财经院校学生在线学习行为分析研究

摘  要：分析学生在线学习行为，定制个性化学习实效路径，顺应信息时代高等教育发展的趋势和潮流。该文以财经院校学生在线学习行为数据为依托，首先建立熵权TOPSIS在线学习行为分析模型，对财经院校各专业学生的在线学习行为进行评价和比较分析。然后用障碍度模型识别财经院校各专业在线学习行为障碍因子的共性特征和差异性特征。最后提出促进财经院校学生在线学习实效的路径，为在线学习师生提供更多的实践参考与理论依据。

关键词：在线学习行为;熵权TOPSIS模型;学习行为障碍因子;学习实效路径;财经院校学生

中图分类号：G640       文献标志码：A          文章编号：2096-000X（2022）28-0090-04

Abstract： Students' online learning behavior is analyzed， personalized learning effectiveness path is customized， which conforms to the development trend of higher education in the information age. Based on the online learning behavior data of students in financial colleges and universities， this paper first establishes the entropy weight TOPSIS online learning behavior analysis model to evaluate and compare the online learning behavior of students in financial colleges and universities. Then， the obstacle degree model is used to identify the common characteristics and difference characteristics of online learning behavior obstacle factors of various majors in financial institutions. Finally， the paper puts forward the path to promote the effectiveness of online learning of students in finance and economics colleges， and provides more practical reference and theoretical basis for online learning teachers and students.

Keywords： online learning behavior; entropy weight TOPSIS model; learning behavior obstacle factors; learning effectiveness path; students in financial colleges and universities

在信息化背景和数字化学习时代，慕课、微课、雨课堂和学习通等信息化的教学方式和工具层出不穷，“云”课堂等网络教学作为我国教育传播系统中的新型教育媒介，为学习者打造网络化学习新生态的同时也推进了我国高校教学改革进程。由国家统计局数据可以看出，全国财经类普通本专科在校学生数占全国普通本专科在校学生数的比重很大，而其学生的质量直接关系到地方经济的发展。财经类院校学生作为在线学习的主要用户，分析学生的在线学习行为，寻找提升学生在线学习实效的路径既有理论意义又有现实意义。因此，本文基于在线教学平台，构建财经院校学生在线学习行为的分析模型，对在线学习行为进行共性和差异性分析，并定制个性化学习路径，为教育研究者变革教学模式提供新的思路。

一、在线学习行为分析现状

随着在线学习的蓬勃发展，对在线学习行为的分析方法、分析模型构建的研究越来越多地受到了国内外学者的关注。国外学者在这方面的研究明显早于国内。他们普遍认为，分析在线学习行为的目的是为了发现学习者潜在的学习规律和风格，对其进行干预和评价，以提高学习者的在线学习效果[1]。Daniel等[2]基于Petri Net理论分析了学习者的学习行为。Chyan等[3]根据学习者的行为模式和区域差别构建了多层次的学习行为模型。Yeonjeong等[4]利用聚类分析法对韩国某高校的学生在线行为特征进行了分析。Durksen等[5]建立了基于学习者学习心理需求的概率分析模型。

国内学者起初对学生在线学习行为分析主要侧重于从不同群体、不同角度和不同平台分析学生的在线学习行为特征和行为路径[6-9]。这些在线学习行为特征的获得多采用统计分析方法。随着大数据的出现，如何建立更有效的在线学习行为分析模型和丰富模型构建的理论及框架又成为学生在线学习行为研究的热点问题。胡艺龄等[10]建立了学习者在线学习行为模型并对学习数据进行了模式分类与解析。吴林静、黄瑶等[11-12]分别利用数据挖掘技术构建在线学习分析模型，探索出在线学习模式、行为分类和行为特征。杨国龙[13]构建了在线学习行为差异化分析模型，并用聚类分析法对不同学习群体特征进行差异化分析。王丽英等[14]构建了在线学习行为多模态数据融合模型，并对MOOC环境下的学习行为进行了研究。钟桂凤[15]建立了RFE分析模型对不同模式下的在线学习行为进行了分析研究。杨孟娇等[16]利用主成分分析法和K均值聚类算法对开放教育学习者的学习行为进行了分析，并针对各类学习者提出了有针对性的措施，用以提高学习效果。

综上所述，国内外关于在线学习行为的理论和实践研究有着丰富的成果，但是针对财经院校建立兼顾学科特色的在线学习行为分析模型还比较少，而且对财经院校学生的在线学习行为的特征研究也不成熟，尚需要完善。因此本文将针对财经院校学生建立在线学习行为分析模型，并对财经院校学生的在线学习行为进行分析研究。

