本文由《中國電化教育》雜志授權發(fā)布

作者：孫眾、宋潔、吳敏華、駱力明

摘要

在線開放課程與高校傳統(tǒng)教學的結(jié)合，使得校園混合課程成為未來高等院校課程的主要形態(tài)。在綜述已有教學干預經(jīng)驗與不足的基礎上，該文提出了校園混合課程教學干預的框架，以課程動態(tài)設計為切入點，根據(jù)預測需求選擇預測模型，確定干預對象選擇干預類型，實施混合課程下的教學干預。該文以三類六種教學干預為例，依托校園混合課程開展了連續(xù)2年的教學干預實證研究。結(jié)果發(fā)現(xiàn)：班級干預比個別干預更能激發(fā)學生群體的在線學習參與度；面授在線相結(jié)合的混合干預比傳統(tǒng)干預更能建立良好的社會化學習網(wǎng)絡；深層干預與淺層干預對于中低分組的學生均有正向促進作用，其中深層干預對于中分組學生的學業(yè)改善作用更為明顯。基于學習分析技術的有效教學干預，不僅是動態(tài)設計混合課程的基礎，還成為提升校園混合課程質(zhì)量的關鍵。

關鍵詞：教學干預；學習分析；學習預測；校園混合課程

一、研究背景

2016年9月教育部發(fā)布《關于推進高等教育學分認定和轉(zhuǎn)換工作的意見》，鼓勵高校學生基于互聯(lián)網(wǎng)學習平臺選修課程[1]。2016年12月國務院發(fā)布《“十三五”國家信息化規(guī)劃》，其中“在線教育普惠行動”包括多項具體措施，不僅鼓勵高等院校建設在線開放課程和公共服務平臺，引進國外在線課程，還提出要將在線課程納入高校的人才培養(yǎng)方案和教學計劃[2]。而在線課程聚合平臺ClassCentral發(fā)布的2016年全球大規(guī)模在線開放課程（以下簡稱MOOC）統(tǒng)計報告表明，自2011年起引發(fā)高等教育研究熱潮的MOOC，已經(jīng)不再追求開課范圍和學習者群體的大規(guī)模，而轉(zhuǎn)向服務于高校常規(guī)教學。到2016年全球700多所大學開設的MOOC總數(shù)已超過6800門，而這個數(shù)字還在呈現(xiàn)快速增長態(tài)勢[3]。由此可見在線與傳統(tǒng)教學相結(jié)合的校園混合課程，會成為全球高校教學的發(fā)展趨勢。

校園混合課程的生命力在于，學習者不僅能夠參與面授學習，實現(xiàn)師生、生生的真實人際交流，還可以通過在線或移動平臺學習，豐富學習內(nèi)容，改變學習方式，同時留下較為全面的學習行為痕跡。通過運用學習分析技術，不僅能為學生提供了實時學習記錄，即時評估結(jié)果，還為教師提供改進教學質(zhì)量的決策依據(jù)[4]。在此背景下，本研究以提升校園混合課程質(zhì)量為目的，以動態(tài)課程設計為視角，開展了為期兩年基于學習分析技術的教學干預研究。

二、教學干預綜述

教學干預作為一個約定俗成的概念，包括一切對學習者學習產(chǎn)生影響的介入手段[5]。它能闡釋學習過程中多方面的要素和關系，能為改善學習績效提供新的思路和視角[6]。傳統(tǒng)課堂環(huán)境下的教學干預，常指教師發(fā)現(xiàn)問題后直接為學習者提供方法上的建議、態(tài)度和心理上的疏導、組織學習伙伴幫扶，從教學角度調(diào)整課程資源和授課方式，也包括引入家庭、社會力量共同進行干預等。卡拉·肖爾在《教學與行為干預》一書中提出了干預反饋模式（Response to Intervention，簡稱RTI），為小學到高中各個年段學生的提供閱讀、教學、行為等方面的多種教學干預[7]。陳珊提出學生在問題解決過程中遭遇認知困境時，教師可以建立支持學生問題解決的學習框架，在此基礎上改進與學科內(nèi)容相關的資源和活動，實施教學干預[8]。Zhai等人通過分析在職教師的職業(yè)壓力和自信心，采取了基于課堂環(huán)境的干預，在其行為管理中強化職業(yè)控制力，擴展職業(yè)資源，提高職業(yè)自信，有效地達成了傳統(tǒng)環(huán)境下的干預效果[9]。

