edx平台教育大数据的学习行为分析与预测-精选教育文档.docxVIP

edx 平台教育大数据的学习行为分析与预测 MOOC(s 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。 、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MOO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。 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] 。 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 采用决策支持向量机分析 学习者的点击序列，对退出率进行判定 [12] 。 Taylor 等基于学 习者的群体特征进行判定 [13] 。 干预式预测 edX、 Coursera 、 Udacity 等平台上的慕课通过率都很低。 一种解决办法是及时识别学习困难者， 并及时干预， 给予学习者 一定的提醒和帮助。 Williams 从认知心理学的角度进行了深入 的研究，通过在 M00课程视频中添加提问的方式提高学习者的 积极性， 对减少退出率的有效性进行了验证， 并分析了不同交流