云學習平臺大學生學業成績預測與干預研究

尤佳鑫++孫眾

【摘 要】

預測在校大學生學業成績并及時進行干預指導，是提升大學生學習效果的有效途徑。云環境下，學習中過程性數據的積累為預測分析提供了有力依據。本研究設計并開展一門基于實體課堂和云學習平臺（MOODLE平臺、微信平臺）的混合式大學課程。通過收集學生多類屬性及學習過程性數據建立多元回歸模型，對其將取得的成績進行預測，并展開教學干預以提升其學習效果。結果顯示，在預測模型方面，多元回歸模型可以在全班水平上取得較佳的預測效果；在預測因子方面，績點、在線學習參與度、前導課成績和學習興趣是影響學業成績的重要因素；在干預效果方面，教學干預取得了較好效果，學弱群體接受干預后進步顯著。

【關鍵詞】 云學習平臺；學業成績；預測；干預；多元線性回歸

【中圖分類號】 G443 【文獻標識碼】 A 【文章編號】 1009—458x（2016）09—0014—07

一、研究背景

在線學習和課堂學習相結合的混合式教學方法，已成為目前許多高校正在探索的模式。隨著以云計算、云存儲為標志的云時代的到來，在線學習方式變得更加多元。學習者可以隨時隨地使用任何設備接入云端學習平臺，基于云存儲的大量在線學習痕跡也為學業成績預測和個性化學習研究提供了有力支持。

在校大學生學業成績預測是指以單科學習情況為基本分析單元，在課程開始后根據學生的各種基本情況對其將取得的成績進行評估（李建萍， 2009）。收集和分析大學生的個性化特征以及在云學習平臺上的在線行為數據，據此進行學業成績預測并及時干預指導，可以對學生起到預警作用，督促其采用有效的方法提高學業成績，同時也能夠督促教師建立更加有效的教學策略。這對采用更好的教學法、讓學生主動參與學習和提升學習效果是十分必要的。

因此，本研究以一門大學課程為切入點，設計并開展基于實體課堂和云學習平臺（MOODLE平臺、微信平臺）的混合教學。在課程進行中，通過收集和分析學習者基本信息、心理認知水平（網絡自我效能、學習興趣）、先前知識水平（績點、前導課成績、上次任務成績）和在線行為數據（MOODLE平臺參與度、微信平臺參與度），建立多元回歸預測模型，對其將取得的成績進行評估，并展開預測結果指導下的學習干預，以建立更加有效的教學策略和方法，提升學習者在云環境下的學習效果。

二、文獻綜述

1. 心理認知水平

非智力因素在學習活動中具有引導、控制、調節等作用。自我效能感與學習興趣是影響大學生學習過程和學業成績的重要心理因素。在傳統學習環境中，根據學習者的自我效能感可以有效預測其學業表現（Lane， Lane， & Kyprianou， 2004）；在在線學習環境中，根據網絡自我效能感會對學習效果產生深遠影響（Peng， Tsai， & Wu， 2006）。網絡自我效能感是指個體對自己成功使用網絡進行工作學習的自我信念和期望（Wu & Tsai， 2006）。Peng等人（2006）研究發現，在線學習環境中，大學生網絡自我效能是其學習動機、興趣與學業表現的重要影響因子。隨著學生擁有越來越多的機會使用網絡信息資源或工具進行學習，網絡自我效能感已成為研究者關注的重點。

學生的學習興趣是其對學習活動產生的心理上的愛好和追求的傾向，是推動學習活動的內部動機，也是影響學業成績的重要因素（吳靖媛， 等， 2010）。早期就已有大量研究調查興趣對學習結果的影響（Lepper， 1988； Paris， Olson， & Stevenson， 1983； Pintrich， 1989）。興趣與學業成績的關系一直是該領域研究的核心。如今，興趣對學習的促進作用已得到人們的普遍認同（吳靖媛， 等， 2010）?？紤]以上因素，本研究選擇了網絡自我效能感和學習興趣兩個因素，作為預測學業成績時心理認知方面的影響變量。

