MOOC數據挖掘下的學習行為與成效范文
本站小編為你精心準備了MOOC數據挖掘下的學習行為與成效參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
摘要:mooc的出現推動了教育平臺的發展，為不同人群提供了門類眾多的在線學習資源。在學習過程中產生了學習時長、播放天數以及學習章節數等相關數據。本文根據MOOC相關學習數據，利用K-Mean聚類的方法對不同人群學習行為進行聚類，探討了學習行為與學習成效的關系，以期為MOOC教育和發展提供有益參考。
隨著網絡技術的發展，教育發展過程中逐步引入慕課新形式，受到各類學校的歡迎。該教學模式能夠更好地實現學習和學習者的自由化，能夠有效滿足不同階段、不同人群的學習需求。在學習過程中產生了學習時長、播放天數以及學習章節數等相關數據，根據慕課的數據分析能夠進行有效的學習研究，得出學習過程與成效之間的關系，據此繼續加強個性化學習方式的設計。為了做好慕課當中的數據分析，本文主要以某MOOC平臺中的慕課數據作為基礎，進行數據的分析，廣泛涉及了十個不同的科目、二百堂課的學習狀況，將所有數據整合起來，形成三十多萬個數據樣本，其中，每條樣本顯示了一名學生在一門課程中的學習情況，其中，學習情況包括了課程的內容、學生的信息、學習目標、學習頻率和學習效果。本文將對主要針對學生學習行為數據進行學習成效探究分析，以期為MOOC學習和發展提供有益參考價值。
1K-MEAN聚類算法
K-MEAN算法是典型的距離聚類算法，基本原則是兩個對象距離越近相似度越高，然后可以把距離較近的劃分一個簇，簇內需要距離保持最小，不同簇間保持距離最大，其基本流程如圖1所示。如圖1所示，首先選取K個質心，然后計算各個數據樣本到該質心的距離，然后將其歸到最近的質心類，再計算新類的質心，判斷其是否小于或等于原質心指定閾值，如果滿足，則結束，否則重復上述步驟，即可進行較好的聚類。
2用戶學習畫像分析
本文選取了某MOOC平臺的用戶學習的天數(LearningDays-LD)、播放時長(PlayTime-PT)、章節數(ChapterNumber-CN)、發帖數(PostNumber-PN)等特征，利用K-MEAN進行聚類分析，分析結果如下表所示。由上表可知，根據LD、PT、CN、PN四個特征，把學習人群大概分為Cluster1-4，共四類。Cluster1:LD、PT、CN和PN指標均較少，屬于MOOC體驗者;Cluster2:有一個明顯特征與其他類不同，即PN均值高于其他類，屬于積極好問者;Cluster3:各項指標處于中等水平，表現良好，屬于積極探索者;Cluster4:學習時長、播放時長、學習章節數處于較高水平，屬于MOOC學霸用戶。
3學習行為與學習成效分析
根據上述聚類結果，本文分別對上述四類用戶的學習成效進行了統計分析，分析結果如圖2所示。由圖2可知，第一類用戶學習效果較差，成績均值以及獲得證書數量均較少;第二類用戶為積極好問型用戶學習成效明顯高于第一類;第三類用戶為積極譚索型用戶學習成效較好;第四類終極學霸型用戶，學習成效最佳，成績均值以及獲得證書情況明顯高于其他用戶。
4分析結果討論
4．1學習者的情況與行為的關系
首先，當學習者進行主動形成時，在慕課上的活躍天數、學習數量、完成程度和論文或意見發表次數都比較高，但是在被動的人里，其完成程度比較高，比主動的人更高。其他類型的人則在各項數據上都比較低，數據表明，當形成主動學習的習慣之后，他們能夠按照自己的學習需要進行高頻率的課程參與，相反，其他類型的人則較少參與到課程的學習中，其中，學習上較為被動的人則會根據學習需要進行針對性學習，為了達到任務要求而參與到學習當中。
4．2學習目的的不同與行為的關系
在調查的過程中，主要將學習群體分為以下幾種情況，一種是入學考試、一種是工作需要、還有的是純粹為了提升自我，另外還有一種是為了培養自己的興趣。按照數據分析的結果來看，在準備入學考試的人群在各項指標上都比其他人群高，工作需要的人在完成程度上也比較高，而其他兩種人群雖然也在學習中呈現出很大的熱情，但是在學習數量、頻率上沒有硬性要求，這說明他們在學習頻率上沒有要求，而是按照自己的空閑時間確定自己的學習時間，具備一定的隨意性，缺乏計劃性。
4．3學習人群的信息與行為的關系
在學習群體的信息調查中，不僅對其職業的調查，還對其年齡進行調查，并做出詳細的分析，將這一群體中的年齡劃分為三個階段:三十五歲以下、三十五歲到五十五歲、五十五歲以上。從結果的分析中可以看出，所有數據的增長與年齡的增加成正比，這就說明年紀稍長的人群在學習過程中更加規律，具備更好的計劃性，這一結果可以在學習過程中以彈幕的形式告知學習群體，增加他們學習的熱情，不斷提升他們學習的頻率。
4．4學習過程與學習結果的關系
在進行數據分析的過程中發現，學習過程中的活躍程度、意見等發表頻率、學習數量等都和學習結果成正比，其中，學習數量與學習結果的相關程度最低，學習程度與其關系最高。
5結語
本文以MOOC數據進行學習行為與學習成效的探討分析。根據學習天數、章節數、發帖數以及播放時長，對MOOC用戶進行了聚類分析，利用K-MEAN聚類算法將其聚為四類用戶，并探討相應的學習行為與學習成效的關系。在未來，隨著個性化學習理念的深入，慕課學習將更大范圍地應用在各個學習群體當中，因此，需要慕課根據不同時期的數據分析進行課程調節，為學習群體設定最恰當的模式，也可以設置系統評價機制，搜集建議，做好革新，做好課程設置工作。
參考文獻:
［1］陳蘭嵐，宋海虹．基于MOOC數據挖掘的學習行為和學習成效分析［J］．教育教學論壇，2019，(6):50-51．
［2］陳若航，常朵．基于數據挖掘的MOOC學習行為與學習效果研究［J］．太原城市職業技術學院學報，2017，(12):178．
［3］張大胤．基于互聯網環境下學習行為的數據挖掘研究———以MOOC學習行為研究為例［D］．廣西師范大學，2018，(12):10-11．
［4］王洪巖．MOOC中的學習行為挖掘研究［D］．山東大學，2016，(10):5．
作者：林麒麟 李川 俸世洲 單位：重慶師范大學涉外商貿學院