顾美俊等 | 数字教材阅读中回看行为与学习效果的关系
摘要：回看是一种有效的学习策略，数字教材中弱交互的导航降低了回看对学习效果的提升。基于此，文章对参加数字教材阅读选修课的102名大学生的学习行为日志进行分析，结果发现：学习者在数字教材阅读的回看行为具有高频、跨度大的特点；回看行为网络图能可视化呈现数字教材的重、难点；回看组比普通组的回看行为更多且回看过程中添加了更多的书签和备忘录，取得的学习效果更好；学习者的先前知识水平和回看时添加笔记总频次对学习成绩影响很大。文章对数字教材阅读中回看行为与学习效果关系的研究，有助于理解学习者的回看行为特征，并可用于优化设计数字教材的智能导航功能，从而推动数字教材朝着智能化方向发展。
关键词：数字教材；回看行为；学习效果；智能导航
一 研究综述
1 数字教材与回看的关系梳理
数字教材是学科知识重要的载体，是教师教学与学生学习的重要工具[1]。数字教材的可用性（Usability），是其能否得以推广的重要因素之一[2]。而在数字教材的众多可用性评价指标中，导航（Navigation）是用户常用的功能，也是影响学习者阅读体验的重要指标之一[3]。
数字教材携带方便、学习资源便于共享的特点，满足了学习者随时随地学习的需求，但纸质教材仍然是当前的主流形式。Omura等[4]调查了826名师生对数字教材的使用态度，结果显示超过一半的人偏好纸质教材。另一项持续6年的研究调查了792名大学生的阅读习惯，发现一半以上的学生倾向于使用纸质教材[5]。最近的一项研究收集到来自5个国家的427名学生数据，发现超过45%的学生在学习或者休闲阅读时同样更偏好纸质教材[6]。纵观整个数字教材的发展历程，其发展形态从最初的静态媒体形态发展到多媒体形态，正向注重交互体验的富媒体形态过渡[7]，但学习者对数字教材模拟纸质书导航的阅读体验感仍然较差。
数字教材弱交互的导航降低了学习者的阅读体验，这也是更多学习者选择纸质教材阅读的重要原因。Nicholas等[8]对127所大学的5000多名师生开展了调查，发现他们选择数字教材的主要原因在于其易于访问、方便携带，而数字教材困扰读者的主要问题之一是其弱交互的导航。在Omura等[9]的研究中，参与者被要求选择18项与可用性有关的指标评价纸质教材和数字教材，结果发现：纸质教材在易于集中注意力、易于理解、易于概览、易于翻页和导航这四个方面的功能优于数字教材。Marshall等[10]通过录像带分析的方法，比较了学习者在阅读纸质教材和数字教材时的导航行为，结果发现：使用数字教材时，学习者难以快速捕获教材上下文之间的联系。Shibata等[11]的研究也得出了类似的结论：学习者通过点击交互式按钮在数字教材中导航，存在物理空间中有限的前后移动问题，难以有效地浏览整本数字教材。
学习者在纸质教材和数字教材中的导航行为存在很大不同：在纸质教材中，学习者的每次翻页都能实现任意两个页面之间的导航；而在数字教材中，学习者通过点击按钮回看阅读，每次只能实现前后相邻两个页面之间的导航。此外，Shibata等[12]发现，在数字教材中使用导航花费的时间比纸质教材多了近50%。学习者在纸质教材中的导航行为是一个“黑箱”，而数字教材能够实时记录学习者在导航过程中的行为日志，为深入研究学习者的导航行为提供了海量数据。理解学习者的导航行为，不仅能够优化数字教材的交互设计，更重要的是作为数字教材体系中的学习者模型，可以赋能教材的智能化建设[13][14]。
2 回看行为与学习效果的研究现状
回看是阅读中常见的一种导航行为，描述了学习者从当前页面往回翻看、停留阅读、继续回到当前页面的学习过程。在停留阅读环节，学习者可通过数字教材中的交互按钮，添加高亮显示、书签、备忘录和下划线，以查漏补缺，或辅助新知识的学习。有调查发现，在阅读数字教材时，学习者有一半以上时间用于回看[15]。当前数字教材的学习材料仍以静态图片和文本为主，相较于图片形式的学习材料，学习者在阅读文本形式的学习材料时会产生更多回看[16]。
