论文部分内容阅读
摘要：随着互联网的不断发展，产生了线上学习的新型模式，该项目以某高校全校学生线上学习行为为研究对象，运用SPSS软件中的探索分析+Excel可视化、简单相关分析、等级相关分析、单因素方差分析的分析方法，针对不同学院的学生任务点完成数、学生章节学习次数相关分析、不同入学年级的讨论数差异进行分析，对分析结果进行总结，并提出建议，探索并提高教学质量。
关键词：SPSS;数据分析;线上学习
中图分类号：TP311.13 文献标识码：A 文章编号：2096-4706（2021）07-0021-04
Analysis and Research on Online Learning Behavior Based on SPSS
LIAO Yaqi，YANG Shan，SUN Yuchen
（School of Computer and Software，Jincheng College of Sichuan University，Chengdu 611731，China）
Abstract：With the continuous development of the internet，a new mode of online learning has emerged. Taking the online learning behavior of all students in a college as the research object，this project uses the analysis methods of exploratory analysis+Excel visualization，simple correlation analysis，rank correlation analysis，one-way analysis of variance in SPSS software to analyze the number of students’task points completed，the correlation analysis of the number of times chapters studied by students，differences in the number of discussions among different grades in different colleges. Summarize the analysis results and put forward suggestions to explore and improve the teaching quality.
Keywords：SPSS;data analysis;online learning
收稿日期：2021-03-09
0 引 言
随着科技的进步，互联网的不断发展，产生了新的教育观念[1]和新型的教学模式，即“线上教学”[2]。线上学习符合当代大学生的学习方式与习惯[3]，将是学生未来学习的重要途径之一[4]。本项目以某高校全校学生的线上学习行为为研究对象，以统计分析为主要核心，通过SPSS软件进行数据分析，来提升分析结果的专业性和准确性[5]。并根据数据的统计分析结果，有针对性地提出相应建议[6]。
1 研究思路
以某高校全校学生线上学习行为为研究对象，首先对数据表进行清洗，通过排序、删除不必要的值、筛选等操作进行数据的预处理;再通过SPSS软件对不同学院的学生任务点完成数进行探索分析和Excel可视化分析，对学生章节学习次数与视频任务点完成数和作业完成数的关系进行简单和等级相关分析，对不同入学年级的讨论数的显著性差异进行单因素方差分析，对分析结果进行总结，并提出建议，从而有针对性的帮助老师和学生进行改善和提高，使雙方能共同进步。
2 数据说明
数据准备：某高校线上学习平台中的全校学习情况数据包括：姓名、账号、院系、专业、行政班、学生状态、入学年级、角色、课程数量、任务点完成数、视频任务点完成数、学生观看视频总时长（分钟）、作业完成数、考试完成数、章节学习次数、签到完成数、课程专题阅读时长（分钟）、讨论总数、发帖总数、回帖总数、课程积分、学生问卷参与数、选人被选中次数、学生抢答参与数、学生评分参与数、学生任务参与数共26项数据，合计24 919条。
数据清洗：（1）根据账号，进行升序排列;（2）删除非该年级学生，如留级生;删除老师及行政人员;删除学号不规范的学生;（3）删除课程数以外数据全为0的休学学生;（4）删除跨院校转专业学生;（5）删除专业列为空值的学生;删除章节测验完成数，直播总观看时长，学生在线课堂参与数全为0的学生;（6）对被封账号进行数据合并;（7）删除无用数据：姓名、学号、学生状态、角色等;（8）将各个年级数据合并在同一张表中。对筛选出的所需数据，进行后续数据分析。
3 数据分析
3.1 不同学院的学生任务点完成数
采用探索分析+Excel可视化，对不同学院的学生任务点完成数分析数据如表1所示。
根据图1可知（国际教育学院为特设学院，此处不参与分析）：
