摘要
尽管大规模在线开放课程(MOOCs)有可能提供高质量的学习体验，但也存在一些问题，比如辍学率高、学生之间的合作困难、教学参与度低以及师生互动有限。这些问题大多可归因于mooc参与者自我调节学习(SRL)技能的数量庞大、多样性和差异性。许多教学设计师试图通过结合协作活动来克服这些问题。其他人则试图通过以SRL为重点的干预来支撑学生的SRL水平。然而，有限的研究将srl为重点的干预研究与学生参与协作活动、课程保留和MOOC环境下的学习成果结合起来。我们部署了一个面向编程的MOOC，在其中我们结合了基于聊天的协作活动，由学习分析仪表板支持。学生们被要求在课程开始和结束时完成以srl为中心的问卷调查。根据他们的得分，我们计算出一个平均分，形成他们的SRL水平，分为三组:(a)控制，(b)一般干预，(c)个性化干预，我们提供个性化干预。我们比较了学生的学习成果、参与合作活动和在MOOC中的保留情况。这些比较提供了关于不同干预模式对学生参与合作活动和学习成果的积极影响的证据，就他们的不同SRL概况而言。与被分配到对照组的学生相比，被分配到一般干预组和个性化干预组的学生在合作活动和学习成果方面表现出了更高的参与度。我们也证明了SRL干预对学生的课程记忆有积极的影响。
介绍
许多研究人员将大规模在线开放课程(MOOCs)描述为过去几年在线开放教育最重要的趋势之一(Ebben & Murphy, 2014;Liyanagunawardena et al.， 2013;朱等人，2020)。mooc被誉为教育民主化，为个人提供了获得优质教育的机会，无论他们的时间表、地理位置、财务状况、口语或学术背景如何(Siemens, 2013)。然而，尽管mooc提供了巨大的学习潜力，但与传统的远程学习课程相比，它们也存在一些问题和挑战。最常见的MOOC挑战是高辍学率(Peng & Aggarwal, 2015)，远程学生之间的协作困难(Smith et al.， 2011)，教学参与度低和师生互动(Siemens, 2013)。
为了克服一些报道的问题，教学设计师最近开始整合协作活动来丰富mooc，从而积极影响学生的参与度，提高学生的兴趣，减少辍学，改善学习成果(Kumar & ros
学生必须具有自我调节学习的能力，以跟随合作活动并完成课程。因此，他们是决定何时以及如何与学习材料互动的人，这种自主性需要提高自我调节学习(SRL)水平(Littlejohn等人，2016;齐默尔曼,2002)。此外，学习者必须接受行为上的改变来实现他们的目标，这表现为坚持不懈的行动或策略，直到他们成功。尽管一些研究人员已经将协作活动整合到mooc中，但关于教师如何通过旨在加强学生SRL技能的干预来影响学生参与这些活动的研究有限。在MOOC环境下，有针对性的SRL干预可以影响学生对这些活动的参与、对课程的保留以及整体学习成果。
我们的研究试图通过部署基于聊天的协作学习活动，并结合学习分析模块来填补这一研究空白，该模块向同行提供关于他们在MOOC协作活动中的互动的反馈。此外，学生有机会通过学习分析来反思他们的进步，衡量他们在聊天活动中的表现，并将他们的表现与其他学生进行比较。为了支持学生的SRL，我们引入了几种干预措施，并随后测量了这些干预措施对学生参与合作活动、保留和学习成果的有效性。本研究旨在评估不同干预措施对学生自我调节、参与合作活动的影响，以及SRL干预措施是否能提高学生的学习成果和课程记忆。
自主学习
SRL包括各种认知和元认知策略，学生需要发展这些策略来控制和调节他们的学习(Pintrich, 1999)。根据Zimmerman(1998)的定义，自我调节可以定义为“为达到学术目标而自我产生的思想、感受和行动”。学生在学习过程中受到元认知反思的引导，主动控制自己的学习过程。学生要在一门课程中取得成功，他们必须有能力通过决定如何与课程内容和活动互动来自我调节自己的学习。
