摘要：采用线上学习行为分析学生的学习积极性，有利于教师根据学生学习状况动态调整授课，并指正特定学生个体行为，以提高教学质量。基于大学生在线学习行为数据，本文采用偏度系数计算学习积极性，并以BP 神经析各种学习行为权重值，为教师及时调整授课模式提供依据。研究结果表明学习行为中任务点完成率对成绩影响最大，反诌比次之，章节测试成绩、章节学习次数的影响较小，实验状态和年级段没有影响，且不同个体的影响不同关键词： 在线教育; 深度学习 ; 学习积极性 ; 教育改革 ; 高等教育

Abstract： Analyzing student enthusiasm using online learning behavior can help teachers dynamically adjust teaching according to student learning conditions and correct specific students’individual behaviors to improve teaching quality. Based on the online learning behavior data of college students， the skewnecoefficient is introduced to calculate the learning enthusiasm and to analyze the weight of learning behavior using BP neural network， which provides the basis to adjust the teaching mode of teachers. The research results show that the completion rate of task points in learning behavior has the most significant impact operformance， followed by rhetorical comparison. In contrast， chapter test scores and chapter learning times have less impact. Experimental status and grade have no impact， and different individuals have different effects.

Keywords： online education; deep learning; enthusiasm for learning; educational reform; higher education

引言

由于疫情的持续影响，在线教学模式已成为当前主流论点之一[1]。早在 2016 年，有学者认为远程教育值得深挖新模式[2]。然而在线教学质量又深受学生个体学习行为的影响 [3]，包括学习时长、作业提交时间、学习时间段、完成情况、作业及考试评测成绩等。从大学生学习行为中可以推断出其学习的积极性 [4]，针对积极性的研究可以拉近大学生自主学习和教师线下因材施教的距离，分析大学生的学习积极性对提高教学质量有着重要意义。

目前国内对积极性的研究中，主要以问卷调查、文献法为主，定量分析的研究还不足。学习积极性不足是制约大学生能力进展的主要原因之一，2015 年，叶蓓等[5] 探讨了影响大学生积极性的因素，指出教师、学生和课堂环境等多方对其都有着重大影响。同样地，赵浩宇[6] 指出学习积极性不足会影响创新创业的内在动力，学业成就也与此有关。2021 年，李天娇[7] 对可持续学习进行研究，表明学习积极性在一定程度上可以促进学生自学能力和改善可持续学习的动力。为了正确引导和调整学生的积极性，就要加强教师的把控作用以及学生间的团队合作，如田贞 [8] 指出在线学习中培养自主与合作学习的混合模式的必要性，该模式不仅强调教师需要给予学生学习引导，还强调合理分配教学任务促进学生以分组的形式完成，不仅加强了学生之间的交流，而且潜移默化的提升了学生的积极性。此外，2022年高军 [9] 指出新颖的动态拟物化幻灯片（PowerPoint，PPT）亦可以促进学生的学习积极性。蔡明等 [10] 也提出了基于移动学习的方法以促进大学生的积极性，但是这种用调查访谈方法得到的数据主观性太强，没有对学生的学习行为等进行定量的分析，缺少科学依据。

根据教育部关于进一步深化大学生教学改革中指出，要把教学重心放在提高质量上，明确指出改善大学生的学习行为并提高学习积极性的重要性。目前采用学习行为分析积极性的研究主要在定性上，而关于其数理和定量分析的内容较少。本文从偏度系数定量分析学习积极性并以此划分等级，采用 BP 神经网络上分析影响学习行为的主要因素，以提供一种通过在线学习行为分析学生积极性的方法，为教师动态调整授课内容和联动学生模式提供依据，有效地解决了传统分析中定性分析的不足。

1 积极性的研究设计

1.1 积极性评价核心指标选择

在法学、教育学、计算机科学等学科中关于学生学习积极性的研讨都表明，良好的学习积极性行为对于学生能力发展和教师改进授课都有重大意义，而如何确定主要影响学习效果的行为是研究内容的一大重点。学习行为通常以课堂的综合情况反映，而衡量一个学生的积极性需要从不同行为出发。有的学者以到课率和作业完成情况分析积极性，也有的学者利用期末成绩分析积极性。这些方法虽然可以反映学生的积极性，但对数据的分析不够透彻和全面。本文以在线学习中的学习行为出发，综合分析不同行为和学习成绩间的相关性，利用偏度系数的线性关系进一步计算学生个体的积极性。

