序論：寫作是一種深度的自我表達。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內心深處的真相，好投稿為您帶來了七篇期中網課總結范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創作。

篇(1)

一、教學準備：鉆研教材，明確任務

教材是最基本、最重要的課程資源。只有讀懂教材、活用教材，才能在課改中真正成為新課程新教材的體驗者和實踐者。在新課改條件下，不僅課程體系大變革，教材也從內容到形式上發生了顯著變化，必須認真鉆研教材。

1.讀懂教材

首先，仔細研讀每個模塊的每項任務，著力讀懂、讀透每項活動的活動描述、業務流程、操作依據、工作步驟、技術支撐和能力拓展，挖掘教材所蘊藏的豐富內涵。再從整體上把握教材的全部內容、把握該教材在專業課程新體系中的地位，理清脈絡，做到胸有全局。

2.處理教材

在充分理解教材的基礎上，根據學校和學生的實際情況，對教材進行分析和處理，大膽改錯、補充、重組，合理使用教材。

日期和金額的大寫，重要性貫穿始終，對新生來說難度較大。教材在“活動1.2.2取得并審核銀行承兌匯票”和“活動1.3.1簽發轉賬支票”的“技術支撐”環節，略有闡述。通過查閱相關教材，進行整合、補充，放在開學第一課講解。一方面，從簡單、常見的日期和金額引入新課，激發學生興趣，消除對專業課的陌生感；另一方面，在后續課上反復復習，牢固掌握該知識。

3.明確任務

新教材在編寫上，立足于任務導向的理念。根據學校、學生和自身的實際情況，合理組織教學內容，明確每個模塊每項活動的工作任務和重難點，并在課前適當布置任務。

在講授“模塊2與外單位往來的原始憑證”的前兩周，就給學生安排任務，要求購物時取得發票。課堂導入時，展示取得的各種發票，自然引入如何開具發票的任務。學生通過親身參與，對取得發票的過程有所了解，也為如何開票打下了基礎。

二、教學過程：優化教法，加強實踐

學校在發展，教師在進步，但無論教學資源，還是教學方法，總是滯后于最新改革成果。為緊跟改革步伐，提高教學效率，在教學過程中，要充分利用現有教學資源，優化教學手段和教學方法，強調“能力為本位，學生為主體，實踐為導向”，著重培養學生從事會計崗位工作的實踐能力。

1.網上平臺，手工模擬

會計專業是筆者學校的骨干專業。學校非常重視專業實訓基地建設，已建立沙盤實訓中心、VBSE綜合實訓中心和會計專項技能實訓中心。教學過程中，充分挖掘現有資源，加強實訓，力求幫助學生在熟悉會計工作中各類原始憑證的同時，能夠較熟練地處置原始憑證，為從事會計領域工作打好扎實的基礎。

在?，F有“網中網”會計實訓教學平臺中，從“基礎會計實訓平臺”和“出納實務實訓平臺”中選取合適內容作為參考并加以完善，重建“原始憑證實訓平臺”。網上實訓平臺，企業資料詳細，業務活動具體，原始單據齊全，工作流程合理，印章簽字仿真，更有利于學生的直觀認識、理解、掌握和操作?？紤]到中職生主要就業于中小企業，學生書寫能力也需加強，因此，在進行網上平臺實訓的同時，對常見的原始憑證如支票、增值稅發票、入庫單、借款單等，進行手工模擬實訓，進一步加強填寫規范訓練。

2.小組分工，角色扮演

根據任務需要，對學生進行分組，各成員扮演各崗位角色，按工作流程，明確并完成各自的工作任務。對于各崗位的工作任務和業務流程，根據難易程度，由各組自行確定并執行，或各組確定經教師審核后執行。

在進行“活動1.3.1簽發轉賬支票”手工模擬實訓時，根據任務需要，每組五位成員，完成“任務分配表”后，進行任務操作、工作匯報和成果展示。

3.微課慕課，翻轉課堂

當今學生生活在信息時代，對電子產品和各類軟件有著天生的親近感。微課慕課、翻轉課堂，順應了時代的要求。適當采納微課慕課，無論是對自身業務水平的提高，還是對學生學習興趣的激發和學習能力的培養，都有其獨特的優越之處。

在進行“活動2.1.1開具增值稅專用發票”教學時，嘗試著微課教學。經過多次錄制，終于完成一個比較滿意的微視頻，發放到班級QQ群，用于學生課前預習和課后復習。學生學習興趣和學習主動性都有所提高，學習效果較為明顯。

