本文由《中国电化教育》杂志授权发布
作者：孙众、宋洁、吴敏华、骆力明
摘要
在线开放课程与高校传统教学的结合，使得校园混合课程成为未来高等院校课程的主要形态。在综述已有教学干预经验与不足的基础上，该文提出了校园混合课程教学干预的框架，以课程动态设计为切入点，根据预测需求选择预测模型，确定干预对象选择干预类型，实施混合课程下的教学干预。该文以三类六种教学干预为例，依托校园混合课程开展了连续2年的教学干预实证研究。结果发现：班级干预比个别干预更能激发学生群体的在线学习参与度；面授在线相结合的混合干预比传统干预更能建立良好的社会化学习网络；深层干预与浅层干预对于中低分组的学生均有正向促进作用，其中深层干预对于中分组学生的学业改善作用更为明显。基于学习分析技术的有效教学干预，不仅是动态设计混合课程的基础，还成为提升校园混合课程质量的关键。
关键词：教学干预；学习分析；学习预测；校园混合课程
一、研究背景
2016年9月教育部发布《关于推进高等教育学分认定和转换工作的意见》，鼓励高校学生基于互联网学习平台选修课程[1]。2016年12月国务院发布《“十三五”国家信息化规划》，其中“在线教育普惠行动”包括多项具体措施，不仅鼓励高等院校建设在线开放课程和公共服务平台，引进国外在线课程，还提出要将在线课程纳入高校的人才培养方案和教学计划[2]。而在线课程聚合平台ClassCentral发布的2016年全球大规模在线开放课程（以下简称MOOC）统计报告表明，自2011年起引发高等教育研究热潮的MOOC，已经不再追求开课范围和学习者群体的大规模，而转向服务于高校常规教学。到2016年全球700多所大学开设的MOOC总数已超过6800门，而这个数字还在呈现快速增长态势[3]。由此可见在线与传统教学相结合的校园混合课程，会成为全球高校教学的发展趋势。
校园混合课程的生命力在于，学习者不仅能够参与面授学习，实现师生、生生的真实人际交流，还可以通过在线或移动平台学习，丰富学习内容，改变学习方式，同时留下较为全面的学习行为痕迹。通过运用学习分析技术，不仅能为学生提供了实时学习记录，即时评估结果，还为教师提供改进教学质量的决策依据[4]。在此背景下，本研究以提升校园混合课程质量为目的，以动态课程设计为视角，开展了为期两年基于学习分析技术的教学干预研究。
二、教学干预综述
教学干预作为一个约定俗成的概念，包括一切对学习者学习产生影响的介入手段[5]。它能阐释学习过程中多方面的要素和关系，能为改善学习绩效提供新的思路和视角[6]。传统课堂环境下的教学干预，常指教师发现问题后直接为学习者提供方法上的建议、态度和心理上的疏导、组织学习伙伴帮扶，从教学角度调整课程资源和授课方式，也包括引入家庭、社会力量共同进行干预等。卡拉·肖尔在《教学与行为干预》一书中提出了干预反馈模式（Response to Intervention，简称RTI），为小学到高中各个年段学生的提供阅读、教学、行为等方面的多种教学干预[7]。陈珊提出学生在问题解决过程中遭遇认知困境时，教师可以建立支持学生问题解决的学习框架，在此基础上改进与学科内容相关的资源和活动，实施教学干预[8]。Zhai等人通过分析在职教师的职业压力和自信心，采取了基于课堂环境的干预，在其行为管理中强化职业控制力，扩展职业资源，提高职业自信，有效地达成了传统环境下的干预效果[9]。
随着在线课程和大数据技术的迅速发展，研究者开始关注基于学习分析的教学干预[10]。美国Desire2Learn机构开发的学生成功系统，通过分析学生的出席率、课程完成情况、参与度和社会学习等影响因素，构建多种预测模型，预测出有潜在学业危险的学生，向其提供干预措施[11]。He等人基于学生在线学习数据，用逻辑回归算法预测出可能无法完成课程的学生，给他们呈现学业危机的可能性，督促其调整学习方式和进程，以降低辍学率[12]。普渡大学开发了CourseSignal课程信号灯系统用于监测学生的学习状态，并且采用算法判断处于学业危险中的学生对其进行预警，根据预警信号，教师通过电子邮件、短信、在线消息等形式对学习者进行干预[13]。