计算机与软件学院的平均任务点完成数为56.58，为最大值;土木学院的平均任务点完成数为47.98，排名第二;电子信息学院平均任务点完成数为28.53，排名最后。
金融学院的任务点完成数最大值为487，排名第一;计算机与软件学院的任务点完成数最大值为453，排名第二;建筑学院任务点完成数最大值为244，排名最后。 综合比较看来，大部分学院表现均较为良好，计算机与软件学院学生任务点完成情况相较于其他学院整体表现较好，而电子信息学院与建筑学院的学习情况还有待加强。
3.2 学生章节学习次数相关分析
采用简单相关分析和等级相关分析，探究学生章节学习次数与視频任务点完成数的关系如表2所示。
根据表2可知：皮尔森的显著性（双侧）值为0.00，小于0.01，意味着拒绝原假设，原假设为学生章节学习次数与视频任务点完成数之间不具有显著性差异，即学生章节学习次数与视频任务点完成数之间具有显著性差异。
根据表3可知：视频任务点完成数与章节学习次数具有相关性，皮尔森相关性系数为0.743，为正数且大于0.5，小于0.8，表示视频任务点完成数与章节学习次数之间具有中度正向相关性。
采用简单相关分析和等级相关分析，探究学生章节学习次数与作业完成数的关系，如表4所示。
根据表4可知：皮尔森的显著性（双侧）值为0.00，小于0.01，意味着拒绝原假设，原假设为学生章节学习次数与作业完成数之间不具有显著性差异，即学生章节学习次数与作业完成数之间具有显著性差异。
根据表5可知：作业完成数与章节学习次数具有相关性，皮尔森相关性系数为0.772，为正数且大于0.5，小于0.8，表示视频任务点完成数与章节学习次数之间具有中度正向相关性。
3.3 不同入学年级的讨论总数的显著性差异
采用单因素方差分析，探究不同入学年级的讨论总数的显著性差异（其中显著性水平为0.05），如图2所示。
根据图2可知：通过方差齐次性检验得到，显著性P值为0.00小于0.05，原假设为方差具有齐次性，拒绝原假设，即方差不具有齐次性，做非参数检验，进行后续多重比较时，应对后续第二张表即Tamhane表进行分析。
根据图3可知：从ANOVA分析中看出，显著性P值等于0.000小于0.05，原假设为不同入学年级的讨论数不具有显著性差异，拒绝原假设，即不同入学年级的讨论数是具有显著性差异的;且至少有3个入学年级之间具有显著性差异。
根据表6可知：因为方差不具有齐次性，故查看不假设等方差的数据，显著性P值为0.00小于0.05，原假设为不同入学年级的讨论数不具有显著性差异，拒绝原假设，即不同入学年级的讨论数具有显著性差异。
根据表7可知：两两比较得，2017级的讨论数与2018级、2019级和2020级的讨论数的比较差值都为负数;2017级的讨论数与2018级、2019级和2020级的讨论数的均具有显著性差异。
根据表8可知：两两比较得，2018级的讨论数与2017级、2019级和2020级的讨论数的比较差值都为正数;2018级的讨论数与2019级的讨论数不具有显著性差异。
根据表9可知：两两比较得，2019级的讨论数与2017级的讨论数点比较差值为正数，与2018级和2020级的讨论数的比较差值都为负数;2019级的讨论数与2020级的讨论数不具有显著性差异。
根据表10可知：2020级的讨论数与2017级和2019级的讨论数的比较差值都为正数，且与2018级的讨论数点比较差值为0。
均值差对比整理为：2018级=2020级>2019级>2017级。
4 分析结果及建议
分析结果：（1）结合不同学院学生的章节学习数和任务点完成数进行分析，可以看出以计算机与软件学院学生为代表，学生的线上学习态度大部分较好，学习积极性较高，可能是因为学院的学习任务加重，或学生发现提高自身专业水平能力的重要性，对自己的未来发展规划而开始努力。（2）学生章节学习次数相关分析中发现，学生在点进章节学习后，基本都会进行视频的学习;同时在完成作业时，也会进行视频的观看。说明大部分学生们能够接受并适应线上观看视频的方式进行知识的学习。（3）对比不同入学年级的讨论数，2018级和2019级的学生学习的主动性较高，2017级的学生讨论数最少，可能是因为实习的原因。
建议：（1）老师可以在线上多放一些视频学习内容或文字版的知识点梳理，或是适当的布置作业，以方便学生课下对知识进行预习和复习。（2）为防止学生为了完成任务点而去刷视频时长，老师可以将任务点的分配放到视频和测验两个部分，以此督促学生们的学习完成情况。（3）对于学习较差的学生，老师可以多一些关注，利用优生带动差生，营造良好的学习氛围。（4）老师要在教学过程中进行教学形式的归纳和改进[7]，在充分利用网络平台进行教学时[8]，能有针对性地进行调整[9]，不断优化教学过程，提高学生的学习积极性和终身学习能力的发展[10]。
5 结 论
线上学习可以较好实现个性化学习，学生能根据自己的时间和需求安排学习进度和内容，有效地增强了学习的针对性。通过对数据的分析，有助于老师快速掌握学生的学习情况，并根据实际情况做出教学安排的调整，有效地提高了教学质量。
参考文献：
[1] 赵然，孙晓莉.基于“互联网+”背景的线上教学模式探讨——以房地产金融课程为例 [J].黑龙江科学，2021，12（9）：36-38.
