MOOC学习结果预测指标探索与学习群体特征分析

1、    mooc学习结果预测指标探索与学习群体特征分析    （2）学习结果预测指标的有效组合分析前面分析的学习行为指标权重结果说明了各指标在学习结果预测上的贡献度存在差异。在属性组合分析上，有过滤器和包装方法两种方式。前者用低计算开销的启发式方法衡量属性子集的质量；后者通过构建和评估实际的分类模型来衡量属性子集的质量，计算开销大但分析性能较好。这里将应用这两种分析方式对指标进行评估。为了进一步验证筛选后的指标是否提高预测准确率，在进行属性组合分析之后采用决策树预测分类算法对不同属性子集进行预测分析。在样本数和属性子集比较上，同样采用大小样本和全集进行对

2、比参照分析，各项结果见表5。在大样本分析条件下，采用cfssubseteval评估器和greedystepwise搜索方法，得到评价参与次数（ef）和发帖数（pc）两个有效行为分析指标组合。采用wrappersubseteval评估器和bestfirst搜索方法得到视频学习次数（vf）、文本学习次数（tf）、评价参与时长（ed）、评价参与次数（ef）、主题发起数（tc）等有效指标组合。在小样本分析条件下，分别采用上述两种方式得到评价参与次数（ef）和主题发起数（tc）组合以及文本学习次数（tf）、评价参与时长（ed）、评价参与次数（ef）与回复数（rc）组合。在评估器类型的比较分析结果上，尽管

3、两种评估器所得到的子集组合存在个别差异，但分类组合结果数量和内容比较接近。cfssubseteval评估器侧重选择与目标属性相关性较强的属性子集，同时筛选的子集之间无强相关性，而wrappersubseteval评估器综合与目标属性的相关性和筛选子集之间的关联性进行分析，故筛选指标数量多于前者。在评估器的预测准确率上，包装方法（wrappersubseteval评估器）在大小样本条件下的预测效果均优于过滤方法（cfssubseteval评估器），且筛选后的有效行为分析指标预测准确率要高于所有行为分析指标组合。因此，这里将wrappersubseteval评估器在大样本分析条件下所得出的属性子集

4、作为预测学习结果的主要参照行为指标组合，即包括视频学习次数、文本学习次数、评价参与时长、评价参与次数和论坛主题发起数。4.有效学习结果预测指标的回归方程模型分析前面采用不同的样本类型和分类器选取有效的学习结果预测指标，尽管筛选的属性子集有所区别，但从内容上能够得出关键行为指标。为了进一步了解各有效组合指标与学习结果之间的回归系数，以便于将学习结果的预测理论分析转变成具有可操作性和可计算性的应用实践，这里将基于有效指标组合与学习结果数据进行多元回归分析。为使分析结果具有可迁移性和应用性，这里选取前面分析得出的有效组合指标作为分析依据，并使用学习成绩作为学习结果评判依据。在回归分析方法上，采用强迫

5、进入变量法的解释型回归分析进行探索，分析结果见表6。由多元回归系数可知，5个预测变量共同解释学习结果变量65.4%的变异量。在显著性分析上，由于预测变量是基于前面属性选择得出的有效行为指标，因此各变量均达到显著性。在共线性统计量上，允差值愈接近于0，说明变量间有线性重合问题，而方差膨胀系数大于10时，则说明变量间有线性重合问题（吴明隆，2010）。上述5个变量的允差值介于0.10.5，方差膨胀系数均在5以下，未大于评价指标值10，说明进入回归方程式的自变量间未存在明显的多元共线性问题。在标准化回归系数上，各值均为正数，说明其对学习结果的影响均为正向。从数值大小上看，系数值越大，表示其对因变量有

6、较高解释力，其排列顺序与前面指标权重分析结果大致相同。基于系数值我们可以得出标准化回归方程模型：学习结果=0.241×评价参与次数+0.146×评价参与时长+0.119×文本学习次数+0.043×视频学习次数+0.036×主题发起数。依据该方程模型可以为实现mooc平台自动化预测学生的学习结果提供设计依据。5.基于学习行为指标的学习群体特征分析尽管参与mooc学习的学生群体较多，但基于学习内容习惯和偏好可以将其进行分类，为不同学习群体提供差异化的互动学习材料和实时反馈。这有助于提高学习者参与度（freitas et al.，2015）。本部分将