隨著在線課程和大數(shù)據(jù)技術的迅速發(fā)展，研究者開始關注基于學習分析的教學干預[10]。美國Desire2Learn機構開發(fā)的學生成功系統(tǒng)，通過分析學生的出席率、課程完成情況、參與度和社會學習等影響因素，構建多種預測模型，預測出有潛在學業(yè)危險的學生，向其提供干預措施[11]。He等人基于學生在線學習數(shù)據(jù)，用邏輯回歸算法預測出可能無法完成課程的學生，給他們呈現(xiàn)學業(yè)危機的可能性，督促其調(diào)整學習方式和進程，以降低輟學率[12]。普渡大學開發(fā)了CourseSignal課程信號燈系統(tǒng)用于監(jiān)測學生的學習狀態(tài)，并且采用算法判斷處于學業(yè)危險中的學生對其進行預警，根據(jù)預警信號，教師通過電子郵件、短信、在線消息等形式對學習者進行干預[13]。

傳統(tǒng)課堂環(huán)境下的研究提供了較好的教學干預策略，在線學習環(huán)境下的研究提供了基于學習分析技術的實證研究基礎。但是已有教學干預的研究多是以單一學習環(huán)境為干預場景，而在校園混合課堂環(huán)境下，學生在線學習的過程其實是與面授課堂學習緊密結(jié)合。由此已有研究中面向校園混合課程的干預研究并不多見，因此本研究就是要探索基于學習預測的教學干預有效方式，以提高校園混合課程質(zhì)量。

三、校園混合課程的教學干預系統(tǒng)框架

（一）以課程動態(tài)設計為切入點

面向傳統(tǒng)課程的教學設計，通常包括分析目標、內(nèi)容和學習者，設計教學過程，制作學習資源，確立評價標準等。它具有預置性、系統(tǒng)性、穩(wěn)定性、劃一性等特征，然而這種設計更偏向滿足傳統(tǒng)環(huán)境下集體教學的需求，學生個性化學習需求難以得到重視，于是高校課堂有出席率低或者隱性逃課現(xiàn)象。面向以MOOC為代表的在線課程設計，除了要具有前面?zhèn)鹘y(tǒng)課程教學設計必備要素外，主要差別在于學習過程和評價設計，即要為不同背景的學習者提供在線學習的全過程服務。例如要有同步或異步講座、課程直播、學習答疑區(qū)等，并根據(jù)學習者的在線學習表現(xiàn)評估其學習效果和教學質(zhì)量，它具有開放性、共享性、泛在性等優(yōu)點，但由于學習者規(guī)模大，群體差異明顯，無法實現(xiàn)面向特定學生的有針對性的學習服務，因此居高不下的輟學率成為MOOC實現(xiàn)良性發(fā)展要突破的難題。其實有研究發(fā)現(xiàn)，大部分放棄MOOC的學習者，在課程前半段已就呈現(xiàn)出輟學跡象，包括登錄次數(shù)明顯減少，不再提交課程階段性任務，瀏覽視頻的次數(shù)開始降低等[14]，但是由于MOOC是遠程學習情境，干預的有效性和及時性與傳統(tǒng)課堂相比還是有一定的差距。那么能否將傳統(tǒng)環(huán)境和在線環(huán)境的干預優(yōu)缺點進行綜合考慮，在校園混合課程這種新的學習形態(tài)下，借助學習分析技術，在課程進行的前半段就判斷每個學習者學習狀態(tài)和潛在問題，在預測的基礎上進行面授和在線環(huán)境相結(jié)合的教學干預，同時動態(tài)調(diào)整課程，以幫助學習者獲得更為理想的學業(yè)表現(xiàn)呢？筆者認為以課程動態(tài)設計為切入點，一方面收集傳統(tǒng)環(huán)境下能獲得的學習者個人屬性特征、前期知識基礎、興趣態(tài)度等非智力因素；另一方面積累在線學習環(huán)境下學習者全過程全樣本數(shù)據(jù)，綜合起來進行學習預測，在此基礎上進行不同形式的教學干預，實現(xiàn)動態(tài)課程設計，以提高校園混合課程質(zhì)量。

