李 平

（杭州電子科技大學(xué)計算機學(xué)院，浙江杭州310018）

?

基于MOOC群體行為挖掘的翻轉(zhuǎn)課堂教學(xué)探索

李 平

（杭州電子科技大學(xué)計算機學(xué)院，浙江杭州310018）

摘要：文章利用統(tǒng)計學(xué)習(xí)方法研究慕課學(xué)習(xí)的行為數(shù)據(jù)，結(jié)合翻轉(zhuǎn)課堂的教學(xué)實踐，提出基于慕課群體行為挖掘的方法，構(gòu)建統(tǒng)一的慕課增量反饋式教學(xué)范式，探索將其應(yīng)用到翻轉(zhuǎn)課堂教學(xué)的有效途徑，旨在推動課程教學(xué)改革。該范式的主要思想是采用無監(jiān)督學(xué)習(xí)方法分析大規(guī)模學(xué)習(xí)行為數(shù)據(jù)，試圖挖掘潛在的學(xué)生群體行為模式，從而為翻轉(zhuǎn)課堂的教學(xué)改革提供理論支撐。以大學(xué)計算機基礎(chǔ)課程為例，研究分析了一萬余條數(shù)據(jù)，結(jié)果表明慕課學(xué)習(xí)存在專業(yè)差異性，且新教學(xué)范式能夠有效提高學(xué)生的課堂參與度，增強師生教學(xué)活動的互動體驗，促進營造良好的翻轉(zhuǎn)課堂教學(xué)環(huán)境。

關(guān)鍵詞：群體行為挖掘；增量反饋式教學(xué)；慕課；翻轉(zhuǎn)課堂；統(tǒng)計學(xué)習(xí)

不同于傳統(tǒng)課堂的教師主導(dǎo)模式，以學(xué)生為主體的翻轉(zhuǎn)課堂（F1ipped C1assroom）近幾年受到許多學(xué)者和教師的廣泛關(guān)注，翻轉(zhuǎn)課堂體現(xiàn)了“先學(xué)后教”的逆序創(chuàng)新［1］。從2000年Baker JW首次提出翻轉(zhuǎn)課堂模型［2］，到2007年Bergmann J和Sams A在美國科羅拉多州率先實施及2012年對理論經(jīng)驗成果的傳播使得翻轉(zhuǎn)課堂迅速傳入世界各地［3-4］，成為國內(nèi)外教育信息化領(lǐng)域的研究與實踐熱點。翻轉(zhuǎn)課堂的關(guān)鍵模塊包括微視頻學(xué)習(xí)、課堂討論以及課后鞏固，學(xué)生課前通過在線視頻學(xué)習(xí)教學(xué)內(nèi)容，課堂上對學(xué)習(xí)過程中的問題進行討論，課后可通過視頻學(xué)習(xí)及網(wǎng)絡(luò)資源進一步鞏固知識；這從認知主義和行為主義的角度符合學(xué)生對事物認知和知識建構(gòu)的內(nèi)化過程。其中，課前的微視頻學(xué)習(xí)成為課堂改革信息化的技術(shù)要素，而目前實現(xiàn)該技術(shù)要素的典型平臺為以互聯(lián)網(wǎng)為載體的大規(guī)模在線開放課程慕課（Massive Open On1ine Course，MOOC）［5］。MOOC起源于2007年美國猶他州立大學(xué)David W i1ey教授基于W iki開設(shè)的一門網(wǎng)絡(luò)開放課程，2008年加拿大學(xué)者Cormier D和A1exander B首次采用MOOC術(shù)語，2011年斯坦福大學(xué)Ng A教授的Machine Learning課程吸引了來自世界各地超過10萬名學(xué)生注冊，2012年美國三大慕課平臺Udacity、Coursera、edX相繼發(fā)布并風(fēng)靡全球，由此拉開MOOC元年的序幕［6-7］。眾所周知，MOOC平臺可提供多模態(tài)的教學(xué)資源，包括微視頻、知識點文本、互動社區(qū)等，這些均能有效地與翻轉(zhuǎn)課堂的關(guān)鍵模塊融合，由此基于MOOC的教學(xué)改革在許多高校開始實施［8-9］。

