大数据视野下高职学生在线学习现况及对策研究

慕课凭借其大规模、开放性和精品资源共享等优势，深刻影响着传统的教育模式。慕课能够解决高职院校名师缺乏、课程资源稀少等问题而被高职院校热捧[1]，但是高职学生水平参差不齐、自主学习能力不高、学习动机不足[2]等问题较为突出。有必要从实际出发，了解和分析高职学生学习效果相关情况，对学生在线学习行为进行预测和干预，为制定适合高职学生特点的在线教学管理策略提供理论依据。

1 研究对象和方法

1.1 研究对象

选择在超星慕课平台注册《军事理论》课程学习的合肥职业技术学院2015级学生共3325名，男生1254名，女生2071名，平均年龄20.89±1.27岁，共5个系部，32个专业。

人皮肤的分泌物中含有一定数量的胆甾醇及其衍生物，有柔滑和保湿作用，因此足够的胆甾醇是必不可少的。胆甾醇对皮肤无刺激，也不光敏化，润肤型化妆品中一般含有1.4%，并有增强其他活性剂功能。在唇膏、眉笔中用入有利于色素的附着；同样可用于染发剂，可增强着色牢度，并有营养头发，刺激生发，保护头发的作用。胆甾醇有表面活性，有稳定泡沫作用，可用作乳状液的稳定剂，也是制备液晶型乳状液的常用原料；胆甾醇是一种非常必要的抗炎剂，也有助渗作用。

1.2 研究方法

1.2.1 课程运行模式和考核标准

（1）课程学习模式。采用网络学习的方式，按照学习计划在网上进行观看课程视频、阅读相关参考书目、参与线上讨论、提问等，并按时完成作业以及相关考试，以获得相应成绩。

（2）考核标准。课程视频占40%，课程测验占30%，期末考试成绩占30%，最后综合得分即为本门课程的成绩。

1.2.2 资料来源

阿什哈达摩崖石刻始刊于清德宗光绪十七年(1891)吉林将军长顺监修的《吉林通志·金石志》卷120，但文字著录错误较多，不足为研究的依据。其后陆续有人亲赴现地进行调查和墨拓，他们所著录的文字，虽然基本已趋于一致，但个别地方仍略有不同。因此，1957年5月，吉林省博物馆派人实地调查，并作了记录、照相和墨拓。1972年，吉林省博物馆又做了一次调查核对。

学生在线学习主要在下午和晚上，12-24点访问量占总访问量的76.44%，而16-24点访问量占51.61%（见表 1）。

1.3 数据整理和统计分析方法

任务完成度是指完成的任务数占总任务数的百分比乘以100。最高的学生全部完成，最低的学生完成度为0，平均完成度为89.72；讨论数包括发表讨论数和回复数，学习期间总共讨论数为566人次，平均只有0.17人次（见表2）。

（1）高职院校人才培养状态数据采集和管理平台以及学生学籍资料包括学生性别、年龄、生源地、生源类型、常住户口、贫困家庭、入学成绩等信息。（2）慕课平台学生在线学习日志包括访问情况、学习任务完成情况、视频得分、测验得分、在线讨论情况、时间跨度、期末考核成绩等信息。

任务完成率是指能够完成规定的学习任务学生数占总人数的比值。本次学习任务完成率为72.51%，未能完成任务的人数占比为27.49%。及格率是指综合成绩及格（≥60分）的人数占总人数的比值。本次及格率为92.00%。退课率是指中途退出没能参加期末考试的学生占比。本次退课率为9.80%。不良记录是指在线学习过程中通过各种手段进行刷课等作弊行为记录，本次学习不良记录有79条（见表3）。

