群体，催生了各类应用的开展，更是凭借其信息的组织与传播方式得到了教育界的青睐，依靠微信平台展开的各类学习应用研究取得了丰硕的成果。学习效率问题是一个经典的但又恒久地吸引学者们关注的问题。现有研究多集中在学习者行为与学习成绩间的关系，微信作为一个新的教辅平台，体现学生个体差异性的应用还较少，因此有必要对这种差异产生的机理进行探讨。本文研究微信平台支持下的个性化学习者个体差异及产生的原因，在此基础上将学生进行分类，研究成果可作为教师教学策略调整的依据。
一、相关研究
有研究表明学生的学习投入影响学习效果[1]。Fredericks[2]认为学习投入涉及到行为投入、情感投入与认知投入三个维度。围绕着这三个维度，展开了相应地研究。胡敏[3]，沈欣忆[4]，研究了学习者参与度与学习效果的关系，构建模型提出了相应的应用策略;朱珂[5]研究了学习者的交互意愿与沉浸感对学生学习产生的个体差异性;Huang[6]等通过数据挖掘技术以学生者行为进行挖掘，探究其活动的模式，以此为基础对学生的成绩进行预测;Ferguson[7]等应用聚类分析方法将学习者的行为进行分类，总结出十种典型的学习模式。这些研究成果都为教学组织者提供了制定策略的依据，但研究还需深化，要更好地调整策略，以达到课程教学目标，那么个体差异性产生机理研究是教学中首先要解决的问题之一。个体差异主要表现在智力类型差异性、智力水平差异性、知识结构差异性、性格差异和兴趣差异等方面。本文在现有学习者行为研究的基础上，剔除先天条件产生的个性差异，包括智力类型、智力水平差异和性格差异，着重从学生的兴趣差异和知识结构差异三个方面研究基于微信平台的个体差异产生的原因及并对其进行分类。
二、个体差异性指标体系、各指标的度量与分析方法
2.1指标体系
学习者个体差异性因素的采集和度量是进行个体差异性产生的原因分析的前提。受学习者兴趣与知识结构两个方面的差异影响，学习者在学习过程中表现出强烈的个体差异性。首先，兴趣是学习最好的老师，是学生学习的最原始驱动力，对课程学习的兴趣不同，其学习的投入也不同，最明显直接的表现表现在当学习遇到困难时的本能反应，有的迎难而上、有的临阵退缩。这里所说的兴趣是指情境兴趣，这是一种持续时间不长的需要外界不断刺激的兴趣。好的学习环境可以激发学习者的兴趣，如果学生在学习过程中能不断地获得进步所带来的成就感会明显地增强学生的学习兴趣，最终将之转化为一种持久性、稳定状态----个人的兴趣，从而形成学生坚持学习的支撑。因此可以通過考量学习者参与学习活动、完成学习任务的态度和意志力来反映学生兴趣的差异。研究中选用参与讨论次数、每天在线学习总时间等与表征稳定的学习状态相关联的行为因素度量;
合理的知识结构，就是指既要有精深的专门知识，又要有广博的知识面，反映在课程的学习上，则体现了学习认知能力的不同，它是与学习者对学习的理解相关的因素。一般认为学习理解能力强的学生，其学习效率也会高，因此可以从反映学生学习效率因素考查知识结构导致的差异，包括各知识点内容的学习时间之和、已完成作业数量、参与讨论的次数、资源浏览次数等因素。
综上，得到反映学生个体差异性的度量指标，见表1。
2.2分析方法
研究学生的个性差异性，需要明确导致各差异性的因素及其之间的关系，因此在研究中首先要对指标体系中的典型行为进行相关性分析，从不同要素之间相关性强弱确定导致学生个性差异的核心要素，从而更深层次地理解学生学习兴趣与学生的知识结构之间的关系;然后基于指标体系，应用四象限法则分析原理从学生的学习兴趣和知识结构两个方面考虑学生个体的差异并进行分类，以发现学生个体性差异中隐藏的规律，为教师发现个性化学习中可能存在的问题提供依据，使其有针对性地进行引导学生进行状态调整，加速学习进程并提高学习效率。
三、应用分析
获取中南林业科技大学学生基于微信平台学习《数据挖掘》课程某章节学习的相关数据，对学生学习的个体差性异展开研究。参与学生82人，采集到的数据包括学生的作业提交次数，统计学生在线时长，浏览资源的次数等数据。
3.1相关性分析
对采集到的指标数据（1）主动上网学习时长;（2）参与讨论次数;（3）提交作业次数;（4）浏览资源次数;（5）知识学习时长等应用SPSS进行Pearson相关系数分析，找出这些指标间的相关性，得出的相关系数矩阵见表2。
表中可以看出，（1）与主动上网时长存在显著相关的因素有知识点学习时长及浏览资源次数，其值都超过3，说明这些因素间存在着强相关性，可以作为教师调节学生学习的指标，主动上网时间与提交作业次数呈现弱相关性表明学生的学习与是否提交作业之间有一定的联系，但不是主要的因素;（2）知识点学习时长与浏览资源次数强相关，说明学习时间越长，资源的浏览量也越大，反映了学生对知识点扩充意愿强烈;（3）参与讨论次数与知识点学习时长有弱相关性，但与其他因素不相关，说明是否学生参与讨论与其学习并无必然的联系，究其原因，学生学习过程中的交互愿意不强，也许与长期传统教学模式下形成的学习习惯有关。（4）提交作业次数与浏览资源次数弱相关，说明辅助学习资源对学生的理解有一定的帮助。 3.2四象限分析