三、教學評價：應知應會，自評互評

教學評價，力求形式多樣化。每個教學活動，編制“學習成果評價表”，評價內容從學習能力到學習態度，從學習過程到學習結果，從自我評價到小組評價、教師評價。

1.能力和態度相結合

只有端正學習態度，才能學會學好零起點的專業課。因此，在進行教學評價時，明確評價標準，除了從“應知應會”兩個方面考核學生的學習能力外，還考核學生的學習態度。

“活動2.1.1開具增值稅專用發票”評價時，“應知”從知識目標進行評價，評價標準為：能流暢地說出開具增值稅專用發票的工作步驟；能流暢地說出增值稅專用發票的基本聯次和用途?！皯獣睆哪芰δ繕诉M行評價，評價標準為：能熟練地計算增值稅專用發票的金額、稅額和價稅合計；能熟練地開具增值稅專用發票。學習態度則從學生是否學習勤奮，工作認真，團隊合作進行評價。

2.過程和結果相結合

課程成績，最終評價不僅僅是期末考試成績，更重要的是總評成績，即將過程性評價和終結性評價相結合的成績，具體為：總評成績=平時測驗成績30%+作業10%+期中考試成績20%+平時課堂表現10%+期末考試成績30%。平時測驗，主要利用網上實訓平臺進行，可以得到實時成績，也便于進行成果展示和學生改進，并作為學生自評、小組互評的依據，最后由教師評價得出平時測驗成績。

3.自評和互評相結合

教學評價，除了教師評價，更側重與學生自我評價和小組互評相結合。教師明確評價標準，做好“教導者”和“促進者”。學生在意識到標準很重要，力圖實現目標時，才真正知道應承擔的責任，才能對自己做出最恰當的評價，從而促進自我發展，提升自我素質。只有全員參與的自我評價、小組評價和教師評價相結合，才是最客觀的評價。

四、教學反思：重在及時，貴在堅持

教育工作，多一分反思，就多一分提高。要不斷反思，總結專業知識的滯后、教育理論的不足和教學技能的欠缺，積累經驗。

篇(2)

預測在校大學生學業成績并及時進行干預指導，是提升大學生學習效果的有效途徑。云環境下，學習中過程性數據的積累為預測分析提供了有力依據。本研究設計并開展一門基于實體課堂和云學習平臺（MOODLE平臺、微信平臺）的混合式大學課程。通過收集學生多類屬性及學習過程性數據建立多元回歸模型，對其將取得的成績進行預測，并展開教學干預以提升其學習效果。結果顯示，在預測模型方面，多元回歸模型可以在全班水平上取得較佳的預測效果；在預測因子方面，績點、在線學習參與度、前導課成績和學習興趣是影響學業成績的重要因素；在干預效果方面，教學干預取得了較好效果，學弱群體接受干預后進步顯著。

【關鍵詞】 云學習平臺；學業成績；預測；干預；多元線性回歸

【中圖分類號】 G443 【文獻標識碼】 A 【文章編號】 1009―458x（2016）09―0014―07

一、研究背景

在線學習和課堂學習相結合的混合式教學方法，已成為目前許多高校正在探索的模式。隨著以云計算、云存儲為標志的云時代的到來，在線學習方式變得更加多元。學習者可以隨時隨地使用任何設備接入云端學習平臺，基于云存儲的大量在線學習痕跡也為學業成績預測和個性化學習研究提供了有力支持。

在校大學生學業成績預測是指以單科學習情況為基本分析單元，在課程開始后根據學生的各種基本情況對其將取得的成績進行評估（李建萍， 2009）。收集和分析大學生的個性化特征以及在云學習平臺上的在線行為數據，據此進行學業成績預測并及時干預指導，可以對學生起到預警作用，督促其采用有效的方法提高學業成績，同時也能夠督促教師建立更加有效的教學策略。這對采用更好的教學法、讓學生主動參與學習和提升學習效果是十分必要的。

因此，本研究以一門大學課程為切入點，設計并開展基于實體課堂和云學習平臺（MOODLE平臺、微信平臺）的混合教學。在課程進行中，通過收集和分析學習者基本信息、心理認知水平（網絡自我效能、學習興趣）、先前知識水平（績點、前導課成績、上次任務成績）和在線行為數據（MOODLE平臺參與度、微信平臺參與度），建立多元回歸預測模型，對其將取得的成績進行評估，并展開預測結果指導下的學習干預，以建立更加有效的教學策略和方法，提升學習者在云環境下的學習效果。