[2] 张晓华，文清.新形势下高校线上教学的思考 [J].林区教学，2021（6）：63-66.
[3] 刘子豪，贾小军，顾国松，等.线上教学中知识建构效果的监督模型探讨 [J].嘉兴学院学报，2021，33（3）：100-111.
[4] 朱筱笛.线上学习未来发展教育对策研究——以大学生群体为例 [J].品位·经典，2021（11）：87-89.
[5] 黎文光.社会工作调研中如何科学运用SPSS [J].中国社会工作，2020，（3）：38-39.
[6] 吴瑜.评《传播内容数据分析与SPSS统计应用》 [J].统计与决策，2020，36（8）：2+189.
[7] 贺子彧，刘凤艳.线上学习常态化的教学技术研究 [J].牡丹江教育学院学报，2020（12）：42-46.
[8] 吉尚雷，刘衍芬.高职院校线上教学模式探索与实践——以基于“学习通+钉钉”的“牛的疾病防治”课程为例 [J].辽宁农业职业技术学院学报，2021，23（3）：23-25.
[9] 鲍蕊，陈柏材，王秋懿，等.疫情期间学生线上学习状态与效果分析——以《材料力学》课程学习为例 [J].高教学刊，2021，7（13）：36-41.
[10] 宋丽娜.线上教学及其学习环境对课程教学效果影响的实证研究 [J].中国多媒体与网络教学学报（上旬刊），2021（5）：34-37.
作者简介：廖雅琪（2000—），女，汉族，四川成都人，本科在读，研究方向：数据分析、大数据;杨杉（1983—），女，汉族，四川成都人，副教授，博士，研究方向：数据挖掘、大数据;孙宇辰（2000—），男，汉族，四川成都人，本科在读，研究方向：电子信息、数据处理。
关键词：SPSS;数据分析;线上学习
中图分类号：TP311.13 文献标识码：A 文章编号：2096-4706（2021）07-0021-04
Analysis and Research on Online Learning Behavior Based on SPSS
LIAO Yaqi，YANG Shan，SUN Yuchen
（School of Computer and Software，Jincheng College of Sichuan University，Chengdu 611731，China）
Abstract：With the continuous development of the internet，a new mode of online learning has emerged. Taking the online learning behavior of all students in a college as the research object，this project uses the analysis methods of exploratory analysis+Excel visualization，simple correlation analysis，rank correlation analysis，one-way analysis of variance in SPSS software to analyze the number of students’task points completed，the correlation analysis of the number of times chapters studied by students，differences in the number of discussions among different grades in different colleges. Summarize the analysis results and put forward suggestions to explore and improve the teaching quality.