在交互、友好的导航环境中，回看行为能够提高学习效果。例如，Smadja等[17]分析了学习者在网页中阅读时的三类回看模式（即简易回看模式、持续回看模式、完全回看模式），提高了文本导航的交互性；Zhang等[18]分析了学习者在观看视频过程中的回看模式，设计并实现了基于知识点的智能链接跳转，提升了学生的学习效果；Ogata等[19]应用社会网络分析方法，对学习者的回看行为进行了可视化，呈现了回看在链接知识点中的应用价值；Mouri等[20]通过分析学习者在数字教材中的点击流数据，发现点击“上一页”交互按钮的回看有利于提升学习效果；Yin等[21]除了分析数字教材阅读中学习者的回看行为，还结合学习者添加备忘录、下划线和高亮显示的交互行为，为数字教材导航设计提出相关建议。
尽管回看是一种有效的学习策略，但是数字教材中弱交互的导航影响了回看对学习效果的提升作用。例如，Shibata等[22]指出，通过点击交互按钮，每次只能实现相邻两个页面之间的回看，严重影响了数字教材阅读的学习效果。Baron等[23]也得出了类似的结论：近92%的参与者在纸质教材中的注意力更集中，而数字教材阅读中的回看会让他们的注意力分散，同时阅读数字教材会造成更多的眼睛疲劳。Shibata等[24]发现，在阅读数字教材时，学习者的注意力分散是由教材中光标闪烁、背景屏幕、图标、导航按钮、菜单、工具栏等干扰所引起的；而对1053名学习者的调查结果显示：造成数字教材学习效果不佳的主要原因是眼睛易疲劳、导航操作功能有限、注意力不集中。
随着在线学习的普及，数字教材会逐渐成为未来网络学习社区中资源共享的普遍形式，故有必要通过改进数字教材交互式的导航设计来提高学习效果。为此，本研究通过深入分析数字教材阅读中学习者的回看行为，来揭开学习者回看过程的“黑箱”，并探究回看行为与学习效果之间的关系，以期为数字教材的人机交互设计提供参考。
二 研究设计
1 研究问题
尽管已有研究调查了基于网页和视频中的导航行为及其对学习效果的影响，但很少有研究探索数字教材阅读中的回看行为。为分析学生在阅读数字教材时的回看行为，探究回看行为对学习效果的影响，本研究重点解决以下问题：①数字教材阅读过程中有哪些回看行为？②回看行为是否会影响学习效果？③回看行为中有哪些会影响学习效果？
2 研究对象与DITeL平台
本研究以广东省J大学选修2017年3～7月秋季学期和2018年3～7月春季学期“商法”课程的234名大学生为研究对象，这些学习者的年龄为18～19岁。“商法”课程是一门数字教材阅读选修课，使用的数字教材是由专业教师研发的课程学习资料，并基于“数字教材教与学”（Digital Textbook for Teaching and Learning，DITeL）平台[1]开展[25]。由于只有102名学生坚持完成了“商法”课程的学习，故本研究最终将这102名学生确定为研究对象。
DITeL平台基于EPUB技术开发，提供面向网页和移动平台的数字教材，是一个以文本和图片为主要数字内容的学习平台。DITeL平台不仅为学习者提供了学习支持工具（如书签、备忘录、高亮显示、下划线等交互按钮），还为教师提供了教学内容的管理、分发和更新服务，教师可以在导航栏的“Mytextbook”选项管理数字化的课程资源。
3 数据集变量
当学生进行两个学期的课程学习时，DITeL平台会将学习者的行为数据以日志的形式自动记录下来。102名学习者（18～19岁）共产生了860801条学习行为日志，这些日志记录了学习者与数字教材的每次交互。从这些日志中可以提取多种阅读行为特征，如阅读设备类型（电脑、平板或手机）、阅读时间、添加笔记（高亮、下划线、书签、备忘录）的频次等。本研究主要关注学习者的跨页回看过程，因此主要识别、提取的是回看过程中的阅读和学习行为。
数字教材阅读中的回看被定义为一种往回翻页的行为。在DITeL平台，学习者点击“Next”交互按钮翻到下一页，点击“Pre”交互按钮翻到上一页。图1的回看示例描述了一种常见的回看模式：学习者通过单击每一页中的“Next”按钮，从第一页（P1）逐页阅读教材至第六页（P6）；在阅读P6的内容时，学习者通过连续点击“Pre”按钮往回翻到P2；阅读完P2的内容后，学习者返回到P6。由此可见，从P6往回翻到P2的过程是一个比较完整的回看行为。其中，学习者第一次点击“Pre”按钮的页面就是回看开始页码（Backtrack Starting Page，BSP），即图1中的P6；而学生完成回看后第一次点击“Next”按钮的页面是回看结束页码（Backtrack Ending Page，BEP），即图1中的P2。
