基于教育大数据的数字化学习行为分析研究

本文对大数据时代下的MOOC在线教育平台做了介绍,并基于教育大数据,针对MOOC在线教育平台中的6门课程,对学习者的数字化学习行为进行了分析。首先,在对大数据统计分析的基础上,对学习者的类型进行了分析。依据不同的学习行为,将学习者分为五类,分别为:打酱油者、虎头蛇尾者、摇摆不定者、坚定完成者以及只为学习者。然后对学习者参与行为进行了分析,探讨了学习者与时间相关的行为以及与成绩相关的行为。     

基于edX开放数据的学习者学习分析

MOOC学习产生的海量数据为教育领域的学习分析提供了基础。基于ed X发布的第一个大规模MOOC开放数据集,使用数据分析方法,从学习者类型分析、学习者特征分析、学习者行为分析三个方面对ed X平台的中外学习者进行了研究,力图多维度展现MOOC学习的实际状况。在数据分析和研究发现基础上,对中国学习者的学习现状及特点、MOOC学习行为中的主要现象以及MOOC数据分析的应用进行了讨论和思考。     

基于在线学习行为数据的学习者群体特征挖掘研究

教育信息化促使越来越多的学习者选择在线学习,基于学习行为数据的研究也逐渐增多,然而对学习行为的研究普遍基于学习者个人,涉及学习者相似群体特征挖掘的研究较少。选取阿里云天池中的公开数据集,通过对不同个性特征和认知能力的行为数据进行相关性分析,以学习成绩为依据聚类不同的学习者群体,挖掘群体的典型行为特征。研究表明,群体行为特征存在显著差异,借助群体特征挖掘可以帮助学生与他人对比,发现自身不足并及时调整。这样既能在个性化学习基础上充分利用群体智慧,也能避免因学生过多使教学工作者负担过重。     

教师在线自主学习能力研究——以《课堂管理的方法与艺术》为例

“在线学习”成为教育的热点与必然趋势,在线课程的开放性、自主性与灵活性,对学习者的自主学习能力有了更高的要求。教师群体作为教育提升类在线课程的主要学习对象,在学习进程中表现出独立进行学习与管理学习行为的能力。提高教师在线自主学习能力,是顺应“互联网+教育”的需要,也是满足教师个体专业发展的需要。文章以《课堂管理的方法与艺术》MOOC的主要学习群体(教师)为研究对象,对调查问卷与MOOC平台数据进行分析,聚焦教师在线自主学习能力的研究,探讨课程团队应如何引导教师更好地进行自主学习,如何在学习进程中强化与提高其自主学习能力。     

教育大数据环境下基于学习画像的个性化学习路径设计研究

在线学习环境下,探索符合学习习惯和偏好的学习活动路径能够降低学习者学习盲目性、提升学习者的课程体验。研究以教育大数据为背景,以MOOC为研究案例,以个性化学习路径为研究内容,通过对学习结果分类理论、教育目标分类法以及三维目标分类理论的分析、对比、归纳、借鉴,对MOOC平台学习者行为数据进行了维度划分,并从态度和认知两方面入手构建了包含学习兴趣、知识水平、综合能力三个维度的学习者学习画像特征模型。在此基础上,通过交叉使用Apriori All算法和贝叶斯网络对平台行为数据进行差异处理,使其转化为具有信息价值的具体数值,设计出了学习画像与个性化学习路径拟合系统。在此基础上,运用蚁群算法实现个性化学习路径的生成与推荐,为学习者提供精准的学习路径指导,降低学生迷航率。研究结果表明:基于学习画像的个性化学习路径推荐具有精准性;学习画像可以实现MOOC环境下平台数据和学习者之间的耦合;交叉使用多种算法实现不同维度数据的差异性处理,使数据分析、处理、应用具有合理性,是实现个性化学习路径生成推荐的良好基础。     

