当前在大多数高校开设的“计算机辅助工业设计”课程，主要分为二维和三维两个模块，教学内容涉及Photoshop，Coreldraw，Rhino，Keyshot等相关专业软件^[3-5].在专业教师实际教学过程中发现，“计算机辅助工业设计”课程普遍存在以下几个方面的问题：

(1) 软件更新迭代太快，人才培养方案和教学内容无法跟上行业软件工具更新速度及多样性需求.

(2) 规划教学课时有限，理论基础学习和实践操作难以平衡，不能达到预期的教学效果.

(3) 师生沟通效率低，教师反复讲解案例，花费了大量时间，但仍不能满足学生学习中的针对性需求.

为了解决这些问题，很多研究者进行了突破性的教学改革和实践.潘小栋等^[3]提出通过SPOC的教学方式对课程进行重构；石磊^[4]提出通过项目驱动和校企联合的方式对课程进行改革；王建明等^[5]提出线上教育和工作室教育的混合模式；陈一明^[6]提出互联网与大学课堂的融合，是高等教育教学改革的主要内容，并以“大学计算机”课程为例，探讨互联网环境的模块化教学；罗丽苹等^[7]提出通过于“SPOC+微课+BYOD”实现课堂模式的翻转，进行计算机课程教学.

在上述研究和实践中可以看出，当前“互联网+”的教学模式、特别是SPOC教学方式正在成为“计算机辅助工业设计”课程教学改革的主要趋势.同时，大多数改革者认为相对于软件操作能力，更加重视对学生学习能力以及解决问题能力的培养.本研究将在“计算机辅助工业设计”SPOC课程改革的基础上，通过分析学生线上学习行为与学习效果的关系，反思学生学习态度、学习效率等方面的问题，建立因材施教、以人为本的教学方式.

2012年起“大规模公开线上课程”(Massive Open Online Course，简称MOOC)迅速席卷全球，对传统课堂“教”与“学”的模式产生前所未有的冲击.虽然高流失率迅速暴露MOOC教学模式的一些问题^[8]，但是由此引起的冲击为广大教育者打开了“互联网+”教育模式的大门，互联化成为教育不可逆转的发展趋势^[9].近年来，中国大学MOOC网、网易云、淘宝、超星等一批在线教育平台应时而起.

SPOC(Small Private Online Course，简称SPOC)是一种比MOOC更精致、更小众的在线开放课程类型.它既符合网络化课程的发展趋势，又结合了传统校园教学的优点，同时也弥补了传统课堂教学的不足^[10]. SPOC的特点在于线上和线下的结合，通过学校的约束机制，强化了学习者的学习意志和学习动力；通过线下实体课堂的教学形式，提升了学习的参与感和沉浸感；通过线上网络课堂打破了时间和空间的限制，提升了学习效率，促进了教师和学生的互动交流.

重庆理工大学“计算机辅助工业设计”课程自2001年起开始设课，分为二维(Photoshop & Coreldraw)和三维(Rhino & keyshot)两个模块，均为40个课时，各占2.5个学分，在人才培养方案中占2.86%. 2013年起，重庆理工大学“计算机辅助工业设计”课程小组基于传统的课堂规划和课程性质，结合网络化学习方式，对“计算机辅助工业设计”课程进行了SPOC教学方式的探索.

课程建设小组根据人才培养课程体系要求和用人单位实际需求重构课程模块，细分课程模块中知识点和技能目标，重新规划学习单元；然后制作学习单元的教学课件和教学视频，进行在线学习的课程网站建设；最后布置课后学习任务和在线试题，规范考核方式. 图 1为“计算机辅助工业设计”课程(二维)的SPOC教学模块建设.

本课程从2017年起从校内网络平台转移到超星的学习通平台，教学形式和交互性得到了更大的提升，如图 2所示.由于在“计算机辅助工业设计”课程的教学中，最为占用学习时间的是实践练习环节，为了提升效率，大部分的实践练习设置为案例视频的线上学习，线下课堂学习以基础讲授、项目布置、讨论、答疑、讲评为主.

学生在本课程的学习成绩分为两个部分：理论测试成绩(30%)+实操项目作业成绩(70%).为了检验学习成果并巩固知识，学生需要在线上复习课上学习的理论知识，并在线答题，这部分形成理论测试成绩，由网站系统直接生成.为了锻炼学生的软件实际应用能力，以实际项目要求为条件，设置了14项设计项目任务，学生实操完成任务并提交作业.这一部分成绩需要人工评定录入系统，为了减少老师主观评分偏差，使用规范统一的评分标准.

本课程结合网络平台进行SPOC改革后，提升了学生的学习效率，减少了教师不必要的重复性工作，受到师生的普遍好评，教师可以把精力集中到更有价值的工作领域.课程教学网站除了作为教学资源共享和师生交互的媒介，记录每位学生的学习数据，通过分析这些数据可以帮助教师了解每个学生的学习行为和习惯，进行针对性的学习指导.

在超星课程系统统计信息中，教师可以得到学生访问课程的总体信息，了解全班学生对课程网站的访问数量、访问的时段，以此得出总体上学生学习行为的活跃程度和活跃时间段(图 3).在每项任务中，教师可以通过网站统计系统得到每个学生学习所用的时长，以及学习的时间节点(图 4)，其中学生学习某任务的总时长与任务视频时长的比例被称为“反刍比”，这个比例反应了学生重复学习该视频的次数.

