1. 引言
高职教育在现代社会中扮演着至关重要的角色，其目标是培养具有实际操作能力和专业知识的技术型人才。随着科技的迅速发展，传统的教育模式已经无法完全满足现代社会对高职教育的需求，这促使教育者和政策制定者寻求创新的教学方法和学习模式[1]。在此背景下，混合式学习模式融合了线上与面对面的教学元素，不仅增强了教学的灵活性，还提高了教育的可达性和效率。学习参与度是衡量学生在学习过程中活跃程度和参与深度的关键指标。
列夫·维果斯基(Lev Vygotsky) [2]在20世纪20年代至30年代提出社会建构主义理论，强调知识是在社交互动中构建的。John Sweller [3]于1988年提出认知负荷理论，强调在教学设计中应优化信息呈现，减轻学习者的认知负荷。Edward L. Deci和Richard M. Ryan [4]在1970年代发展的自我决定理论，强调自主性、能力感和归属感在提高内在动机中的作用。Fred Davis [5]在1989年提出的技术接受模型(TAM)，解释了感知易用性和感知有用性是决定用户接受新技术的关键因素。David Kolb [6]于1984年提出的经验学习理论，认为学习是通过具体经验和反思观察进行的循环过程。此理论强调实际操作和实验在学习过程中的重要性。
综合这些理论，本研究形成了混合式学习的四个关键维度：面授学习维度、实践学习维度、线上学习维度、合作学习维度。
本研究旨在探索在教育数字化转型的背景下，如何通过混合式学习提高高职学生的学习参与度。研究聚焦于面授学习、实践学习、线上学习及合作学习四个关键维度，并分析这些维度如何影响学生的学习参与度。
面授学习维度：依据社会建构主义理论，强调教师与学生间的直接交互及其对学习影响的重要性。
实践学习维度：基于经验学习理论，关注通过实际操作和实验强化理论知识的应用。
线上学习维度：受认知负荷理论和技术接受模型的启发，旨在优化学习流程和更有效地处理学习信息。
合作学习维度：从社会建构主义和自我决定理论中汲取，促进学生通过小组互动和社会参与增强学习效果。
通过实证分析，本研究期望揭示各学习维度对提高学生学习参与度的具体贡献，从而为教育实践提供理论和数据支持。
2. 研究设计与数据收集
2.1. 研究设计
本研究旨在评估混合式学习环境中，面授学习、实践学习、线上学习及合作学习这四个维度如何影响高职学生的学习参与度。为此，构建了一套综合的研究框架，采用多元线性回归模型分析各学习维度对已知的学习参与度数据的影响。
在量化研究前，通过设计并实施一系列李斯特量表问卷来测量各学习维度。通过探索性因子分析(Exploratory Factor Analysis, EFA)，对问卷数据进行因子提取和权重分配，以确保数据的统计有效性和解释力。随后，基于这些加权维度的得分，建立了一个多元线性回归模型，以系统地评估不同学习维度对学习参与度的具体影响。
2.2. 样本描述
2.2.1. 样本收集
本研究从学校各系中随机抽取了本校的大一和大二学生。由于高职大三学生主要进行校外企业实习，不包括在抽样范围内。总共抽取了460个样本，目标是获取广泛的代表性，以确保研究结果的普遍适用性。
在初步收集的460份问卷中，经过筛选去除填写不完整和极端值的问卷，最终得到438份有效问卷。有效问卷的回收率达到95.22%，这一高比例的有效率说明调查的数据质量良好，为分析提供了坚实的基础。
在有效的样本中，男性学生214人，女性学生224人，性别比例基本平衡。这种均衡的性别分布有助于分析结果的普遍性和可靠性。