2. 先前知識水平

本研究調查的先前知識水平，即背景知識水平，是指課程學習之前，學習者所擁有的與該門課程有關的所有背景知識的總體掌握程度。學習者的先前知識是影響其學習效果的重要因素之一（葉海智，等， 2014）。先前知識在不同階段的信息加工中起作用，缺乏必要先前知識的學習者在學習新信息與構建新知識的過程中會遇到困難（Dochy， 1994）。因此，本研究認為學習者先前知識水平能夠對其學業成績產生影響。已有研究中（Huang & Fang， 2013； Hoschl & Kozeny， 1997； Huang & Fang， 2011），前導課成績、GPA成績（以下稱“績點”）以及課程中上次任務成績等均可作為衡量學生先前知識水平的因素。

3. 在線學習參與度

許多研究者（Alavi， 1994； Astin， 1996； Pratton， 1986）都強調了教學中學生參與度的重要性。Hrastinski（2009）認為，如果學習者想在在線學習中取得更好的學習效果就要投入更大的參與度。他在研究中發現，學生在論壇中發消息的數量能夠作為其在線學習參與度的影響因子。Morris等人（2005）的研究表明，在線學習參與度的影響因子（例如發帖數量和瀏覽時長）會對學習績效（考試成績）產生正向促進作用。眾多相關研究（Bento & Schuster， 2003； Michinov， Brunot， Le Bohec， Juhel， & Delaval， 2011； Webster & Hackley， 1997）也表明，當學生能夠有效參與在線學習時，其學習效果更佳。

有學者認為參與度的衡量不能僅僅依靠在線論壇中的帖子數量來評估。Shaw（2012； 2013）在研究了在線論壇中學生的學習交互行為后，總結出回復、提問、瀏覽與無行為四種在線學習參與類型，并分析了它們與學習績效的關系。其研究結果表明，不同類型行為對在線學習參與度的貢獻程度不同，計算權值也應是不同分值。其中，方差分析結果顯示“回復”是權重最高的行為類型。本研究參考了Shaw（2012； 2013）研究中的思想和方法，根據實際情況擴展了行為類型，并結合加權計算的方法衡量學生的在線學習參與度。

總體來看，這些研究多是針對傳統課堂環境，研究過程與結論并不完全適用于云時代下的新型課堂環境。隨著云學習平臺與傳統課堂逐漸深入整合，在云學習環境下，如何有效預測學生學業成績并進行及時干預指導，形成有效教學策略，還有待研究。因此，本研究以一門基于云學習平臺開展的大學課程為切入點，考慮學生的心理認知水平、先前知識水平和在線學習參與度三方面因素，建立多元回歸模型，預測其學業成績，并進行適當的干預和指導，以提升其學習效果，為云環境下進行學業成績預測和建立有效教學策略提供一定的理論依據和實踐參考。

三、研究過程

1. 研究對象

研究對象來自北京市某高校的78名大三學生。他們在大三上學期學習了一門教育必修課，課程采用了云學習平臺（MOODLE平臺、微信平臺）和實體課堂相結合的混合模式。研究對象中男生26人（33.33%），女生52人（66.67%），使用MOODLE平臺和微信平臺的詳細情況如表1所示。從調查結果來看，所有學生擁有智能手機并安裝了微信應用，大部分學生使用過微信或MOODLE平臺進行課程學習，有利于課程的開展。

2. 課程設計

本研究以大三下學期的一門教育類必修課“信息技術學科教學法”為基礎展開研究，設計流程如圖1所示。從教學安排來看，整個課程共有三次綜合性學習任務，分別在第1周、第2-4周和第5-8周。教師首先在課堂上講授學科知識并布置任務。學生在MOODLE平臺或微信平臺瀏覽學習資源、提交任務作品、進行同伴互評與討論。在截止時間內，學生可根據互評建議修改作品，反復提交，終稿成績作為最終任務成績。