1.2 积极性等级分类

学习动机影响学习效果，积极性等级作为衡量学生学习动机的指标，如何有效划分积极性成为一大难点。而现有文献主要把积极性划分为非常积极、积极、比较积极、一般积极和不积极五种。本研究所确立的学习行为的积极性类型也延用这五种积极性。1.3影响积极性的因素

影响积极性的因素有很多，如章节学习时长、观看视频的开始时间及结束时间、学生的年龄段、视频的反诌比和章节测试成绩等。为了避免从定性出发分析数据存在的不确定性，本文以 BP 神经网络出发，利用处理好的数据进行训练，对训练后的网络中的行为权重进行排列，记录影响程度高的和几乎不影响的行为。由于网络训练存在不确定性，故进行多次训练并记录训练结果。

2 学习行为研究的具体措

2.1 数据采集和处理

本文中所用的数据来自超星学习平台，主要采用了 J 大计算机网络课程一学期的在线课程的行为数据，样例包含了 130 名大学生的学习数据。所记录的数据包括线上课程的观看时长、学习内容的开始和结束时间、章节知识的完成状态、作业提交时间和成绩等行为数据。将数据导出到 Excel 表，为了便于后期数据的运用和分析，利用 Excel 和 SPSS 软件对收集到的数据进行预处理。无效数据剔除，缺失数据取均值、众数、极大似然估计等方法进行操作，最后得到有效数据，并对不同数据格式化。

2.2 积极性评价

学生积极性评价是根据其学习行为的数据进行处理的，而对此进行研究的方法通常是问卷调查、教师主观分析等。问卷调查和教师主观分析具有一定局限性和不确定性，前者在数据来源的准确性上不具备科学性，后者偏向于经验主义。本文采用偏度系数 [12] 的线性关系评价学生的积极性，偏度系数需要先计算SK 指标，其定义如下：

其中，SK 是描述分布偏离对称性程度的一个特征数，此处表示数据的正态分布偏离标准正态分度的程度， 为样本均值， M₀ 为样本众数， M_e 为样本中位数， σ 为样本标准差。采用SK 指标计算学习积极性：

其中，是学生行为推测出的积极性指标，取值范围为 （0，1]，分为 I 非常积极 （0.9， 1]、II 积极 （0.8， 0.9]、III 比较积极 （0.7， 0.8]、IV 一般积极 （0.5， 0.7] 和 V 不积极 （0， 0.5] 五类。

2.3BP 神经网络

采用BP 神经网络，通过反向传播的方式进行综合成绩的预测，主要包括数据输入层、隐藏层及输出层。模型深度主要以数据量为依据，隐藏层（感知机）的具体层数及单个隐藏层神经元的个数是根据 SPSS Modeler 软件自动分析生成，最后对比自定义的感知机层数和神经元个数进行分析，可以更准确的得到符合本文数据的网络结构。

3 研究结论

积极性作为评价学生学习效果的一个指标，从图 1 积极性和成绩走势图中可以看出，学习积极性对成绩的影响通常是正相关的

图 1 积极性和成绩走势图

表 1 部分学生积极性表

表 1 部分学生积极性表是从130 位学生数据中随机选取6 位大学生作为对象，可以看出他们的学习积极性和学习成绩存在负相关。 生3 和学生4 的积极性相同，但这两位同学的成绩相差较大。同样地，学生5 和学生6 的积极性和成绩是不对等的。

结合图 1 积极性和成绩走势图和表 1 部分学生积极性表可以看出，大学生在线学习的积极性和成绩的相关性存在两面性，良好的积极性会产生较为活跃的学习动力。但也存在负相关，也就是说在良好的学习动机前提下，如果缺乏积极的学习行为，就学习效果也会较差，这时就需要教师根据学生的积极性和成绩变化做出及时调整，动态的规划授课内容和进度。