MOOC平臺一般記錄了學(xué)習(xí)者注冊、登錄、觀看視頻、提問、討論等環(huán)節(jié)的行為數(shù)據(jù)，這些數(shù)據(jù)往往具有規(guī)模大、非結(jié)構(gòu)化、高價值、低密度等方面的大數(shù)據(jù)特征，亟待深入挖掘與分析。目前，國內(nèi)外對慕課理論及翻轉(zhuǎn)課堂探索的研究較多，但是對MOOC平臺的學(xué)習(xí)行為數(shù)據(jù)及其對課堂教學(xué)改革的探索非常少［10］。為此，本文采用挖掘MOOC學(xué)習(xí)行為數(shù)據(jù)的研究角度，以大學(xué)計算機基礎(chǔ)課程為例，提出基于MOOC群體行為挖掘的方法并構(gòu)建其增量反饋式教學(xué)范式，挖掘?qū)W生群體的行為模式，推動翻轉(zhuǎn)課堂的教學(xué)改革，有效提升教學(xué)效果。

一、基于MOOC學(xué)習(xí)數(shù)據(jù)的群體行為挖掘

（一）MOOC學(xué)習(xí)數(shù)據(jù)預(yù)處理

MOOC群體行為挖掘首先需要獲取學(xué)習(xí)行為數(shù)據(jù)并進行預(yù)處理，本文的研究數(shù)據(jù)采集于玩課網(wǎng)（http://www.wanke001.com），對象為2015年秋季注冊大學(xué)計算機基礎(chǔ)課程的學(xué)生，每條學(xué)習(xí)記錄的屬性字段包含用戶名、姓名、學(xué)號、專業(yè)、學(xué)習(xí)進度（f1）、提問個數(shù)（f2）、回答問題個數(shù)（f3）、筆記個數(shù)（f4）、評論（f5），共11994條記錄。其中，“學(xué)習(xí)進度”指學(xué)生已學(xué)習(xí)的微視頻所占總體微視頻數(shù)的歸一化比例；“評論”指是否對微視頻發(fā)表過學(xué)習(xí)感想。但是，原始記錄不能直接用于群體行為分析和挖掘，所以先采取如圖1所示的預(yù)處理步驟。

圖1　MOOC學(xué)習(xí)數(shù)據(jù)預(yù)處理流程圖

圖1中，“數(shù)據(jù)去重”剔除重復(fù)注冊的記錄；“數(shù)據(jù)去噪”剔除無姓名學(xué)號的記錄，以及剔除非字符型和不可識別“專業(yè)”屬性對應(yīng)的記錄；“數(shù)值化”將字符型“評論”屬性二值化，即“是”賦值為1，“否”賦值為0；“專業(yè)摘要”將所有專業(yè)名稱進行大類歸并后用關(guān)鍵字表示，如“風(fēng)景園林”和“園林學(xué)”歸并為“園林”，處理后得到92個專業(yè)名稱；“數(shù)據(jù)增強”指從隱私保護的角度考慮刪除“用戶名”“姓名”“學(xué)號”等屬性并用唯一標(biāo)識符表示所有記錄，同時剔除專業(yè)統(tǒng)計顯著性很低的記錄，保留學(xué)生人數(shù)不少于5的專業(yè)集合。經(jīng)過上述處理后，最終用于群體行為挖掘的學(xué)習(xí)記錄為11621條，屬性為7個（包含“標(biāo)識符”及“專業(yè)”屬性），專業(yè)為81個；每條記錄可作為一個樣本，屬性中除“標(biāo)識符”及“專業(yè)”外均可視為特征。

（二）群體行為挖掘與模式分析

MOOC群體行為挖掘（Group Behavior Mining，GBM）指利用統(tǒng)計學(xué)習(xí)的理論與方法對MOOC學(xué)習(xí)行為數(shù)據(jù)進行分析，試圖發(fā)現(xiàn)潛在的具有某種規(guī)律性的群體行為模式，簡稱MOOC-GBM方法。下面從兩個方面研究MOOC-GBM與翻轉(zhuǎn)課堂教學(xué)實踐的關(guān)系。

（1）不同專業(yè)與MOOC學(xué)習(xí)的關(guān)聯(lián)分析

2）顧客轉(zhuǎn)換成本對醫(yī)藥B2C平臺顧客忠誠度的影響值為 0.69。本研究也證實了在醫(yī)藥B2C購物環(huán)境下，通過培養(yǎng)顧客消費習(xí)慣、增加重復(fù)消費獎勵等方式增加顧客轉(zhuǎn)換成本，可以有效地提高顧客的忠誠度。