问卷的收集采用了电子问卷和纸质问卷相结合的方式，以适应不同学生的偏好和实际情况。数据的收集主要在课堂上进行，同时也通过学生群聊进行，这种多渠道的收集方式旨在提高参与度和响应率。
2.2.2. 样本描述性统计分析
为了深入理解样本数据的特征和分布情况，本研究进行了全面的描述性统计分析。这些统计不仅包括中心趋势和离散程度的基本统计，还进一步分析了数据的形态特征如偏度和峰度。样本描述性统计结果“见表1”。
2.3. 问卷设计与变量测量
本研究设计了一个综合性问卷，旨在通过四个混合式学习维度(面授学习、实践学习、线上学习、合作学习)评估学习参与度。问卷分为基础部分和主体部分。基础部分包括个人信息和技术使用习惯，如年龄、性别、学年、个人电脑拥有情况、主要上网设备及上网方式等。
主体部分针对四个学习维度，每个维度设计了七个问题。面授学习部分询问学生在课堂上的参与情况、对教师互动的感受、课程内容的挑战性、以及数字化学习活动的效果。实践学习部分关注学生参与实验或实训的频率、数字化工具在实践学习中的应用、以及教师指导的影响。线上学习部分评估在线
Table 1. Descriptive statistics of the sample
表1. 样本描述性统计
统计指标 |
值 |
样本数量 |
219 |
平均值 |
77.53 |
标准差 |
8.33 |
最小值 |
50.01 |
25%分位数 |
72.34 |
中位数 |
79.16 |
75%分位数 |
83.72 |
最大值 |
92.72 |
方差 |
69.34 |
众数 |
82.34 |
平台的用户体验、学习资源的丰富性以及在线学习的自主性。合作学习部分探讨学生在团队项目中的合作经验、数字化合作平台的使用效果、以及小组互动对学习动力的影响。
问卷的效度通过内容效度进行验证。内容效度是通过教育领域的专家进行评审实现的，专家们评估问卷的每个条目是否能够充分和准确地代表预定的测量维度。通过反复的讨论和修改，问卷的内容得到了专家们的广泛认同，确认了其内容的适当性和全面性。问卷信度通过计算内部一致性系数Cronbach’s Alpha来评估。整体问卷的Cronbach’s Alpha值达到了0.87，表明问卷具有很好的内部一致性。具体到各个维度，面授学习的Cronbach’s Alpha为0.85，实践学习为0.83，线上学习为0.86，合作学习为0.84。这些数据表明各个维度的问卷部分在统计上是可靠的，可以有效地反映学生在各学习维度上的参与度和体验。
3. 数据分析与模型验证
3.1. 数据分析方法
3.1.1. 探索性因子分析(EFA)
EFA(探索性因子分析)用于分析高职学生在混合学习环境下的参与度，特别针对面授学习、实践学习、线上学习和合作学习四个关键维度。
实施EFA(探索性因子分析)的过程包括数据收集和因子提取。首先，收集了438名高职学生的数据，涉及面授、实践、线上和合作四个维度的七个Likert量表问题。随后，通过主成分分析(PCA)提取主要因子，并对每个维度的量表问题进行权重分配，以标准化权重确保分析的一致性。在赋权数据计算过程中，将每个问题的量表得分与相应的权重相乘，并汇总每个维度的得分。最后，采用Varimax正交旋转来优化因子结构，使每个因子在特定变量上有较高的载荷，以提高因子的可解释性。
通过EFA确定的各维度问题权重“见表2”。
赋权处理后的样本数据集描述性统计“见表3”。
EFA结果揭示，四个因子分别对应于四个不同的学习维度。因子载荷表明了每个问题对其维度的相对贡献，为后续的数据分析和模型构建提供了基础。最终，这些因子权重被用于构建预测模型，以评估不同维度对学生学习参与度的影响。
