大学生学习现状分析与模型构建.docVIP

大学生学习现状分析与模型构建 　　【摘要】本文通过调查不同专业、年级近700名学生，针对学习动机、自我评价、学习态度、学习效率、课外活动等指标进行相关性分析，建立回归分析方程，得出学习状态与性别无关、与年级负相关、受学习态度的影响最大；最后，通过因子分析找出影响最大的因素。 　　【关键词】因子分析 回归分析 相关性分析 　　本文通过调查河南科技学院不同专业、年级近700名学生的学习动机、自我评价、学习态度、学习效率、课外活动、学习环境、学习成果、性别和年级九类问题。通过相关性分析可以看出学习成果（奖学金的次数、英语水平、计算机水平、挂科门数）中各题与年级之间存在正相关性。设除去学习成果之外的其他变量为 ， ， ，多元线性回归的数学模型， 　　（1） 　　为由八个解释变量的变化引起的 的线性变化部分，由其他随机因素引起的 的变化部分为 称随机误差。 　　表1 回归系数的显著性检验 　　Model Unstandardized Coefficients Standardized Coefficients t Sig. 　　B Std. Error Beta 　　1 （Constant） 6.297 .557 11.315 .000 　　X1 .947 .037 .217 25.402 .000 　　X2 1.028 .043 .219 23.762 .000 　　X3 1.045 .023 .458 46.325 .000 　　X4 1.027 .059 .177 17.480 .000 　　X5 .997 .050 .176 19.996 .000 　　X6 1.016 .037 .226 27.792 .000 　　X7 .039 .186 .002 .211 .833 　　X8 -.454 .085 -.044 -5.334 .000 　　由表1可以看出， 即性别的回归系数显著性 检验的概率 。它与被解释变量 的线性关系是不显著的。去掉 ，建立回归方程， 　　（2） 　　回归方程系数依次为 学习状态与性别不显著，与年级成负相关，说明大学期间大学生的学习状态成下滑趋势。 ，学习态度对学习状态的影响最大。树立正确的学习观使大学生明白当前的历史使命和主要任务，避免功利心理、拜金主义和享乐主义，端正学习态度。 　　针对敏感性问题（大学考试的态度、网络的利用、逃课）采用频数分析。大部分学生认为大学的考试很少能反映学生的真实成果，可见当代大学生开始从自我意识到，提高综合能力在工作和学习方面的重要性。在网络利用方面，用于学习仅占11%。我们应该引导大学生更好的利用网络资源。对逃课的主要原因学生多数的理由是对所学内容不感兴趣和有其他事情要做，实用主义导致在大学生选择专业时盲目跟风，当理想与现实不一致，产生了厌学心理，开始逃课，让教师了解学生逃课的主要原因，可以改进教学方式，增加课堂趣味性，提高学习兴趣。 　　为了更好的分析调查表中题目，找出最大的影响因素，采用因子分析的方法减少变量个数，提取的因子在调查表中所占的比重较大即对学习状态的反映较为明显，在进行比较和综合评价时，可以单独分析这些因子，更好的反映学习状态的问题。 　　根据假设如果可以提取因子，则设因子为 。原假设为：相关系数矩阵与单位矩阵无显著性差异，则原有变量不适合做因子分析，如果该统计量的观测值比较大，且对应的概率 值小于给定的显著性水平 （0.05）则应拒绝原假设，反之，不能拒绝原假设。 　　由巴特利特球度检验统计量的观测值为2483.049，相应的概率 值接近0.由于概率 值小于显著性水平α等于0.05，则应拒绝原假设，认为相关系数矩阵与单位矩阵有显著差异，同时KMO的值为0.842，因此原有变量适合进行因子分析。 　　在因子分析的碎石图中，横坐标为因子数目，纵坐标为特征根。从特征根的分布来看，选取10个因子也是合理的。共同解释了原有变量总方差的55.447%。总体上，原有变量的信息丢失较少，因子分析的效果比较理想。因子分析模型为 　　（3） 　　其中 为因子载荷矩阵中的值，29个变量在第1个因子，第3个因子和第4个因子上的载荷都很高，意味着他们与这三个因子的相关程度高。并且第2、7、8、11、12、13、21、26、27、30题的权重较高，这与因子的实际含义相吻合，它们较好的反应了调查表中的绝大部分信息。 　　图1 因子分析的碎石图 　　根据调查我们发现，部分大学生存在我认识的缺乏、自我规划能力的不足以及自我实现方式的匮乏的情况。为此学校加大管理的同时，从问题的根源出发，合理调整大学教育，使大学生真正的认识到学习的重要性。 　　第一，努力提高大学生在自身学习中的主观能动性。培养学习兴趣，激发学习动力，增加学