7、采用聚类方法对学习行为数据进行族群探索和分析。在样本数上，采用大样本分析以产生显著差异的群体类别。在行为指标选择上，为了全面了解学习行为偏好，将所有行为指标作为分析对象，学习成绩采用数值型属性进行分析。在聚类算法上，采用常用的k均值算法进行分析，该算法接受输入值k，之后将数据划分成指定个数的簇。形成簇的条件是同一簇中对象相似度较高，不同簇中对象相似度较低。为了找到合适的分类群体数量，这里通过设定不同簇个数探索分类数及其百分比，分析结果见表7。可以看出，当簇个数为4时，迭代次数第一次达到最大值，同时平方误差值较低且比较稳定。当簇个数大于4时，得到的分类数及其百分比之间存在相近的类别数，在解释度上

8、比较低。因此，选择簇个数为4的聚类分析结果作为学习群体划分的标准。对学习行为指标进行聚类分析，结果见表8，各指标中的数值为平均值，其高低反映学习者的投入度。由于互动论坛中的发帖数、主题发起数、回复数、点赞数等数值远低于时长和次数统计，因此在判断互动论坛的投入度时采用相对评价方式，将时长、次数统计与互动论坛数统计分开比较，同时查看互动论坛数的相对值以了解学习群体参与度。由分析结果可知，聚类2和聚类4在学习模块表现上较为相近，可将其合并为一种类型；聚类1和聚类3的互动参与时长和回复数相对其他两类群体较高，因此可将其作为一个参照行为特征。基于上述分析，我们可以将学习群体分为以下三种类型：（1）以视频

9、学习和学习评价为主、以互动交流为辅的学习群体；（2）以视频学习和文本学习为主、以评价参与为辅的学习群体；（3）以文本学习和学习评价为主、以互动交流为辅的学习群体。可以看出，不同的学习群体侧重不同的学习模块，视频学习和学习评价是学习者主要参与的模块，尽管有两类群体参与互动交流，但仅将其作为辅助学习模块，这些学习偏好在一定程度上反映了学习者不同的学习风格。从学习群体的成绩表现来看，优秀学习群体能够积极参与视频学习、文本学习、互动交流和学习评价，且积极参与互动交流的学习群体成绩要高于参与互动交流较低的学习群体，这在一定程度上说明互动交流能够支持学习者的知识建构与内化（yap et al.，2010）

10、。五、研究结论本研究以edx上的一门mooc课程学习行为数据为分析对象，对不同数据类型、学习活动模块、有效学习行为指标、学习群体特征等进行了探索分析，得出以下6方面的主要结论：（1）在学习结果预测的数据类型上，学习次数的预测效果要好于学习时长，并与学习时长和学习次数结合后的预测效果接近，因此，可通过观察学习次数或综合学习时长与次数来评测学习结果。（2）在预测算法的比较上，bp神经网络预测准确率要优于决策树和朴素贝叶斯网络，但由于各算法在处理能力、噪声容错能力、计算量等方面存在差异，因此需依据不同的应用情境和样本量选择合适的算法分析。在数据样本量的比较上，预测准确率与样本数量呈正相关。（3）在课

11、程学习模块的预测比较上，评价模块和文本模块的学习行为数据预测率较高，互动模块预测率最低。（4）在学习结果有效指标的组合分析上，综合不同评估器和搜索方法的分析结果，视频学习次数、文本学习次数、评价参与时长、评价参与次数、论坛主题发起数是预测学习结果的主要参照行为指标组合。（5）基于wrappersubseteval分类器得出的有效组合指标和多元回归分析，得出标准化的学习结果预测回归方程模型为：学习结果=0.241×评价参与次数+0.146×评价参与时长+0.119×文本学习次数+0.043×视频学习次数+0.036×主题发起数。（6）基于k均值算

