edx平台教育大数据学习行为分析与预测.docVIP

edx平台教育大数据学习行为分析与预测 　　【摘 要】 教育数据挖掘是一门新兴学科，通过分析学习行为记录归纳学习者的行为特点以提高教育质量，大规模在线开放课程学习者的学习行为记录为此提供充足素材。2012-2013学年哈佛大学和麻省理工学院在edX平台上开设了17门课程，本文选择其中16门课程60余万人次学习行为记录，归纳学习者学习行为特征，对部分典型行为特征进行数据挖掘，采用逻辑斯谛回归方法对成绩进行预测。实验表明，通过学习者的典型学习行为分析可以有效地判别其是否可以完成学习任务并获得证书。 　　【关键词】 慕课；学习行为；数据挖掘；成绩预测；学习者特征 　　【中图分类号】 G420 【文献标识码】 A 【文章编号】 1009―458x（2016）06―0054―06 　　MOOCs（Massive Open Online Courses），即大规模在线开放课程（慕课），是由加拿大学者Bryan Alexander和Dave Cormier在2008年提出的。2012年《科学》杂志上出现了研究人员对慕课的介绍，并展望它将改变未来的教育[1]。2013年《自然》杂志详细介绍慕课的发展、现状和趋势[2]。以edX、Coursera和Udacity为代表，慕课理念和实践得到了哈佛大学、麻省理工学院等国际优秀大学的认同 [3]。北京大学李晓明教授认为两个因素：一是信息技术，主要是网络基础设施、Web2.0、音视频和云计算四个方面，使得慕课教学的良好体验成为可能；二是以学习者为中心的教育技术思想的成熟，使得慕课得以迅速流行[4]。慕课以其独特的共享优势，使教育机会和教育公平变为现实，并得到广大学习者的高度认可，近千万用户通过网络学习优秀大学的优质课程，世界范围内大规模在线教育时代已经到来。 　　不同于传统的通过电视广播、互联网、辅导专线、函授等形式的远程教育，也不完全等同于近期兴起的教学视频网络共享公开课，更不同于基于网络的学习软件或在线应用。与传统的授课过程相比，慕课主要呈现出以下特点：① 慕课提供了丰富的课程资源，学习者可以根据自己的兴趣爱好，选择不同的授课者进行学习。② 慕课课程以知识点为一个授课环节，一般时间在10-20分钟之间。 ③ 学习者可以根据课程进度安排，随意选择学习地点，重复学习课程内容。④ 慕课学习者的问题一般能得到及时回复。⑤ 慕课的成绩评价则结合学习者在整个学习过程中的表现。此外，在慕课模式下，课堂教学、学习进程、学生者的体验、师生互动过程、学习者互动过程等被完整、系统地在线实现。慕课的主体是学习者，慕课最大的特点在于海量的学习者和各种各样的学习者群体。学习者的学习动机、受教育程度、学习态度、学习方法也呈现多样性。慕课平台上学习者的相关资料（如年龄、性别、受教育程度、来自国家和地区等）和学习行为（如观看授课视频次数、参与教学互动次数、浏览教学内容次数、解答问题数、学习者之间的交互学习等）都会以丰富多样的形式记录下来。如何充分利用数据，根据学习者的相关资料及学习行为记录，对其学习成绩进行评定是一个挑战。 　　一、相关工作 　　教育数据挖掘是一门新兴学科，关注从海量数据中挖掘出对教育者和学习者有用的信息，以提高教育管理效率和学习效率。慕课处于高速发展阶段，已经有学者利用教育数据挖掘方法对慕课学习行为数据进行分析。Ho等分析了edX平台上的慕课学习者，认为：学习者已经遍布全球，欧洲学习者学习的课程数量最多，参与率最高，而东亚的少；男性学习者比例较高；慕课对于已经获得学士学位的学习者更有吸引力；学习者的平均年龄为24岁；半数学习者从未完成课程的学习；社会科学类课程的参与率最高，而人文科学类课程的参与率最低；课程参与率最高的人群是已获得博士学位的学习者；大多数学习者仅注册了一门课程，注册了多门课程的学习者的参与率更高，而注册课程多于6门的学习者参与率则下降[5]。国内也有学者采用问卷调查等形式对MOOC课程学习过程进行研究[6]。 　　对慕课学习者的学习行为分析与成绩预测的研究从方法上可以分为以下4类。 　　1. 通过率预测 　　Jiang 等人根据学习者一周的学习记录对其最终成绩进行预测[7]。Ramesh等人对学习者的线上学习行为进行了区分，作为预测最终成绩的潜在特征[8]，也用于预测学习者是否会参加最终测试[9]。 　　2. 退出率预测 　　Balakrishnan等分析了伯克利大学开设的一门课程的退出情况，采用隐形马尔科夫模型，主要根据学习者观看授课视频的时间、浏览学习论坛帖子的数目、发帖数和学习所用的时间4个因素，判定学习者退出学习的机率[10]。Halawa、Greene和Mitchell通过学习者的学习特征判定是否对学习失去兴趣，对退出率给出较准确的预测[11]。Kloft采用决策