图 2 变量重要性预测图

表 2 学生积极性训练结果表

结合表 2 学生积极性训练结果表和图 2 变量重要性预测图可以看出，大学生依据的在线学习行为和学习成绩之间的关联是强关联。年级段和实验状态对总评成绩的影响可以忽略不计， 而章节学习次数和成绩对总评成绩的影响也不大，观看视频的反诌比对于成绩的影响较大，且任务点的完成率对成绩十分重要。因此，学生应该更加注重课堂任务和课下任务的完成情况，加强章节学习次数以及视频音频的学习，利用这两者巩固好章节测试成绩。而作为教师，不仅仅要注重学生的章节成绩，更应该结合学生的积极性，观察学生不同阶段的任务点完成情况。比如一名学生的积极性很强，观看视频次数及章节学习次数也很多，此时需要观察任务点完成率情况，这里可以反映出这名学生是否仅仅处于积极的学习动机而未拥有积极的学习行为，从而导致虚假的学习积极性产生差异悬殊的学习效果。

结束语

本文以在线课程出发，根据偏度系数和 BP 神经网络，分析了采集的计算机网络课程 130 位同学的在线学习数据，从中可以发现学生的学习动机（学习积极性）对学习效果（学习成绩）的影响存在多相关，大多数同学的学习积极性都比较好。但是这些同学中最后取得好的学习效果，也既期末成绩好的同学的占比未达到预期，这也是传统教学中教师在课堂上的授课情况未能与课后学生的学习情况联动导致的一种现象。本文从这个角度出发开展学习积极性的研究，量化的分析可以更好地帮助教师在学生日常学习中，根据学生实际状况动态的调整学生的学习情况，进而根据这些结论对特定的学生个体给出相应的指导。 同样可以根据全班的综合情况，结合章节的学习效果，调整线上和线下的授课内容，从而提高教学质量并促进学生更好地参与到学习中来。

虽然本研究量化的分析学 。例如数据量的限制，本研究的实验结果还存在局限性。下一步会从收集数据以及算法、模型等角度出发开展改 和教师动态授课的相关研究。

参考文献：

[1] 盛雪云. 乘风破浪守正出奇 ——聚焦后疫情时代在线教育发展新形态 [J]. 在线学习，2020（9）：18-21.

[2] 刘增辉 . 在线教育之魂在于激发学习需求 [J]. 在线学习 ，2016（1）：44-48.

[3] 李飒. 基于关联规则的学习行为关联度分析方法研究 [J]. 微电子学与计算机，2018，35（6）：65-68.

[4] 白亮， 胡艳丽， 郑龙. 基于学习行为分析的混合式教学模式设计与实践 [J]. 计算机工程与科学，2018，40（z1）：42-46.

[5] 叶蓓， 陈丹丹. 影响大学生学习积极性的因素及其对策分析 [J]. 新校园（上旬刊），2015（2）：190.

[6] 赵浩宇 . 大学生积极性格对创业活动的影响 [J]. 管理学家 ，2019（1）：137-138.

[7] 李天娇. 大学生移动学习对自主学习能力的影响研究— —以西部 N 大学为例[D]. 江苏： 南京师范大学，2021.

[8] 田贞. 网络环境下大学生自主与合作学习能力的培养 [J]. 首都师范大学学报（自然科学版），2015，36（3）：19-21.

[9] 高军. 动画微课对于提高学习积极性的探索— 以《计算机网络》课程为例 [J]. 电脑知识与技术 ，2022，18（3）：87-88.

[10] 蔡明 ， 许婕 ， 许铠 . 基于移动互联网的江西高校大学生在线学习行为研究 [J]. 图书馆研究 ，2017，47（4）：108-112.

[11] 吴青 ， 罗儒国 . 基于在线学习行为的学习成绩预测及教学反思 [J]. 现代教育技术 ，2017，27（6）：18-24.

[12] 尹小庆 ， 张迪 ， 黄文 . 基于员工工作积极性等级指数的标准时间研究 [J]. 计算机集成制造系统 ，2014，20（8）：1980-1986.

基金项目

项目来源：湖州师范学院“四新”教育教学改革研究项目（JG202403）