基于雨课堂弹幕数据的在线学习参与分析

冯丽萍¹,  张立东¹,  桑惠云² 

(1. 山东交通学院 轨道交通学院 山东 济南 250357；2.山东交通学院 交通与物流工程学院，山东 济南 250357)

 [摘  要] 在线学习参与质量是促进在线学习中深层次学习的发生，提升在线学习质量的关键影响因素。对在线学习参与行为分析可为挖掘在线学习质量提升着力点，凝练在线学习行为机理模型奠定基础。文章以雨课堂弹幕数据为切入点，在既有研究成果的基础上，从总量分布、时间分布两个维度提出在线学习参与分析方法；基于Pearson相关系数论证雨课堂弹幕数据的科学性和可靠性，最后以实例论证方法的可行性。研究结果表明，弹幕成绩分布与平时成绩分布、总成绩分布强相关，将弹幕数据用于在线学习参与分析中具备科学性和可靠性。基于弹幕数据的在线学习参与分析成果可有效反馈回教学实施计划调整、课上教学设计优化。

[关键词]在线学习参与;数据分析；雨课堂弹幕；Pearson相关系数

[基金项目] 2020年【山东教育厅】山东省教育科学“十三五”规划课题“基于学习行为分析的工科专业课程教学生态重构研究”（2020QYB009）;2019年度山东交通学院教学改革研究项目“混合式教学模式下轨道交通运营管理专业课程教学改革实施方案研究 ”（2019YB33）;2019 年度【山东教育厅】山东省研究生教育质量提升计划项目“车联网技术智慧雨课堂案例库建设 ”（SDYAL19216）。

[作者简介]冯丽萍，（1989-）,女，山东省临沂市人，博士，山东交通学院轨道交通学院，讲师，研究方向为混合式教学改革。

[中图分类号]G434   [文献标志码]A    

一、引言

自1994年互联网连入社区走进普通大众以来，颠覆性地影响了很多行业，也催生了无数新行业。但当初被预言受影响最大、收益最大的教育系统在发展在线教育的过程中仍然没有出现颠覆性地变革。根据中国互联网络信息中心第44次《中国互联网络发展状况统计报告》数据显示，截至2019年6月，我国在线教育用户规模达2.32亿，较2018年底增长3122万，占网民整体27.2%，全年在线教育用户规模预计将达2.59亿人。但同时，以MOOC为代表的在线学习新样态往往由于在线学习者自觉性和自学能力不足、倦怠孤独、在线资源质量参差不齐、缺乏教师激励和引导等各种原因，导致学生完成率低，“高注册率-低完成率”现象屡见不鲜。在线学习参与指的是学习者在任务、事件、兴趣的驱动下，开始在线学习并保持兴趣，完成在线学习的行为^[1]。深入分析在线学习行为是挖掘在线学习质量提升着力点，科学、高效改进在线教学设计水平的前提条件。文章以雨课堂弹幕为切入点，基于Pearson相关系数等指标论证基于弹幕数据的在线学习参与分析的科学性，并提出多维度的评价指标体系，将分析结果反馈回教学设计，为在线教学设计优化提供了一个新的思路。

二、在线学习参与研究现状

随着信息化时代的到来，互联网技术的飞速发展促进了教育信息化的时代变革。将信息技术深度融合于现代教育课程中，不仅是教学手段与教学方法的改进，更是教育理念与教学结构的时代性变革^[2]。目前，国内对线上教学与在线学习的研究多面向混合式教学模式改革。其中面向具体课程的混合式教学模式设计及在线自主学习行为模式为研究的热点问题。彭飞霞从动力、过程、结果和条件四个维度分析在线学习行为的影响因素，并构建在线学习的作用机理和激发模型^[1]；穆肃等人以在线学习中生层次学习理论框架为基础，聚焦在线学习中深层次学习的策略，重构促进在线学习中深层次学习发生的策略模型及相应学习活动^[3]；白永国等人利用结构方程分析法，构建在线学习参与度与网络学习空间持续学习意愿模型并进行数据分析，为优化远程教育网络学习空间建设提出建议^[4]；姜强等人基于大数据分析从数据与环境(What)、关益者(Who)、方法(How)和目标(Why)等4个维度构建个性化自适应在线学习分析模型^[5]；初倩研究了基于在线学习的个性化教学模式的可行性，并设计了一款面向在线学习的个性化教学系统^[6]；贾利锋等人基于探究社区理论，探讨影响在线学习认知形成的各种临场感因素，并构建结构关系模型，对各临场感的结构关系进行相关、过冲中介、调节分析^[7]；王建亚等人采用元分析法对国内外在线学习用户使用行为研究的样本数据进行了综合分析，发现25个因素与在线学习用户使用行为显著相关^[8]；杨敏等人着眼于在线课程论坛的师生互动文本，以费尔克拉夫批判话语分析为理论基础对在线课程教学中的互动文本进行了分析^[9]。