根据美国管理学家的时间管理四象限法理论，本文对学生的学习兴趣和知识结构进行划分，以进一步分析学生学习兴趣与其知识结构之间的关系，在不影响研究结果的前提下将表示兴趣度和知识结构的各因素进行了相关处理以简化运算：先将各指标做最大最小化归一化，然后分别得到兴趣度量值（兴趣度=主动上线学习时间与讨论次数归一化值乘积），表征知识结构完 整度的量值（知识结构=知识点学习时长、提交作业次数及浏览资源次数归一化值的乘积），以82位同学的（兴趣度，知识结构）数据运用Excel作出四象限图，见图1。中心点分别取的平均值（0.55，0.61）。
参考文献[1]研究将学生分为以下四类：图中第Ⅰ象限的数据表示学生的兴趣度浓厚，知识结构完整，这类学生可以归为内驱型学生;第Ⅱ象限表示兴趣度浓厚但知识点结构不完整，这类学生可以归为协作型学生;第Ⅲ象限表示知识结构完整，但兴趣度较欠缺，这类学生可以归为自主型学生;第Ⅳ象限表示没有学习兴趣，知识结构不完整，这类学生可以归为被动型学生。该图反映出两个方面的问题：（1）对该课程表现出无兴趣并且没有形成该课程知识结构的学生所占比例较大，老师需采取措施在提高学生的兴趣，即从如何促使学生自觉上网，设置讨论问题上入手;（2）Ⅲ象限的数据占比近1/3，这部分学生的知识结构尚可，但兴趣有待于提升，可以从帮助学生认识课程设置要达成的目的入手，使学生明确学习目标（3）第Ⅱ象限的数据是实际教学中出现的比较特殊的一类学生，这类学生人数较少，表示既使学生表现出对课程的兴趣度较高，但对知识的理解能力不足，需要加强知识深度的理解，完全依赖碎片化的微信信息学习远远不足以帮助学生理解知识，需加强课本知识的系统的学习。（4）第Ⅰ象限的数据超过1/3，这与人们的认知也是一致的，对所学知识感兴趣的学生一般都会建立起完备的知识结构体系。
四、结论与讨论
研究结果表明学生的主动上网时长会影响学生对知识点的学习时长、浏览资源的次数也会增加，但对作业的影响较小;学生提交作业的主动性会随着浏览资源数目的增加而增强，表明其对知识的理解与接收增强了;网上参与讨论的次数与各因素的相关性不强，研究认为与传统教学下养成的学习习惯有关。四象限图有助于从宏观上了解学生课程的学习兴趣和知识结构间的关系，教师在教学中可以根据每个学生的实际归类，确定对学生的学习督促策略。
参 考 文 献
[1] 房萌萌，刘斌.在線学习投入的影响因素及提升策略[J].数字教育，2018（1）：40-44.
[2] FREDERICKS J A，BLUMENFELD P C，PARIS A H.School Engagement：Potential of the Concept，State of the Evidence[J]. Review of Educational Research（S0034-6543），2004，74（1）：59- 109.
[3] 胡敏.在线学习中学生参与度模型及应用研究[D]. 武汉：华中师范大学，2015：8-13.
[4] 沈欣忆，李爽，丹尼尔，等. 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，（3）：63-70.
[5]朱珂.网络学习空间中学习者交互分析模型及应用研究[J].电化教育研究，2017，（5）：43-48.
[6]Hung J，Zhang K. Revealing online learning behaviors and activity patterns and making predictions with data mining techniques in online teaching[J]. MERLOT Journal of Online Learning and Teaching，2008，（4）：426-436.
[7]Ferguson R，Clow D. Examining engagement：Analysing learner subpopulations in massive open online courses（MOOCs）[A]. ACM，Proceedings of the Fifth International Conference on Learning Analytics and Knowledge[C]. ACM，2015：51-58.