（二）明確預測需求，選擇預測模型，鎖定干預對象

學習分析技術（Learning Analysis）是教育大數(shù)據(jù)應用的重要領域，該技術利用數(shù)據(jù)和模型，評估學習者的學習狀態(tài)和學習效果，預測未來表現(xiàn)，采取干預措施，提高學習者學習績效[15]。學習分析的一個重要應用是監(jiān)測和預測，根據(jù)實際需要選擇不同預測點。比如Ahmad等人用認知網(wǎng)絡來預測大學生的選課趨勢[16]，這是對學習需求的預測；如Kruger-Ross等人則通過分析學生對課程基本概念的理解和認知，預測成功在線學習的可能性[17]，Yang用登錄次數(shù)、頻率和間隔來預測MOOC輟學率[18]，這是對學習結(jié)果的預測；如Luft等人用認知任務來預測數(shù)學教學水平較低學校里的學生數(shù)學學業(yè)表現(xiàn)[19]，這是最為常見的學習成績預測，及時發(fā)現(xiàn)問題，并做出干預[20]。

明確了預測需求后，需要選擇預測模型。Vandamme等人用學期初的分數(shù)來預測學生的期末成績，結(jié)果發(fā)現(xiàn)線性判斷分析的預測準確率高于決策樹和神經(jīng)網(wǎng)絡[21]。Ayan等人提出線性回歸是常用的且有效的成績預測模型[22]。黃少波等人使用了4種數(shù)學模型和6種預測因子進行組合，得到24種預測數(shù)學模型，結(jié)果發(fā)現(xiàn)在平均預測準確率（Average Prediction Accuracy，簡稱APA）和準確預測的百分比（PercentageofAccuratePredictions，簡稱PAP）上，除了支持向量機會（Support Vector Machine）在PAP有更好的預測結(jié)果以外，其他模型在預測結(jié)果上只有細微差別，預測因子的選擇和組合對于預測結(jié)果影響更大[23]。因此根據(jù)預測目的不同，選擇預測因子和模型的組合，是通過預測找到需要教學干預對象的必要前提。

（三）根據(jù)目的確定教學干預類型和策略

干預類型有不同的劃分標準。根據(jù)干預性質(zhì)，可以分為教學干預和社會干預[24]。教學干預指一切教學元素的干預，如學習路徑建議、學習資源推薦等，社會干預指學習心理疏導、伙伴推薦等。根據(jù)干預規(guī)模可分為個人干預和班級干預。個人干預是針對每個學習者，根據(jù)其學習風格和學習狀態(tài)進行資源推送、學習建議和學習社區(qū)推薦等；班級干預指對整個班級進行干預，如學習方法的建議、交互建議、教師推薦等。根據(jù)干預環(huán)境，可以分為傳統(tǒng)干預和在線干預。傳統(tǒng)干預是指在課堂環(huán)境，由教師或其他人面對面地與學生進行交談、輔導，是基于真實空間的人際干預；在線干預是在學習平臺里，由教師或自行設計的學習程序，通過網(wǎng)絡與學生進行郵件溝通、留言提示、學習資源和任務推薦等干預，是基于虛擬空間的人機干預。

明確了干預類型后，教師可以根據(jù)學習實際需求進行選擇干預策略。李彤彤等人構建了“狀態(tài)識別—策略匹配—干預實施—成效分析”四環(huán)節(jié)循環(huán)結(jié)構干預模型，通過分析學習者的學習風格類型、學習進度水平、學習互動水平、學業(yè)成就水平四方面的狀態(tài)水平，設計了服務于在線學習的具體干預策略、時機以及干預方式[25]。但是如何在校園混合課程中構建基于學習分析的干預模型和策略，還需要對混合課程中不同形式的干預效果進行深入分析，才能得出進一步的結(jié)論。因此本研究開展了兩輪實證研究。