二、文獻綜述

1. 心理認知水平

非智力因素在學習活動中具有引導、控制、調節等作用。自我效能感與學習興趣是影響大學生學習過程和學業成績的重要心理因素。在傳統學習環境中，根據學習者的自我效能感可以有效預測其學業表現（Lane， Lane， & Kyprianou， 2004）；在在線學習環境中，根據網絡自我效能感會對學習效果產生深遠影響（Peng， Tsai， & Wu， 2006）。網絡自我效能感是指個體對自己成功使用網絡進行工作學習的自我信念和期望（Wu & Tsai， 2006）。Peng等人（2006）研究發現，在線學習環境中，大學生網絡自我效能是其學習動機、興趣與學業表現的重要影響因子。隨著學生擁有越來越多的機會使用網絡信息資源或工具進行學習，網絡自我效能感已成為研究者關注的重點。

學生的學習興趣是其對學習活動產生的心理上的愛好和追求的傾向，是推動學習活動的內部動機，也是影響學業成績的重要因素（吳靖媛， 等， 2010）。早期就已有大量研究調查興趣對學習結果的影響（Lepper， 1988； Paris， Olson， & Stevenson， 1983； Pintrich， 1989）。興趣與學業成績的關系一直是該領域研究的核心。如今，興趣對學習的促進作用已得到人們的普遍認同（吳靖媛， 等， 2010）?？紤]以上因素，本研究選擇了網絡自我效能感和學習興趣兩個因素，作為預測學業成績時心理認知方面的影響變量。

2. 先前知識水平

本研究調查的先前知識水平，即背景知識水平，是指課程學習之前，學習者所擁有的與該門課程有關的所有背景知識的總體掌握程度。學習者的先前知識是影響其學習效果的重要因素之一（葉海智，等， 2014）。先前知識在不同階段的信息加工中起作用，缺乏必要先前知識的學習者在學習新信息與構建新知識的過程中會遇到困難（Dochy， 1994）。因此，本研究認為學習者先前知識水平能夠對其學業成績產生影響。已有研究中（Huang & Fang， 2013； Hoschl & Kozeny， 1997； Huang & Fang， 2011），前導課成績、GPA成績（以下稱“績點”）以及課程中上次任務成績等均可作為衡量學生先前知識水平的因素。

3. 在線學習參與度

許多研究者（Alavi， 1994； Astin， 1996； Pratton， 1986）都強調了教學中學生參與度的重要性。Hrastinski（2009）認為，如果學習者想在在線學習中取得更好的學習效果就要投入更大的參與度。他在研究中發現，學生在論壇中發消息的數量能夠作為其在線學習參與度的影響因子。Morris等人（2005）的研究表明，在線學習參與度的影響因子（例如發帖數量和瀏覽時長）會對學習績效（考試成績）產生正向促進作用。眾多相關研究（Bento & Schuster， 2003； Michinov， Brunot， Le Bohec， Juhel， & Delaval， 2011； Webster & Hackley， 1997）也表明，當學生能夠有效參與在線學習時，其學習效果更佳。

有學者認為參與度的衡量不能僅僅依靠在線論壇中的帖子數量來評估。Shaw（2012； 2013）在研究了在線論壇中學生的學習交互行為后，總結出回復、提問、瀏覽與無行為四種在線學習參與類型，并分析了它們與學習績效的關系。其研究結果表明，不同類型行為對在線學習參與度的貢獻程度不同，計算權值也應是不同分值。其中，方差分析結果顯示“回復”是權重最高的行為類型。本研究參考了Shaw（2012； 2013）研究中的思想和方法，根據實際情況擴展了行為類型，并結合加權計算的方法衡量學生的在線學習參與度。

總體來看，這些研究多是針對傳統課堂環境，研究過程與結論并不完全適用于云時代下的新型課堂環境。隨著云學習平臺與傳統課堂逐漸深入整合，在云學習環境下，如何有效預測學生學業成績并進行及時干預指導，形成有效教學策略，還有待研究。因此，本研究以一門基于云學習平臺開展的大學課程為切入點，考慮學生的心理認知水平、先前知識水平和在線學習參與度三方面因素，建立多元回歸模型，預測其學業成績，并進行適當的干預和指導，以提升其學習效果，為云環境下進行學業成績預測和建立有效教學策略提供一定的理論依據和實踐參考。