利用統(tǒng)計直方圖方法對“學(xué)習(xí)進度”特征進行研究后的結(jié)果發(fā)現(xiàn)，前十位專業(yè)主要為人力資源、外國語、動漫、攝影、視覺傳達等人文社科類專業(yè)，這些專業(yè)的學(xué)生對MOOC學(xué)習(xí)的參與率非常低。盡管如此，MOOC學(xué)習(xí)參與率達100%的專業(yè)高達15個，主要為光電、化工、機電、海洋、電信、車輛工程、集成電路、醫(yī)學(xué)、藥學(xué)等理工醫(yī)學(xué)專業(yè)。分析表明，理工醫(yī)學(xué)類專業(yè)的學(xué)生對MOOC學(xué)習(xí)的興趣度明顯比人文社科類學(xué)生高，也即學(xué)生所在專業(yè)與MOOC學(xué)習(xí)存在強相關(guān)性。因此，教師制定授課計劃時，可以將理工類和人文類區(qū)別對待，通過設(shè)計吸引力強、激發(fā)興趣度高的教學(xué)活動，以提高人文社科類學(xué)生的MOOC學(xué)習(xí)參與度。

（2）聚類分析與MOOC群體行為模式

群體行為挖掘與聚類分析既相互關(guān)聯(lián)又相互區(qū)分：一方面，由于群體行為模式由聚類分析方法所捕獲，即由MOOC學(xué)習(xí)數(shù)據(jù)生成不同類型的學(xué)生群體行為，使得兩者具有一致性；另一方面，聚類分析是挖掘MOOC學(xué)習(xí)數(shù)據(jù)的一個維度，并不能完全反映學(xué)生所有群體行為模式，所以兩者存在差異性。

具體來說，利用統(tǒng)計機器學(xué)習(xí)中的k-均值聚類［11］及子空間學(xué)習(xí)方法對樣本進行分析，基本步驟如下：先對數(shù)據(jù)樣本利用無監(jiān)督的子空間學(xué)習(xí)方法，即主成分分析（Principa1Component Ana1ysis，PCA）［11］和非負矩陣分解（Nonnegative Matrix Factorization，NMF）［12］將原始數(shù)據(jù)投影到二維子空間；然后在低維空間利用k-均值聚類算法對MOOC數(shù)據(jù)進行迭代分簇直到收斂，從而挖掘出潛在的不同類別的群體行為模式。

研究中利用PCA和NMF分別將原始MOOC數(shù)據(jù)空間劃分為3至6個不同群體類別，每個類別對應(yīng)一種群體行為模式，結(jié)果發(fā)現(xiàn)：兩者所獲得的分布圖均呈長尾狀，且隨著群體數(shù)的增加所劃分的類別粒度變得更細。這種現(xiàn)象從本質(zhì)上體現(xiàn)了教師的教學(xué)活動應(yīng)該體現(xiàn)因材施教、分級教學(xué)的思想。此外，研究中還發(fā)現(xiàn)PCA在群體數(shù)目增加的情況下會出現(xiàn)某些群體中心域的重疊，而NMF的群體行為模式都較為清晰。因此，當(dāng)群體行為模式種類較多時，建議優(yōu)先采用NMF方法。

以PCA劃分為3個群體為例，從MOOC學(xué)習(xí)數(shù)據(jù)中挖掘出潛在的三種群體行為模式，分別對應(yīng)強學(xué)習(xí)群體（Strong，S）、中度學(xué)習(xí)群體（Medium，M）、弱學(xué)習(xí)群體（Weak，W）。S群體的特點是對MOOC學(xué)習(xí)的興趣度高，積極回答和提出問題；M群體的特點是MOOC學(xué)習(xí)的興趣度一般，有時會回答或提出問題；W群體的特點是對MOOC學(xué)習(xí)的興趣度較低，既不回答也不提出問題。所以，在翻轉(zhuǎn)課堂的教學(xué)中，需要采取措施調(diào)動W群體學(xué)生的積極性試圖將其轉(zhuǎn)化為M群體，并努力將部分M群體成員提升為S群體，從而逐步提高整體教學(xué)效果。

二、基于MOOC-GBM的增量反饋式教學(xué)范式

（一）增量反饋式教學(xué)

在教學(xué)活動中，學(xué)生的學(xué)習(xí)和教師的教學(xué)存在著相互依賴的關(guān)系，教師須根據(jù)學(xué)生的學(xué)習(xí)情況及時調(diào)整教學(xué)方式，而學(xué)習(xí)行為和教學(xué)行為均是在一段時間內(nèi)持續(xù)的過程，從而存在周期性的教學(xué)調(diào)整，給教學(xué)效果帶來正反饋影響，使其得到增量式的提高。本文將這種教學(xué)活動稱為增量反饋式教學(xué)（Incrementa1Feedback Teaching，IFT）。

