MOOC学习结果预测指标探索与学习群体特征分析

被引：40

作者：

牟智佳 ^{[1
]}

武法提 ^{[2
]}

机构：

[1] 江南大学教育信息化研究中心

[2] 北京师范大学教育技术学院

来源：

现代远程教育研究 | 2017年 / 03期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

MOOC; 学习行为数据; 学习结果预测; 预测指标; 学习群体特征;

D O I：

暂无

中图分类号：

G434 [计算机化教学];

学科分类号：

040110 ;

摘要：

高辍学率与低参与度是MOOC面临的一个主要问题。根据学习结果预测,及时开展有效的教学干预是改善此问题的途径之一。当前基于MOOC学习行为数据进行结果预测主要以次数分析为主,较少探索其他行为指标;在预测算法上以回归分析为主,缺少不同预测算法效果的比较分析。以ed X平台上一门MOOC课程的学习行为数据为研究对象进行的探索研究发现:学习结果预测的主要参照行为指标组合为视频学习次数、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;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;BP神经网络预测准确率要优于决策树和朴素贝叶斯网络,且预测准确率与样本数量呈正相关;而在课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。研究还发现,MOOC学习群体包含三类,分别是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、以评价参与为辅的学习群体,以及以文本学习和学习评价为主、以互动交流为辅的学习群体。

引用

页码：58 / 66+93 +93

页数：10

共 10 条

[1]

问卷统计分析实务.[M].吴明隆; 著.重庆大学出版社.2009,

[2] Understanding MOOC students: motivations and behaviours indicative of MOOC completion [J].

Pursel, B. K. ;

Zhang, L. ;

Jablokow, K. W. ;

Choi, G. W. ;

Velegol, D. .

JOURNAL OF COMPUTER ASSISTED LEARNING, 2016, 32 (03) :202-217

[3] The role of students' motivation and participation in predicting performance in a MOOC [J].

de Barba, P. G. ;

Kennedy, G. E. ;

Ainley, M. D. .

JOURNAL OF COMPUTER ASSISTED LEARNING, 2016, 32 (03) :218-231

[4] Will MOOCs transform learning and teaching in higher education? Engagement and course retention in online learning provision [J].

de Freitas, Sara Isabella ;

Morgan, John ;

Gibson, David .

BRITISH JOURNAL OF EDUCATIONAL TECHNOLOGY, 2015, 46 (03) :455-471

[5]

Students’ and instructors’ use of massive open online courses (MOOCs): Motivations and challenges.[J].Khe Foon Hew;Wing Sum Cheung.Educational Research Review.2014,

[6]

Knowledge construction and misconstruction: A case study approach in asynchronous discussion using Knowledge Construction – Message Map (KCMM) and Knowledge Construction – Message Graph (KCMG).[J].Kueh Chin Yap;Kok Pin Chia.Computers & Education.2010, 4

[7] Studying online: evaluation of an online study environment [J].