基于MOOC数据挖掘的学习行为和学习成效分析
来源:用户上传
作者:
摘要：随着近年来慕课教学的兴起，教育大数据的分析与挖掘正成为一个新的研究方向。本文基于Canvas Network提供的MOOC开放数据，使用数据统计和数据挖掘的方式，对学习者的类型与行为进行了统计分析，并探究了学习行为与学习成效之间的相关性，并基于分析结果对个性化的在线学习方式提出了有益的建议。
关键词：MOOC;学习行为;学习成效;数据挖掘;个性化学习
中图分类号：G642.41 文献标志码：A 文章编号：1674-9324（2019）21-0050-02
一、引言
近年来，以慕课、微课为代表的新型知识生产方式越来越受到教学机构和学习者的欢迎。随着互联网和云计算等技术的成熟，慕课的理念与实践在短短几年时间内得到了国内外越来越多优秀大学的认同[1]。慕课的学习者来源广泛，每位学习者的学习目的、年龄和知识背景都存在很大差异性，其学习方式和学习兴趣点也不尽相同。当前许多慕课平台都无法在平台设计和教学模式上满足每一位学习者的个性化需求。因此，基于数理统计和数据挖掘对慕课平台中的大数据进行分析，探究学习行为与学习成效之间的相关关系势在必行，这为后继个性化和定制化学习模式的发展提供了有效的数据支撑[2]。
二、数据介绍与研究方法
本文利用Canvas Network平台提供的慕课开放数据作为数据来源，该数据集涵括了10个学科门类、238门在线课程的学习过程和学习成绩数据。预处理后有325199条样本，每个样本表示每个学习者在一门在线课程的学习记录，具体可分为课程基本信息、学习者基本情况、学习意图、学习者类型、学习行为记录和学习效果。本文利用MATLAB2014a和EXCEL2010对学习者的类型与行为进行了差异性分析及数据的可视化，并探究了学习行为与学习成效之间的相关性。
三、结果分析
（一）不同类型学习者的学习行为差异
本文主要通过课程问卷调查提供的数据，将学习者分为主动型、被动型、观望型和顺便参与型四个类型。从图1（a）可以看出，主动型学习者在学习事件数、活跃天数和论文发帖数三项行为记录上的均值要高于其他类型学习者，而被动型学习者则在模块完成比例这项指标上的均值高于其他类型学习者。这说明，主动型学习者能根据自己的学习需要从各个方面提高课程参与度，而被动型学习者则较为功利地根据考核要求针对性完成关键指标。
（二）不同意图学习者的学习行为差异
本文根据问卷结果主要将学习意图分为四类，即准备入学、为了工作或业务提升、兴趣驱动、希望尝试新的知识获取方式。从图1（b）可以看出，为了入学的学习者，在学习事件数、活跃天数、论文发帖数和学习章节数四项行为记录上的均值要高于其他类型的学习者，为了工作或业务提升的学习者在各项指标上尤其模块完成率方面的参与程度也较高。而兴趣驱动和对知识获取方式感到新奇的学习者虽然在活跃天数和论坛发帖数方面也表现出相当的热情，但在学习事件数、学习章节数和模块完成比例方面则对自己没有太多的要求，完成率相对较低。
（三）不同年龄段学习者的学习行为差异
Canvas Network平台将学习者的年龄分为{19-34}、{34-54}、{55 or older}三个阶段。从图1（c）可以明显看出，随着年龄段的增长，各项学习行为指标其完成率均有所提高。说明年长的学习者在学习的参与程度和自律性上都要优于年轻的学习者。故而，可以建议学习平台通过在学习页面显示完成进度条和弹窗等方式将学习过程及时反馈给学习者，激励其提高学习过程的参与度。
（四）不同知识背景学习者的学习行为差异
Canvas Network平台对学习者的学历进行了统计，本文主要将学历分为三大类，即高中学历、大学本科学历和研究生及以上学历三种。从图1（d）可以看出，不同学历的学习者在活跃天数和论坛发帖数这两项的均值方面并无显著差别。大学本科学历者在学习事件数和模块完成比例两项的均值上要高于其他学历的学习者。
（五）学习行为与学习成绩之间的相关关系
本研究利用MATLAB软件中的Spearman相关性分析函数来探究不同学习行为与学习成绩之间的关系，结果如表1所示，学习行为指标中的学习事件数、活跃天数、论坛发帖数、学习章节数、模块完成比例均与学习成绩成显著正相关，其中模块完成比例与学习成绩的相关性最强。
四、结论
慕课的主体是学习者，慕课的最大特点就在于学习者的海量性和多样性。传统的教育评价体制中认为学习群体的学习动机、学习类型、知识背景、年龄层次都大致相同，大多采用单一的总结性评价方式。这些在慕课情境下有了很大变化，不同类型的学习者在学习行为上存在很大差异，单一的课程评价方式也不再适用，学习者所有的学习行为都会被记录下来，因此要对慕课的学习主体进行测评，不能再简单沿用传统方式，基于數据挖掘和统计分析的精准测评显得尤为重要。
本文利用Canvas Network平台发布的开放数据集，对不同学习者的学习行为进行了统计分析，并探究了学习行为与学习成效之间的相关性。从本文研究结果可以看出不同学习人群在学习行为上存在着有迹可循的规律，而学习行为与学习成绩之间也呈现显著相关性。接下来如果能从大数据的分析中自动化地精准定位每一位学习者对知识的掌握情况和学习需求，就可以在未来实现个性化的学习定制模式，并在多维评价空间中摸索出科学合理的评价机制。
参考文献：
[1]张健.“慕课”教育对理工科课堂文化形态的影响研究[J].教育教学论坛，2017，（47）：163-164.
[2]蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，52（3）：614-628.
转载注明来源:https://www.xzbu.com/9/view-14826248.htm