Keywords：SPSS;data analysis;online learning
收稿日期：2021-03-09
0 引 言
随着科技的进步，互联网的不断发展，产生了新的教育观念[1]和新型的教学模式，即“线上教学”[2]。线上学习符合当代大学生的学习方式与习惯[3]，将是学生未来学习的重要途径之一[4]。本项目以某高校全校学生的线上学习行为为研究对象，以统计分析为主要核心，通过SPSS软件进行数据分析，来提升分析结果的专业性和准确性[5]。并根据数据的统计分析结果，有针对性地提出相应建议[6]。
1 研究思路
以某高校全校学生线上学习行为为研究对象，首先对数据表进行清洗，通过排序、删除不必要的值、筛选等操作进行数据的预处理;再通过SPSS软件对不同学院的学生任务点完成数进行探索分析和Excel可视化分析，对学生章节学习次数与视频任务点完成数和作业完成数的关系进行简单和等级相关分析，对不同入学年级的讨论数的显著性差异进行单因素方差分析，对分析结果进行总结，并提出建议，从而有针对性的帮助老师和学生进行改善和提高，使雙方能共同进步。
2 数据说明
数据准备：某高校线上学习平台中的全校学习情况数据包括：姓名、账号、院系、专业、行政班、学生状态、入学年级、角色、课程数量、任务点完成数、视频任务点完成数、学生观看视频总时长（分钟）、作业完成数、考试完成数、章节学习次数、签到完成数、课程专题阅读时长（分钟）、讨论总数、发帖总数、回帖总数、课程积分、学生问卷参与数、选人被选中次数、学生抢答参与数、学生评分参与数、学生任务参与数共26项数据，合计24 919条。
数据清洗：（1）根据账号，进行升序排列;（2）删除非该年级学生，如留级生;删除老师及行政人员;删除学号不规范的学生;（3）删除课程数以外数据全为0的休学学生;（4）删除跨院校转专业学生;（5）删除专业列为空值的学生;删除章节测验完成数，直播总观看时长，学生在线课堂参与数全为0的学生;（6）对被封账号进行数据合并;（7）删除无用数据：姓名、学号、学生状态、角色等;（8）将各个年级数据合并在同一张表中。对筛选出的所需数据，进行后续数据分析。
3 数据分析
3.1 不同学院的学生任务点完成数
采用探索分析+Excel可视化，对不同学院的学生任务点完成数分析数据如表1所示。
根据图1可知（国际教育学院为特设学院，此处不参与分析）：
计算机与软件学院的平均任务点完成数为56.58，为最大值;土木学院的平均任务点完成数为47.98，排名第二;电子信息学院平均任务点完成数为28.53，排名最后。
金融学院的任务点完成数最大值为487，排名第一;计算机与软件学院的任务点完成数最大值为453，排名第二;建筑学院任务点完成数最大值为244，排名最后。 综合比较看来，大部分学院表现均较为良好，计算机与软件学院学生任务点完成情况相较于其他学院整体表现较好，而电子信息学院与建筑学院的学习情况还有待加强。
3.2 学生章节学习次数相关分析
采用简单相关分析和等级相关分析，探究学生章节学习次数与視频任务点完成数的关系如表2所示。
根据表2可知：皮尔森的显著性（双侧）值为0.00，小于0.01，意味着拒绝原假设，原假设为学生章节学习次数与视频任务点完成数之间不具有显著性差异，即学生章节学习次数与视频任务点完成数之间具有显著性差异。
根据表3可知：视频任务点完成数与章节学习次数具有相关性，皮尔森相关性系数为0.743，为正数且大于0.5，小于0.8，表示视频任务点完成数与章节学习次数之间具有中度正向相关性。
采用简单相关分析和等级相关分析，探究学生章节学习次数与作业完成数的关系，如表4所示。
根据表4可知：皮尔森的显著性（双侧）值为0.00，小于0.01，意味着拒绝原假设，原假设为学生章节学习次数与作业完成数之间不具有显著性差异，即学生章节学习次数与作业完成数之间具有显著性差异。
根据表5可知：作业完成数与章节学习次数具有相关性，皮尔森相关性系数为0.772，为正数且大于0.5，小于0.8，表示视频任务点完成数与章节学习次数之间具有中度正向相关性。
3.3 不同入学年级的讨论总数的显著性差异
采用单因素方差分析，探究不同入学年级的讨论总数的显著性差异（其中显著性水平为0.05），如图2所示。
根据图2可知：通过方差齐次性检验得到，显著性P值为0.00小于0.05，原假设为方差具有齐次性，拒绝原假设，即方差不具有齐次性，做非参数检验，进行后续多重比较时，应对后续第二张表即Tamhane表进行分析。
根据图3可知：从ANOVA分析中看出，显著性P值等于0.000小于0.05，原假设为不同入学年级的讨论数不具有显著性差异，拒绝原假设，即不同入学年级的讨论数是具有显著性差异的;且至少有3个入学年级之间具有显著性差异。