2 结果

2.1 高职学生在线学习一般情况

2.1.1 网页按时段访问情况

2) 油路主管、支管的敷设长度L1和L2对渣锁斗阀开关时间的影响。安装时，液压系统厂家明确要求每个电磁阀组应布置在相应阀门的附近。由于6台渣锁斗阀分布在不同的楼层，因此L1必然长，L2必然短。但是业主运行人员为方便管理，将所有电磁阀组集中布置在地势最低油箱旁，从而导致L1变短，L2变长。下面通过改变L1和L2的值模拟厂家和业主对电磁阀组的安装要求，并按2.1节的步骤分别计算两种情况下XV-0204的开关时间，并比较差异。按厂家要求，令L1=42 m，L2=8 m，Z=15 m；按业主要求，令L1=5 m，L2=45 m，Z=15 m，计算过程数据详见表2和表3所列。

基于早期的这些研究，Gile提出了精力模型，该模型指出，议员在SI过程中需要完成三项核心任务，即：听力理解(L)、译文输出(P)和短期记忆(M),另外还需要协调能力(C)来分配上述核心精力。因此是SI的总精力负荷就可以用下面的公式表示：SI=L+M+P+C

表1 高职学生在线学习按时段访问量情况

访问量及占比 00-04 04-08 08-12 12-16 16-20 20-24访问量 14345 38044 77374 136677 140589 143513占比（/%） 2.61 6.91 14.05 24.83 25.54 26.07

2.1.2 在线学习行为及学习效果情况

1.3.1 数据整理。 使用Excel2013软件整合人才培养状态数据、学籍和慕课平台数据，对原始数据进行整理和清洗，使之适用于统计分析。

表2 高职学生在线学习行为及得分情况

类别 N 极小值 极大值 均值 标准差任务完成度 3325 0.00 100.00 89.72 24.69讨论数 3325 0.00 93.00 0.17 1.75访问数 3325 0.00 809.00 165.61 119.15视频得分 3325 0.00 40.00 35.84 9.92测验得分 3325 0.00 30.00 22.71 8.02期末考试得分 3325 0.00 30.00 24.15 8.84综合成绩 3325 0.00 100.00 82.70 24.04

1.3.2 统计分析。采用SPSS18.0软件进行统计描述和t检验以及单因素方差分析。

表3 在线学习任务完成率、及格率、退课率及不良记录情况（n=3325）

类别 频数 百分率（/%）任务完成率 2411 72.51及格率 3059 92.00退课率 326 9.80不良记录发生率 79 2.38

2.2 在线学习综合成绩分类比较（见表4）

表4 高职学生在线学习综合成绩分类比较情况

类别 均值 标准差 t/F P性别 男(n=1254) 74.10 31.76女(n=2071) 87.90 15.67 14.36 0.000年龄 ≤19岁(n=241) 60.97 41.0720-22岁(n=2828) 84.51 20.89≥23岁(n=256) 83.11 24.98 113.74 0.000系部 医学系(n=955) 90.07 14.95生物系(n=535) 85.25 21.63经贸系 (n=768) 80.55 22.84计算机系 (n=549) 77.13 27.42汽车系 (n=518) 75.55 32.43 46.72 0.000生源类型 普高生(n=3060) 86.46 17.93三校生(n=108) 79.92 15.99“3+2”学生(n=157) 54.79 30.53 81.36 0.000

3 讨论及启示

3.1 加强在线学习时间管理

表2和表3显示，平均讨论数只有0.17，说明学生学习热情不高；9.80%学生中途退课、27.49%的学生没能完成规定的学习任务，提示部分高职学生学习持续性、自我管理能力较弱。有学者认为如果监督学生认真完成他所有的教学内容，有始有终，可以提高学生良好的职业素养[3]。为防止学生学习到中途而停止学习或不能完成相应的学习任务，要加强学生自主学习能力的培养，提高学生学习自觉性，促使其养成良好的学习习惯；同时还要营造良好的网络教学环境，对在线指导教师强化信息素养培训，培养指导教师应用和驾驭慕课教学能力，提高其服务意识，在教学过程中能够考虑学生的反应和需求，根据学生的反馈不断改进教学管理方法。