Table 2. Weights of questions across dimensions
表2. 各维度问题权重
维度 |
Likert scale 1 |
Likert scale 2 |
Likert scale 3 |
Likert scale 4 |
Likert scale 5 |
Likert scale 6 |
Likert scale 7 |
面授学习 |
−0.1396 |
−0.1475 |
−0.1421 |
−0.1525 |
−0.1238 |
−0.1321 |
−0.1625 |
实践学习 |
−0.1269 |
−0.0973 |
−0.1181 |
−0.1594 |
−0.1621 |
−0.1926 |
−0.1436 |
线上学习 |
−0.1178 |
−0.2044 |
−0.1279 |
−0.1460 |
−0.1513 |
−0.1388 |
−0.1138 |
合作学习 |
0.1309 |
0.1500 |
0.1638 |
0.1347 |
0.1608 |
0.1239 |
0.1358 |
Table 3. Descriptive statistics of the empowerment processing sample dataset
表3. 赋权处理的样本数据集描述性统计
变量 |
样本数 |
平均值 |
标准差 |
最小值 |
25%分位数 |
中位数 |
75%分位数 |
最大值 |
参与度 |
219 |
77.53 |
8.33 |
50.01 |
72.34 |
79.16 |
83.72 |
92.72 |
面授学习 |
219 |
3.40 |
0.71 |
1.28 |
2.97 |
3.53 |
3.89 |
4.86 |
实践学习 |
219 |
3.37 |
0.71 |
1.28 |
2.92 |
3.48 |
3.87 |
4.86 |
线上学习 |
219 |
3.44 |
0.78 |
1.26 |
2.96 |
3.60 |
4.06 |
4.75 |
合作学习 |
219 |
3.41 |
0.77 |
1.15 |
3.04 |
3.51 |
3.99 |
4.87 |
3.1.2. 线性回归模型构建与拟合
在本研究中，线性回归模型被用于分析和预测高职学生在混合学习环境中的学习参与度。这一分析旨在揭示不同学习维度对学习参与度的具体影响。
因变量(Y)：学习参与度。学习参与度的量化是通过综合考虑学生对各种学习活动的反馈和参与率得出的。
自变量：包括四个主要的混合学习维度，每个维度都是从探索性因子分析(EFA)中得到的权重结果计算而来的加权得分。
X1——面授学习维度：反映学生在面对面教学环境中的参与情况。
X2——实践学习维度：包括学生在实验室、工作坊或实际操作中的活跃度。
X3——线上学习维度：涉及学生在虚拟学习环境中的互动和参与。
X4——合作学习维度：评估学生在团队项目和小组讨论中的参与程度。
多元线性回归模型形式如下：
其中：
是截距项，表示在所有自变量为零时，学习参与度的基础值。
是回归系数，表示各自变量在控制其他变量不变的情况下，对学习参与度的影响大小。每个系数的正负和大小直接表明了对应学习维度对学习参与度的影响方向和强度。
是误差项，代表模型中未被观测到的其他因素的影响。
表4详细展示了线性回归模型的拟合结果，包括每个系数的估计值(保留小数点后4位)、标准误、t值和P值，以及系数的显著性标记，结果“见表4”。
基于拟合结果，线性回归模型如下：
Table 4. Model fitting results
表4. 模型拟合结果
变量 |
系数 |
标准误 |
t值 |
P值 |
显著性 |
Intercept (截距项) |
38.5082 |
1.447 |
26.62 |
<0.001 |
*** |
X1 (面授学习) |
2.8958 |
0.523 |
5.54 |
<0.001 |
*** |
X2 (实践学习) |
2.4185 |
0.546 |