三、在线学习行为分析方法

1．总体思路

雨课堂是清华大学和学堂在线共同推出的新型智慧教学解决方案，致力于为所有教学过程提供数据化、智能化的信息支持。其中，弹幕以在授课过程中实现师生之间、学生之间跨越空间距离的及时反馈的方式创新师生互动模式，在切实提高师生互动性，增强教学活动针对性方面具有显著优势。考虑到弹幕在课上教学全周期内随时随地发送的特性，可实现以弹幕数据为切入点从不同维度分析学生在线学习参与行为，为在线教育质量提升提供辅助依据。

2．总量分布

弹幕总量分布是指在课程教学周期内，以教学班级内每位学生为对象统计的弹幕发送总量分布情况。总量分布是对课堂教学周期内学生主动参与课堂教学行为的群体特征刻画，能够在学习行为分析中在帮助厘清学生在线学习行为与课上教学内容设计、教学活动组织质量之间的关系，避免在线学习行为分析脱离教学设计本身。

3．时间分布

（1）以课上教学顺序为时间轴的弹幕分布

以课上教学顺序为时间轴的弹幕分布是指以课上教学顺序为离散横坐标，对每次课上教学以教学班级内每位同学在该次课上教学中的弹幕发送总量为纵坐标的分布情况。该维度的时间分布刻画了课堂教学开展纵向周期内学生主动参与课上教学的变化规律。

（2）以单次课上教学为时间轴的弹幕分布

以单次课上教学为时间轴的弹幕分布是对单次课上教学时间以适当的时间（如10-20分钟）为单位时间划分为几段作为横坐标，以每个时间段内的弹幕发送总量为纵坐标的分布情况。该维度的时间分布刻画了单次课上教学横向周期内学生主动参与课上教学的变化规律。

4．Pearson相关系数

Pearson相关系数（Pearson Correlation Coefficient）是用来衡量两个变量线性相关程度的统计量。其计算公式如下式所示：

其中，为向量与向量之间的Pearson相关系数，取值在之间，为向量内数据的总个数，、为两组数据向量第项取值。当越接近1，两变量间的线性相关性越强。一般，当时，可以认为两变量强相关。

在基于弹幕数据的学习行为分析中，Pearson相关系数可用于度量弹幕数据分布与其他学习数据之间的线性相关性。如将弹幕发送总量根据分布情况划分为不同分数段，以教学班级内每位学生为对象确定弹幕分数向量，与该教学班每位同学的课程总成绩或平时成绩为分数向量，计算Pearson相关系数。

四、在线学习行为分析实例

《城市轨道交通规划与设计》是面向交通运输专业大三学生的专业核心课程，授课学时为48课时。在该门课最近一次授课周期，即2020年春季学期中，为响应新冠肺炎疫情的影响下“停课不停学”的政策号召，授课教师充分利用雨课堂开展网络教学、线上答疑，同时也利用雨课堂实现了课程教学全周期的数据记录。现对该门课所体现的在线学习行为基于弹幕数据分布分析如下。

在总量分布上，该教学班级共计107名学生，在课程授课周期内共发送弹幕5457次，生均弹幕51次，弹幕发送次数取值区间为[1,262]，其弹幕总量分布图如图1所示。从总量分布图上可看出该教学班级在线学习行为存在明显差异，即在该课程授课周期内，学生参与度离散性较强，部分同学对在线教学适应性较好。

图1 总量分布

在时间分布上，该课程共计组织线上授课20次，以课上教学顺序为时间轴的弹幕分布如图2所示。从该分布可以看出第2、5、7、14、16、17、18次课出现弹幕发送小高峰。反馈回课程教学实施计划发现，第2次线上授课教学内容为以济南地铁、青岛地铁为例的城市轨道交通规划建设案例分析，第7次课为异步授课后的重点内容串讲与在线答疑，其余几次为课程授课中的重点内容。因此，可以发现案例教学、异步授课后的重点串讲与在线答疑、课程教学的重点与难点内容能够激发学生参与热情，在在线教学教学设计中应注重教学内容贴合生活经历、现场实际，突出重难点。

此外，该分布图表明同一学生在不同的授课单元中参与度在以教学班级为群体参照中基本保持一致，同时不同学生在同一个授课单元中的参与度也具有一定的相似性，说明弹幕数据在用于在线学习行为分析中真实可靠。