根据表6可知：因为方差不具有齐次性，故查看不假设等方差的数据，显著性P值为0.00小于0.05，原假设为不同入学年级的讨论数不具有显著性差异，拒绝原假设，即不同入学年级的讨论数具有显著性差异。
根据表7可知：两两比较得，2017级的讨论数与2018级、2019级和2020级的讨论数的比较差值都为负数;2017级的讨论数与2018级、2019级和2020级的讨论数的均具有显著性差异。
根据表8可知：两两比较得，2018级的讨论数与2017级、2019级和2020级的讨论数的比较差值都为正数;2018级的讨论数与2019级的讨论数不具有显著性差异。
根据表9可知：两两比较得，2019级的讨论数与2017级的讨论数点比较差值为正数，与2018级和2020级的讨论数的比较差值都为负数;2019级的讨论数与2020级的讨论数不具有显著性差异。
根据表10可知：2020级的讨论数与2017级和2019级的讨论数的比较差值都为正数，且与2018级的讨论数点比较差值为0。
均值差对比整理为：2018级=2020级>2019级>2017级。
4 分析结果及建议
分析结果：（1）结合不同学院学生的章节学习数和任务点完成数进行分析，可以看出以计算机与软件学院学生为代表，学生的线上学习态度大部分较好，学习积极性较高，可能是因为学院的学习任务加重，或学生发现提高自身专业水平能力的重要性，对自己的未来发展规划而开始努力。（2）学生章节学习次数相关分析中发现，学生在点进章节学习后，基本都会进行视频的学习;同时在完成作业时，也会进行视频的观看。说明大部分学生们能够接受并适应线上观看视频的方式进行知识的学习。（3）对比不同入学年级的讨论数，2018级和2019级的学生学习的主动性较高，2017级的学生讨论数最少，可能是因为实习的原因。
建议：（1）老师可以在线上多放一些视频学习内容或文字版的知识点梳理，或是适当的布置作业，以方便学生课下对知识进行预习和复习。（2）为防止学生为了完成任务点而去刷视频时长，老师可以将任务点的分配放到视频和测验两个部分，以此督促学生们的学习完成情况。（3）对于学习较差的学生，老师可以多一些关注，利用优生带动差生，营造良好的学习氛围。（4）老师要在教学过程中进行教学形式的归纳和改进[7]，在充分利用网络平台进行教学时[8]，能有针对性地进行调整[9]，不断优化教学过程，提高学生的学习积极性和终身学习能力的发展[10]。
5 结 论
线上学习可以较好实现个性化学习，学生能根据自己的时间和需求安排学习进度和内容，有效地增强了学习的针对性。通过对数据的分析，有助于老师快速掌握学生的学习情况，并根据实际情况做出教学安排的调整，有效地提高了教学质量。
参考文献：
[1] 赵然，孙晓莉.基于“互联网+”背景的线上教学模式探讨——以房地产金融课程为例 [J].黑龙江科学，2021，12（9）：36-38.
[2] 张晓华，文清.新形势下高校线上教学的思考 [J].林区教学，2021（6）：63-66.
[3] 刘子豪，贾小军，顾国松，等.线上教学中知识建构效果的监督模型探讨 [J].嘉兴学院学报，2021，33（3）：100-111.
[4] 朱筱笛.线上学习未来发展教育对策研究——以大学生群体为例 [J].品位·经典，2021（11）：87-89.
[5] 黎文光.社会工作调研中如何科学运用SPSS [J].中国社会工作，2020，（3）：38-39.
[6] 吴瑜.评《传播内容数据分析与SPSS统计应用》 [J].统计与决策，2020，36（8）：2+189.
[7] 贺子彧，刘凤艳.线上学习常态化的教学技术研究 [J].牡丹江教育学院学报，2020（12）：42-46.
[8] 吉尚雷，刘衍芬.高职院校线上教学模式探索与实践——以基于“学习通+钉钉”的“牛的疾病防治”课程为例 [J].辽宁农业职业技术学院学报，2021，23（3）：23-25.
[9] 鲍蕊，陈柏材，王秋懿，等.疫情期间学生线上学习状态与效果分析——以《材料力学》课程学习为例 [J].高教学刊，2021，7（13）：36-41.
[10] 宋丽娜.线上教学及其学习环境对课程教学效果影响的实证研究 [J].中国多媒体与网络教学学报（上旬刊），2021（5）：34-37.
作者简介：廖雅琪（2000—），女，汉族，四川成都人，本科在读，研究方向：数据分析、大数据;杨杉（1983—），女，汉族，四川成都人，副教授，博士，研究方向：数据挖掘、大数据;孙宇辰（2000—），男，汉族，四川成都人，本科在读，研究方向：电子信息、数据处理。