表1 MOODLE平臺和微信平臺使用情況

[題項＼&選項＼&人數＼&比例＼&使用智能手機并安裝微信應用＼&是＼&78＼&100%＼&否＼&0＼&0＼&使用微信的頻率＼&每時每刻都在用＼&43＼&55.13%＼&每天偶爾用一下＼&32＼&41.03%＼&幾天用一次＼&2＼&2.56%＼&很少使用＼&1＼&1.28%＼&使用微信公眾號進行過課程學習＼&是＼&39＼&50%＼&否＼&39＼&50%＼&希望通過微信公眾號進行課程學習＼&很希望＼&25＼&32.05%＼&一般＼&45＼&57.69%＼&不希望＼&8＼&10.26%＼&閱讀過的微信教育類公眾號＼&10個以上＼&3＼&3.85%＼&5-10個＼&17＼&21.79%＼&5個以內＼&53＼&67.95%＼&從未閱讀過＼&5＼&6.41%＼&使用MOODLE平臺進行過課程學習＼&是＼&53＼&67.95%＼&否＼&25＼&32.05%＼&希望通過MOODLE平臺進行課程學習＼&很希望＼&19＼&24.36%＼&一般＼&56＼&71.79%＼&不希望＼&3＼&3.85%＼&]

圖1 課程與實驗設計流程

在實踐環節，課程第一周，研究人員與教師共同布置在線平臺，講解平臺使用方法，并完成對學生的前測。隨后，學生正式展開課程學習。研究人員在課程進行過程中收集學生完成任務1與任務2時的在線行為數據，并結合前測數據進行任務3的成績預測。隨后，針對預測結果展開學習干預，尤其是瞄準學弱群體及時進行提醒與預警。當任務3結束后，研究人員對部分學生進行訪談，對實驗效果進行分析。

3. 研究方法

多元回歸是研究一個因變量與兩個或兩個以上自變量的回歸，是反映一種現象或事物的數量依多種現象或事物的數量的變動而相應變動的規律，建立多個變量之間數量關系式的統計方法。

McKenzie等人（2001）通過問卷法調研了澳大利亞大學一年級的197名學生，以入學成績、社會心理、認知水平和人口特征作為預測因子，學業表現（期末成績）作為因變量，建立多元回歸模型進行預測。結果顯示，入學成績、社會心理、認知水平均為顯著預測因子，部分人口特征可以作為預測因子。他們認為，找到影響學業表現的預測因子可以對目標學生進行有效的指導干預，使其規避學業風險。Huang和Fang（2013）在一項預測機械課程學術表現的研究中比較了四種不同數學模型的預測能力。他們收集了323名學生的績點、四門前導課成績、三次期中測驗成績和最終期末成績，建立多種預測模型，分析模型準確率及自變量有效性。結果顯示，在預測全班學業成績時，選擇多元回歸方法最佳，以績點作為自變量即可實現較高準確率。雖然其他數學方法也可以用來預測學業成績，但是從已有研究來看（Hoschl， et al， 1997； Flook， Repetti， & Ullman， 2005； Ayán & Garc， 2008），用多元回歸方法進行學業成績預測更為普遍，且準確率較好。所以，本研究采用多元回歸作為主要的研究方法，以此來預測云環境下的大學生學業成績。

4. 數據收集

（1）個人基本信息與心理認知水平

本研究以調查問卷的形式在前測時收集了學習者個人基本信息和心理認知水平的數據。個人基本信息量表包括性別、年齡等學習者基本特征，以及MOODLE平臺和微信平臺的使用情況。

心理認知水平維度包括網絡自我效能感和學習興趣兩個子量表。其中，網絡自我效能感量表選自謝幼如等人（2011）編制的“大學生網絡學習自我效能感量表”，共20道題目，采用七級里克特答題范圍，整體一致性系數為0.92，各題項一致性信度在0.72-0.89之間，具有較高的同質性。該量表用來測量個體對自己在網絡學習活動中取得成功的信念水平，是個體對自己使用計算機、網絡信息資源或網絡通信工具等完成學習任務的能力的一種主觀判斷。