三、研究過程

1. 研究對象

研究對象來自北京市某高校的78名大三學生。他們在大三上學期學習了一門教育必修課，課程采用了云學習平臺（MOODLE平臺、微信平臺）和實體課堂相結合的混合模式。研究對象中男生26人（33.33%），女生52人（66.67%），使用MOODLE平臺和微信平臺的詳細情況如表1所示。從調查結果來看，所有學生擁有智能手機并安裝了微信應用，大部分學生使用過微信或MOODLE平臺進行課程學習，有利于課程的開展。

2. 課程設計

本研究以大三下學期的一門教育類必修課“信息技術學科教學法”為基礎展開研究，設計流程如圖1所示。從教學安排來看，整個課程共有三次綜合性學習任務，分別在第1周、第2-4周和第5-8周。教師首先在課堂上講授學科知識并布置任務。學生在MOODLE平臺或微信平臺瀏覽學習資源、提交任務作品、進行同伴互評與討論。在截止時間內，學生可根據互評建議修改作品，反復提交，終稿成績作為最終任務成績。

表1 MOODLE平臺和微信平臺使用情況

[題項＼&選項＼&人數＼&比例＼&使用智能手機并安裝微信應用＼&是＼&78＼&100%＼&否＼&0＼&0＼&使用微信的頻率＼&每時每刻都在用＼&43＼&55.13%＼&每天偶爾用一下＼&32＼&41.03%＼&幾天用一次＼&2＼&2.56%＼&很少使用＼&1＼&1.28%＼&使用微信公眾號進行過課程學習＼&是＼&39＼&50%＼&否＼&39＼&50%＼&希望通過微信公眾號進行課程學習＼&很希望＼&25＼&32.05%＼&一般＼&45＼&57.69%＼&不希望＼&8＼&10.26%＼&閱讀過的微信教育類公眾號＼&10個以上＼&3＼&3.85%＼&5-10個＼&17＼&21.79%＼&5個以內＼&53＼&67.95%＼&從未閱讀過＼&5＼&6.41%＼&使用MOODLE平臺進行過課程學習＼&是＼&53＼&67.95%＼&否＼&25＼&32.05%＼&希望通過MOODLE平臺進行課程學習＼&很希望＼&19＼&24.36%＼&一般＼&56＼&71.79%＼&不希望＼&3＼&3.85%＼&]

圖1 課程與實驗設計流程

在實踐環節，課程第一周，研究人員與教師共同布置在線平臺，講解平臺使用方法，并完成對學生的前測。隨后，學生正式展開課程學習。研究人員在課程進行過程中收集學生完成任務1與任務2時的在線行為數據，并結合前測數據進行任務3的成績預測。隨后，針對預測結果展開學習干預，尤其是瞄準學弱群體及時進行提醒與預警。當任務3結束后，研究人員對部分學生進行訪談，對實驗效果進行分析。

3. 研究方法

多元回歸是研究一個因變量與兩個或兩個以上自變量的回歸，是反映一種現象或事物的數量依多種現象或事物的數量的變動而相應變動的規律，建立多個變量之間數量關系式的統計方法。

McKenzie等人（2001）通過問卷法調研了澳大利亞大學一年級的197名學生，以入學成績、社會心理、認知水平和人口特征作為預測因子，學業表現（期末成績）作為因變量，建立多元回歸模型進行預測。結果顯示，入學成績、社會心理、認知水平均為顯著預測因子，部分人口特征可以作為預測因子。他們認為，找到影響學業表現的預測因子可以對目標學生進行有效的指導干預，使其規避學業風險。Huang和Fang（2013）在一項預測機械課程學術表現的研究中比較了四種不同數學模型的預測能力。他們收集了323名學生的績點、四門前導課成績、三次期中測驗成績和最終期末成績，建立多種預測模型，分析模型準確率及自變量有效性。結果顯示，在預測全班學業成績時，選擇多元回歸方法最佳，以績點作為自變量即可實現較高準確率。雖然其他數學方法也可以用來預測學業成績，但是從已有研究來看（Hoschl， et al， 1997； Flook， Repetti， & Ullman， 2005； Ayán & Garc， 2008），用多元回歸方法進行學業成績預測更為普遍，且準確率較好。所以，本研究采用多元回歸作為主要的研究方法，以此來預測云環境下的大學生學業成績。

4. 數據收集

（1）個人基本信息與心理認知水平

本研究以調查問卷的形式在前測時收集了學習者個人基本信息和心理認知水平的數據。個人基本信息量表包括性別、年齡等學習者基本特征，以及MOODLE平臺和微信平臺的使用情況。