在MOOC环境中，为了让学生有可能完成课程，自我调节甚至更为重要。基于mooc的开放环境和学生SRL技能的多样性，培养学生的自我调节能力至关重要。这对于SRL技能较低的学生尤其重要，因为许多研究得出结论，完成课程的学生表现出更高的自我调节技能(Reparaz et al.， 2020)。Terras和Ramsay(2015)提供的证据表明，SRL分数低的学生更容易退出该课程。因此，必须使用工具和方法来支持学生并加强他们的SRL技能，以降低辍学率并提高学习成绩(Wong et al.， 2019)。
由于SRL技能的提高可以提高学生的课程完成率，许多研究者采用了不同的方法来积极影响SRL。一些研究人员开发了支持SRL的工具(Davis et al.， 2018;Perez Alvarez et al.， 2020)。其他研究人员已经应用了不同类型的干预措施来支撑SRL (Jansen et al.， 2017)。此外，为了克服mooc的一些特征问题，如低完成率和有限的师生互动，教学设计师最近开始整合协作学习活动来丰富mooc (Conole, 2016)。已经提出了几种形式的协作活动来支持学生的学习成果和保留。自然语言理解的最新进展以及对计算机支持的协作学习(CSCL)环境的积极影响导致了对话代理在mooc中的应用增加。这些代理旨在通过监控学生的讨论和提供提示来模拟教师的行为，以刺激富有成效的对话同伴互动，如论证和明确推理(Demetriadis等人，2018)。因此，学习结果的增加支持了SRL策略对于提高学生在协作活动中的参与度是必要的这一事实。Littlejohn et al.(2016)评论说，学生的投入与学习成果之间存在正相关关系。
Järvelä和Hadwin(2013)详细阐述了监管过程的重要性，并介绍了导致成功合作的三种类型的监管学习:(a)群体中的自我监管，群体中的个人调节他们的学习;(b)共同管理，即小组成员支持成员管理他们的学习;(c)共同监管，即群体集体监管其学习。为了帮助学生反思这三个维度，从而加强小组合作，我们加入了学习分析(LA)模块。通过LA模块提供的可视化，学生可以通过将自己的表现与其他小组的表现进行比较，来反思自己在个人、小组和课程层面的表现。
在我们的研究中，我们使用基于聊天的活动作为课程的协作方面，辅以个人和团体意识的LA模块。我们采用有针对性的干预措施来促进参与合作活动，并支持学生的SRL技能。通过我们的研究，我们想要衡量以srl为重点的干预措施对mooc中学生自我调节概况、参与聊天活动、保留和学习成果的影响。
学生支持和学习分析
在传统的面对面学习环境中，教师反思学生的学习情况，并提供个性化的支持，帮助他们完成课程。在MOOC环境下，由于学生的数量和多样性，这种个性化的支持和指导可能不太容易实现。在mooc中，学生的个人资料有着巨大的多样性。具有不同水平的自我调节技能，正规教育，动机和一般人口统计的学生可以注册在线课程。因此，学生需要能够自我调节，对自己的学习负责，并反思自己的学习过程。
根据Zimmerman(2000)的观点，学习是一个循环过程，分为三个阶段:(a)预先考虑，(b)反应或表现，(c)反思。为了在mooc中为学生提供足够的支持，教学设计师可以使用在线工具，如LA，来支持学生在这个周期性的学习过程中。学生可以潜在地使用LA来反思他们的表现，将他们的表现与同龄人进行比较，并就他们的学习做出决定。根据Lim等人(2019)的研究，基于LA的个性化支持可以带来更好的学习效果。教师也可以使用LA工具来决定他们需要采取哪些干预措施来支持学生的学习。