學習興趣量表改編自Harackiewicz等（2008）編制的“原始學習興趣量表”。該量表共7道題目，采用七級李克特答題范圍，整體一致性系數為0.90，具有較高的同質性。該量表原為測量學習者在心理學科中的學習興趣水平，因此研究人員對題目進行了改編以適于測量被試對教育學科的學習興趣。

（2）先前知識水平

為衡量學習者的先前知識水平，本研究在前測時收集了被試的績點與一門前導課期末成績作為參考。另外，為預測下一次任務成績，學生前一次任務成績也會作為假設影響因素?？凕c采用五分制計算方法，前導課成績采用百分制計算方法，每次任務成績采用十分制計算方法。

（3）在線學習參與度

研究者通常使用定量方式評估在線論壇參與度，如學習者在論壇中發帖的數量（Mazzolini & Maddison， 2003）。然而，參與度不應僅僅依靠帖子或其他行為數量來評估（Wenger， 1998），積極參與的行為比被動接受的行為貢獻更大（Romiszowski & Mason， 2004）。因此，不同類型的在線行為，根據其貢獻程度，在參與度計算中的權重也應有所區分。

在使用云學習平臺期間，學生在MOODLE平臺和微信平臺留下了多種操作痕跡，如瀏覽資源、提交作業和同伴互評等。參考已有研究（Shaw， 2012； Shaw， 2013； Morris， et al， 2005）的維度劃分及權重分配，并結合研究的實際情況與多名專家意見，本研究制定了MOODLE平臺和微信平臺的在線行為編碼體系（如表2所示）。該編碼原則就是不重不漏地記錄學生的在線行為。研究人員據此對MOODLE平臺系統日志及微信平臺聊天記錄進行了整理與編碼，統計學習者在兩個平臺中不同行為的數量，并計算參與度。計算公式如下，其中Pm為MOODLE參與度，Pw為微信參與度，N為行為數量，W為行為權重。

[P總=Pm+Pw]…（1）

[Pm=i=113NAi?WAi]…（2）

[Pw=i=110NBi?WBi]…（3）

5. 數據分析

本研究使用多元線性回歸模型作為預測模型。在學生完成兩次任務之后，使用前兩次任務的過程性數據建立預測模型，進行第三次任務成績的預測。

建立模型時，首先將網絡自我效能感和學習興趣兩個維度下的子題項計算均值，合并為兩個變量。然后將網絡自我效能感（X1）、學習興趣（X2）、績點（X3）、前導課成績（X4）、第一次任務成績（X5）、在線學習參與度（X6）作為自變量，第二次任務成績（Y）作為因變量，使用第二次任務中90%的樣本量作為訓練樣本建立模型，10%作為檢測樣本檢驗模型。預測模型建立完畢后，將第三次任務中的過程數據作為預測樣本帶入模型，進行任務3成績的預測。當任務3實際成績得出后，再次驗證預測效果。模型的建立和預測工作都是在SPSS 18.0軟件中進行。

6.干預實施

在任務3預測結束后，將全班學生成績進行降序排列，按比例分為高（27%）、中（46%）、低（27%）三個分數段。在中低分數段中，綜合考慮性別、活躍度等因素，選擇一部分學生進行教學干預。干預方式包括在線交流、一對一面談和一對多面談，干預內容包括提醒警示、鼓勵、知識點梳理和答疑。

四、研究結果

1. 最終預測模型

以第二次任務中90%樣本量為訓練樣本，建議多元線性回歸模型。結果顯示，最終預測模型為：

[Y=-2.618+0.387?X3+0.007?X6+ 0.074?X4+0.385?X2]…………（4）

模型中，顯著影響因子按影響程度由大到小依次排序為績點（X3）、在線學習參與度（X6）、前導課成績（X4）和學習興趣（X2）。被排除在模型外的因子為網絡自我效能感（X1）和第一次任務成績（X5），說明二者對第二次任務成績（Y）的影響不夠顯著。