4.43 |
<0.001 |
*** |
X3 (线上学习) |
2.7893 |
0.549 |
5.08 |
<0.001 |
*** |
X4 (合作学习) |
3.3498 |
0.586 |
5.71 |
<0.001 |
*** |
***: P < 0.001, **: P < 0.01, *: P < 0.05.
3.1.3. 模型解释
本研究的线性回归模型展示了良好的拟合效果与解释力。具体表现在以下几个统计指标上。
决定系数(R-squared)：值为0.788，即大部分的数据变异可以通过模型中的自变量来解释。
调整后的决定系数(AdjustedR-squared)：值为0.784，即便考虑到模型自由度的影响，模型仍展示出较高的解释力。
F统计量(F-statistic)：值为198.8，表明模型的预测效力在统计上是有效的。
F统计量的概率(Prob(F-statistic))：值为7.34e-71，较低的P值强烈支持模型自变量的统计显著性。
对于模型中的系数，结果显示：
截距项(Intercept, β0)：为38.5082，表示在所有自变量为零时，预测的学习参与度的基线值。
面授学习(β1)：系数为2.8958，表明面授学习每增加一个单位，学习参与度平均增加约2.90单位。
实践学习(β2)：系数为2.4185，表明实践学习每增加一个单位，学习参与度平均增加约2.42单位。
线上学习(β3)：系数为2.7893，表明线上学习每增加一个单位，学习参与度平均增加约2.79单位。
合作学习(β4)：系数为3.3498，表明合作学习每增加一个单位，学习参与度平均增加约3.35单位，显示出所有维度中最显著的正向影响。
3.2. 模型验证
3.2.1. 残差分析
为确保线性回归模型的统计推断有效性，进行了详细的残差分析。此分析旨在验证模型假设的适用性，包括残差的正态性、独立性和同方差性，从而确保模型结果的可靠性和有效性。
残差是观测值与回归线预测值之间的差异，计算公式为：
其中，
是第i个观测的残差，
是实际观测值，
是模型预测值。
使用残差的直方图和Q-Q图来检查残差的正态分布性。理想情况下，残差应该呈现出接近正态分布的形态。
使用Seaborn的histplot函数结合核密度估计(KDE)，绘制残差直方图，“见图1”。
从直方图可以看出，残差大致呈现正态分布，这是线性回归模型假设中的一个重要条件。正态分布的残差支持了模型的有效性。
使用散点图来评估残差的方差是否随预测值的变化而变化。检查残差的独立性和均匀方差(同方差性)。该图用于检查残差的独立性和均匀方差(同方差性)。理想情况下，这些点应随机分布在水平线(y = 0)附近，没有漏斗形或其他形状的模式。
使用Matplotlib的scatter功能绘制每个观测值的拟合值对应的残差，“见图2”。
Figure 1. Residual histogram
图1. 残差直方图
Figure 2. Residuals vs fitted values scatter plot
图2. 残差与拟合值散点图
从图中观察到残差分布相对均匀，没有明显的系统性模式，如漏斗形或上下弯曲，这支持残差的独立性和同方差性。
残差分析结果表明，所构建的线性回归模型满足所有主要统计假设，残差表现出的正态性和同方差性进一步证实了模型的可靠性。因此，可以认为模型对学习参与度的估计是有效的。
3.2.2. 交叉验证
为了验证线性回归模型的稳定性和预测准确性，本研究采用了五倍交叉验证(5-Fold Cross-Validation)方法。这种方法可以有效评估模型在未见数据集上的表现，确保其泛化能力。
五倍交叉验证的结果如表5所示。
以下是五倍交叉验证中每一折的R²值，以及模型的平均表现，“见表5”。
Table 5. Cross-validation results
表5. 交叉验证结果
折次 |
R2值 |
1 |
0.841 |
2 |
0.716 |
3 |
0.797 |
4 |
0.727 |
5 |
0.735 |
综上，平均R2值：0.763。