传统课堂环境下的研究提供了较好的教学干预策略，在线学习环境下的研究提供了基于学习分析技术的实证研究基础。但是已有教学干预的研究多是以单一学习环境为干预场景，而在校园混合课堂环境下，学生在线学习的过程其实是与面授课堂学习紧密结合。由此已有研究中面向校园混合课程的干预研究并不多见，因此本研究就是要探索基于学习预测的教学干预有效方式，以提高校园混合课程质量。
三、校园混合课程的教学干预系统框架
（一）以课程动态设计为切入点
面向传统课程的教学设计，通常包括分析目标、内容和学习者，设计教学过程，制作学习资源，确立评价标准等。它具有预置性、系统性、稳定性、划一性等特征，然而这种设计更偏向满足传统环境下集体教学的需求，学生个性化学习需求难以得到重视，于是高校课堂有出席率低或者隐性逃课现象。面向以MOOC为代表的在线课程设计，除了要具有前面传统课程教学设计必备要素外，主要差别在于学习过程和评价设计，即要为不同背景的学习者提供在线学习的全过程服务。例如要有同步或异步讲座、课程直播、学习答疑区等，并根据学习者的在线学习表现评估其学习效果和教学质量，它具有开放性、共享性、泛在性等优点，但由于学习者规模大，群体差异明显，无法实现面向特定学生的有针对性的学习服务，因此居高不下的辍学率成为MOOC实现良性发展要突破的难题。其实有研究发现，大部分放弃MOOC的学习者，在课程前半段已就呈现出辍学迹象，包括登录次数明显减少，不再提交课程阶段性任务，浏览视频的次数开始降低等[14]，但是由于MOOC是远程学习情境，干预的有效性和及时性与传统课堂相比还是有一定的差距。那么能否将传统环境和在线环境的干预优缺点进行综合考虑，在校园混合课程这种新的学习形态下，借助学习分析技术，在课程进行的前半段就判断每个学习者学习状态和潜在问题，在预测的基础上进行面授和在线环境相结合的教学干预，同时动态调整课程，以帮助学习者获得更为理想的学业表现呢？笔者认为以课程动态设计为切入点，一方面收集传统环境下能获得的学习者个人属性特征、前期知识基础、兴趣态度等非智力因素；另一方面积累在线学习环境下学习者全过程全样本数据，综合起来进行学习预测，在此基础上进行不同形式的教学干预，实现动态课程设计，以提高校园混合课程质量。
（二）明确预测需求，选择预测模型，锁定干预对象
学习分析技术（Learning Analysis）是教育大数据应用的重要领域，该技术利用数据和模型，评估学习者的学习状态和学习效果，预测未来表现，采取干预措施，提高学习者学习绩效[15]。学习分析的一个重要应用是监测和预测，根据实际需要选择不同预测点。比如Ahmad等人用认知网络来预测大学生的选课趋势[16]，这是对学习需求的预测；如Kruger-Ross等人则通过分析学生对课程基本概念的理解和认知，预测成功在线学习的可能性[17]，Yang用登录次数、频率和间隔来预测MOOC辍学率[18]，这是对学习结果的预测；如Luft等人用认知任务来预测数学教学水平较低学校里的学生数学学业表现[19]，这是最为常见的学习成绩预测，及时发现问题，并做出干预[20]。
明确了预测需求后，需要选择预测模型。Vandamme等人用学期初的分数来预测学生的期末成绩，结果发现线性判断分析的预测准确率高于决策树和神经网络[21]。Ayan等人提出线性回归是常用的且有效的成绩预测模型[22]。黄少波等人使用了4种数学模型和6种预测因子进行组合，得到24种预测数学模型，结果发现在平均预测准确率（Average Prediction Accuracy，简称APA）和准确预测的百分比（PercentageofAccuratePredictions，简称PAP）上，除了支持向量机会（Support Vector Machine）在PAP有更好的预测结果以外，其他模型在预测结果上只有细微差别，预测因子的选择和组合对于预测结果影响更大[23]。因此根据预测目的不同，选择预测因子和模型的组合，是通过预测找到需要教学干预对象的必要前提。
