赵楠贾积有
【摘要】数据挖掘是人工智能技术的一个重要研究领域，可以用于教学系统的学习者分析，对实施个性化教学提供借鉴参考。本文采用数据挖掘软件SPSS和WEKA对一门慕课（MOOC）的学员学习行为数据进行了详细分析，发现最终取得的学生成绩与在线时长、平时小测成绩、浏览网页、视频、课件的次数及发帖次数有显著的正相关；网页浏览次数和平时小测成绩对最终成绩的预测力度最高。基于以上数据挖掘的结果，本文对慕课教学设计提出了建议，比如根据学生个性特点设置个性化的考评措施、重视平时小测设计、优化视频和讲义的设计等。
【关键词】慕课；MOOC；学习分析；学习活动；数据挖掘
【中图分类号】G434【文献标识码】A
【论文编号】67-7384（208）02、03-0073-04引言
随着Cursr等慕课（MOOC）学院的兴起，学生通过在线学习可以更自由地支配自己的学习时间，把握学习进度。在线学习活动是指学习者在某个学习平台或者课程管理系统上学习时参与的活动，包括阅读课程网页、观看课程视频、在线做题、讨论发帖或者回帖、提交作业、同伴互评等（贾积有，于悦洋，207），对在线学习活动的分析也成为教育学领域关注的重点。
数据挖掘是一个跨学科的计算机分支，是对大规模的数据进行自动或半自动的分析，以提取过去未知的有价值的潜在信息。将数据挖掘应用到教育学领域，可以描述、分析和预测学习者的学习行为和学习效果，优化学习环境（Pptsu&p;Eds，204）。贾积有等人（204）对Cursr上北大6门慕课的注册学员的学习行为数据进行了汇总与分析，结果发现学业成绩与平时测验成绩和论坛活跃程度（发帖、回帖）有较强的相关关系，并且根据分析结果建议MOOC重视课程网站上网页、视频、测验和讲义的设计，引导学生展开网上论坛的讨论（贾积有，缪静敏，汪琼，204）。为了进一步探究MOOC学习效果与哪些因素有关，本文使用SPSS对Cusr中北大某门MOOC课程进行大数据分析，探究学生学习行为与学习效果的关系。研究方法
本文获取的MOOC课程的数据包括：注册人数，学生开始学习时间，课程在线时间，浏览视频、网页和讲义的次数，参与论坛讨论情况（包括发帖和回帖次数、学员投票），平时小测成绩及最终成绩。使用SPSS对各类数据进行描述性统计分析、相关和线性回归分析；使用WEKA对数据进行聚类分析。研究发现
描述性统计分析
对MOOC课程学生各项学习活动的指标的描述性统计分析（如表）。选修这门课程的同学共有3700人，其中最后取得学业成绩的有32人，课程完成率为964%，辍学率为9036%。在取得学业成绩的学生中，成绩高于（含）60分的有278人，及格率为204%。人均开始时间为498天，在线时间为209天。
观看视频、浏览网页、观看并下载课件都是一种重要的学习方式，大部分学生都参与了这三类学习。除了直接浏览课程相关内容，Cursr还设置了课程讨论区，学生可以通过发帖和回帖参与讨论，也可以给别人的帖子投票，学生总体的参与度较低。
2相关和回归分析
分别以全体同学的在线时间、平时小测成绩为横坐标，期末成绩为纵坐标做散点图（图、图2）。对全体同学、在各个指标取得成绩的同学的最终成绩与各项学习活动指标进行相关分析（表2）。
对全体同学来说，各个指标与最终成绩均在000水平达到显著相关，而仅分析取得成绩的同学，在线时间、小测成绩、浏览网页、讲义、视频以及发帖数量与期末成绩在000水平达到显著相关；发帖得票、回帖数量和得票、论坛声誉与期末成绩没有显著相关。
以最终成绩为因变量，各个学习指标为自变量建立线性回归方程（表3）。网页浏览次数和小测成绩对最终成绩的预测力度最高，而开始时间、讲义浏览次数和发帖得票数与最终成绩呈负相关。校正后为0945，表明线性拟合较好。
MOOC平台给予学生更多自主学习的自由，但是同传统课堂教学相比，网络授课对学生的强制性降低，增大了辍学风险，这种情况下学生的自主性对学习成绩影响很大。从学习材料来看，浏览网页、讲义、视频的人数依次递减，这可能因为观看视频更耗时间、对网络的要求更高，而通过文字资料学习相对比较方便。从课程讨论区表现来看，大部分學生对于讨论的热情度并不高，可能因为Cursr面向全球的学生开放，各个国家的同学在语言交流上不太方便，也可能是这门课程难度较低，同学们没有太多需要讨论才能解决的问题。
相关分析表明对取得成绩的同学进行分析可以得到更具区分度的结果，而如果笼统地分析所有数据可能会出现天花板效应，表现为各个指标与期末成绩均有显著相关。可以看到，平时成绩、浏览学习材料与期末成绩具有很高的相关性，而论坛参与度与成绩的相关度不高，根据这一结果可以将MOOC课程的学习指标大致分为两类：应试类指标（小测、浏览网页、讲义、视频）和兴趣类指标（论坛发帖、回帖），前者可以显著预测期末成绩，后者则与学生个性有关，一定程度上可以反映其学习方式，比如热爱发帖、回帖的同学更善于通过表达观点来巩固知识，而经常参与投票的同学更善于借鉴别人的优势以弥补自己，但是这类指标与最终成绩关系不大。我们进一步使用WEKA进行聚类分析，将数据聚为2类，sd参数设为20，结果两类分别解释了46%和54%的数据变异，表明这种分类方式是合理的。
基于以上研究结果，我们对MOOC课程设计提出如下建议：
根据学生个性特点设置个性化的考评。如对热衷于参与论坛讨论的同学，可以将论坛活跃度作为0%的期末成绩，而对于讨论兴致不高的同学，可以将0%的成绩布置为平时作业（如文献阅读报告），以达到因材施教的目的。
2重视平时小测设计。小测对于学生的学习情况具有至关重要的反馈作用，而认真作答小测的同学也在学习中表现得更加勤奋。
3优化视频和讲义的设计，设置打卡奖励制度，激励同学们坚持学习，减少辍学率。
参考文献
[]Pptsu，Zhrul，&p;Eds，AstssA（204）LrAlytsdEdutlDtMPrt：ASysttLtrturRvfEprlEvdJurlfEdutlThly&p;Sty，7（4），49-64
贾积有，缪静敏，汪琼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，204（9）：23-29
贾积有，于悦洋学习活动指数LAI及在线学习活动指数OLAI的具体分析[J]中国远程教育：综合版，207（4）：5-22
[2]
[3]
文章来源于：中小学信息技术教育