12、法得出三种类型的学习活动群体：以视频学习和学习评价为主，以互动交流为辅的学习群体；以视频学习和文本学习为主、以评价参与为辅学习群体；以文本学习和学习评价为主、以互动交流为辅的学习群体。六、研究局限与展望本研究虽然基于mooc学习行为基础数据进行了学习结果预测的比较分析，探索了有效学习数据类型、学习行为指标组合、学习结果预测计算方程和群体学习特征，但还存在以下两方面的不足：（1）当前只应用一门edx上的mooc课程数据进行分析，研究结论的信度有待进一步验证。今后将选取不同mooc学习平台以及多学科课程数据作为分析对象进行横向比较和验证分析，探索不同课程学习数据在结果分析上是否有显著差异，以提高研

13、究结论的可靠性。（2）本研究选取的学习行为数据指标还比较有限，而影响学习结果预测的因素比较复杂。今后将探索其他学习行为数据对学习结果预测的影响，如学生个人的人口学信息数据、学习情感数据等。通过综合多种不同类型的学习活动行为数据进行学习结果预测分析，以找到反映学习结果的关键行为数据和学习行为特质。参考文献：1郝巧龙，魏振钢，林喜军（2016）.mooc学习行为分析及成绩预测方法研究j.电子技术与软件工程，（7）：167-168.2贾积有，缪静敏，汪琼（2014）.mooc学习行为及效果的大数据分析以北大6门mooc为例j.工业和信息化教育，（9）：23-29.3李曼丽，徐舜平，孙梦嫽（2015）

14、.mooc学习者课程学习行为分析以“电路原理”课程为例j.开放教育研究，（2）：63-69.4吴明隆（2010）.问卷统计分析实务spss操作与应用m.重庆：重庆大学出版社：390-391.5baker，r. s. j.（2007）. modeling and understanding students' off-task behavior in intelligent tutoring systemsa.proceedings of the sigchi conference on human factors in computing systemsc. new york：asso

15、ciation for computing machinery：1059-1068.6barba，p. g，kennedy，g. e.，& ainley，m. d.（2016）.the role of students' motivation and participation in predicting performance in a mooc motivation and participation in moocsj. journal of computer assisted learning，32（3）：218-231.7freitas，s. i.，morgan，j.

16、，& gibson，d.（2015）. will moocs transform learning and teaching in higher education？engagement and course retention in online learning provisionj. british journal of educational technology，46（3）：455-471.8grabe，m.，& sigler，e.（2002）. studying online：evaluation of an online study environmentj. c

17、omputers &education，38（4）：375-383.9hew，k. f.，& cheung，w. s.（2014）. students' and instructors' use of massive open online courses（moocs）：motivations and challengesj. educational research review，12（6）：45-58.10hill，p.（2013）. emerging student patterns in moocs：a graphical viewdb/ol.2013-

18、03-10. http：/11jiang，s.，warschauer，m.，& williams，a. et al.（2014）.predicting mooc performance with week 1 behaviora.proceedings of the 7th international conference on educational data miningc. worcester：worcester polytechnic institute：273-275.12kovanovi，v.，gaevi，d.，& dawson，s. et al.（2015）. d

19、oes time-on-task estimation matter？implications on validity of learning analytics findingsj. journal of learning analytics，2（3）：81-110.13liñán，l. c.，& pérez，Á. a. j.（2015）. educational data mining and learning analytics：differences，similarities，and time evolutionj. internatio

20、nal journal of educational technology in higher education，12（3）：98-112.14merceron，a.，blikstein，p.，& siemens，g.（2016）.learning analytics：from big data to meaningful dataj. journal of learning analytics，2（3）：4-8.15prøitz，t. s.（2010）. learning outcomes：what are they？who defines them？when and where are they defined？j. educational assessment，evaluation and accountability，22（2）：119-137.16pursel，b. k.，zhang，l.，& jablokow，k. w. et al.（2016）. understanding mooc students：motivations and behaviours indicative of mooc completionj. journa