图1 数字教材阅读中的回看示例
根据上述回看的定义，本研究从860801条学习行为日志中提取了53557条回看记录。对这些回看记录进行整理、分类，本研究提取出学习者的7种主要回看行为，即回看频次、回看率、回看跨度、回看时添加备忘录频次、回看时添加书签频次、回看时添加高亮显示频次、回看时添加笔记总频次。此外，学习行为日志中还记录了学习者的基本信息和学习成绩，其中学习成绩包括前、后测成绩，且前测试题难度低于后测试题。上述数据集变量的具体描述如表1所示。
表1 数据集变量的具体描述
4 研究工具和过程
本研究使用凝聚层次聚类算法作为主要的研究方法，借助社会网络分析工具Gephi和因果分析软件Tetrad来推动研究，并使用Python数据分析包来完善结论，具体如下：
①采用Python编程提取7种主要回看行为，借助Python数据分析常用包开展统计分析。
②借助社会网络分析工具Gephi绘制回看行为网络图，以可视化学习者的回看行为。
③采用凝聚层次聚类算法，比较不同学习者回看行为的差异；采用鲁棒性较好的Ward方法，计算聚类间的相似度；采用欧氏距离，计算个体间的距离。
④应用因果分析软件Tetrad推断学习者的前测、回看行为和后测之间的因果关系。Tetrad用于从观察数据中检测因果关系，自带因果搜索算法，支持约束设置、模型评估和因果结构可视化[26][27][28]。本研究设置了一些反事实约束，包括回看行为不影响前测、后测不影响回看行为、后测不影响前测。比较Tetrad中几种可用的搜索算法后，本研究选择PC算法构建因果模型；评估因果模型的拟合优度时，接受p＞0.05的模型。
三 研究分析
1 数字教材阅读中的回看行为
对提取到的学习者回看频次进行统计，本研究发现102名学习者共发生53557次回看行为，平均每位学习者回看525次。本研究使用Python的Scipy包计算了102名学习者、7种主要回看行为的平均值和方差，结果如表2所示。表2显示，学习者的平均回看率为0.477，表示数据集中的学习者每向前阅读两页会发生一次回看；数据集中的学习者倾向于在回看中添加少量的备忘录（M=2.216，S=7.954）、极少量的书签（M=0.549，S=3.695）和高亮显示（M=0.157，S=1.584）。
表2 学习者回看行为的平均值和方差
为了进一步分析学习者数字教材阅读的回看规律，本研究使用Python的Matplotlib包绘制了回看散点分布图，如图2所示。其中，坐标轴上的每个点（BSP，BEP）表示该数据集中学习者的回看行为从第BSP页开始、到第BEP页结束，BSP和BEP的差值即为回看跨度。图2显示，越靠近对角线，散点越多；实线阴影区域涵盖了回看跨度在10页范围内的回看；虚线阴影区域散点较为密集，涵盖了回看跨度在25页范围内的回看。由此可见，学习者在数字教材阅读的整个过程都有小跨度的回看，而在数字教材阅读的中期有更多的大跨度回看。
图2 回看散点分布图
2 回看行为可视化分析
本研究使用Gephi 0.9.2软件，绘制了回看行为网络图，如图3所示。其中，节点处的序号代表数字教材的页码；有向边表示从回看开始页码（BSP）指向回看结束页码（BEP），边的粗细由边上的权重值决定（权重值越大，边越粗），而权重值就是该回看的学习者人数。图3（a）是页面节点的入度图，页面节点半径越大，从其他页面回看该页面的学习者人数越多，表示该页面是教材知识的重点，如节点44；图3（b）是页面节点的出度图，页面节点半径越大，从该页面出发回看其他页面的学习者人数越多，表示该页面是教材知识的难点，如节点72。借助回看行为网络图，学习者在数字教材阅读中的回看行为和数字教材知识的重难点得以可视化呈现。
图3 回看行为网络图
3 回看行为模式差异分析