（三）根据目的确定教学干预类型和策略
干预类型有不同的划分标准。根据干预性质，可以分为教学干预和社会干预[24]。教学干预指一切教学元素的干预，如学习路径建议、学习资源推荐等，社会干预指学习心理疏导、伙伴推荐等。根据干预规模可分为个人干预和班级干预。个人干预是针对每个学习者，根据其学习风格和学习状态进行资源推送、学习建议和学习社区推荐等；班级干预指对整个班级进行干预，如学习方法的建议、交互建议、教师推荐等。根据干预环境，可以分为传统干预和在线干预。传统干预是指在课堂环境，由教师或其他人面对面地与学生进行交谈、辅导，是基于真实空间的人际干预；在线干预是在学习平台里，由教师或自行设计的学习程序，通过网络与学生进行邮件沟通、留言提示、学习资源和任务推荐等干预，是基于虚拟空间的人机干预。
明确了干预类型后，教师可以根据学习实际需求进行选择干预策略。李彤彤等人构建了“状态识别—策略匹配—干预实施—成效分析”四环节循环结构干预模型，通过分析学习者的学习风格类型、学习进度水平、学习互动水平、学业成就水平四方面的状态水平，设计了服务于在线学习的具体干预策略、时机以及干预方式[25]。但是如何在校园混合课程中构建基于学习分析的干预模型和策略，还需要对混合课程中不同形式的干预效果进行深入分析，才能得出进一步的结论。因此本研究开展了两轮实证研究。
四、教学干预的两轮实证研究
（一）课程背景信息
研究对象是142名来自某高校的师范生。他们在2015和2016两个学年里分两轮参与了一门教育类必修课。该课程每学年开设一次，是将Moodle在线学习和实体课堂相结合的校园混合课程。参与第一轮课程学习的人数是78人（男生26人，女生52人）；参与第二轮课程学习的是64人（男生16人，女生48人）。全部学生在大学第一学期均使用Moodle平台进行过C语言必修课的学习，对于在线学习平台的功能和学习方式比较熟悉，因此适合做为校园混合课程的学习者。
该门必修课共有四次综合性学习任务，分布于课程的第1周、第2-4周、第5-8周和第9-15周。本研究为每次任务进行打分，同时收集每轮学生的先导课程成绩、心理认知水平、在线学习参与度等数据，建立下一次学习任务的预测模型，并且在预测基础上实施干预，从而实现动态改进课程质量目的。
（二）根据学习预测结果选定干预对象
多元回归是研究一个因变量与两个或两个以上自变量的回归，是反映一种现象或事物的数量依多种现象或事物的数量的变动而相应地变动的规律，建立多个变量之间数量关系式的统计方法。已有研究者将该方法用于学业成绩预测[26-28]，并取得了较好的预测效果，因此本研究使用多元线性回归的方法建立预测模型，对学生在本课程下一个学习任务成绩进行预测，为实施干预提供依据。两轮研究均采用多元线性回归分析的方法，建立了预测成绩模型（Y1和Y2），其中Y1为第一轮学生的预测模型，Y2为第二轮学习的预测模型。
模型建立后，再用10%的样本量进行检验，发现两轮学习的平均预测准确率94.4%和97.8%，说明模型较合理，整体预测效果较好，同时也证明预测模型较稳定，其中绩点（X3）、前导课成绩（X4）和在线学习参与度（X6）成为影响力最大的预测因子。因此研究者用该模型，将全体学生的预测成绩进行降序排列，按比例分为高（27%）、中（46%）、低（27%）三个分数段。以每轮学习的其中一次预测成绩为例，成绩分布如下页图1和下页图2所示。
下页图1和下页图2中每个点代表一名学生，圆形代表高分组学生，方形代表中分组学生，三角形代表低分组学生。由图可知，中分组同学的预测成绩分布相对均匀，低分组的预测成绩分布离散度大，因此所有高分组学生不采取干预措施，中低分组是需要采取教学干预的对象。