（二）M OOC-GBM-IFT教學(xué)范式

結(jié)合MOOC-GBM及IFT的基本內(nèi)涵和原理，考慮到學(xué)生的學(xué)習(xí)行為和教師的教學(xué)行為均屬于連續(xù)迭代的過程，提出基于MOOC-GBM-IFT的教學(xué)范式，并將其融入到翻轉(zhuǎn)課堂的教學(xué)活動中，如圖2所示：

圖2　基于MOOC-GBM-IFT的教學(xué)范式框架圖

圖2的教學(xué)范式框架圖主要由三部分組成：數(shù)據(jù)準(zhǔn)備模塊、行為挖掘模塊、增量反饋模塊。其中，“數(shù)據(jù)準(zhǔn)備模塊”包括從MOOC平臺采集數(shù)據(jù)、對數(shù)據(jù)進行降噪整合處理；“行為挖掘模塊”包括對學(xué)習(xí)數(shù)據(jù)進行統(tǒng)計關(guān)聯(lián)分析、利用子空間學(xué)習(xí)和聚類等機器學(xué)習(xí)方法挖掘潛在的群體行為模式；“增量反饋模塊”包括翻轉(zhuǎn)課堂的教學(xué)活動、學(xué)生反饋信息的后向傳播、教師的教學(xué)調(diào)整等。除此之外，可以利用部分帶有S、M、W標(biāo)記的樣本作為訓(xùn)練數(shù)據(jù)建立分類模型，預(yù)測學(xué)生的未來群體行為模式，從而更好地調(diào)整教學(xué)方式。

（三）實例分析

為了進一步研究行為挖掘、聚類分布和增量反饋式教學(xué)范式的關(guān)系，從編輯出版、包裝工程、工業(yè)設(shè)計等專業(yè)隨機選取20人作為實例樣本，進行跨越三個周期（一月為一周期）的研究分析。研究的基本流程如下：在初始周期結(jié)束時，先采集所有學(xué)生的原始數(shù)據(jù)并進行圖1的預(yù)處理，然后通過統(tǒng)計學(xué)習(xí)方法挖掘?qū)W習(xí)行為模式，從而獲得S/M/W類型的聚類分布。接著，根據(jù)聚類結(jié)果改進教學(xué)模式，體現(xiàn)到翻轉(zhuǎn)課堂與學(xué)生的互動教學(xué)活動中，如對W類別學(xué)生進行傾向性指導(dǎo)；同時收集學(xué)生的意見和建議，將其作為下一周期教學(xué)調(diào)整的重要參考，也即后向傳播教學(xué)反饋過程。在下一個周期，學(xué)生的學(xué)習(xí)行為仍將被MOOC學(xué)習(xí)平臺如實記載，為下一周期的學(xué)習(xí)行為挖掘提供數(shù)據(jù)來源。依此類推，通過不同周期的增量迭代，促使翻轉(zhuǎn)課堂的教學(xué)模式與學(xué)生群體逐步相適應(yīng)，獲得盡可能最優(yōu)的教學(xué)效果。

表1　不同增量反饋周期的MOOC學(xué)習(xí)行為數(shù)據(jù)

MOOC學(xué)習(xí)行為數(shù)據(jù)的挖掘分析表明，S/M/W從周期1的6/10/4變?yōu)橹芷?的17/3/0，也即4名弱學(xué)習(xí)群體學(xué)生在周期3課程幾近結(jié)束時均至少變成中度學(xué)習(xí)群體，甚至1名學(xué)生歸入強學(xué)習(xí)群體，從而有力佐證了MOOC-GBM-IFT教學(xué)范式的有效性。表1給出其中6名學(xué)生在三個增量反饋周期的MOOC學(xué)習(xí)數(shù)據(jù)，其中f1-f5為五種特征，C為聚類的類別且屬于集合｛W，M，S｝。由表1可知，通過聚類分析和周期性的學(xué)習(xí)行為挖掘，學(xué)生的學(xué)習(xí)行為演變模式有五種：｛W→M→S，W→S→S，M→M→S，M→S→S，S→S→S｝。