MOOC平台提供了大量学生与课程环境、学习组成部分和学习活动互动的数据。为了探索在线学习环境中收集的数据，教师和学习者应该能够访问仪表板。LA仪表板允许用户访问多个可视化工具，以帮助他们反思自己的学习表现。仪表板可视化提供的自我监控对于学生使用SRL策略调整自己的行为至关重要。通过洛杉矶仪表板，学生们能够在个人层面上监控和反思他们在合作活动中的表现，并将他们的表现与同一组或其他组的同龄人进行比较。基于洛杉矶仪表板提供的信息，他们可能会进一步决定是否要改变任何学习策略来提高他们的表现。Webber et al.(1993)认为，进行自我监控的学生学习效果更好。
我们的研究使用基于聊天的协作学习活动和学习分析仪表板，根据齐默尔曼模型的三个阶段，向同龄人提供关于他们在编程MOOC中的同伴-代理交互的反馈，以支持他们的学习过程。通过学习分析仪表板，我们希望学生反映他们的进步，并在基于聊天的活动中衡量他们在表现阶段的表现。我们还希望学生将自己的表现与完成相同活动的其他学生进行比较，以帮助他们在反思阶段调节自己的学习。学习分析仪表板提供了几个可视化的工具，学生可以使用这些工具来反映他们的表现。
此外，我们还提供了几种SRL干预来支撑学生的SRL，增强他们对自己的表现的判断，并测量SRL干预对合作活动中参与的影响。通过我们的干预，我们的目标是支持学生决定哪些学习分析可视化为他们提供了适当的信息，以及他们如何根据自己的目标来解释这些信息，帮助学生控制自己的学习，以获得更好的学习成果。Aguilar et al.(2021)发现，将学生的表现与同龄人进行比较，会对学生的表现产生积极影响。此外，Duan等人(2022)发现访问学习分析仪表板的学生与其课程表现之间存在正相关关系。基于先前的研究结果，我们的目标是通过干预，通过提供相应的学习分析可视化的见解，激励学生将自己的表现与同龄人的表现进行比较。
比研究问题
我们推出了“面向非程序员的编程”MOOC，其中包含了一系列协作聊天活动。此外，为了帮助学生自我监控他们的学习，并反思他们和同伴在合作活动中的表现，我们授予他们访问LA仪表板的权限。通过这个仪表板，学生们能够将他们的结果与其他人的结果进行比较，并确定他们是否需要调整他们的学习过程，以获得更好的学习效果。
为了有效地促进学习和学生的参与，在课堂上进行了一些讨论练习。这些实践形成了学术生产性谈话(APT)框架，该框架描述了学生应该:(a)倾听并以其他学生的贡献为基础，(b)支持他们对讨论的贡献，(c)合理地解释他们的论点(Resnick et al.， 2010)。考虑到学术上富有成效的谈话有望在协作学习环境中提高学习成果(Tegos等人，2016)，我们旨在探索是否可以通过一系列SRL干预措施提高学生对协作活动的参与度。借鉴研究人员之前采用的各种方法来支撑SRL行为，本研究采用了两种模式的SRL干预:(a)一般干预和(b)个性化干预。这两种干预措施都旨在让学生意识到洛杉矶仪表板的存在，并帮助他们在个人和群体层面上解释结果。这两种干预模式的主要区别在于个性化干预组对学生实施的干预措施的个性化。高水平的目标是调查不同的SRL干预模式是否会对学生的SRL概况、记忆、参与协作活动和学习成果产生不同的影响，与没有干预的对照组相比。
在这个棱镜下，当前研究提出的研究问题是:
-
RQ1:不同的SRL干预模式在多大程度上影响学生的SRL概况?
-
RQ2:不同的SRL干预模式在多大程度上影响了协作活动的参与?
-
RQ3: SRL profile在多大程度上预测了协作活动的参与?
-
RQ4:不同的自主学习干预模式对学生辍学率有何影响?
-
RQ5:不同的SRL干预模式在多大程度上影响了学习结果?
