在线学习行为投入对学习绩效的影响———基于国内外30篇实证研究文献的元分析

本文刊载于《河南师范大学学报》（哲学社会科学版）2024年第5期。

摘要:在线学习行为投入是影响学习者学习绩效的关键要素,但具体行为投入的效度如何仍存在争议。本文通过对国内外30篇实证研究文献进行元分析,审视在线学习行为投入对学习绩效的影响效果,并探究学习者类型、学习区域和实验周期三个调节变量的效果差异。结果显示:在线学习行为投入对学习绩效有中等程度的积极影响,但学术挑战任务的质量和工作量、回复主题帖、克服困难、自我评价与反思、明确学习目标与要求、单项任务完成度等7个指标行为,与学习绩效表现出高相关性;在调节变量方面,相较于国外,在线学习行为投入对国内大学生6个月以上长周期的学习绩效影响较大。建议从任务挑战度、交互激励机制和在线学习周期等方面完善在线学习设计。

关键词:在线学习;行为投入;学习绩效;实证研究;元分析

在线学习行为投入是学习者与网络环境双向交互行为的总和,可用于评估和预测在线学习质量,如学生观看课程视频、参与在线测试、分组讨论及同伴互评等。由于受学习者类型、学习区域和实验周期特征的影响,已有研究对在线学习行为投入与学习绩效之间的关系强弱、效应值方向及其具体效应值的影响显著性等结论还存在分歧。本研究利用元分析方法,解析和审视在线学习的实证研究成果,探究在线学习行为投入对学习者学习绩效的影响,以期为高质量在线学习活动设计提供借鉴,服务在线学习者的个性化发展。

一、文献综述

(一)在线学习行为投入的分析维度

在线学习行为投入是指学习者在资源丰富的互联网学习环境中,为取得某种学习绩效的外显行为表现,包括投入时长、活动强度和努力程度等。考虑到在线学习行为投入的时间性、多维性和多层次性等特征,以及在线学习系统、学习资源、参与者之间的关系结构,国内研究者将在线学习行为投入归纳为六个维度(16个具体指标):参与(出勤、投入时间和资源访问量)、交互(师生交互、发表主题帖、浏览主题帖和回复主题帖)、坚持(克服困难和保持高参与度)、专注(单项任务完成度)、学术挑战(挑战任务工作量、认知工具使用和挑战任务质量)和自我监控(明确学习目标与要求、自我评价与反思和管理工具使用)。

(二)在线学习行为投入对学习绩效的影响研究

在线学习行为投入对学习者学习绩效的影响,因学习者类型、学习区域和实验周期等变量差异,研究结论大致分为以下两种:一是在线学习行为投入对学习绩效有显著积极影响。比如,罗曼诺夫认为高学习绩效与高频率的在线学习活动有关。理查德证明了在线模拟有助于学习者理解内容和摆正科学态度。张敬等发现在线学习行为投入与学习绩效之间存在显著的正相关。另外,在线学习行为投入对知识获取、实践技能、自我效能感和满意度,以及长期学习结果均有显著影响。二是在线学习行为投入对学习绩效的提升无显著的积极影响。具体表现为,在线学习行为投入对短周期学习结果影响不大,学习者所浏览的课程章节数和视频观看次数等行为投入不仅与学习绩效无直接关系,且较高的视频观看总时长和较高次数的其他页面访问量的行为还对在线学习绩效有负面影响。因此,有必要重新审视在线学习行为投入与学习绩效之间的效应关系及其具体指标的影响,并揭示不同调节变量对学习绩效的调节效应,以挖掘有价值的研究结

二、研究设计

(一)研究假设

基于文献综述,本研究将在线学习行为投入作为自变量,具体指标参考在线学习行为投入模型,将学习绩效作为因变量,学习者类型、学习区域和实验周期作为调节变量,形成图1所示的研究框架,提出以下两个研究假设:

假设1:在线学习行为投入对学习绩效有正向影响,且在具体指标上存在差异;