該結果符合常理，也與先前研究結果有所吻合。Huang和Fang（2013）的多元回歸預測結果中，績點也是首要預測因子，具有決定性作用，可見績點對評估學生學業成績的重要性。本研究中網絡自我效能感主要測量學生使用在線環境完成任務的信心，但想要取得更高的學業成績，需要學生形成真正的在線學習行為，并保持較高的參與度。第一次任務成績的影響能力最弱，主要是由于一次任務成績的隨機性較大，并不能充分體現學生的學業水平，而且該任務為課程開始后首次作業，學生可能還未完全熟悉課程，發揮也不夠穩定。

2. 平均預測準確率

[APA=1-1n?i=1nPi-AiAi?100%]…（5）

該數值反映了模型在預測全班學生成績時的有效性。其中，P為預測成績，A為實際成績，n為樣本量。

模型建立后，用任務2中10%的樣本量進行檢驗，其平均預測準確率為91.14%。平均準確率較高，說明模型較合理，可以用此模型進行第三次任務成績的預測。

任務3成績預測的結果顯示，平均預測準確率為97.65%（兩人未交作業，n=76），說明此次預測在全班水平上準確率較高，整體預測效果較好。

3. 命中率

命中率與平均預測準確率均是檢驗預測模型效果的標準。命中率反映了在全班學生中符合預測成績在實際成績的90-110%區間內的人數比例（即預測誤差為±10%）。命中率越高，預測模型越好。

任務3的預測命中率為53.85%，命中人數超過半數，與已有研究中（Huang & Fang， 2013）的預測命中率相對持平。Huang和Fang（2013）在研究中指出，預測模型不合適、預測因子不全面或不準確等因素都可能是命中率不高的原因。本研究中，多元回歸模型雖然在全班水平上取得了較好的預測效果，平均預測準確率較高，但是在預測某個學生成績時，大概會有50%的概率無法精準評估，因此提升精確命中率成為本研究下一步需要解決的問題。

4. 成績干預結果

本研究對比了干預及未干預學生第三次任務與第二次任務的實際平均分，并用配對T檢驗分析差異的顯著性。

表3從高（27%）、中（46%）、低（27%）三個分數段學生的角度進行分析，從干預結果可以看出，高分組學生平均分下降，中分組和低分組被干預的學生平均分提升顯著，而未被干預的學生平均分提升不顯著或有所降低。

五、討論

1. 多元線性回歸模型可以在全班水平上取得較好的預測效果

本研究在模型建立和驗證后，發現多元線性回歸模型在預測學業成績時，可以在理論上獲得一定的價值，能夠解釋目前課堂中一些常見現象，并且可以在實踐中取得較高的平均預測準確率，但精確命中率偏低。這說明，多元線性回歸模型在預測全班整體學業水平時是一種簡捷有效的方法，但在精確預測某個學生成績時，可能不太適合。

2. 在線學習參與度是影響學業成績的重要因素

通過預測模型可知，績點、在線學習參與度、前導課成績和學習興趣對學生學業成績具有重要影響。在傳統課堂環境中，具有較高績點、前導課成績和學習興趣的學生將更有可能取得較高的學業成績，這與當前課堂中的實際教學情況相符。值得注意的是，學生在云學習平臺中的在線學習參與度會對其學業成績產生較大的正向促進作用?？梢灶A見，在技術與教學深入整合的過程中，實體課堂與云學習平臺相結合的學習模式將在高校逐漸普及。各式各樣的云學習平臺將在學生的正式和非正式學習中發揮重要作用。教師應更加關注學生在平臺中的在線學習參與度。

更重要的是，如何引導學生在平臺中高效參與，獲得更高的在線學習效果，是教師要著重考慮的問題。在本研究中，隨著使用平臺的時間逐漸增加，學生在平臺上與課程無關的行為明顯增多，此時就需要教師進行及時遏止，引導學生將注意力轉回課程學習中。這也說明，云學習平臺中的實時監管非常重要。如果不能跟蹤學生的過程性數據，就難以及時發現問題，進行合理的教學干預。