基于层次聚类的军校学员MOOC学习行为分析

论文以使用梦课平台的军校本科生为研究对象,对其学习行为模式开展深入的调查与分析。论文旨在通过调查军校本科生的MOOC学习过程,获取其学习行为相关的各类数据,包括课程在线时间、在线交流次数、作业完成质量等,运用层次聚类方法对学习者进行分类,确定不同类型学习者的特点,分析不同的学习行为对学习者最终学习效果的影响,为有针对性地设计在线课程内容,优化在线交流、教学评价等提供有益的借鉴。     

基于质性分析的慕课建设策略研究

随着“互联网+”教育的发展,教师教育类MOOC逐渐应用于教师培训,为更好地进行教师教育类MOOC的迭代与优化,文章以中国大学MOOC平台上的《“互联网+”时代教师个人知识管理》慕课为例,采用质性分析的方法对课堂讨论区学习者的学习收获与课程建议两个版块进行研究,来探究课程对学习者的帮助程度、学习者对课程的需求情况,最终得出课程的相关建设策略。     

基于学习者视角的MOOC教学评价与改进——以北京大学“教你如何做MOOC”课程为例

MOOC使高等教育得以走出象牙塔,面向全社会提供更广泛的教育服务,必将促进高校课程改革与创新。本文以北京大学"教你如何做MOOC"课程为例,基于学习者的视角,从学习者的选课动机、学习行为、满意度等方面,通过问卷调查和数据统计分析,对MOOC教学效果进行评价,并在此基础上提出教学改进策略。     

基于在线作业数据的学习行为投入画像构建研究

学习者画像是描述学习者特征、实现智能化推送、实施个性化教育的重要基础.如何挖掘并利用在线学习平台中的数据构建学习者画像是当前亟待解决的问题.研究以在线作业为目标场景,以在线学习行为投入为切入点,构建了以参与、坚持、专注、学术挑战和自我调控为主要维度的分析框架和测量指标,利用7695名小学生在线作业数据进行了27个测量指标的有效性验证,采用K-Means聚类方法对在线学习者的行为特征和结果特征进行了标签分类,形成了四类学习者的群体画像,提出了相应的学习指导建议.研究发现,学习者的学业成绩与作业行为投入之间存在显著相关,不同的行为投入平台指标与学业成绩呈现不同的相关性,学习品质相关指标与学业成绩呈现强相关.因此,在线教育平台应通过画像技术,持续跟踪学习者的在线学习行为投入,评估学习者的学习品质,提出个性化的指导建议,推送精准化的学习资源,进而提升学习者在线学习效率.     

基于学习者评论数据挖掘的MOOC课程质量影响因素研究

理解学习者MOOC课程学习的体验和需求,是促进MOOC高质量可持续发展的重要途径。基于学习者评论数据挖掘,可以揭示学习者情感体验与课程质量因素之间的关系,并为分析不同学科课程的差异提供有效支持,弥补现有研究的不足。为此,开展了基于学习者视角的MOOC课程质量影响因素研究,首先以文本挖掘技术为基础,客观地从MOOC课程学习者评论数据中提取出课程管理、课程设计、学习平台、学习任务、学习材料、课程教师、课程内容及学习体验八个课程质量影响因素。其次,构建了基于学习者满意度和关注度的KANO分类模型,以评估课程质量影响因素的重要性程度,并对两类课程进行差异性分析和对影响因素之间进行相关性分析。结果表明：学习者对人文社科类和自然课程类课程的评价在课程设计、学习材料、课程教师、课程内容及学习体验上存在显著差异;而学习任务在两类课程中的评价均为最低;并且通过可视化揭示了不同类别课程的KANO模型分类结果和影响因素之间的关系。最后,针对不同学科课程的特点,提出课程优化建议,对MOOC课程质量的改进与提升具有重要指导意义。     

基于edX开放数据的学习者在线学习行为分析

教育数据挖掘指通过分析学习者的学习行为记录和归纳学习者的行为特点,以提高教育质量的一种学习分析方法。在大数据时代下,网络课程学习者产生的大规模学习行为记录为教育数据挖掘提供了充足素材。以edX开放数据集为基础,使用数据分析方法,针对平台中本科学历用户获证概率最低的问题,分别从学习目的及兴趣、学习者类型、学习行为特征3个方面进行分析,深入探讨各种学习行为特征之间的相关性以及对学习效果的影响,为在线课堂平台建设者针对不同用户群体优化课程设计、改进个性化学习管理系统提供参考。     