模型在不同的数据子集上的表现略有波动，R2值的范围从0.716到0.841不等，这反映了模型对数据的适应性和稳定性。
平均R2值为0.763，表明模型在大多数情况下都能够较好地解释数据变异，具有较好的预测性能。
第2折和第4折的R²值较低，可能指示这些部分的数据特性与其他部分存在差异，或模型在这些子集上的表现受到了某些变量的特异性影响。
五倍交叉验证的结果支持了模型的泛化能力，尽管某些子集的表现略低，但模型整体表现稳定。
3.2.3. 多重共线性检验
在建立线性回归模型时，检验多重共线性是关键步骤之一，以确保模型中的解释变量之间不会因高度相关而影响模型的稳定性和解释力。多重共线性的存在可能会导致回归系数的估计变得不准确和不稳定。
主要通过方差膨胀因子(Variance Inflation Factor, VIF)和容忍度(Tolerance)来检验多重共线性。VIF值高于10通常被认为存在显著的多重共线性问题，而容忍度是VIF的倒数，值接近0(通常认为低于0.1为接近于0)也表明高度共线性。
VIF的计算公式为：
其中，
是除了考虑的变量
外，其他自变量对
的线性回归确定系数。
容忍度的计算公式为：
多重共线性检验结果
以下表格展示了每个变量的VIF和容忍度，用以评估共线性的程度，结果“见表6”。
所有解释变量的VIF值均低于10，容忍度均高于0.1，表明模型中的自变量之间不存在严重的多重共线性问题。这意味着模型的参数估计是稳定的，自变量之间的高度相关性不会影响模型的有效性和解释能力。此结果支持模型的有效使用，确保了回归分析的可靠性和稳定性。
Table 6. Multicollinearity test results
表6. Multicollinearity test results
Feature |
VIF |
Tolerance |
备注 |
const |
30.598502 |
0.032681 |
截距项，通常忽略 |
X1 |
1.997563 |
0.500610 |
无显著共线性问题 |
X2 |
2.163316 |
0.462253 |
无显著共线性问题 |
X3 |
2.637097 |
0.379205 |
无显著共线性问题 |
X4 |
2.973379 |
0.336318 |
无显著共线性问题 |
4. 四个学习维度对参与度的具体影响
混合式学习环境中四个关键维度—面授学习、实践学习、线上学习和合作学习—对高职学生学习参与度的影响是本研究的核心。通过定量分析方法，结合问卷调查数据和多元线性回归模型，本节深入探讨了各学习维度对学习参与度的具体贡献，并结合相关教育心理学理论对结果进行了解释。
4.1. 面授学习的影响
面授学习，即传统的课堂学习环境，提供了学生与教师之间直接的互动与沟通。根据社会建构主义理论，这种直接的社交互动有助于学生知识的构建和理解深化。在实证数据中，面授学习的系数(β1 = 2.8958, P < 0.001)表明，面对面的教学互动显著增强了学生的参与度。这一发现不仅支持了面授学习在混合式教学模式中的重要性，也反映了直接教学交互对提高学生学习动机和参与度的核心作用，符合Vygotsky的互动学习理论。
4.2. 实践学习的影响
实践学习，依托于Kolb的经验学习理论，强调“通过实践学习”可以增强理论知识的吸收和应用能力。实践学习的回归系数(β2 = 2.4185, P < 0.001)证实了实际操作是提升学习参与度的有效方式，这与经验学习理论的核心观点一致。
4.3. 线上学习的影响
线上学习维度允许学生通过数字平台访问课程内容，进行自主学习。线上学习的正向系数(β3 = 2.7893, P < 0.001)表明，良好设计的在线学习资源可以有效地提高学生的学习参与度，尤其是当这些资源能够个性化地匹配学生的学习需求和偏好时，这一结果支持了认知负荷理论。
4.4. 合作学习的影响