综上所述，基于SRL理论，本研究旨在探讨SRL干预是否会影响学生的SRL概况，以及学生的SRL概况与课程保留率和学习成果之间的关系。
目录
摘要 介绍 方法 结果 讨论 局限性与未来研究 有限公司 结论和意义 参考文献 作者信息 搜索 导航 #####方法
上下文
实验是在两个不同的“面向非程序员的编程”MOOC中进行的。MOOC向学生介绍了算法思维的基本概念和结构，并使他们熟悉Python编程语言。课程包括五个主要模块:(a)计算思维算法和数据类型，(b)程序流程控制，(c)数据结构，(d)函数和代码组织伪代码，(e)文件，每个模块每周向学习者开放。
这些模块包括视频讲座、小测验、每周测验、每周作业和聊天活动，这些都被纳入其中，以进一步提高学习体验。如图1所示，每个模块都要求学生观看一组预先录制好的视频讲座。在“面向非程序员的编程”课程的每个迷你讲座之后，学习者被要求完成一系列选择题。
“面向非程序员的编程”课程结构
学生们被告知，如果他们的课程成绩至少达到60%(10分中的6分)，他们将能够获得课程结业证书。学生的课程成绩取决于他们在小测验、每周小测验和每周编程作业中的平均分数，这些分数乘以一个固定的系数，这个系数是基于学生参加的聊天活动的数量。没有参加任何聊天活动的学生的系数为0.8，参加一到两次活动的学生的系数为0.9，参加三次以上活动的学生的系数为1。准确的分数计算公式在所有学生注册课程之前就已经展示并解释过了，并且经常可以在常见问题解答(FAQ)部分找到。
参与者
在“面向非程序员的编程”MOOC课程中，有3244名学生注册。在注册的学生总数中，2409人(74.26%)开始使用课程材料。我们将用户定义为参与了第一周发布的任何课程材料的学生。考虑到开始使用课程材料的学生人数和完成课程的学生人数，结业率为52.46%。
为了回答我们的研究问题，我们考虑了一个学生小组来进一步调查我们的研究问题。这个小组由1807名学生组成，他们已经开始学习课程材料并完成了介绍问卷。这个决定的基本原理是我们想要参与者的单反档案来调查我们的研究问题。
在性别方面，分布非常均衡。更具体地说，报告性别的学生群体(N = 1800)包括867名女性(48%)和933名男性(52%)。有少数参与者(N = 7)没有回答这个问题。
大多数学生报告的就业状况是失业。更具体地说，1794人中有1100人表示失业(61.32%)，694人(38.68%)表示目前就业。
过程
在学生注册课程后，鼓励他们参与课程入学问卷，问卷收集基本人口统计信息、先验领域知识和SRL分数。学习者的SRL分数是用翻译成希腊语的自我调节在线学习问卷修订(SOL-Q-R)来测量的，该问卷已在在线环境中进行了有效性测试(Jansen et al.， 2017)。该问卷是SOL-Q问卷的改进版，已被证明可以在线测量学习者的SRL水平。SOL-Q-R问卷包括42个问题，分为7个SRL策略(详见第2.5.1节)。问题的答案是7分李克特量表，从“对我来说一点也不正确”(1)到“对我来说非常正确”(7)。
我们根据课程入学问卷中学生的SRL资料计算了平均SRL分数，并从中创建了四个聚类。我们创建了四个组，每个组中包含相当数量的学生，因为大多数学生表现出中等水平和良好的自我调节能力，我们希望每个组中学生的分布更均匀。我们将这些集群称为集群1、集群2、集群3和集群4。四组学生的分布情况见表1。
该模块的材料包括课程迷你讲座，迷你测验，每周测验，以及每周开始时提供给学生的编程作业。此外，我们还安排了每周的活动来促进学生的合作。
考虑到引言中提到的Szewkis等人(2011)的条件，我们嵌入了由会话代理授权的基于聊天的协作活动(Demetriadis等人，2018)，这些活动有望促进富有成效的同伴对话(Tegos等人，2019)。每个聊天活动都向学生介绍一个开放式的问题(辩论)，要求他们二人合作，以团队形式提交联合答案(图2)，以实现共同目标的存在和积极的相互依存协作条件。由于活动是基于聊天的，因此学生通过聊天活动界面交换书面信息，并鼓励他们注意在同伴讨论中可能出现的会话代理消息(图2中的“TIM”)。为了完成这些活动，学生们需要两人一组，并共同回答聊天主题，以获得共同的奖励，即活动的分数。建议学生在完成各自模块材料的学习后，参加每周结束的协作聊天活动。