本研究使用Python中Scikit-learn包的聚类模型进行聚类分析，结果如图4所示。图4（a）为最佳聚类数的“手肘”图，其拐点即为最佳聚类数（K值=2）。图4（b）为回看行为和学习效果的K-means聚类树状图（横坐标表示学习者人数），选取截断距离等于6000（图中黄色虚线）的数值为标准，将聚类结果划分为两个簇，每个簇代表一类隐藏的回看模式：C1（红色阴影部分）设为回看组，含82名学生；C2（绿色空白部分）设为普通组，含20名学生。
图4 聚类结果
为进一步比较回看组和普通组之间的回看差异，本研究将7个回看变量作为因变量、聚类结果作为自变量，使用Python的Scipy包，在检验各变量满足正态分布、方差齐性（误差方差等同性的Levene检验）的前提条件下（Sig.＞0.05）进行了独立样本t检验，结果显示：回看组和普通组的回看次数（p＜0.01，d=2.067）、回看率（p=0.004，d=0.701）、回看时添加笔记总频次（p=0.045，d=0.888）存在显著差异，如表3所示。统计两组的平均值（M）和标准差（SD），可以发现：相较于普通组，回看组的回看行为更多，尤其是回看过程中添加书签和备忘录更频繁。
表3 独立样本t检验结果
4 回看行为与学习成绩的因果关系分析
本研究使用Python的Matplotlib工具包，绘制了回看组和普通组的前、后测箱图，如图5所示。图5显示，回看组和普通组的前测不存在显著差异（p=0.578，d=0.088），但回看组的后测显著高于普通组（p=0.013，d=0.613）。
图5 回看组和普通组的前、后测箱图
为了进一步探究回看行为是否提高了学习者的学习成绩，本研究使用专业的因果分析软件Tetrad 6.5.4推断了学习者回看行为与学习成绩之间的因果关系，如图6所示。其中，每个节点代表一个变量，“A→B”表示变量A是引起变量B的原因；每条边上的数值代表因果关系的关联强度值。为检验推断的因果关系模型与实际情况在统计学上的差异，本研究对构造的因果关系模型进行了拟合优度评估（如表4所示），结果表明：因果关系模型与实际情况不存在显著差异（p=0.889），此模型成立。
图6 回看行为与学习成绩之间的因果关系模型
表4 因果关系模型的拟合优度评估
生成因果关系模型之后，本研究发现：回看跨度、回看时添加备忘录频次、回看时添加书签频次、回看时添加高亮显示频次四种回看行为之间不存在因果关系，故图6未予显示。另外，回看次数是影响后测成绩的直接原因，但影响程度较弱（关联强度值为0.0039）；回看率对后测成绩的直接影响较大（关联强度值为0.0462）；回看时添加笔记总频次对后测成绩的直接影响最大（关联强度值为0.0838），接近回看率对后测成绩影响的2倍、回看次数对后测成绩影响的20多倍。在所有变量中，前测成绩对后测成绩存在直接影响（关联强度值为0.2293），同时通过回看率（关联强度值为0.2852）和回看时添加笔记总频次（关联强度值为0.0550）间接影响后测成绩。上述因果推断的结果分析，揭示了学习者的学习成绩受其回看时添加笔记总频次和先前知识水平的影响很大。
四 讨论与评价
1 结果讨论
①数字教材阅读中的回看行为分析表明，学习者在数字教材阅读中的回看行为具有高频、跨度大的特点。本研究通过Python数据分析包来完善结论，发现学习者的回看行为呈现出两大特征：一是数据集中的学习者平均阅读率为0.477，表示学习者平均每向前阅读一页，就会发生一次回看。二是数据集中的学习者平均回看跨度是10.775（占比64.54%），回看跨度为1的占比10.52%，表明学习者使用数字教材阅读会频繁发生回看行为。高频、跨度大的回看行为，反映了学习者回看行为普遍，且有跨多页回看的强烈需求，而不仅仅是相邻两个页面之间的回看。
②回看行为的可视化分析表明，出度图中半径较大的节点是数字教材难点所在页，而入度图中半径较大的节点是数字教材重点所在页。通过回看行为网络图，根据页面节点半径的大小来判断学习者感知到的知识的重要性与难易程度，可为教师有针对性地进行教学干预、调整教学决策提供参考，并有助于提高学习者的学习效果。
