大學生在線編程學習行為投入與學習效果分析研究

孔祥瑞 李明 馬瑞 鄭自園

(重慶師范大學 計算機與信息科學學院,重慶 沙坪壩 401331)

近年來,在線學習迅速發展成為教育領域的一個重要板塊,多元的學習方式和環境為教學活動的開展帶來無限可能。隨著計算機技術的發展與應用,程序設計能力已成為包括計算機專業在內所有工科學生的一項基本素養。編程學習是學習者掌握程序設計能力的重要途徑,要求學習者理解并運用抽象概念和思維模型來解決實際問題。目前,較多學者開始探索在線學習對教育和學習過程的影響,例如學習效果、知識掌握程度和技能發展等方面的綜合評估[1]。對于編程學習效果的評價,主要以網課理論學習、考試成績和項目開發為主,而編程學習的效果更體現在問題解決能力,應重點關注學生在實踐項目中的操作和解決問題的過程。

在高校教育教學活動技術需求的推動下,教育云計算平臺的生態發展逐步成熟,EduCoder、LeetCode等平臺推出了在線編程實踐服務,既免去了繁瑣的編程環境配置過程,又可對學習者編程學習行為進行記錄,為教育數據挖掘和編程學習行為研究創造了良好條件。多媒體技術的應用有助于計算機教育的方法革新,為學生帶來更加豐富的學習體驗[2]。

在此背景下,本研究基于EduCoder在線編程實踐平臺,采集并整理學生在編程學習過程中的行為數據,根據學習者特征進行聚類分析,了解學習者之間的特征差異性,探索編程學習行為與學習效果之間的影響機制,并提出優化編程類課程教學實踐的相關建議。

1 研究設計與實施

1.1 在線編程學習行為投入測量指標

目前,國內外學者已對學習行為投入的分析框架進行探索,并對其評價指標進行實證研究,形成了一系列學習行為投入理論模型。Filsecker等將行為、認知、情感納入其提出的學習投入三維概念框架,并在后續的研究中,將該框架拓展為行為、認知、情感和社交四個維度[3]。國內學者張琪等在總結國外學者的研究后,構建了包含持續性、反思性、主動性與專注性四個維度的評測框架,以表征教育云平臺學習者的學習行為投入的水平[4]。張治等構建了以參與、堅持、專注、學術挑戰和自我調控為主要維度的分析框架和測量指標,并以小學生在線作業數據為樣本進行了有效性檢驗[5]。

通過對現有的在線學習行為投入分析模型與框架梳理,結合EduCoder平臺的實際功能設置,本研究將在線編程學習行為投入劃分為參與、專注、堅持、互動和學術挑戰五個維度,并對其二級測量指標進行描述,如表1所示?！皡⑴c”主要是學生在編程平臺學習中投入的時間和精力,表現為實踐課出勤和缺勤的次數、平臺學習獲取的經驗值、基本任務點完成率?！皩Ｗⅰ斌w現在實訓關卡的練習,包括關卡完成數、闖關過程中消耗的時間、編程效率?！皥猿帧笔侵笇W生在編程中不斷試錯后仍然能堅持不懈的程度,表現在實訓關卡的總調試次數、按時提交實訓的次數?！盎印笔侵笇W生在平臺的項目討論區中的交流情況,主要體現在學生發布主題數量、回復主題數量和主題被點贊的數量,討論利于學生解決實訓過程中遇到的知識與技術難題?！皩W術挑戰”是指學生在完成基本任務后繼續選擇參與附加訓練的情況,主要包括參與附加訓練的次數和附加訓練的正確率,反映了學生不斷突破自我、迎難而上的學習態度與能力。

表1 在線編程學習行為投入指標框架

學習效果是指學習者在平臺完成編程學習后,能夠表現出來的實踐能力和成果。為了解學生的理論知識掌握程度、程序設計能力和問題解決能力,需要對學生開展考核,主要方式為平臺實踐測驗和理論考試。對學生的實踐成績和理論成績兩項指標進行測量,如表1所示。實踐測驗和考試成績均為百分制,最終各取50%相加得出綜合成績,作為本研究的學習效果維度評測指標。最終,以學習效果為因變量,其他維度作為自變量,探索在線編程學習行為投入對學習成效的影響情況。