合作学习的系数(β4 = 3.3498, P < 0.001)是所有维度中最高的，这表明通过小组互动和协作的学习方式显著提升了学习参与度，特别是在促进学生积极性和学习满意度方面。这一结果支持了社会建构主义和自我决定理论的观点，即通过团队合作和小组讨论的学习形式，可以增强学生的归属感和自主性，进而显著提升学习参与度。
5. 基于混合式学习的参与度提升策略
在混合式学习环境中，每个学习维度扮演着独特的角色，对提升学生的学习参与度具有重要影响。本节将探讨各学习维度的具体策略，旨在最大化学生的学习潜能和参与度。
5.1. 面授学习维度的策略
增强互动性通过小组讨论和即时问答活跃课堂氛围，提高学生的参与感。实时反馈帮助学生及时了解自己的学习进展和存在的问题，调整学习策略，增强学习动力。个性化教学根据学生的学习风格和需求调整教学方法和内容，通过差异化教学策略，满足不同学生的学习需求，提升每位学生的参与度。
5.2. 实践学习维度的策略
案例研究与模拟实验引入真实世界的案例和模拟实验，使学生能够将理论知识应用于实际情景中，增加学习的实用性和吸引力。跨学科项目设计跨学科项目，促进学生运用不同领域的知识解决复杂问题，这种方法可以增强学生的实践能力和创新思维。技术整合利用现有技术如多媒体演示和计算机模拟，以实现实践操作的直观展示，提供更生动的学习体验。
5.3. 线上学习维度的策略
优化学习平台确保线上学习平台用户友好，支持多种互动形式，如视频讲座、在线讨论和互动测验，使学习内容更加吸引人。灵活的学习路径提供自定义的学习路径，允许学生根据自己的节奏和兴趣选择课程和学习材料，增强学习的自主性和动机。增强资源可访问性提高学习资源的多样性和可访问性，包括电子书籍、在线课程和开放访问材料，以支持学生的自主学习。
5.4. 合作学习维度的策略
促进团队合作通过团队项目和协作任务，鼓励学生之间的合作，强化团队精神和集体解决问题的能力。利用协作工具引入各种在线协作工具，如网络文档共享和项目管理工具，这些工具可以帮助学生在不同地点共同工作，促进信息的共享和项目的协作。建立学习社区创建在线和离线的学习社区，为学生提供交流和分享知识的平台，增强学习的社会化和参与感。
6. 结论
本研究旨在探讨教育数字化转型背景下，混合式学习对高职学生学习参与度的影响。研究重点关注面授学习、实践学习、线上学习和合作学习四个关键维度，并利用多元线性回归模型分析这些维度对学生学习参与度的具体贡献。
研究发现，面授学习证实了教师与学生之间的直接互动对增强学生学习动机和参与度至关重要。这一维度的正向影响凸显了传统教学模式在现代教育技术融合中依然不可或缺的作用。实践学习的显著正向影响支持了通过“做中学”可以极大提高学生的学习参与度，强调了理论与实践结合的必要性。线上学习展示了技术应用在提供灵活性和资源丰富性方面的优势，从而有效提升学生的参与度。这一维度的成功依赖于课程设计的合理性和技术的易用性。合作学习结果表明，在所有维度中对学习参与度的提升效果最为显著，这验证了社会建构主义理论的相关观点，即学习是一个社交的、互动的过程。
基于研究发现，推荐教师和高职院校采取以下策略以优化混合式学习模式。增强教师与学生间的互动，通过小组讨论、互动式问答等活动，使课堂环境更加活跃。丰富实践学习资源，结合本地行业需求，设计相关的实验和实训项目，提高学生的实操能力。优化线上学习平台，确保平台的用户友好性，提供个性化学习路径，使学习内容更加个性化和符合学生需求。促进有效的合作学习，使用现代教育技术工具，如在线协作平台，鼓励学生参与团队项目，提升团队合作能力。
尽管在实施过程中取得了一定的成绩，但仍存在一些问题和不足。因此，我们需要继续扩大样本量的范围、加强多方法实施等方面的工作，以进一步提升混合式学习作为提高高职学生学习参与度的实施效果。
未来，我们计划深入研究混合式学习在高职学生学习参与度的应用与研究。为此，将不断努力探索、开发新的教学方式，以便为学生提供更好的学习效率。同时，我们也将密切关注相关领域的发展趋势和需求变化，及时调整和优化，以适应高职发展的需求。
基金项目
2023级校级一般教研项目：教育数字化转型背景下高职学生混合式学习参与度提升策略研究(项目编号：2023bzjyxmyb20)。