心理認知水平維度包括網絡自我效能感和學習興趣兩個子量表。其中，網絡自我效能感量表選自謝幼如等人（2011）編制的“大學生網絡學習自我效能感量表”，共20道題目，采用七級里克特答題范圍，整體一致性系數為0.92，各題項一致性信度在0.72-0.89之間，具有較高的同質性。該量表用來測量個體對自己在網絡學習活動中取得成功的信念水平，是個體對自己使用計算機、網絡信息資源或網絡通信工具等完成學習任務的能力的一種主觀判斷。

學習興趣量表改編自Harackiewicz等（2008）編制的“原始學習興趣量表”。該量表共7道題目，采用七級李克特答題范圍，整體一致性系數為0.90，具有較高的同質性。該量表原為測量學習者在心理學科中的學習興趣水平，因此研究人員對題目進行了改編以適于測量被試對教育學科的學習興趣。

（2）先前知識水平

為衡量學習者的先前知識水平，本研究在前測時收集了被試的績點與一門前導課期末成績作為參考。另外，為預測下一次任務成績，學生前一次任務成績也會作為假設影響因素?？凕c采用五分制計算方法，前導課成績采用百分制計算方法，每次任務成績采用十分制計算方法。

（3）在線學習參與度

研究者通常使用定量方式評估在線論壇參與度，如學習者在論壇中發帖的數量（Mazzolini & Maddison， 2003）。然而，參與度不應僅僅依靠帖子或其他行為數量來評估（Wenger， 1998），積極參與的行為比被動接受的行為貢獻更大（Romiszowski & Mason， 2004）。因此，不同類型的在線行為，根據其貢獻程度，在參與度計算中的權重也應有所區分。

在使用云學習平臺期間，學生在MOODLE平臺和微信平臺留下了多種操作痕跡，如瀏覽資源、提交作業和同伴互評等。參考已有研究（Shaw， 2012； Shaw， 2013； Morris， et al， 2005）的維度劃分及權重分配，并結合研究的實際情況與多名專家意見，本研究制定了MOODLE平臺和微信平臺的在線行為編碼體系（如表2所示）。該編碼原則就是不重不漏地記錄學生的在線行為。研究人員據此對MOODLE平臺系統日志及微信平臺聊天記錄進行了整理與編碼，統計學習者在兩個平臺中不同行為的數量，并計算參與度。計算公式如下，其中Pm為MOODLE參與度，Pw為微信參與度，N為行為數量，W為行為權重。

[P總=Pm+Pw]…（1）

[Pm=i=113NAi?WAi]…（2）

[Pw=i=110NBi?WBi]…（3）

5. 數據分析

本研究使用多元線性回歸模型作為預測模型。在學生完成兩次任務之后，使用前兩次任務的過程性數據建立預測模型，進行第三次任務成績的預測。

建立模型時，首先將網絡自我效能感和學習興趣兩個維度下的子題項計算均值，合并為兩個變量。然后將網絡自我效能感（X1）、學習興趣（X2）、績點（X3）、前導課成績（X4）、第一次任務成績（X5）、在線學習參與度（X6）作為自變量，第二次任務成績（Y）作為因變量，使用第二次任務中90%的樣本量作為訓練樣本建立模型，10%作為檢測樣本檢驗模型。預測模型建立完畢后，將第三次任務中的過程數據作為預測樣本帶入模型，進行任務3成績的預測。當任務3實際成績得出后，再次驗證預測效果。模型的建立和預測工作都是在SPSS 18.0軟件中進行。

6.干預實施

在任務3預測結束后，將全班學生成績進行降序排列，按比例分為高（27%）、中（46%）、低（27%）三個分數段。在中低分數段中，綜合考慮性別、活躍度等因素，選擇一部分學生進行教學干預。干預方式包括在線交流、一對一面談和一對多面談，干預內容包括提醒警示、鼓勵、知識點梳理和答疑。

四、研究結果

1. 最終預測模型

以第二次任務中90%樣本量為訓練樣本，建議多元線性回歸模型。結果顯示，最終預測模型為：

[Y=-2.618+0.387?X3+0.007?X6+ 0.074?X4+0.385?X2]…………（4）

模型中，顯著影響因子按影響程度由大到小依次排序為績點（X3）、在線學習參與度（X6）、前導課成績（X4）和學習興趣（X2）。被排除在模型外的因子為網絡自我效能感（X1）和第一次任務成績（X5），說明二者對第二次任務成績（Y）的影響不夠顯著。