1.2 研究數據獲取

本研究數據來源于EduCoder平臺的C語言程序設計實踐項目,主要服務對象是有需求學習程序設計的學習者。EduCoder是一個集學、練、評、測一體的信息技術類實踐教學平臺,為高校和企業提供計算機、大數據、人工智能等專業課程的科教項目和實驗開發服務環境。該實踐課程包含8個實訓章節,共110個練習任務關卡,設定16次簽到環節,并開放討論區板塊,學習者可以在討論區內發布討論主題進行學習交流。為保證數據獲取的準確性,以某院校44名計算機專業學生為教學對象,根據制定的學習行為投入指標體系,對學生在平臺中的學習行為數據和學習效果數據進行采集,主要包括考勤、平臺經驗值、任務點完成率、關卡完成數、綜合實訓總耗時、編程效率、實訓關卡調試次數、實訓時效性、討論區發布主題、回復主題和主題點贊數量、參與附加訓練次數和正確率、實踐成績和理論成績。

2 數據分析與討論

2.1 描述性統計分析

將獲取的數據進行規范化整理,導入SPSS進行描述性統計分析,觀察學習者的在線編程學習行為和學習效果的整體特征及分布情況。

2.1.1 在線編程學習行為分析

在參與維度中,主要行為指標為出勤次數、缺勤次數、經驗獲取值和任務點完成率,其中出勤次數在13—16次之間,平均值為15.45次,標準差為0.791;平臺學習經驗獲取值在2 118—8 995之間,平均值為5 316.45;任務點完成率在94.3%—100%之間,有21人完成率為100%,在95%—99%之間的有22人,僅有1人的完成率在95%以下。通過以上數據分析,可以發現大部分學生都能按時參與到實訓中并按時考勤,能全部完成任務點的學生占總人數的47.7%。學生在平臺中獲取的經驗值差距較大,說明該實訓項目具有一定的難度,學生在學習過程中經常遇到難題。

在專注維度中,主要行為指標為關卡完成數、綜合實訓總耗時、編程效率,其中關卡完成數范圍在52—110之間,平均值為101.7,標準差為15.875;綜合實訓總耗時在41.4—496.5小時之間,平均值為168.6小時,標準差為105.9;編程效率在0.62—2.93之間,平均值為1.86,標準差為0.53。說明無論是通過的關卡數,還是消耗的時間上,學習者之間具有較大的差異,同時在闖關過程中消耗的時間越長,其編程的效率就越低,學生對闖關的專注程度會受到影響。

在堅持維度中,主要行為指標有實訓關卡調試次數、實訓時效性,其中實訓關卡調試次數在193—586次之間,將調試次數控制在200次以下的僅有1人,控制在200—300次之間的有39人,300次以上的有4人;在8次實訓章節中,每次都能按時提交的人數為6人,能按時提交5次以上的有34人。通過分析可以發現,大部分學生會在出現調試錯誤的情況下,仍然堅持對代碼進行修改并繼續提交,然后在不斷試錯的過程中完成實訓任務,能在即使超過提交時間的情況下,繼續堅持完成沒有通過的關卡任務,最終以超時提交的形式通過章節實訓。只有少數學生在超過500次的調試后,仍然無法解決問題,在疲勞之下最終選擇放棄,以未通關的結果結束章節實訓。

在互動維度中,主要行為指標有發布主題數量、回復主題數量、主題被點贊數量,其中發布主題討論的數量范圍在1—30個之間,平均值為15.6,標準差為6.12;回復主題的數量范圍在0—33個之間,標準差為7.07;主題被點贊的數量在8—514次之間,平均值為171.9,標準差為126.1。通過觀察數據,可以了解到學習者在編程實訓過程中的討論非?；钴S,主要內容是尋求幫助和經驗分享,并且點贊量高的帖子其內容質量也較高,能夠幫助其他學習者解決困難。但仍然有少數學生孤軍奮戰,與同學之間的交流較少,因其活躍度較低,所以發布的主題和回復的內容都很難被其他同學發現。

在學術挑戰維度中,主要行為指標為參與附加訓練和附加訓練正確率,項目共有6個附加訓練,分布在不同的章節內,但其難度和拓展性要遠高于其他關卡訓練。其中學生參與附加訓練的次數范圍在0—6個之間,平均值為2.57,標準差1.65;正確率范圍在0.52—1.0之間,平均值為0.83,標準差0.11,正確率在0.8以上的有40人。數據說明,大部分學生能夠以較高的正確率完成實訓項目,并在完成基本實訓任務后,繼續選擇挑戰難度較高的附加訓練。