二、财经院校学生在线学习行为的评价分析

（一）在线学习行为分析维度的选择

学生的在线学习行为数据可以由在线学习平台收集，不同的学习平台在收集学生在线学习行为数据时会存在着侧重点差异。本文从在线教育平台获取财经院校主要专业课程（财政学类、统计学类、管理科学与工程类、法学类、管理类、外国语言文学类、计算机科学与技术类、金融类、经济学类）学生的在线学习行为数据，并将常用的在线学习行为纳入在线学习行为分析维度，分别为登录次数，记为X1;互动参与数，指发布、回复帖子等参与讨论的次数，记为X2;在线教程完成率，记为X3;在线学习教学设计满意度，记为X4;在线学习网络满意度，记为X5;在线交流满意度，记为X6;课程成绩合格率，记为X7;课程成绩优秀率，记为X8。本文将基于这些维度对财经院校学生的在线学习行为进行分析研究。

（二）利用熵权TOPSIS模型对在线学习行为进行评价分析

1. 数据的标准化处理

已知学生在线学习行为分析维度X1，X2，…，X8的相关数据，利用这些数据构造矩阵X=（xij）9×8，其中xij是第i门课程在维度Xj上的取值。为了消除X1，X2，…，X8数据在量纲上的差异，本文采用极差标准化方法对矩阵X进行标准化处理，得到标准化矩阵Y=（yij）9×8，即

2. 利用熵权法确定各维度权重

本文采用熵权法确定在线学习行为分析维度X1，X2，…，X8的权重[17]，具体过程如下。

首先对矩阵Y进行规范化处理，得到矩阵C=（zij）9×8，其中zij=。设E（zj）=∑zijlnzij，j=1，2，…，8，若zij=0，则规定zijlnzij=0。

计算第j个维度的信息熵，即

Ej=-，j=1，2，…，8;

计算第j个维度的分散程度，即

dj=1-Ej，j=1，2，…，8;

最终算出第j个维度的权重，即

Wj=，j=1，2，…，8。

利用熵权法得出X1、X2、X3、X4、X5、X6、X7、X8的权重，见表1。

从表1中可以看出，该财经院校学生的在线学习行为主要评价指标是人均互动参与数、在线学习教学设计满意度、课程成绩合格率和在线学习网络满意度。

3. 构建TOPSIS模型，确定理想解

首先构造加权规范化矩阵

然后通过公式

v=max{vij，i=1，2，…，9}，

v=min{vij，i=1，2，…，9}，

求得第j个维度的正理想解v和负理想解v。

4. 计算距离

由加权规范化矩阵V及各个维度的正理想解和负理想解分别计算学习平台中9门课程与正理想解和负理想解的距离。设d为第i门课程与正理想解的距离，d=。

设d为第i门课程与负理想解的距离，d=，i=1，2，…，9。

5. 计算综合评价指数

第i门课程中学生的在线学习行为综合评价指数为Ci=。Ci越大，说明第i门课程学生的在线学习行为越好。

表2列出了该财经院校主要专业课程学生的在线学习行为综合评价指数。

由聚类分析可知：

财经院校学生在线学习行为优秀的专业群为法学类、管理科学与工程类和统计学类。

在线学习行为良好的专业群为计算机科学与技术类、金融类。

在线学习行为中等的专业群为财政学类、经济学类和外国语言文学类。

在线学习行为最差的专业群为管理类。

三、财经院校学生在线学习行为的障碍因子分析

同为财经院校主要专业课程，学生的在线学习行为却参差不齐，为了激发财经院校学生对在线学习行为的投入，提升在线学习的有效性，本文利用障碍度模型对财经院校各专业学生在线学习行为的障碍因子进行了分析。

首先利用障碍度公式Oij=，

计算出第i门课程第j项维度的障碍度，其中Iij=1-yij，yij是第i门课程在维度Xj上取值的标准化值，wj是第j项维度的权重值，其中i=1，2，…，9;j=1，2，…，8。进而得出每门课程中学生在线学习行为各分析维度上的障碍度值。

然后通过比较分析得出财经院校各专业学生在线学习行为障碍因子的共性特征和差异性特征。

其中共性特征包括如下几点。

（1）财经院校各专业学生在线学习行为人均互动参与数是财经院校各专业学生在线学习行为最大障碍因子的频次最高，因此财经院校各专业学生在线学习行为的共性特征是互动参与数少。由于在线学习中，师生之间的沟通交流会存在时滞性，从而使得师生互动缺乏及时性和有效性。

（2）在线课程完成率在各门类课程中的障碍因子值都比较小，说明学生对在线课程的学习能保证学习进度。

差异性特征则包括以下几点。

（1）登录次数成为统计学类、法学类、计算机科学与技术类的学生在线学习行为的主要障碍因子，说明这些专业的学生在学习过程中缺少主动性，学习的积极性有待提高。

（2）在线学习教学设计的满意度是管理类、外国语言文学类的学生在线学习行为的主要障碍因子，说明这些课程的教学设计和教师的能力有待提高。只有高质量的课程才能吸引学生，从而带动学习行为的提升。