有代理人干预的聊天活动(TIM)的例子[从希腊语翻译]
配对是基于先到先得的原则。学生们参观了该活动，并等待另一个连接到同一活动的同伴开始工作。为了帮助学生结对，我们鼓励他们每天在特定的时间参与这些活动。此外，我们建议学生使用专门的课程论坛发布配对请求。学生可以多次访问每个聊天以完成活动。此外，为了满足个人责任和对同伴工作条件的认识，我们部署了学生随时可用的LA模块。通过LA模块，学生可以反思他们的个人和合作伙伴的表现，并将他们的指标与完成相同活动的所有其他学生进行比较。根据学生从LA模块图表中获得的信息，学生可以选择是否改变任何学习策略以提高他们的表现。所有学生与LA模块的互动都记录在课程日志文件中，并通过几个图表提供给学生(图3)。
学习分析模块中的样例图(图M05)
我们允许所有学生在学习的第一周按照自己的节奏参与课程内容。在每周结束时，我们下载了所有学生的编程作业答案。自动Python代码评分器会根据适当的反馈计算作业分数。最后，分数和学生提交的反馈被上传到学生的个人资料中。
在第二周，我们向所有参与者发送了一个通用通知，告知他们LA模块的存在，如何访问该模块，以及他们可以获得哪些信息。在剩下的3周，我们根据学生在聊天活动中的表现给他们提供反馈。此外，我们通过相应的模块审核学生的LA数据。根据调查结果，我们通过适当的干预来支持学生，帮助他们反思自己在聊天活动中的表现。
我们利用2.5.2节分析的期末测验来衡量基于聊天的活动和不同的SRL干预对学生成绩和SRL概况的学习影响。所有学生在完成课程后都可以参加这个测验。我们建议学生在参加测验时不要参考课程资源(视频、额外材料、测验)，这样就可以评估他们对课程内容的记忆情况。所有希望获得课程结业证书的学生都必须参加期末测验。
条件
在第三周的开始，我们创建了三组学生:(a)对照组，(b)一般干预组，(c)个性化干预组。我们从所有组群中随机抽取代表组成对照组、一般干预组和个性化干预组。所有组由120名学生组成，每个组有可比较的代表。学生的SRL集群在所有组中的分布如下表2所示。
有限公司控制集团
从1807名学生中，我们随机选择了120名作为对照组。老师为这个小组的学生提供了基本的动员，让他们访问学习分析模块。该组在第2周开始时仅接受普通电子邮件通知干预。在收到一般通知后，我们让用户决定是否使用学习分析模块来提高他们的性能。
一般干预组
一般干预组也由120名学生组成，包括每个小组的代表，由老师强烈的学生提示。该组学生在第二周开始时收到了一般的电子邮件通知。从第三周开始，直到课程结束，我们通过电子邮件进行了另外三次干预。所有干预措施都在每周开始时发送。发送给这一组的干预措施旨在为学生提供有关他们需要发展的技能的信息，以提高他们在聊天活动中的表现，并促使他们详细考虑哪些与学习分析一起呈现的图表为他们提供了与这些技能相关的有价值的信息。这一组的所有学生都接受了完全相同的干预，没有任何个性化。每项干预都是完全独立于其他干预的。
人员标准化干预组
个性化干预组由120名学生组成，每组有代表，与一般干预组类似，由教师对学生进行个性化提示。该组学生在第二周开始时收到了一般的电子邮件通知。在整个过程中，以及在第2周干预之后，我们通过在每周开始时发送电子邮件的方式进行了另外三次每周干预。
干预旨在帮助学生提高他们在聊天活动中的表现，类似于对一般干预组的干预。一般干预组的干预与个性化干预组的干预有三个主要区别。第一个区别是，应用于个性化干预组的干预措施更加个性化。我们在干预文本的开头加入了学生的名字，这样每个干预都是针对每个学生的。第二个不同之处在于，每次干预都包含了基于前一次干预的学生表现信息。在干预的主体部分，我们提到学生是否遵守了我们之前的建议，以及对结果的评论。最后，第三个区别是我们在干预中提到他们如何提高特定技能，以及他们应该参考哪张图来检索相关信息。我们将图表和图表的解释联系起来，并跟踪他们是否遵守我们的建议，对我们随后的干预进行评论。
数据收集和分析
因变量:学生SRL水平
学生被要求完成课程入学问卷，其中包含人口统计信息(年龄范围、性别、教育程度、就业状况)、以前的MOOC经验、编程语言概况、Python编程语言和srl相关问题。在学生第一次访问课程时，他们被告知数据收集程序，并被要求在开始使用课程材料之前表示同意。在课程入学问卷中，我们结合了SOL-Q-R问卷来记录学生各自的SRL概况。表3列出了SOL-Q-R包括的七个SRL策略、每个策略中的问题数量和一个指示性项目。