③回看行为模式差异分析表明，相较于普通组，回看组的回看行为更多且添加了更多的书签和备忘录，取得的学习效果更好。具体来说，两组在回看次数、回看率、回看时添加笔记总频次和后测成绩上均存在显著差异：回看组的回看次数是普通组的近15倍，回看率是普通组的近1.5倍，回看时添加笔记总频次是普通组的约6.5倍；两组的前测成绩不存在显著差异，但回看组的后测成绩显著高于普通组。因此，数字教材阅读中的回看行为确实能提高学习者的学习体验，是一种有利于提升学习效果的学习策略——这与Yin等[29]的研究结论基本一致。
④回看行为与学习成绩的因果关系分析表明，学习者的回看时添加笔记总频次和先前知识水平对学习者的学习成绩影响很大。因果关系模型分析显示，回看次数、回看率、回看时添加笔记总频次均直接影响后测成绩，其影响程度分别为较弱、中等、最大。而通过前测成绩直接影响后测成绩、并通过回看率、回看时添加笔记总频次间接影响后测成绩，可知学习者的先前知识水平也是影响学习成绩的重要因素。
2 价值和不足
本研究以DITeL平台上开展的“商法”课程中的学习过程数据为数据来源，提取了学习者的7种主要回看行为，并对回看行为进行了可视化分析、模式差异分析、与学习成绩的因果关系分析，所得研究结果主要有三方面的价值：①研究结果为分析数字教科书中的学生阅读行为提供了新的思路。本研究发现了两类隐藏的回看模式，并验证了回看行为对学习效果的积极影响。②研究结果有助于优化数字教材的导航设计。目前，数字教材中的交互式翻页按钮只允许学习者逐页前、后翻页，本研究建议可利用学习者的回看行为网络图和知识点之间的关联关系研发跨多页的“翻页助手”。③研究结果为构建数字教材领域模型提供了参考。领域模型是由知识、技能、问题及其之间的结构关系（先决关系、映射关系、层次关系等）组成，是数字教材的本体内容。例如，回看行为网络图能够实时反映学习者所感受到的知识重、难点，故可为专家构建领域模型提供有效指导。
与此同时，本研究也存在一些不足之处，主要表现为：①回看行为类型不全。本研究提取了7种主要回看行为，实际上回看行为十分复杂、多元，可归纳的回看行为类型远远不止这7种。因此，探讨回看行为对学习效果的影响时，可能会遗漏比较重要的回看行为。②研究样本量小。本研究虽然招募了234名学生参与这项研究，但只有大约一半的学生能坚持使用数字教科书作为阅读工具。针对这些不足，后续研究在进行数据收集前就要和学习者充分沟通，排除学习者的主观影响，保证数据的客观性；同时，要和数字教材编写教师充分沟通，设计可拆分、可整合、模块化的数字教材领域模型，尝试挖掘更多类型的回看行为、加大研究样本量，以优化数字教材的设计，进而提升学习效果。
参考文献
[1]顾明远.教育大辞典[Z].上海:上海教育出版社,1998:695.
[2]Jeong H. A comparison of the influence of electronic books and paper books on reading comprehension, eye fatigue, and perception[J]. The Electronic Library, 2012,(3):390-408.
[3]Wan Sulaiman W N A, Mustafa S E. Usability elements in digital textbook development: A systematic review[J]. Publishing Research Quarterly, 2020,(1):74-101.
[4][9]Omura H, Shibata H. Survey research on reading and writing for paper and electronic media[J]. Shigyo Times, 2010,(10):18-30.
[5]Kazanci Z. University students’ preferences of reading from a printed paper or a digital screen: A longitudinal study[J]. International Journal of Culture and History, 2015,(1):50-53.