3.2 强化在线学习教学管理

由表1可知，学生在16-24点之间的访问量占总量的51.61%，提示有一半学生倾向于在下午课后和晚上进行在线学习活动，因此应加强这一时段内的网络管理工作，避免出现因在线人数过多而导致的网速过慢、视频无法加载等情况，进而导致学生对该课程失去兴趣。另外，为避免影响学生白天其他课程学习和夜间睡眠，应该把在线课程纳入到日常教学管理中，结合学生作息时间表、课程表来制定高职学生在线学习时间表。同时，在学生访问高峰时段要安排专职线上导师即时在线，组织和指导学生在线学习，辅助学生学习，使其能在规定的时间内完成相应课程学习任务。

3.3 针对学情进行分类管理

表3显示，学生在线学习成绩与性别、年龄、系部密切相关，经校正t检验和单因素方差分析，差异有高度统计学意义（P＜0.000），与傅钢善等人的研究结果一致[4,5]。男生的综合成绩低于女生，低年龄段的综合成绩低于高年龄段，女生最多的医学系明显高于其他系部。因此，管理部门应充分考虑学生的学情差别，根据学生的性别、年龄、所在系部的不同，进行分类管理，对于男生多的系部、年龄较小的学生进行重点督促和管理。不同的生源类型综合成绩差别明显，提示普通高中生自主学习能力最高，“3+2”学生自主学习能力最低，对口生居中。因此应充分了解各类学生的知识水平和自主学习能力，针对性安排教学方式[6]，自主学习能力强的可以安排纯在线学习，自主学习能力较弱的可以安排混合式教学，甚至传统方式教学。对于不能完成的某些通识课程，可以考虑设立学分银行，进行学分置换。叶绿美认为基于慕课的分类、分层、分段的教学模式更有利于高职院校的人才培养[7]。

3.4 建立有效的在线学习考核制度

表3显示，此次学习中有79名学生有不良记录，占2.38%，说明在学生中存在刷课或其他不良行为。有学者认为在线教学往往成了“放羊式”教学，考试作弊普遍，成绩缺乏区分度[8]。目前，在线学习尚缺少有效的评价手段，学生的学习质量难以保障[9]。因此，应建立科学严谨的质量监管制度和行之有效的评测手段。运用大数据思维，通过信息技术来筛查个人在线学习不良行为，同时结合机器测评、同学互评、上机考试测试和（或）传统考试结合在一起的综合考核制度。另外还要加强校园学风建设和诚信教育，确保学生在线学习成绩真实可信。

Spatial-temporal pattern of innovation ability and its influencing factors

本研究基于大数据视野，综合三个平台信息，对我院开设的军事理论网络课程中学生的学习行为、学习效果和相关因素进行分析，提出了适合于高职学生的在线教学管理措施和策略，为高职院校网络课程教学管理的改进和完善提供了理论依据。

参考文献：

[1]石运志.在线学习与课堂学习效果比较-美国教育部在线学习研究评估报告解读[J].广播电视大学学报（哲学社会科学版）,2016(3):105-109.

[2]胡计虎,黄义兵.大数据时代高职学生在线学习调查与研究——以安徽商贸职业技术学院为例[J].安徽商贸职业技术学院学报,2017,16(62):57-61.

[3]董光,史晓君.基于MOOC背景的高职教学探讨[J].吉林省经济管理干部学院学报,2016(1):111-112.

[4]傅钢善,王改花.基于数据挖掘的网络学习行为与学习效果研究[J].电化教育研究,2014(9):53-57.

[5]阮亮,刘秀艳.高职学生SPOC网络学习行为特征研究-以河北政法职业学院就业指导SPOC课程为例[J].宁波职业技术学院学报,2016,20(2):22-26.

[6]胡国兵,高燕,汤滟,等.高职入学模式差异与学习效果的关系及相关教学建议[J].开封教育学院学报,2015,35(12):132-133.

[7]叶绿美.分类培养视域下慕课在高职院校专业教学中的有效应用[J].科教导刊,2016(5Z):125-126.

[8]周爱民.高职高专慕课教学困境分析及对策初探[J].考试周刊,2015(75):163-164.

[9]宋姝颖.中美“慕课”发展综述及未来展望[J].今传媒,2016(3):124-126.