3. 教師的引導與干預作用不容忽視

從教學干預效果來看，全班接受干預的學生平均分顯著提高，最為明顯的是低分組，其次是中分組。而未接受干預的學生平均分有所降低，最顯著的是高分組，其次是中分組。這說明基于預測的干預起到了較好的效果，學弱群體接受干預的同學成績進步顯著。由此可見，在提倡學習要以學生為中心時，教師的引導與干預作用更不能忽視。

云學習環境下，保留學生學習痕跡和過程性數據變得可行，為教師監控學生的學習過程提供了有力依據。在技術的輔助下，預警信息更加及時，目標范圍更加精準，教學干預能夠發揮更大作用。利用學習分析技術預測學生未來學習情況，針對可能發生的問題展開教學指導，是提升學生學習效果的一種有效手段，對正式與非正式學習都將發揮重要作用。

另外，在后測采訪接受教學干預的學生時，他們認為教師的鼓勵或提醒有一定的警示作用，有助于其嚴格要求自己，但最有幫助的還是針對性的意見和建議。因此，教師在進行教學干預時，應更加注重提出客觀性的指導意見，使學生明白為什么、怎么做，這是學生最需要的，也是對他們幫助最大的反饋。

六、結語

本研究以一門大學課程為切入點，設計并開展基于實體課堂和云學習平臺（MOODLE平臺、微信平臺）的混合學習模式。在課程進行中，通過收集和分析學習者基本信息、心理認知水平（網絡自我效能、學習興趣）、先前知識水平（績點、前導課成績、上次任務成績）和在線行為數據（MOODLE平臺參與度、微信平臺參與度），建立多元回歸預測模型，對學生將要取得的成績進行評估，并開展預測結果指導下的學習干預，以提升學習者在云環境下的學習效果。研究結果顯示，多元回歸模型可以在全班水平上取得較佳的預測效果，但精確命中率不高；績點、在線學習參與度、前導課成績和學習興趣是影響學生學業成績的重要因素；基于預測的教學干預取得了較好的效果，中低分組接受干預的學生成績進步顯著。下一步，本研究將分析和討論提升預測命中率的問題，以實現更好的預測效果。

[參考文獻]

李建萍. 2009. 基于加權支持向量機的學習成績預測模型[J]. 中國科教創新導刊（14）：137.

吳靖媛，高光珍，胡象嶺. 2010. 高中生物理學習興趣與學習成績關系的實證研究[J]. 教育實踐與研究：中學版（B）（11）：9-11.

謝幼如，劉春華，朱靜靜，尹睿. 2011. 大學生網絡學習自我效能感的結構、影響因素及培養策略研究[J]. 電化教育研究（10）：30-34.

葉海智，趙耀遠，吳金鴿. 2014. 基于Web的動態評價系統設計及其應用效果探究[J]. 電化教育研究（9）：79-84.

Alavi， M. （1994）. Computer-mediated collaborative learning： an empirical evaluation. Management Information Systems Quarterly， 18（2）： 159-174.

Astin， A. W. （1996）. Involvement in learning revisited： lessons we have learned. Journal of College Student Development， 37（2）： 123-134.

Ayán， M. N. R.， & García， M. T. C. （2008）. Prediction of university students academic achievement by linear and logistic models. The Spanish journal of psychology， 11（1）： 275-288.

Bento， R.， & Schuster， C. （2003）. Participation： The online challenge. In A. Aggarwal （Eds.）， Web-based education： Learning from experience （pp. 156-164）. Hershey， Pennsylvania： Idea Group Publishing.

Dochy， F. J. R. C. （1994）. Investigating the use of knowledge profiles in a flexible learning environment： analyzing students prior knowledge states. In S. Vosniadou （Eds.）， Psychological and Educational Foundations of Technology-Based Learning Environments （pp. 339-353）. Berlin， New York： Springer Verlag.

Flook， L.， Repetti， R. L.， & Ullman， J. B. （2005）. Classroom social experiences as predictors of academic performance. Developmental psychology， 41（2）： 319.