假设2:在线学习行为投入对学习绩效的影响在不同调节变量上存在差异。

(二) 元分析过程

元分析方法通过对同一问题的不同实验和实证研究的数据和结果进行综合统计、分析得出总效应值,以形成对所研究问题的综合观点和研究结论。本研究选择皮尔逊相关系数(r)作为统计效应值,来表征在线学习行为投入对学习绩效的影响程度。使用CMA3.0(Comprehensive Meta-analysis3.0)软件对纳入元分析的效应值进行数据检验和分析,包括出版偏倚分析、异质性检验、主效应检验、具体效应值检验和调节效应检验,以探讨在线学习行为投入对学习绩效的影响。为保证研究质量,本研究严格按照库伯等提出的元分析过程,包括文献检索、文献筛选、文献编码等环节。

1.文献检索

本研究以在线学习行为投入和学习绩效为关键词对国内外相关数据库进行文献检索。其中,中文文献主要从CNKI全文数据库、维普数据库、万方数据库进行检索。自变量“在线学习行为投入”的检索词包括“在线学习行为投入”“网络学习行为投入”“在线学习行为”“网络学习行为”和“远程学习行为”。因变量“学习绩效”的检索词包括“学习绩效”“学习效果”“学习成绩”和“学习结果”。外文文献主要从Science Direct、Springer Link、Web of Science、Google Scholar以及Pro Quest硕博士论文全文数据库等数据库进行检索,“在线学习行为投入”的检索词包括“Online Learning Behavioral Engagement”“E-learning Behavioral Engagement”“Online Learning Behavioral Participation”和“E-learning Behavioral Participation”。“学习绩效”的检索词包括“Learning Outcomes”“Learning Achievements”“Learning Performance”“Learning Effect”和“Learning Effectiveness”。

2.文献筛选

为确定符合研究问题的文献样本,研究制定了五项文献纳入排除标准,以深度筛选初始文献:(1)研究类型为实证研究或量化研究,综述类文献被排除;(2)研究主题必须是在线学习行为投入与学习绩效之间的影响关系;(3)为保证数据来源的高质量,中文文献只纳入核心期刊和CSSCI来源期刊;(4)研究数据完整,需明确报告样本量n和皮尔逊相关系数r;(5)重复文献被排除,若同一篇文献以不同形式发表,只取其一。依照上述标准将不符合的文献排除后,最终纳入元分析的文献共30篇,其中,中文文献19篇,英文文献11篇。

3.文献编码

文献编码体系如表1所示,包括文献基本信息、定量数据提取和调节变量编码三部分。其中文献基本信息有文献作者、发表年份、具体指标;定量数据提取是指提取对应指标值(相关系数r),调节变量编码元素为学习者类型、学习区域和实验周期。为保证指标提取的准确性和编码有效性,由团队中两名经过元分析编码标准培训的研究者分别编码,一致性达到92%以上,说明编码结果具有一定的可信度。

三、研究结果分析

(一)出版偏倚和异质性检验

1.出版偏倚检验

为提高元分析结果的准确性,本研究在评估出版偏倚时选择了直观的漏斗图、适用于小样本研究的Egger’s检验和失安全系数(Fail-safe N)三种方法进行综合研判。其中,出版偏倚漏斗图中样本效应值对称均匀分布在合并效应值0.366两侧,Egger回归检验结果表明,t值为1.766(t<1.96),p值为0.08(p>0.05),且失安全系数N为4337(p<0.05),远大于5K+10(K指纳入元分析的效应量个数),三种检验结果说明不存在出版偏倚,元分析结果准确有效。

2.异质性检验

异质性检验的目的是选择恰当的效应模型,反之,选择随机效应模型,当异质性较小时,则选择固定效应模型。异质性检验常用Q检验和I2检验。CMA3.0运行结果如表2所示,异质性检验结果Q=12058.619(p<0.001),I2=98.93%(75%<I2<100),表明样本间存在较大异质性,选择随机效应模型进行分析。

(二) 在线学习行为投入对学习绩效的影响

1.整体效应检验

根据皮尔逊相关系数r强弱判断准则:效应值为0.1左右时为较小程度相关,在0.3左右时为中等程度相关,在0.5左右时为较大程度相关。效应值越大时,表明影响的显著性越明显。由整体影响效应结果表2可知,30个研究样本(共130个效应值)的随机效应模型最后计算得出的效应值r为0.366,表明在线学习行为投入对学习绩效具有中等程度的积极影响,且达到了统计意义上的显著水平(p<0.001)。