慕课讨论区反馈对学习者学习进度的影响研究

基于社会认知理论,研究大规模开放在线课程(MOOC慕课)讨论区中学习者学习进度的影响因素.在文献综述的基础上,提出研究假设,构建MOOC讨论区中学习者学习进度影响模型;选取国际知名Coursera平台最热门课程《机器学习》讨论区为研究对象,获取2015年8月至2018年11月的相关数据,经过数据处理,得到37927个学习者的有效数据;将学习者学习进度、学习者发帖总数和情感、讨论区反馈的回帖人身份、回帖间隔、回帖长度、回帖人学习进度和回帖情感作为研究变量,构建多元回归模型,验证研究假设.研究结果表明:回帖人身份和回帖情感对MOOC学习者学习进度均无显著正向影响,但可以通过影响MOOC学习者发帖总数和发帖情感,而间接影响MOOC学习者学习进度;被回帖时间间隔对MOOC学习者学习进度有显著负向影响,对MOOC学习者发帖总数有显著正向影响;被回帖长度对MOOC学习者学习进度无显著正向影响,但可以通过影响MOOC学习者发帖总数,而间接影响MOOC学习者学习进度;回帖人学习进度显著正向影响MOOC学习者学习进度和发帖总数.     

学习分析视域下开放教育学习者的学习干预效果研究

以太原开放大学学习者的学习行为数据为研究对象,通过学习分析技术预测有学习风险的群体或个人,对他们进行学习干预,通过实验来验证干预方案的实施成效,以帮助学习者更好地完成学业,提升学习效率和质量,助力开放教育高质量发展。     

基于MOOC数据挖掘的学习行为和学习成效分析

随着近年来慕课教学的兴起,教育大数据的分析与挖掘正成为一个新的研究方向。本文基于Canvas Network提供的MOOC开放数据,使用数据统计和数据挖掘的方式,对学习者的类型与行为进行了统计分析,并探究了学习行为与学习成效之间的相关性,并基于分析结果对个性化的在线学习方式提出了有益的建议。     

基于学习通平台数据的学习者学习行为投入画像分析

学习者画像是基于现有学习者的学习行为投入调查,对学习者进行细分后,针对学习者的个性特点实施智能化推送。创建学习者画像可以有效帮助学习者进行学习行为投入设计和学习策略决策,可以更好地了解学习者的需求和期望。以学习通在线平台上提供的学习者学习行为投入数据为依据,以参与、坚持、专注和主动性为主要测评维度。根据学习者的最终综合成绩采用K-Means聚类分析法对其分类,划分出四类学习群体画像,依据学习者群体特点不同提出不同学习策略。研究得出,学习者的最终综合成绩与学习行为投入成正相关,不同的学习行为投入程度会导致综合成绩发生变化。因此,在线教育信息平台可以通过画像技术深刻、细致及全面地刻画学习者行为,对学习者作出客观公正的评价,针对学习者个体特点推送精准的学习内容,从而多维度地提高学习者的学习成绩。     

基于数据挖掘的MOOC学习过程监测指标分析——以“电路原理”课程为例

在互联网时代,数据使用的深度是影响MOOC发展的重要因素,因此需要将MOOC和数据挖掘结合起来。文章深入到学习者的MOOC学习过程中,基于数据挖掘的思路,以"电路原理"课程为例,分析了可用于监测MOOC学习过程的三个关键指标:学习者过程学业表现的测量指标、学习者过程学习投入的测量指标和学习者遭遇学习困难后的学习行为指标——这些指标可以比较清晰地反映学习者的过程学习情况。文章的研究,可为数据挖掘与在线教育的有机结合和教师干预学习者的过程学习提供思路和方法。     

