基于MOOCs大数据的学习分析与干预策略的研究

    康迎曦 唐北平

    

    

    

    ◆摘? 要：随着网络信息技术的发展，近几年MOOCs（ Massive Open On line Course）在国内外呈风起云涌之势。本文通过对MOOCs大数据进行学习分析和干预策略的研究，依据在线学习者不同的知识背景、学习基础、学习风格和学习能力等个体差异，构建不同的学习模式，为学习者提供个性化的学习建议、学习资料和推荐课程，从而提高学习者的在线学习效率，进一步完善在线学习系统。

    ◆关键词：MOOCs大数据;学习分析;干预策略

    一、引言

    大规模在线开放课程MOOCs（ Massive Open On line Course）是基于课程和教学、互联网和移动通讯技术发展起来在线学习模式，国内外发展迅速。但这种在线学习模式也存在着一些问题，如在线学习质量和效率较低、教师不能及时进行辅导、个性化教学内容少、在线学习的监管和评价不及时等。通过分析MOOCs大数据，研究学习者的在线学习效果，对学习行为进行分析和干预，对推动教育信息测量和学习分析的发展，提高在线学习质量的有着重要的研究价值和意义。

    二、MOOCs大数据

    1.MOOCs大数据的概念和特点

    在使用MOOCs学习的过程中，大量的学习者和众多的教学资源積累了数量巨大的学习行为数据。大规模在线课程学习者的数量远远超出了传统实体课堂，有上万人，甚至几十万人;这些大数据都是在学习过程中自然产生的，是即时数据，而不是事后搜集和积累的，所以大数据的类型非常丰富详尽。与传统的教育数据相比，MOOCs大数据具有更强的实时性、多样性、全面性和潜在价值大等特点。

    2.研究MOOCs大数据的重要性

    海量的MOOCs学习者在网络平台上产生了超大规模、种类繁多的数据，其中包括：MOOC的教学资源、学习者情况、作业测验、学习过程记录等直接数据，还有贴吧、博客等社交网络上对MOOC讨论以及网络链接和网络搜索等间接数据。对超大规模的复杂数据进行处理，能给MOOC的发展带来促进作用。主要体现在以下几个方面：

    （1）分析学习行为。利用数据挖掘技术，采集学习者在MOOC平台的学习内容、学习情况使用感受和教学反馈等信息。这些碎片化信息都反映出了学习者的行为和情感，收集和分析MOOC大数据对教师和管理者非常重要，他们可以根据数据分析结果，利用教育学、心理学和专业知识改进教学方法、设计新课程和更新平台应用等促进MOOC平台的发展。

    （2）进行学习推荐。通过超强的数据处理能力，对学习者的课程学习进度快慢、作业和测验成绩、论坛的积极性、发表言论与关注对象等数据进行分析处理。系统就可以追踪学习者的兴趣爱好、课程学习情况、学习能力及风格等行为特点进行分析与预测，主动向学习者推荐合适的课程内容、学习方法和志同道合的学习伙伴，为每个学习者创建适合自己的个性化学习环境。

    （3）进行课程调整。利用大数据技术搜集和分析反馈数据，可以帮助主讲教师、助教以及技术人员对课程的内容选择、重点难点讲解、内容安排顺序、时间片段长度等作出预测，对课程内容安排作出合理调整。

    3.研究MOOCs大数据的关键问题

    学习者的交互学习、群体学习和个性化学习问题;课程的关键知识点、知识点搜索与关联以及知识点与作业的关联问题;教师的教学过程管理、作业互评、交互式课程安排和课程信息推荐等问题，具体情况如图1所示。

    三、学习分析与干预策略的研究

    1.学习分析与干预在MOOCs中的必要性

    学习分析和干预是一个新兴的研究领域，它关注的是学习过程与学习环境大数据的处理，在线学习环境的设计、学习理论的发展以及在线数据使用中存在的问题。通过数据挖掘和分析在线学习过程中产生的大量数据，了解学习者学习情况并及时发现学习中存在的问题，以此对学习者发出提示或警告，从而督促、引导学习者顺利完成在线学业。

    2.MOOCs学习分析的数据

    MOOCs学习分析的主要数据有：学习者的学习风格和学习态度;学习行为，例如：平台访问次数、在线学习时长、下载次数、作业次数和访问网站等;交互数据，例如：学习互动次数、互动内容、发帖次数等;表现数据，例如：测验成绩、班级排名、是否进步等;情感数据，例如：学习爱好、朋友圈等，具体情况如图2所示。

    3.学习干预策略的研究

    对MOOCs大数据进行了数据挖掘和学习分析后，我们设计了一个基于数据挖掘、数据分析、状态评估、预警干预的四步学习预警系统，如图3所示。该系统能对学习者的知识、行为、情绪三方面所处的状态进行评估，并进行积极干预，提出合理化的干预策略，

    四、应用实例

    1.学习分析和干预模型的建立

    我们以中国大学MOOC课程《电路分析》为例，对学习者的各项数据进行收集和统计，对学习状态进行分析，并进行有效干预，学习分析与干预模型如图4所示。

    2.学习分析和干预效果总结

    研究结果证明，通过分析学习行为数据，预测的学习效果比较准确，学习效果基本是学习行为的最终体现，受学习者的教育背景、学习目的、学习投入、情感等多方面的影响。通过一定的学习干预后，学习者的学习效果、考试通过率都有所提高。

    五、结束语

    在互联网+和大数据时代，追求个性化学习是学习者共同目标。在MOOCs大数据支持下进行的在线学习分析和干预，既可以提高广大在线学习者个性化学习的绩效;又能促进网络学习、数字化教育、智能学习的发展，实现双赢的局面[7]。但目前我国的教育大数据研究和学习分析仍然处在起步阶段，要实现这一系列的数据采集和分析，学习预测和干预还面临着技术水平、资金投入等方面的挑战，更需要广大教育工作者全方位的努力。

    参考文献

    [1]袁松鹤，王海荣，张伟，等.四个MOOCs平台10门课程的比较研究——MOOCs教学的创新方向与启示[J].中国电化教育，2014（10）：42-52.

    [2]吴锦辉.我国主要慕课（MOOC）平台对比分析[J].高校图书馆，2015（01）：11-14.

    [3]刘和海，李起斌.“中国式MOOC”概念探讨及平台优化策略研究——基于中文MOOC平台的调查分析[J].现代教育技术，2014（05）：81-87.

    [4]姜蔺，等.MOOCs学习者特征及学习效果分析研究[J].中国电化教育，2013（11）：54-59.

    [5]金贵朝.MOOC支撑下的混合式教学模式研究[J].中国教育技术装备，2015（02）：8-10.

    [6]Macfadyen L P， Dawson S. Mining LMS data to develop an “early warning system” for educators： A proof of concept[J].Computer & Education， 2010（54）：588-599.

    [7]杨现民，王榴卉，唐斯斯.教育大数据的应用模式与政策建议[J].电化教育研究，2015（09）：54-61、69.

    [8]Essa A， Ayad H. Improving student success using predictive models and data visualisations[J]. Research in Learning Technology， 2012，（20）：58-70.

    基金项目：湖南省普通高等学校教学改革研究项目：《电工电子技术》课程线上线下混合式“金课”建设的研究与实践（立项编号： HNJG-2020-0748）。