2. 具体效应值检验

为了进一步揭示在线学习行为投入对学习绩效的作用机制,本研究将从6个维度(16个指标)检验在线学习行为投入对学习绩效的影响效果及差异,如表3所示。

从异质性检验结果可以看出,16个指标在研究样本上均存在异质性,故选择随机效应模型估计各自的合并效应值。结果表明,在16个指标中,有14个指标对学习绩效有显著性影响,其中,强相关的指标有7个,排在首位的是挑战任务质量(K=5,r=0.806,p<0.001),其次是挑战任务工作量(K=14,r=0.568,p<0.001)、回复主题帖(K=7,r=0.455,p<0.001)、克服困难、自我评价与反思、明确学习目标与要求和单项任务完成度等指标。另外,中度相关的指标有7个,排在首位的是师生交互(K=15,r=0.335,p<0.001),说明在线学习中师生交互行为对学习绩效有中等程度的提升作用;其次是出勤(K=10,r=0.329,p<0.001)和资源访问量(K=18,r=0.308,p<0.001);投入时间(K=15,r=0.265,p<0.001)、认知工具使用(K=7,r=0.259,p<0.001)也会对学习绩效产生影响,发表主题帖和浏览主题帖对学习绩效的影响相关程度依次降低。另外,资源访问量(K=18,r=0.308,p<0.001)是本次元分析中K值最高的一个指标,尽管其相关度中等,却是影响在线学习绩效的一个重要因素。

(三)调节效应检验与分析

为厘清影响效应量的特征因素,研究对可能存在的学习者类型、学习区域和实验周期三个调节变量分别进行检验,具体结果如表4所示。

1.不同学习者类型的在线学习行为投入对学习绩效的影响

由表4可知,MOOCs学习者、大学生、成人学习者和高中生的效应值依次为0.495(p<0.001)、0.364(p<0.001)、0.309(p<0.001)和0.266(p<0.05),说明在线学习行为投入对MOOCs学习者的学习绩效有较高程度的正向影响,对大学生和成人学习者的学习绩效有中等程度的正向影响,且促进作用均显著。

2.不同学习区域的在线学习行为投入对学习绩效的影响

由表4可知,国内和国外的效应值分别为0.387(p<0.001)和0.298(p<0.001),说明在线学习行为投入对不同地区的学生具有中等程度的正向影响。

3.不同实验周期的在线学习行为投入对学习绩效的影响

由表4可知,小于1个月、1~6个月和6个月以上的效应值分别为0.218(p<0.001)、0.378(p<0.001)和0.395(p<0.05),说明在线学习行为投入对不同实验周期的学习绩效具有中等程度的正向影响。从具体影响效应看,实验周期在6个月以上的在线学习行为投入对学习绩效的效果最好,1~6个月的次之,1个月以下的影响水平最低。

四、研究启示与建议

随着国内在线教育的飞速发展,在线教育资源的强互动性和强结构化的知识体系等优点深受研究者和一线教师的青睐,促进了在线学习的发展和学生学习绩效的提高①。尽管元分析结果证实,在线学习行为投入对学习绩效有中等程度的积极影响,但学术挑战任务的质量和工作量、回复主题帖、克服困难、自我评价与反思、明确学习目标与要求、单项任务完成度等7个具体指标行为,却与学习绩效表现出高相关性。在调节变量方面,相较于国外,在线学习行为投入对国内大学生6个月以上长周期的学习绩效影响较大。这些发现为更大程度挖掘在线学习行为投入对学习绩效的影响规律、服务在线学习高质量发展提供了启示与可行建议。