2.1.2 編程學習效果分析

在學習效果方面,主要包含實踐成績和理論成績兩個評測指標。其中實踐成績最高為95分,最低為31分,平均72.1分,標準差為16.1;理論成績最高97分,最低51分,平均75.7分,標準差為9.823。通過上述數據,可以發現學生的實踐成績和理論成績都處于較高的水平,較高的學習成績也反映出了較好的學習效果。

2.2 基于聚類的學習者特征分析

為進一步揭示學習者特征,使用聚類方法對各編程學習行為指標數據進行分析,將學習者劃分為不同類型的行為特征群體。因各行為指標數據之間存在較大的數量級差別,為避免出現誤差,將數據進行歸一化處理,各數據的范圍轉化成0—1之間的數,起到統一量綱的作用。

首先使用SPSS進行系統聚類分析,采用的聚類方法為組間聯接,測量區間為平方歐氏距離。通過聚類后得到聚合系數折線圖(見圖1),其中橫坐標為類別數,縱坐標為聚合系數。通過觀察聚類結果可知,當類別數在2—4之間,折線坡度逐漸放緩,聚合系數趨于穩定,可知聚類的類別數在此區間內。

圖1 系統聚類結果

為探索具體的類別數,需使用K-Means聚類方法,依次以2—4間三個類別進行分析。通過K-Means聚類結果發現,當類別數為2時,輪廓系數為0.782;類別數為3時,輪廓系統數為0.808;類別數為4時,輪廓系數為0.665。說明當類別為3的時候,聚類效果最優,得出各指標顯著性水平如表2所示。各行為指標的顯著性水平均小于0.001,表明指標之間存在明顯差異。

表2 K-Means聚類分析ANOVA檢驗結果

依據聚類中心結果,可以得出第一類學習者人數為6人,占總人數的13.6%,這一群體學習態度端正,出勤率高,能高質量提前完成基本學習任務,還能不斷挑戰高難度的任務,并且均能在極少次的試錯過程中高效率解決問題,長期活躍在評論區內,解答其他學習者的問題;第二類學習者人數為34人,占總人數的77.3%,這一群體各項指標與第一類差距不大,基本能按時按量完成各任務節點,但是編程效率和正確率要稍低于第一類學習者,并且試錯次數和時間消耗要稍高于第一類學習者,能對附加訓練進行少量的嘗試,但會經常在評論區發布求助,獲取解決問題的辦法;第三類學習者人數為4人,占總人數的9.1%,這一類學習者全部指標都遠低于其他類別學習者,缺勤次數多,能低質量完成基本任務,不敢嘗試附加訓練,編程試錯次數和消耗的時間最多,從而導致不斷放棄未完成的關卡,無法按時提交訓練,雖然會在評論區進行少量討論,但多為無效交流。

2.3 學習效果的多元線性回歸分析

為進一步了解學習者特征與學習效果之間的影響機制,以各項在線編程學習行為投入指標為自變量,將實踐成績和理論成績各取50%并求和,得出綜合成績作為因變量,建立線性回歸模型。為減少不必要的變量之間的干擾,選擇使用逐步回歸方法來進行分析,回歸結果如表3和表4所示。

表3 模型摘要e

表4 回歸分析系數a

從模型摘要數據可以看出,逐步回歸分析最終保留實訓總耗時、附加訓練、關卡完成數、出勤次數變量?；貧w模型調整后R方為0.958,整體擬合程度較高。該回歸模型的德賓-沃森檢驗值為1.389,介于0—4之間,說明因變量(學習效果)其殘差服從獨立性。根據ANOVA方差分析結果,各變量均具有顯著性,回歸系數均不為0,說明變量之間存在回歸關系。通過觀察VIF值,發現實訓總耗時VIF值為10.779,回歸系數為-0.036<0,說明該變量存在共線性,需要排除變量并重新構建回歸模型。但在重新檢驗中發現,排除該變量會明顯降低回歸模型的擬合度,說明該變量的存在非常必要,因此決定對該變量進行保留。

根據回歸模型的各變量回歸系數,將其帶入多元線性回歸方程公式中,可以得到該模型的回歸方程如下:

學習效果=32.836-0.036×實訓總耗時+2.339×附加訓練+0.255×關卡完成數+1.646×出勤次數

觀察回歸系數可以發現,參與維度的出勤次數、專注維度的關卡完成數和學術挑戰維度的附加訓練對學習效果具有顯著正向影響,而專注維度的實訓總耗時對學習效果具有負向影響。

3 研究討論與建議

3.1 在線編程學習者群體聚類討論

根據上述學習者特征聚類分析,將44名在線編程學習者劃分為三類,通過觀察這三類學習者群體的行為特征數據,對其進行定義:(1)第一類學習者定義為“出色突破型”。此類學習者的程序設計思維天賦出眾,編程學習充滿活力與創造力,有追求知識與技能的動力和熱情,擁有高度的主動性去克服學習中的困難與挑戰,不斷突破自我。教師可以引導此類學習者積極參與到各類計算機技能大賽中,持續培養和提升創新思維與能力。(2)第二類學習者定義為“努力完成型”。此類學習者具有較好的執行力,能夠按時完成任務,但無法保證質量,這類學習者不太關注自己的能力或天賦,但他們愿意不斷努力嘗試來獲得成功,能在規定時間內完成基本任務。教師需要為此類學習者樹立學習目標,給予一定的贊揚和鼓勵,同時協助他們制定可行的學習計劃,鼓勵學生使用自己的方式去解決問題。(3)第三類學習者定義為“邊緣落后型”。此類學習者主要表現在缺乏學習動機和自信心,在學習中遇到困難就會選擇放棄,心理素質脆弱,受挫后逐漸失去編程學習興趣。教師需要重點關注此類學習者,幫助他們端正學習態度,克服困難并重拾信心,重新燃起對學習的熱情和興趣。

3.2 影響在線編程學習效果的關鍵因素

在編程學習行為投入對學習效果的回歸結果中,除實訓總耗時外,附加訓練、關卡完成數、出勤次數均對學習效果具有正向影響,其中附加訓練和關卡完成數的影響程度最高。由此說明,在編程學習中,保持專注的態度并不斷挑戰和排除困難,就能獲得較好的編程學習效果。通過觀察“實訓總耗時”變量的數據特點,可以發現長時間的編程調試會使學習效率降低,導致其對學習效果產生了負向影響,說明高效率學習才會促進編程技能的提升。同時在保證其他因素不變的情況下,編程學習中的堅持和互動行為,也會對學習效果產生影響,堅持學習可以讓學生保持學習的動力與持續進步,互動可以讓學生學習更加輕松、愉悅。編程學習的內容和過程都比較復雜,需要學生不斷地進行練習和實踐,只有堅持不懈才能獲得持久的收益。因此,教師可以在編程教學中,合理規劃實踐任務和活動,設置一定程度的明確的學習目標,打造具有挑戰性的學習環境,激勵學生發揮潛力。

3.3 建議

3.3.1 完善任務類型,提升學習專注;開展小組協作,加強交互

從線性回歸分析結果可知,學生編程學習效果主要受到參與和專注行為的影響,因此需要增強編程學習者該方面的學習行為。專注的學生更能有效地掌握程序設計的理論知識,進而促進編程實踐能力的提升。建議平臺開通分組編程任務功能,為學習者提供更多的學習參與和交流機會。小組任務的分配有助于促進學生之間的分工合作,實現團隊成果的輸出,進而提升學生編程訓練專注度。這意味著各小組需要同時具備“出色突破型”“努力完成型”和“邊緣落后型”三類學習者,以確保成員能力的平衡。積極的學習者帶動群體共同進步,從而實現小組所有成員的編程知識與技能的有效內化。

3.3.2 合理劃分學習任務,提升編程學習效能感

在編程任務關卡中花費較多時間反而會對學習成績產生負面影響,這說明實訓關卡的難度設置不合理。學生持續面對高難度學習任務,會浪費大量的時間和精力,從而導致學習效率的大幅下降。因此,編程學習任務的難度劃分至關重要,建議教學者合理劃分學習任務,在保證學生能掌握基礎編程知識與技能的情況下,階梯式逐級拔高難度,以此提升學生編程學習效能感。學習者只有在不斷成功解決問題的過程中獲得成就感,才會選擇挑戰更高的任務目標,充分發揮自身學習思維優勢。