本次研究主要针对“计算机辅助工业设计”课程(二维)在2017—2018学年第2学期的教学实施过程，授课学生为大学一年级学生，共有29名，有过在线课程的学习经验.为了便于统计分析，需要对数据进行归纳整理.由于个体的单次学习行为有一定的随机性，因此选择长期的学习行为作为分析对象.将每个学生学习总时长T，除以教学视频总时长T'，得到总体的反刍比A.

本次教学过程中每个教学周布置线上学习任务一次，在次周上课前检查作业，根据学习记录可得知学生在何时开始完成作业.为了便于量化分析，设置学生单次学习区间系数为k，总体的学习区间系数为K，这一系数反映了学生何时开始线上自主学习.

学习区间分布$ K=\sum\limits_{i=1}^{14}{{{k}_{i}}}$

结合学生的分数(实操分数、理论分数和总分)，可得到表 1，本次课程中有1名学生考核未通过，有效数据样本共28个.

学生个人学习行为数据和成绩均为连续变量，为分析其是否存在相关性，首先检验各组数据的正态性.由于样本的数量为8~50个，主要参考Shapiro-Wilk检验值^[11-12]，从表 2中可见学习区间K和反刍比A符合正态性假设，实操得分、理论得分和总分都不符合正态性假设.

由于样本分布不具备正态性，采用spearman进行相关性检验，分析学习区间K、反刍比A分别与实操得分、理论得分、总分之间的相关性，各项成绩彼此之间不进行相关性检验，得到表 3.通过表 3数据可得知学习区间K与各项分数呈现显著相关性，反刍比A与各项分数之间相关性较弱，其中与实操得分显著性p接近0.05，有一定的关联性.

进一步通过以学习区间系数K为自变量，以学习成绩总分为因变量，进行一元线性回归分析，得到图 5.方差检查见表 4.可以看出，学习区间K与总分两组数据满足方差要求，具备统计学意义.总学习区间K与总分之间呈现正向线性关系.

反刍比A与实际项目练习时间有关，因此与实操得分有一定关联，以反刍比A为自变量，以实操得分为因变量，绘制散点图，进行一元非线性分析，通过曲线估算筛选比较接近的曲线，如图 6.

在曲线估算中，二次曲线拟合程度最高，并符合统计学意义，见表 5、表 6.

结合二次曲线和图 6中样本分布位置，可以发现反刍比A在1~3区间内，与成绩呈现正向关系，反刍比A升高，成绩也升高.反刍比A在4~6区间内，反刍比A与成绩呈现负向关系，随着A升高，成绩在下降.反刍比A在3~4区间是峰值，样本点分布最为密集，学生数量最多.

在传统课堂教学中，教师往往只能以成绩作为评价一个学生学习能力的最终标准.网络化教学平台和SPOC教学方式为教师提供了学生学习行为的量化分析数据，教师可以更加精确的分析影响成绩的行为因素.

图 5表明了学习区间K对成绩会产生正相关影响，学习区间K反应了学生何时在课后进行线上自主学习. K数值越高的学生主动性越强，在课后越早开始线上学习，其学习效果也越好，说明这部分学生学习意愿强烈，学习时间安排更合理，学习效果更好；反之，K数值较低的学生，学习更加被动，成绩也更差.

图 6反应出反刍比A与学习成绩之间更加类似于二次曲线的抛物线关系，而不是正向关系，也就是说，并非学生在学习中付出的时间越多，学习效果就一定会更加理想.结合学习区间K值分析，反刍比A在1~3区间内的学生成绩较低，是由于这部分学生不愿意在学习上投入更多的时间，学习动机不足. A数值在4~6区间内的学生在学习上投入了超出其他同学的时间和精力，但成绩仍然不理想，主要原因在于学习效率低，学习方法不正确或不适应教学方式.

在2018—2019学年第一学期对该班进行的“计算机辅助工业设计”课程(三维)的教学过程，针对上述3类不同学生采用不同的教学策略，如表 7所示.经过8项线上学习任务的训练(8项学习任务累计满分为60分)，以反刍比A为自变量，实操得分为因变量，进行回归分析，得到图 7.同图 6进行比较，可发现调整教学策略后，该班绝大部分学生的反刍比A收敛至2~6的区间，二次曲线的起始点和终止点提高，尤其是A数值在4~6区间的学生成绩提高显著，总体反应出该班学生的学习效率变高，学习效果有明显提升.

SPOC教学模式改良了“计算机辅助工业设计”课程的教学效果，而且线上教学平台能够提供学生个人线上学习行为数据，通过相关性分析能够找出学习行为与学习成绩的影响关系，通过回归分析能够发现学习行为对成绩的具体作用.结合每个学生在分析图表中的具体位置，可以发现学生个体在学习态度、学习方法、学习效率方面的差异，有针对性地制定个性化教学策略，更好地实现SPOC这种精细化“互联网+”教学模式的目的，也更符合大学素质教育的培养目标.关于学习行为数据对学生学习进程和教学方式的影响，有待于进一步发掘.