(一)适度增加在线学习任务的挑战度,激发学习效能和动机

学习者在知识应用与创新等更高认知挑战的学术任务中会投入更多的努力和精力,所以增加在线学习任务的挑战度,能够促进学生以较高水平的思维方式投入在线学习。研究结果表明,学术挑战维度中的挑战任务质量和工作量与认知投入关联密切,蕴含着学生的高级学习策略使用情况,比如,解决复杂问题用到的高级学习策略对学习绩效具有正向促进作用。而明确学习目标与要求和自我评价与反思等行为反映了学习者具有较强自我监控能力,这类学习者往往能取得好成绩。另外,坚持维度中的克服困难反映了学习者对目标的坚持和对成功的渴望,即遇到困难或挫折时,不轻言放弃,而是积极寻求解决办法,这样的行为对学习绩效的影响较大。因此,通过适度增加在线学习任务的挑战性,引起学生的关注,学生在兴趣的驱动下更容易进入参与式的深度学习模式,并自觉主动地增加时间投入,激活更多求助行为,表现出更高水平的监控、评估和解释行为,付出超越普通任务的精力,进而提高学习绩效。在设计在线学习活动时,建议根据学情特征和学习目标导向,优化学习目标为具有适度挑战性的在线学习任务,增强学习任务的沉浸性和趣味性体验,鼓励和引导学生开展探究性学习,以此激发学生学习效能和动机,使其高效完成学习任务。

(二)设计基于知识图谱的交互激励机制,提高在线回帖质量

在线学习交互一直都是影响学习绩效的重要因素。研究结果表明,交互维度中的回复主题帖是与学习绩效相关程度最强的一个指标,这是因为回复主题帖是学生在线分享讨论、独立思考与表达观点的过程。学习者在研讨回复时,需要从问题的本质出发,提出具有生成性、建构性和发展性的解决问题观点和结论,以促进学习者的深度思考和激发元认知的调用,触发其更高层次的知识建构。另外,研究还有两个有趣的发现:一是资源访问量是元分析中K值最高的一个影响学习绩效的指标,尽管其相关度不高;二是单项任务完成度(如专心看完一节课的视频和课件)与学习绩效的相关度较高。由此,为学习者提供关联知识点微课、测试、主题讨论的知识图谱,能够通过增加资源访问量和单项任务完成度来提高在线学习绩效。

对学习者类型和学习区域调节变量分析发现,在线学习行为投入对国内MOOCs学习者的学习绩效的影响效果最佳,其次是大学生。究其原因,一是在国内,混合式教学在高校课堂中已是常态,MOOCs学习者多是大学生群体,大学生自主学习能力和数字素养较高,且有明确的学习目标、较高的学习成熟度;二是高校混合式课程资源有完整的知识图谱,能够满足大学生碎片化在线学习的需求。因此,在设计在线学习活动主题讨论时,建议教师提供主题任务的知识谱图,实施回帖激励措施,鼓励引导学习者回复对问题解决有意义、有帮助的主题帖,生成更多高水平的知识建构话语,以提高交互的质量,促进有效学习。

(三)合理增加在线学习周期,保证学习有效性

研究发现,在线学习行为投入对6个月以上的学习绩效的影响最显著,1~6个月次之,而对小于1个月的影响效果最弱。因为学习跨度小于1个月的学习者,缺乏在线学习必备的先验经验和能力,难以在短期内适应在线学习,而随着学习时间的增加,学习者自我管控能力和在线学习能力不断得到强化,对学习绩效的影响也随之增强。有研究表明,期末成绩优秀的学生相比期末成绩良好以及中等的学生学习时长更长。可见,学习者若要取得优异的成绩,保持一定时间的持续学习时长尤为重要。因此,在设计在线学习活动时,建议教师在课程开始之前,明确告知学习者在线学习时长,并把学习时间细化分配到视频学习、讨论学习等具体的学习行为中,使学习者能够保证一定的在线学习时间。另外,学习时间的分配和管理也会对学习者的在线学习表现产生影响。教师在安排在线学习时,可以制作两类时长的教学材料,既满足学生利用碎片化时间学习的需求,又可以满足学生深入学习的需求。

目前,随着人工智能、大数据等新技术赋能教育高质量发展,在线学习行为投入在影响学习绩效的具体指标方面更为复杂和多模态化。在未来研究中,不仅需要持续揭示学习者外显行为对学习效果的影响,还需进一步揭示其内隐的动机、情感等与学习绩效间的关系。另外,需要持续研究如何设计有吸引力和渐进式的问题解决活动,促进自我监控反思和自我调节评估的学习文化,以激发学习者参与在线学习的积极性,进而揭示在线学习行为促进学习绩效提升的动态机制。