四、教學干預的兩輪實證研究

（一）課程背景信息

研究對象是142名來自某高校的師范生。他們在2015和2016兩個學年里分兩輪參與了一門教育類必修課。該課程每學年開設一次，是將Moodle在線學習和實體課堂相結(jié)合的校園混合課程。參與第一輪課程學習的人數(shù)是78人（男生26人，女生52人）；參與第二輪課程學習的是64人（男生16人，女生48人）。全部學生在大學第一學期均使用Moodle平臺進行過C語言必修課的學習，對于在線學習平臺的功能和學習方式比較熟悉，因此適合做為校園混合課程的學習者。

該門必修課共有四次綜合性學習任務，分布于課程的第1周、第2-4周、第5-8周和第9-15周。本研究為每次任務進行打分，同時收集每輪學生的先導課程成績、心理認知水平、在線學習參與度等數(shù)據(jù)，建立下一次學習任務的預測模型，并且在預測基礎上實施干預，從而實現(xiàn)動態(tài)改進課程質(zhì)量目的。

（二）根據(jù)學習預測結(jié)果選定干預對象

多元回歸是研究一個因變量與兩個或兩個以上自變量的回歸，是反映一種現(xiàn)象或事物的數(shù)量依多種現(xiàn)象或事物的數(shù)量的變動而相應地變動的規(guī)律，建立多個變量之間數(shù)量關系式的統(tǒng)計方法。已有研究者將該方法用于學業(yè)成績預測[26-28]，并取得了較好的預測效果，因此本研究使用多元線性回歸的方法建立預測模型，對學生在本課程下一個學習任務成績進行預測，為實施干預提供依據(jù)。兩輪研究均采用多元線性回歸分析的方法，建立了預測成績模型（Y1和Y2），其中Y1為第一輪學生的預測模型，Y2為第二輪學習的預測模型。

模型建立后，再用10%的樣本量進行檢驗，發(fā)現(xiàn)兩輪學習的平均預測準確率94.4%和97.8%，說明模型較合理，整體預測效果較好，同時也證明預測模型較穩(wěn)定，其中績點（X3）、前導課成績（X4）和在線學習參與度（X6）成為影響力最大的預測因子。因此研究者用該模型，將全體學生的預測成績進行降序排列，按比例分為高（27%）、中（46%）、低（27%）三個分數(shù)段。以每輪學習的其中一次預測成績?yōu)槔煽兎植既缦马搱D1和下頁圖2所示。

下頁圖1和下頁圖2中每個點代表一名學生，圓形代表高分組學生，方形代表中分組學生，三角形代表低分組學生。由圖可知，中分組同學的預測成績分布相對均勻，低分組的預測成績分布離散度大，因此所有高分組學生不采取干預措施，中低分組是需要采取教學干預的對象。

（三）混合課程中三類教學干預

根據(jù)前面的分析可知，根據(jù)干預規(guī)模可分為班級整體干預和學生個別干預；根據(jù)干預環(huán)境分為傳統(tǒng)方式面對面干預和學習平臺中的在線干預；根據(jù)干預程度分為告知提醒為主的淺層干預和針對性幫扶的深層干預。本研究在兩輪教學中進行了三種干預的對比實驗。

1.班級干預與個別干預

為對比班級干預與個別干預的區(qū)別，第一輪教學采取了班級干預，教師在課堂內(nèi)和在線平臺上對全班同學的作業(yè)表現(xiàn)進行集中點評與學習建議，而第二輪教學，教師同樣是利用面對面和在線兩種方式進行干預，但對于中低分組的學生進行了一對一的個別指導。結(jié)果發(fā)現(xiàn)，實施整體干預的班級在線參與度較高，學生在校園混合課程開設期間發(fā)帖總次數(shù)達到2293次，每周平均發(fā)帖數(shù)143個；教師回帖數(shù)量次數(shù)456次，每周平均在線回復28次。而實施個別干預的第二輪學生，班級整體的在線參與度明顯下降，發(fā)帖總量為1616次，每周平均發(fā)帖數(shù)101個。第一輪干預的師生在線討論發(fā)帖數(shù)如圖3所示。由圖3可知，每次教師發(fā)帖對班級進行整體干預后，當周或者第二周就會引發(fā)學生上網(wǎng)討論的高峰，而在課程后期，即使教師干預密度略有降低，但班級的整體參與度依然保持良好發(fā)展勢頭，形成在線學習良好氛圍。