該結果符合常理，也與先前研究結果有所吻合。Huang和Fang（2013）的多元回歸預測結果中，績點也是首要預測因子，具有決定性作用，可見績點對評估學生學業成績的重要性。本研究中網絡自我效能感主要測量學生使用在線環境完成任務的信心，但想要取得更高的學業成績，需要學生形成真正的在線學習行為，并保持較高的參與度。第一次任務成績的影響能力最弱，主要是由于一次任務成績的隨機性較大，并不能充分體現學生的學業水平，而且該任務為課程開始后首次作業，學生可能還未完全熟悉課程，發揮也不夠穩定。

2. 平均預測準確率

[APA=1-1n?i=1nPi-AiAi?100%]…（5）

該數值反映了模型在預測全班學生成績時的有效性。其中，P為預測成績，A為實際成績，n為樣本量。

模型建立后，用任務2中10%的樣本量進行檢驗，其平均預測準確率為91.14%。平均準確率較高，說明模型較合理，可以用此模型進行第三次任務成績的預測。

任務3成績預測的結果顯示，平均預測準確率為97.65%（兩人未交作業，n=76），說明此次預測在全班水平上準確率較高，整體預測效果較好。

3. 命中率

命中率與平均預測準確率均是檢驗預測模型效果的標準。命中率反映了在全班學生中符合預測成績在實際成績的90-110%區間內的人數比例（即預測誤差為±10%）。命中率越高，預測模型越好。

任務3的預測命中率為53.85%，命中人數超過半數，與已有研究中（Huang & Fang， 2013）的預測命中率相對持平。Huang和Fang（2013）在研究中指出，預測模型不合適、預測因子不全面或不準確等因素都可能是命中率不高的原因。本研究中，多元回歸模型雖然在全班水平上取得了較好的預測效果，平均預測準確率較高，但是在預測某個學生成績時，大概會有50%的概率無法精準評估，因此提升精確命中率成為本研究下一步需要解決的問題。

4. 成績干預結果

本研究對比了干預及未干預學生第三次任務與第二次任務的實際平均分，并用配對T檢驗分析差異的顯著性。

表3從高（27%）、中（46%）、低（27%）三個分數段學生的角度進行分析，從干預結果可以看出，高分組學生平均分下降，中分組和低分組預的學生平均分提升顯著，而未預的學生平均分提升不顯著或有所降低。

Dochy， F. J. R. C. （1994）. Investigating the use of knowledge profiles in a flexible learning environment： analyzing students' prior knowledge states. In S. Vosniadou （Eds.）， Psychological and Educational Foundations of Technology-Based Learning Environments （pp. 339-353）. Berlin， New York： Springer Verlag.

Flook， L.， Repetti， R. L.， & Ullman， J. B. （2005）. Classroom social experiences as predictors of academic performance. Developmental psychology， 41（2）： 319.

Harackiewicz， J. M.， Durik， A. M.， Barron， K. E.， Linnenbrink-Garcia， L.， & Tauer， J. M. （2008）. The role of achievement goals in the development of interest： Reciprocal relations between achievement goals， interest， and performance. Journal of educational psychology， 100（1）： 105.

Hoschl， C.， & Kozeny， J. （1997）. Predicting academic performance of medical students： The first three years. American Journal of Psychiatry， 154（6）： 87.

Huang， S.， & Fang， N. （2011）. Work in progress―Prediction of students' academic performance in an introductory engineering course. In Frontiers in Education Conference （FIE）， 2011 （pp. S4D-1）. IEEE.

Huang， S.， & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers & Education， （61）： 133-145.

Hrastinski， S. （2009）. A theory of online learning as online participation[J]. Computers & Education， 52（1）： 78-82.

Lane， J.， Lane， A. M. & Kyprianou， A. （2004）. Self-efficacy， self-esteem， and their impact on academic performance. Social Behavior and Personality， （32）： 247-256.

Lepper， M. R. （1988）. Motivational considerations in the study of instruction. Cognition and Instruction， （5）： 289-309.

Mazzolini， M.， & Maddison， S. （2003）. Sage， guide or ghost？ The effect of instructor intervention on student participation in online discussion forums. Computers & Education， 40（3）： 237-253.

McKenzie， K.， & Schweitzer， R. （2001）. Who succeeds at university？ Factors predicting academic performance in first year Australian university students. Higher education research and development， 20（1）： 21-33.