随后，在完成所有课程活动后，学生们完成了另一份问卷，即课程退出问卷。课程结束问卷包含对课程质量、讲师和聊天活动的评估。本调查还采用相同的SOL-Q-R问卷，计算SRL差异，分析SRL干预对学生的影响。
因变量:学习成果
为了衡量学生的学习成果，我们设计了一个课程退出测验。课程结束测试包括20个选择题:10个与聊天活动中讨论的主题有关，10个与课程视频讲座中讨论的概念有关。答题没有时间限制，每个学生只能参加一次。我们收集了所有测试的答案，并根据正确与否将它们分类。
因变量:学生参与
如图1所示，为了让学生完成这门课程，他们必须完成几个每周的活动，比如小测验、每周小测验和编程作业。所有学生在这些活动中的访问和分数都存储在平台的课程日志文件中。此外，课程日志文件还存储了有关学生是否尝试参与聊天活动、这些活动的状态(已完成或无法找到合作伙伴)以及访问聊天活动学习分析模块的总次数的信息。我们使用这些指标来评估课程活动的访问和分数，以计算学生参与课程活动的程度以及辍学率。
数据分析
在本研究中，我们利用课程入学问卷、课程退出问卷、课程退出测验和课程日志的数据来回答研究问题。为了测量学生的SRL分数，我们首先计算了Cronbach ' s Alpha信度检验来验证课程入学和课程退出问卷中SRL档案相关问题的答案，以检查内部一致性。计算每个SRL问卷的Cronbach 's Alpha，并独立计算每个学生七种SRL策略的均值和标准差。根据课程入学问卷的平均SRL分数，我们将学生分为四个SRL组之一。我们从每个集群中随机选择代表来组成条件组，尽量保持每个集群中代表的数量相同。
我们分别比较了在课程入学问卷和课程退出问卷中报告的学生的SRL概况。然后，我们应用协方差分析(ANCOVA)来研究学生在课程开始和结束时的SRL是否存在差异，以回答RQ1。在聚类过程之后，我们从课程日志文件中检索学生在每次干预后参与以下基于聊天的活动的次数，以详细说明RQ2。
为了回答RQ3，我们将课程介绍问卷中的学生SRL数据与参与信息结合起来，评估不同SRL干预对学生参与协作活动的影响。我们使用线性回归来理解对每个组的不同干预对学生参与协作聊天活动的影响。
我们还研究了学生状况组与学生辍学率之间是否存在联系，以详细说明RQ4。为了回答这个问题，我们从入学问卷上的srl相关答案中提取的学生状况组与课程日志之间进行了卡方检验。我们想调查是否一般的干预，或特定的干预类型，是决定学生学习成果的重要因素。根据RQ5，我们试图详细阐述在接受不同干预后对学生的影响，就课程期末测验而言。我们将学生的状况组和他们在期末测验中获得的分数进行了单向方差分析来回答这个问题。
结果
不同的SRL干预模式在多大程度上影响了学生的SRL概况
我们使用课程入学和课程退出问卷中所有与SRL相关的数据来计算每个学生的SRL水平。通过分析两份问卷收集的数据，我们探讨了参加各自编程MOOC的学生的SRL概况。下面的表4给出了每种条件和每种SRL策略的SRL分数的描述性统计数据。进入问卷和退出问卷的alpha值都超过了0.70，这是最小可接受值，表明问卷具有较强的内部效度。课程入学问卷的总体Cronbach α = 0.958，课程退出问卷的总体Cronbach α = 0.925。
随后，我们记录了每个学生在课程入学和课程退出问卷中自我报告的SRL相关问题的水平差异，以分析SRL干预对学生的影响。在控制学生在课程开始前报告的SRL水平后，运行ANCOVA来确定三种学习条件对课程后SRL分数的影响。经课前SRL成绩调整后，各实验组学生SRL水平差异有统计学意义，F (2,273) = 5.082, p < 0.01，偏η2 = 0.036。除非另有说明，否则采用调整后的平均值。个性化干预组学生SRL水平(M = 4.683, SE = 0.068)显著高于对照组(M = 4.355, SE = 0.077)，平均差异为0.328,95% CI 0.079, 0.577, p < 0.01。学生的SRL水平在对照组与一般干预组、一般干预组与个性化干预组之间无统计学差异。
RQ2:不同的SRL干预模式在多大程度上影响了协作活动的参与?