為進一步說明班級干預與個別干預對于學生群體在線參與度的影響，本研究采用社會網(wǎng)絡分法。社會網(wǎng)絡結(jié)構指的是在社會行動者之間實際存在或者潛在的關系模式[29]。社會網(wǎng)絡分析法（SocialNetworkAnalysis，以下簡稱SNA）常用于來研究成員的參與性和交互性，特別適合挖掘成員之間形成的關系[30]。已有大量研究通過SNA分析學習者在線交互的情況[31-33]。SNA中心勢是刻畫社會網(wǎng)絡整體中心性。中心勢越高說明網(wǎng)絡整體交互程度越好。通過調(diào)取本課程在線學習平臺的系統(tǒng)后臺日志分析每個學習者在社交網(wǎng)絡中的中心度，結(jié)果顯示第一輪參與班級的中心勢為40.68%，中心度最大值為21，第二輪班級的中心勢為6.02%，中心度最大值為18。UCINET分析軟件中的雷達圖可以輔助解讀社交網(wǎng)絡整體中心度的變化。中心度值越大，雷達圖覆蓋范圍越大，說明社交網(wǎng)絡集中度越高。如圖4所示，實施班級干預的2015年第一輪參與班級的協(xié)達覆蓋面積明顯高于實施個體干預的第二輪，說明班級干預下的社交學習中，網(wǎng)絡中心度高，學生群體互動程度積極，互動氛圍好。該結(jié)果與Van等人的研究結(jié)果吻合[34]，即教師干預對于學生在線參與學習活動有明顯的促進作用。通過本課兩年來的預測模型可知，在線參與度是學業(yè)表現(xiàn)的主要影響因子。因此提高學生的在線學習參與度有助于提升混合課程教學質(zhì)量。

2.傳統(tǒng)干預與混合式干預

為對比傳統(tǒng)干預和混合式干預，第一輪研究中采用了面授與在線共存的混合干預，而第二輪研究中弱化了面向全體學生的在線交流，雖然與中低分組的部分學生也進行了一對一的在線交流，但是以面對面的傳統(tǒng)干預為主。

從學習成績來看，不同干預方式在兩輪研究均體現(xiàn)了一定的差異，如下頁表1所示。兩輪參與班級的中分組和低分組中，未接受教學干預的學生表現(xiàn)是相同的，即在下一個任務中得分仍處于中低分組，未出現(xiàn)明顯的成績改善。在接受干預的學弱群體中，下一次任務表現(xiàn)均出現(xiàn)了改善和提升。接受混合式干預的第一輪班級中，中低分組被干預的學生平均分提高顯著，達到了統(tǒng)計意義上的明顯變化程度（p<0.01），接受傳統(tǒng)干預為主的第二輪班級，也有改善（p=0.05）。因此，對于中低分組的學生而言，教學干預對于學業(yè)改善有明顯的促進作用，混合干預比傳統(tǒng)干預效果更為突出。

另外，通過SNA的社會網(wǎng)絡密度分析發(fā)現(xiàn)，兩輪研究中班級的社會化學習網(wǎng)絡呈現(xiàn)出現(xiàn)不同的緊密程度。社會網(wǎng)絡密度是反映表示在線社群成員之間聯(lián)系的緊密程度，參與組織的成員之間聯(lián)系越多，網(wǎng)絡密度也就越大[35]。

從兩輪參與班級的社會網(wǎng)絡密度來看，混合干預的班級網(wǎng)絡密度為1.034，如圖5所示，以傳統(tǒng)干預為主的班級網(wǎng)絡密度為1.002（因為在線交互矩陣為賦值矩陣，所以密度值可以大于1），如圖6所示，表明在社會網(wǎng)絡整體密度上，接受混合干預的班級高于接受傳統(tǒng)干預班級，即在社會化學習網(wǎng)絡的整體交互程度更深。