图2 以课上教学顺序为时间轴的弹幕分布

在该实例中，课程单次授课时长为90分钟，加上课间休息10分钟，以20分钟为单位划分为5个授课时段。以第14个授课单元为例，课上教学从13:30开始，14:20课间休息10分钟，15:10分该次授课结束。绘制该次课不同授课时段的弹幕分布如图3所示。从该图可以看出整体上弹幕分布以课间休息为分界点呈现先下降再提升的趋势，且在第一个时间段内弹幕发送量达到了342次，占该次授课弹幕发送总量589次的58%。将该分布反馈回该次课的教学设计发现，第一个时间段主要对上一次课的教学内容进行了回顾总结，并以问题导入本次新课。在后续几个时间段内的弹幕发送爆点以课上教学中的引导性问题为主，针对课上教学内容的提问居于第二位。该分布表明，课前回顾是在线学习参与度的最大爆点，其次在线上教学中通过引导式提问可有效抓住学生在线学习的注意力，并刺激以提问为主的课堂参与。

图3 以单次课上教学为时间轴的弹幕分布

该课程考核综合考虑线上教学参与度的重要性，将平时成绩和期末考核成绩的比例定义为各50%，其中课前预习占5%，出勤占30%，弹幕占20%，课堂测验占40%。综合考虑弹幕总量分布情况，将弹幕数据划分为[1，10]，[10，30]，[30，50]，[50，100]，[100，∞]五个量段，分别对应60分、70分、80分、90分和100分五个分段。经过统计发现，该5个量段对应的学生人数分别为20人、27人、26人、19人和15人。

以教学班级内每位学生的弹幕分数为样本数据，以平时成绩为样本数据，以课程总成绩为样本数据，分别计算与、的Pearson相关系数可得，弹幕分数与平时成绩的相关性为60.9%，与总成绩的相关性为60.1%，说明弹幕分数分布与平时成绩、总成绩强相关。数据表明，以弹幕数据为代表的在线学习参与度与课程成绩强相关，弹幕数据在用于在线学习行为分析中具有科学性和可靠性。

五、研究结论

在线学习参与行为受参与在线学习的动力、过程和学习成效等因素的影响，在深入剖析影响因素及作用机理的同时，基于全周期数据的在线学习参与实证分析是佐证理论研究成果的重要途径。雨课堂弹幕以全周期的课上学习互动数据为在线学习参与分析奠定了基础。

[参考文献] 

[1] 彭飞霞.在线学习参与的作用机理与激发模型[J].成人教育,2020,40(01):18-23.

[2] 张文才,何敏学.O2O教学模式应用于体育教学的本质与模式建构[J].教学与管理,2020(03):86-88.

[3]穆肃,王孝金.在线学习中深层次学习发生策略的研究[J].中国远程教育,2019(10):29-39+93.

[4]白永国,白雪.基于结构方程的学习者在线学习参与度与持续学习意愿影响研究[J].吉林化工学院学报,2019,36(12):46-50.

[5]姜强,赵蔚,王朋娇,王丽萍.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育,2015(01):85-92.

[6]初倩. 面向在线学习的个性化教学系统的设计与实现[D].山东师范大学,2019.

[7]贾利锋,李海龙.临场感对在线学习者学习认知的影响——基于探究社区理论的条件过程分析[J].电化教育研究,2020,41(02):45-52.

[8]王建亚,牛晓蓉,万莉.基于元分析的在线学习用户使用行为研究[J].现代情报,2020,40(01):58-68.

[9]杨敏,叶志宏,韩艳辉.在线课程师生交互与生生交互的话语分析——以国家开放大学“媒体辅助英语教学”课程为例[J].中国远程教育,2019,40(12):34-41.

Analysis of online learning participation based on rain classroom projectile data

 Feng Liping 1, Zhang Lidong 1, Sang Huiyun 2

 (1. School of Rail Transit, Shandong Jiaotong University ;2. School of Traffic and Logistics Engineering, Shandong Jiaotong University, Jinan, Shandong 250357)

Abstract：The quality of participation in online learning is the key factor to promote the occurrence of deep learning and improve the quality of online learning. The analysis of online learning participation behavior can lay a foundation for mining the key points of online learning quality improvement and summarizing the mechanism model of online learning behavior. Based on the existing research results, an analysis method of online learning participation is put forward from two dimensions of total volume distribution and time distribution. Based on the Pearson correlation coefficient, the scientific nature and reliability of the data are demonstrated. Finally, the feasibility of the method is demonstrated by an example. The results show that the performance distribution of live commenting data is strongly correlated with the distribution of ordinary performance and the distribution of total performance, and it is scientific and reliable to apply live commenting data to the participation analysis of online learning. The results of online learning participation analysis based on live commenting data can be effectively fed back to the adjustment of teaching implementation plan and the optimization of teaching design in class.

Key Words：online learning participation, data analysis, live commenting data in rain classroom, Pearson correlation coefficient