（三）混合课程中三类教学干预
根据前面的分析可知，根据干预规模可分为班级整体干预和学生个别干预；根据干预环境分为传统方式面对面干预和学习平台中的在线干预；根据干预程度分为告知提醒为主的浅层干预和针对性帮扶的深层干预。本研究在两轮教学中进行了三种干预的对比实验。
1.班级干预与个别干预
为对比班级干预与个别干预的区别，第一轮教学采取了班级干预，教师在课堂内和在线平台上对全班同学的作业表现进行集中点评与学习建议，而第二轮教学，教师同样是利用面对面和在线两种方式进行干预，但对于中低分组的学生进行了一对一的个别指导。结果发现，实施整体干预的班级在线参与度较高，学生在校园混合课程开设期间发帖总次数达到2293次，每周平均发帖数143个；教师回帖数量次数456次，每周平均在线回复28次。而实施个别干预的第二轮学生，班级整体的在线参与度明显下降，发帖总量为1616次，每周平均发帖数101个。第一轮干预的师生在线讨论发帖数如图3所示。由图3可知，每次教师发帖对班级进行整体干预后，当周或者第二周就会引发学生上网讨论的高峰，而在课程后期，即使教师干预密度略有降低，但班级的整体参与度依然保持良好发展势头，形成在线学习良好氛围。
为进一步说明班级干预与个别干预对于学生群体在线参与度的影响，本研究采用社会网络分法。社会网络结构指的是在社会行动者之间实际存在或者潜在的关系模式[29]。社会网络分析法（SocialNetworkAnalysis，以下简称SNA）常用于来研究成员的参与性和交互性，特别适合挖掘成员之间形成的关系[30]。已有大量研究通过SNA分析学习者在线交互的情况[31-33]。SNA中心势是刻画社会网络整体中心性。中心势越高说明网络整体交互程度越好。通过调取本课程在线学习平台的系统后台日志分析每个学习者在社交网络中的中心度，结果显示第一轮参与班级的中心势为40.68%，中心度最大值为21，第二轮班级的中心势为6.02%，中心度最大值为18。UCINET分析软件中的雷达图可以辅助解读社交网络整体中心度的变化。中心度值越大，雷达图覆盖范围越大，说明社交网络集中度越高。如图4所示，实施班级干预的2015年第一轮参与班级的协达覆盖面积明显高于实施个体干预的第二轮，说明班级干预下的社交学习中，网络中心度高，学生群体互动程度积极，互动氛围好。该结果与Van等人的研究结果吻合[34]，即教师干预对于学生在线参与学习活动有明显的促进作用。通过本课两年来的预测模型可知，在线参与度是学业表现的主要影响因子。因此提高学生的在线学习参与度有助于提升混合课程教学质量。
2.传统干预与混合式干预
为对比传统干预和混合式干预，第一轮研究中采用了面授与在线共存的混合干预，而第二轮研究中弱化了面向全体学生的在线交流，虽然与中低分组的部分学生也进行了一对一的在线交流，但是以面对面的传统干预为主。
从学习成绩来看，不同干预方式在两轮研究均体现了一定的差异，如下页表1所示。两轮参与班级的中分组和低分组中，未接受教学干预的学生表现是相同的，即在下一个任务中得分仍处于中低分组，未出现明显的成绩改善。在接受干预的学弱群体中，下一次任务表现均出现了改善和提升。接受混合式干预的第一轮班级中，中低分组被干预的学生平均分提高显著，达到了统计意义上的明显变化程度（p<0.01），接受传统干预为主的第二轮班级，也有改善（p=0.05）。因此，对于中低分组的学生而言，教学干预对于学业改善有明显的促进作用，混合干预比传统干预效果更为突出。
另外，通过SNA的社会网络密度分析发现，两轮研究中班级的社会化学习网络呈现出现不同的紧密程度。社会网络密度是反映表示在线社群成员之间联系的紧密程度，参与组织的成员之间联系越多，网络密度也就越大[35]。