3.淺層干預與深層干預

第二輪教學中，主要對比干預層次的差異。淺層次教學干預是指提醒或告知被干預對象，需要對接下來的學習任務更為認真和投入。比如教師通過口頭或者在線方式提醒學生“某某同學，接下來的課程里你需要更加努力哦，有問題可以隨時與教師和助教溝通”，并每周進行一次自愿參加的面授或在線答疑活動。深層次教學干預是根據(jù)學生在課程前期表現(xiàn)和預測結(jié)果，為其提出具體的，有針對性地深入指導，并根據(jù)其前期出現(xiàn)的學業(yè)弱點，給出詳細改進建議，每周進行一次必須參加的面授或在線答疑活動。

如右表2所示的結(jié)果，無論是淺層干預還是深層干預，對于低分組的學生來說，都有著明顯的促進作用，其成績的改變程度均達到了統(tǒng)計意義的非常顯著（p<0.01）。對于中分組的學生來說，深層干預達到了顯著提高的程度（p=0.007），淺層干預后無顯著提高（p=0.232）。因此在本研究淺層與深度干預對于低分組同學有明顯的改善學習質(zhì)量的幫助作用，但是對于中分組同學來說，深層干預的效果更好。當然，我們要慎重地看待這一結(jié)果。因為本課是面向師范生的教學技能課程，與數(shù)理、計算機編程等對前導知識要求較高的學科不同，本課在知識難度上不存在較大的認知障礙。低分學生更多是的在學習態(tài)度、方法以及對于學習內(nèi)容的理解深度和設計能力上存在差距。他們通過端正學習態(tài)度、優(yōu)化學習方法，重視同伴幫助和接受教師指導等多種干預措施，就有可能得到較明顯的改善。這也是為什么低分組更容易提高成績，而中分組需要進行深層干預才能達到顯著改善效果的原因。

（四）訪談學生對教學干預的看法

兩輪課程結(jié)束后，研究人員從兩個班級中隨機選擇了22名學生進行訪談。10名接受過干預的學生中，有9名同學明確指出教學干預對其學業(yè)有明顯的促進作用，他們對待課程的態(tài)度和付出程度明顯提高，他們表示“老師找我談過后我就得認真學習了”“老師重視我，我更要重視自己了”“老師給我的意見給了我很強的激勵作用”“老師幾次的幫助對我?guī)椭貏e大”“希望其他課也能得到老師這樣的關注和幫助”。未接受干預的12名學生發(fā)表了除了對課程建設的意見以外，有8人提出希望得到教師更多的評價和指導，“希望老師能根據(jù)我的情況給我更多的建議”“希望課程不僅是給分，給評語，希望老師能給我更為具體的指導”。將所有學生的訪談實錄詞頻生成詞云（如下頁圖7所示），可知多數(shù)學生希望得到正面的教學干預，尤其是個別化的深層的干預，由此提升學習效果。

五、結(jié)語

本研究依托校園混合課程，探索基于學習預測的教學干預，并用連續(xù)兩年的實證研究驗證不同干預形式的有效性，以提高校園混合課程教學質(zhì)量。結(jié)果發(fā)現(xiàn)，班級干預比個別干預更能激發(fā)學生群體的在線學習參與度；混合教學干預比面授干預更能建立良好的社會化學習網(wǎng)絡；深層干預與淺層干預對于中低分組的學生均有正向促進作用，但深層干預對于中分組學生的教學改善作用更為明顯。同時，在研究過程中也發(fā)現(xiàn)了教學干預存在的一些問題。比如班級干預和深層干預對學生的直接幫助作用較大，但是對教師的教學投入時間和精力提出了極高的要求，不適合大規(guī)模的混合課程。建議教師可以嘗試建立輪流助教機制，發(fā)動學生組長和優(yōu)秀生起到小導師作用以及使用人工智能軟件等多種方式輔助教學干預。對于混合干預，則要把握好預測與干預的時機。預測時間太早，則可用于預測的數(shù)據(jù)不夠充分，導致預測準確率低，而預測時間晚，則有可能錯過最佳干預時機，令學弱生覺得改進無望，最終放棄配合干預。而且無論是預測還是干預，都對教師的數(shù)字素養(yǎng)、數(shù)據(jù)分析和數(shù)據(jù)洞察能力提出了更高的要求。因此基于學習分析技術的教學干預，還需要在理論和實踐上進行更多的探索，真正成為提升校園混合課程質(zhì)量的利器。