Harackiewicz， J. M.， Durik， A. M.， Barron， K. E.， Linnenbrink-Garcia， L.， & Tauer， J. M. （2008）. The role of achievement goals in the development of interest： Reciprocal relations between achievement goals， interest， and performance. Journal of educational psychology， 100（1）： 105.

Hoschl， C.， & Kozeny， J. （1997）. Predicting academic performance of medical students： The first three years. American Journal of Psychiatry， 154（6）： 87.

Huang， S.， & Fang， N. （2011）. Work in progress—Prediction of students academic performance in an introductory engineering course. In Frontiers in Education Conference （FIE）， 2011 （pp. S4D-1）. IEEE.

Huang， S.， & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers & Education， （61）： 133-145.

Hrastinski， S. （2009）. A theory of online learning as online participation[J]. Computers & Education， 52（1）： 78-82.

Lane， J.， Lane， A. M. & Kyprianou， A. （2004）. Self-efficacy， self-esteem， and their impact on academic performance. Social Behavior and Personality， （32）： 247-256.

Lepper， M. R. （1988）. Motivational considerations in the study of instruction. Cognition and Instruction， （5）： 289-309.

Mazzolini， M.， & Maddison， S. （2003）. Sage， guide or ghost？ The effect of instructor intervention on student participation in online discussion forums. Computers & Education， 40（3）： 237-253.

McKenzie， K.， & Schweitzer， R. （2001）. Who succeeds at university？ Factors predicting academic performance in first year Australian university students. Higher education research and development， 20（1）： 21-33.

Michinov， N.， Brunot， S.， Le Bohec， O.， Juhel， J.， & Delaval， M. （2011）. Procrastination， participation， and performance in online learning environments. Computers & Education， 56（1）： 243-252.

Morris， K. V.， Finnegan， C.， & Sz-Shyan， W. （2005）. Tracking student behavior， persistence， and achievement in online courses. Internet and Higher Education， 8（3）： 221-231.

Paris， S. G.， Olson， G. M.， & Stevenson， H. W. （1983）. Learning and motivation in the classroom. Hillsdale， NJ： Lawrence Erlbaum Associates.

Peng， H.， Tsai， C. C.， & Wu， Y. T. （2006）. University students self-efficacy and their attitudes toward the Internet： The role of students perceptions of the Internet. Educational Studies， 32（1）： 73-86.

Pintrich， P. R. （1989）. The dynamic interplay of student motivation and cognition in the college classroom. Advances in Motivation and Achievement， （6）： 117-160.

Pratton， J.， & Hales， L. W. （1986）. The effects of active participation on student learning. Journal of Educational Research， 79（4）： 210-215.

Romiszowski， A.， & Mason， R. （2004）. Computer-mediated communication. In D. H. Jonassen（Eds.）， Handbook of research for educational communications and technology （pp. 397-431）. Mahwah， New Jersey： Lawrence Erlbaum Associates， Publishers.

Shaw， R. S. （2012）. A study of the relationships among learning styles， participation types， and performance in programming language learning supported by online forums. Computers & Education， 58（1）： 111-120.

Shaw， R. S. （2013）. The relationships among group size， participation， and performance of programming language learning supported with online forums. Computers & Education， （62）： 196-207.

Webster， J.， & Hackley， P. （1997）. Teaching effectiveness in technology-mediated distance learning. Academy of Management Journal， 40（6）： 1282-1309.

Wenger， E. （1998）. Communities of practice： Learning， meaning， and identity. Cambridge： Cambridge University Press.

Wu， Y. T.， & Tsai， C. C. （2006）. University students internet attitudes and Internet self-efficacy： A study at three universities in Taiwan. Cyberpsychology & behavior， 9（4）： 441-450.

收稿日期：2016-01-20

定稿日期：2016-03-28

作者簡介：尤佳鑫，碩士研究生；孫眾，博士，副教授，碩士生導師，本文通訊作者。首都師范大學信息工程學院（100048）。

責任編輯 劉 莉