我们审核了相关的课程日志文件，并提取了所有与学生参与协作活动有关的数据。采用Kruskal-Wallis H检验确定三种学习条件下学生群体在合作活动参与上的差异。通过箱线图的目测评估，所有组的学生参与分数分布相似。组间CWWS评分中位数差异有统计学意义，H(2) = 83.541, p < 0.01。
两两比较采用Dunn’s(1964)方法进行，多重比较采用Bonferroni校正。给出了调整后的p值。事后分析显示，对照组(平均rank = 116.70)和一般干预组(平均rank = 204.18;P < 0.01)，以及对照组和个性化干预情况(平均rank = 220.62;P < 0.01)，其他组间差异无统计学意义。
RQ3: SRL profile在多大程度上预测了协作活动的参与?
对于RQ3，我们使用线性回归来了解学生的SRL水平对他们参与协作活动的影响。为了评估线性，绘制了学生参与与SRL水平的叠加回归线的散点图。这两个图的目视检查表明变量之间存在线性关系。预测方程为:学生参与协作活动= 2.794 + 0.201 × (SRL聚类)。回归分析显示，学生的SRL水平能够显著地预测学生参与协作活动，F (1,358) = 6539, p < 0.012，而SRL水平与Cohen(1988)的F = 0.12具有小规模效应。
RQ4:不同的SRL干预模式在多大程度上影响了学生的学习成绩撅嘴利率?
为了详细说明RQ4，我们从课程活动日志文件中提取信息来度量学生对课程活动的参与程度，并将这些度量与学习条件关联起来。在组成3个小组的360名学生中，有84名(23.3%)学生中途退学，没有完成课程。在进一步调查研究条件与学生辍学率之间是否存在关联时，经卡方齐性检验，三种条件间差异有统计学意义(χ2 = 22.08, p < 0.01)。学生在各种条件下的测试结果见表5。更具体地说，个性化干预后，87.5%的学生继续学习课程，而一般干预条件下的学生为80.0%，对照组为62.5%。
事后分析包括使用两个比例的z检验和Bonferroni校正进行两两比较。个性化干预后被归类为“保留用户”的学生比例显著高于对照组，p < 0.01。同样，在一般干预条件下，被归类为“保留用户”的学生比例也显著高于对照组，p < 0.01。在两种治疗条件下，学生的退学比例没有统计学上的显著差异。
RQ5:不同的SRL干预模式在多大程度上影响了学习结果?
为了回答RQ5，我们使用了课程结业测验的数据。采用单因素方差分析(one-way ANOVA)确定接受不同SRL干预的三组，即对照组、一般干预组和个性化干预组的课程退出测验得分是否存在差异。
数据以平均值±标准差表示。在接受不同干预措施的组之间，课程结束测验的分数有统计学上的显著差异。F (357) = 13.650, p < 0.01,部分η2 = 0.071。综合干预组(M = 11.46, SD = 6.864)和个性化干预组(M = 11.71, SD = 6.129)学生的期末测验得分高于对照组(M = 8.46, SD = 7.666)。Tukey事后分析显示，与对照组学生相比，普通干预组学生得分的平均提高(3.74,95% CI 1.80, 5.68)有统计学意义(p < 0.01)。与对照组相比，个性化干预组学生的得分也有显著提高(3.72,95% CI 1.78, 5.66, p < 0.01)，但其他组间差异均无统计学意义。
下载原文档：https://link.springer.com/content/pdf/10.1007/s11412-023-09394-0.pdf