MOOC学习行为影响因素研究

近几年,国内外MOOC快速发展,然而学习中断现象严重。虽然一门MOOC的注册人数动辄几千,甚至上万,但真正完成学习并获得结业证书的人数非常少。关于MOOC学习行为影响因素的研究目前较少。本研究基于TAM3模型建立了MOOC学习行为影响因素模型,并进行实证研究。本课题通过网络和面对面相结合的方式发放问卷。网络问卷使用问卷星发放,对清华大学的在校生面对面发放,并使用SPSS17.0、AMOS21.0等工具对调查数据进行分析,包括信效度检验、路径图分析、变量间总效应计算等。研究表明：学习者MOOC学习意向与学习行为之间呈显著正相关;主观规范和有用性感知与学习意向呈显著正相关;易用性感知与学习意向呈正相关,但不显著;主观规范、地位、学习适用性、学习绩效与有用性感知呈显著正相关;结果展示性与有用性感知呈正相关但不显著;计算机自我效能感、娱乐性感知、客观使用与易用性感知呈显著正相关;外部支持、计算机偏好与易用性感知呈正相关但不显著;计算机焦虑与易用性感知呈负相关但不显著。在所有原始变量中(不包括有用性感知和易用性感知),主观规范对学习意向的影响效应最大。对有用性感知影响最大的变量是学习绩效感知,对易用性感知影响最大的是学习者计算机自我效能感。研究还发现,计算机焦虑对易用性感知的影响被MOOC使用经验显著调节。研究建议加大MOOC宣传力度、鼓励学习者参与、采取一定的管理措施等对策,改善学习者MOOC学习行为,提升MOOC的学习效率和效果。     

军事职业教育MOOC学习行为分析及教学设计研究

大规模开放式网络课程提供跨区域、个性化、多元灵活的学习机会和体验,是军事职业教育的重要支撑。本文以军事职业教育服务平台的学习数据为基础,结合“系统工程原理”MOOC课程,分析学习者视频观看数、完成测试、研讨互动等学习行为的统计规律,建立其与学习效果、课程知识、学习者学历背景等因素间的关联关系,从课程目标、教学内容、交互环节及评价方式等四个方面,开展军事教育MOOC的设计实证研究,为军事职业教育MOOC的设计优化提供有益参考。     

数据挖掘视角下网络学习者行为特征聚类分析北大核心CSSCI

随着计算机与网络的快速发展和普及,网络学习已成为互联网+时代教育发展的重要组成。近年来随着大数据被广泛关注,基于数据挖掘的网络学习行为研究成为重要的研究方向和研究热点。当前关于网络学习行为的分类,大多数基于学习者本身属性,缺乏比较详细而深入的行为类型分析。基于数据挖掘的聚类分析,可以借助大数据的优势,发现数据背后的规律。利用陕西师范大学"现代教育技术"在线开放课程学习者的网络学习过程记录,采用数据挖掘工具对网络学习者行为进行聚类分析,研究发现:根据学习特征,网络学习者可以分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体;学习行为与学习效果密切相关,沉浸性高的学习者学习效果往往较好。教师可借助技术工具,对学习者进行不断更新、实时、循环的聚类分析,及时发现学习者的个体及群体学习特征,因材施教,推送适应性的个性化服务,并给予及时的学习预警与恰当的教学干预。     

基于MOOC课程的大学生在线学习习惯调查研究

近些年国内外学习分析研究日益增多,随着技术的不断更新,人们期待通过学习分析研究出数据支持的学习方案,推进人们的学习与发展。为了达到最优的教学效果、实现学习成就,人们不断对优秀学生进行学习行为分析,探寻学习习惯规律,通过归纳演绎,期待形成学习习惯模型,让一个良好的习惯影响一个学习群体。对现阶段学习习惯研究进行梳理总结,并通过问卷调查大学生在MOOC课程中的参与习惯、时间管理习惯、时间投入度以及学习时的协作习惯,发现学习者不良习惯,从而在教师、学生、平台建设三个角度给予建议,希望帮助学生培养良好的在线学习习惯,达到最优学习效果。