[6][23]Baron N S, Calixte R M, Havewala M. The persistence of print among university students: An exploratory study[J]. Telematics and Informatics, 2017,(5):590-604.
[7]胡畔,王冬青,许骏,等.数字教材的形态特征与功能模型[J].现代远程教育研究,2014,(2):93-98、106.
[8]Nicholas D, Rowlands I, Jamali H R. E-textbook ese, information seeking behaviour and its impact: Case study business and management[J]. Journal of Information Science, 2010,(2):263-280.
[10][16]Marshall C C, Bly S. Turning the page on navigation[A]. Proceedings of the 5th ACM/IEEE-CS Joint Conference on Digital Libraries[C]. Denver, CO, USA: IEEE, 2005:225-234.
[11][22]Shibata H, Fukase Y, Hashimoto K, et al. A proposal of future electronic paper in the office: Electronic paper as a special-purpose device cooperating with other devices[J]. ITE Transactions on Media Technology and Applications, 2016,(4):308-315.
[12][24]Shibata H, Omura K. Why digital displays cannot replace paper[M]. Singapore: Springer, 2020:43-110、27-33.
[13]Boulanger D, Kumar V. An overview of recent developments in intelligent e-textbooks and reading analytics[A]. Proceedings of the First Workshop on Intelligent Textbooks Co-located with 20th International Conference on Artificial Intelligence in Education (AIED 2019)[C]. Chicago, IL, USA: iTextbooks@AIED, 2019:44-56.
[14]Kay J, Kummerfeld B. PUMPT: An e-textbook platform based on a personal user model for learning[A]. Proceedings of the Third International Workshop on Inteligent Textbooks[C]. Utrecht, The Netherlands: iTextbooks@AIED, 2021:27-34.
[15]McKay D. A jump to the left (and then a step to the right): Reading practices within academic ebooks[A]. Proceedings of the 23rd Australian Computer-Human Interaction Conference (OZCHI 2011)[C]. New York: Association for Computing Machinery, 2011:202-210.
[17]Smadja U, Artzi Y, Grusky M, et al. Understanding reader backtracking behavior in online news articles[A]. The Web Conference 2019—Proceedings of the World Wide Web Conference[C]. New York: Association for Computing Machinery, 2019:3237-3243.
[18]Zhang H, Sun M, Wang X, et al. Smart jump: Automated navigation suggestion for videos in MOOCs[A]. 26th International World Wide Web Conference 2017 (WWW 2017 Companion)[C]. Perth Australia: International World Wide Web Conferences Steering Committee, 2017:331-339.
[19]Ogata H, Yin C, Oi M, et al. E-book-based learning analytics in university education[A]. Proceedings of the 23rd International Conference on Computers in Education (ICCE 2015)[C]. Hangzhou, China: Asia-Pacific Society for Computers in Education, 2015:401-406.
[20]Mouri K, Yin C. E-book-based learning analytics for improving learning materials[A]. Proceedings 2017 6th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI 2017)[C]. Piscataway: IEEE, 2017:493-497.
[21][29]Yin C, Yamada M, Oi M, et al. Exploring the relationships between reading behavior patterns and learning outcomes based on log data from e-books: A human factor approach[J]. International Journal of Human-Computer Interaction, 2019,(4-5):313-322.
[25]Yin C, Hwang G J. Roles and strategies of learning analytics in the e-publication era[J]. Knowledge Management & E-Learning: An International Journal, 2018,(4):455-468.
[26]Jiang B, Zhao W, Gu X, et al. Understanding the relationship between computational thinking and computational participation: A case study from scratch online community[J]. Educational Technology Research and Development, 2021,69:2399-2421.
[27]Koedinger K R, McLaughlin E A, Kim J, et al. Learning is not a spectator sport: Doing is better than watching for learning from a MOOC[A]. L@S 2015—2nd ACM Conference on Learning at Scale[C]. New York: Association for Computing Machinery, 2015:111-120.
[28]Koedinger K R, Scheines R, Schaldenbrand P. Is the doer effect robust across multiple data sets?[A]. Proceedings of the 11th International Conference on Educational Data Mining (EDM 2018)[C]. New York: ACM, 2018:369-375.
[1] DITeL平台的网址为：https://cse.istc.kobe-u.ac.jp/ebook2/login。