从两轮参与班级的社会网络密度来看，混合干预的班级网络密度为1.034，如图5所示，以传统干预为主的班级网络密度为1.002（因为在线交互矩阵为赋值矩阵，所以密度值可以大于1），如图6所示，表明在社会网络整体密度上，接受混合干预的班级高于接受传统干预班级，即在社会化学习网络的整体交互程度更深。
3.浅层干预与深层干预
第二轮教学中，主要对比干预层次的差异。浅层次教学干预是指提醒或告知被干预对象，需要对接下来的学习任务更为认真和投入。比如教师通过口头或者在线方式提醒学生“某某同学，接下来的课程里你需要更加努力哦，有问题可以随时与教师和助教沟通”，并每周进行一次自愿参加的面授或在线答疑活动。深层次教学干预是根据学生在课程前期表现和预测结果，为其提出具体的，有针对性地深入指导，并根据其前期出现的学业弱点，给出详细改进建议，每周进行一次必须参加的面授或在线答疑活动。
如右表2所示的结果，无论是浅层干预还是深层干预，对于低分组的学生来说，都有着明显的促进作用，其成绩的改变程度均达到了统计意义的非常显著（p<0.01）。对于中分组的学生来说，深层干预达到了显著提高的程度（p=0.007），浅层干预后无显著提高（p=0.232）。因此在本研究浅层与深度干预对于低分组同学有明显的改善学习质量的帮助作用，但是对于中分组同学来说，深层干预的效果更好。当然，我们要慎重地看待这一结果。因为本课是面向师范生的教学技能课程，与数理、计算机编程等对前导知识要求较高的学科不同，本课在知识难度上不存在较大的认知障碍。低分学生更多是的在学习态度、方法以及对于学习内容的理解深度和设计能力上存在差距。他们通过端正学习态度、优化学习方法，重视同伴帮助和接受教师指导等多种干预措施，就有可能得到较明显的改善。这也是为什么低分组更容易提高成绩，而中分组需要进行深层干预才能达到显著改善效果的原因。
（四）访谈学生对教学干预的看法
两轮课程结束后，研究人员从两个班级中随机选择了22名学生进行访谈。10名接受过干预的学生中，有9名同学明确指出教学干预对其学业有明显的促进作用，他们对待课程的态度和付出程度明显提高，他们表示“老师找我谈过后我就得认真学习了”“老师重视我，我更要重视自己了”“老师给我的意见给了我很强的激励作用”“老师几次的帮助对我帮助特别大”“希望其他课也能得到老师这样的关注和帮助”。未接受干预的12名学生发表了除了对课程建设的意见以外，有8人提出希望得到教师更多的评价和指导，“希望老师能根据我的情况给我更多的建议”“希望课程不仅是给分，给评语，希望老师能给我更为具体的指导”。将所有学生的访谈实录词频生成词云（如下页图7所示），可知多数学生希望得到正面的教学干预，尤其是个别化的深层的干预，由此提升学习效果。
五、结语
本研究依托校园混合课程，探索基于学习预测的教学干预，并用连续两年的实证研究验证不同干预形式的有效性，以提高校园混合课程教学质量。结果发现，班级干预比个别干预更能激发学生群体的在线学习参与度；混合教学干预比面授干预更能建立良好的社会化学习网络；深层干预与浅层干预对于中低分组的学生均有正向促进作用，但深层干预对于中分组学生的教学改善作用更为明显。同时，在研究过程中也发现了教学干预存在的一些问题。比如班级干预和深层干预对学生的直接帮助作用较大，但是对教师的教学投入时间和精力提出了极高的要求，不适合大规模的混合课程。建议教师可以尝试建立轮流助教机制，发动学生组长和优秀生起到小导师作用以及使用人工智能软件等多种方式辅助教学干预。对于混合干预，则要把握好预测与干预的时机。预测时间太早，则可用于预测的数据不够充分，导致预测准确率低，而预测时间晚，则有可能错过最佳干预时机，令学弱生觉得改进无望，最终放弃配合干预。而且无论是预测还是干预，都对教师的数字素养、数据分析和数据洞察能力提出了更高的要求。因此基于学习分析技术的教学干预，还需要在理论和实践上进行更多的探索，真正成为提升校园混合课程质量的利器。