上述幾種學(xué)習(xí)行為模式的演變過程表明，通過合理地運用MOOC-GBM-IFT教學(xué)范式能將大部分的弱學(xué)習(xí)群體和中度學(xué)習(xí)群體成員變?yōu)閺妼W(xué)習(xí)群體成員。從表1中可以發(fā)現(xiàn)，周期1的行為挖掘結(jié)果與數(shù)據(jù)樣本的聚類分布呈現(xiàn)一致性，如f1 =0.34的樣本對應(yīng)S群體，f1 =0.09的樣本對應(yīng)W群體；通過周期1的教學(xué)反饋調(diào)整，周期2的行為挖掘結(jié)果仍與聚類分布呈現(xiàn)一致性，且樣本1由W變?yōu)镸，樣本4由M變?yōu)镾，樣本5由W變?yōu)镾；再通過周期2的教學(xué)反饋調(diào)整，樣本1由M變?yōu)镾，樣本3由M變?yōu)镾，樣本6由W變?yōu)镸。由此得知，基于MOOC-GBM的周期性增量教學(xué)反饋范式能有效地將弱學(xué)習(xí)群體變?yōu)橹卸葘W(xué)習(xí)群體甚至變成強學(xué)習(xí)群體，這也證實了本文所提出的MOOC-GBM-IFT教學(xué)范式在翻轉(zhuǎn)課堂教學(xué)實踐中的可行性和合理性。

三、MOOC-GBM-IFT與翻轉(zhuǎn)課堂教學(xué)實踐討論

翻轉(zhuǎn)課堂的重要環(huán)節(jié)包括課前的微視頻學(xué)習(xí)、課堂討論、課后鞏固等，這些環(huán)節(jié)均與MOOC-GBMIFT教學(xué)范式緊密相連，下面討論兩者的內(nèi)在邏輯關(guān)系和有效融合方法。

（一）教學(xué)設(shè)計

課程教學(xué)分為線上的MOOC學(xué)習(xí)和線下的課堂實踐教學(xué)兩部分，采取分組團隊教學(xué)方式。學(xué)生須在每堂課開始前自主看完相應(yīng)的微視頻，并提出問題供課堂上以組為單位進行討論；課堂教學(xué)中教師對知識點進行簡單梳理，留出大部分時間供學(xué)生討論，以完成知識點的內(nèi)化吸收過程；實踐教學(xué)以學(xué)生的動手操作為主，如對Word、Exce1、PowerPoint等辦公軟件的熟練使用，教師對練習(xí)中遇到的疑難問題進行解答。根據(jù)MOOC-GBM-IFT的基本思想，可通過統(tǒng)計學(xué)習(xí)方法將學(xué)生劃分為S、M、W群體，分組時保證每組有一名S或兩名M成員，促使其帶動整個小組的學(xué)習(xí)氣氛。所以，分組一般需要采集兩到三周的MOOC數(shù)據(jù)教學(xué)分析后進行，之后以4至5人小組參與翻轉(zhuǎn)課堂教學(xué)的活動中。教學(xué)設(shè)計還需要考慮到不同專業(yè)學(xué)生對MOOC的認同度和參與度差異。

（二）課堂組織

微視頻學(xué)習(xí)已讓學(xué)生了解和掌握了部分知識點，課堂教學(xué)中以學(xué)生討論為主，教師引導(dǎo)為輔。例如，討論“計算機中為什么采用二進制？”“機器是否會超越人類智能？”等問題時，教師可以先對“二進制”和“人工智能”背景做簡單鋪墊，然后引導(dǎo)學(xué)生討論。為了提高教學(xué)班的整體參與度，可重點引導(dǎo)S群體成員，以點帶面地激發(fā)M群體甚至W群體的興趣，從而增強教學(xué)效果。課堂組織中還可以不定期進行線上APP的課堂測驗，同時收集測試數(shù)據(jù)并通過MOOC-GBM進行分析挖掘，以發(fā)現(xiàn)哪些類型的知識點屬于易錯易混淆，便于針對性地指導(dǎo)和改進后續(xù)類似知識點的教學(xué)策略。實踐教學(xué)中，主要引導(dǎo)小組成員完成實操習(xí)作并及時點評，同時利用機房易于交流的優(yōu)勢重點關(guān)注W群體，通過溝通激發(fā)其學(xué)習(xí)興趣。根據(jù)MOOC-GBM-IFT范式的迭代教學(xué)反饋理論，教師應(yīng)不定期地隨機抽取一定比例S/M/W群體學(xué)生對教學(xué)設(shè)計、微視頻內(nèi)容、實踐方式等方面提出建設(shè)性的意見，教師收集意見分門別類整理，用于后期教學(xué)改進。這個過程是階段性持續(xù)的，目的是實現(xiàn)學(xué)生的自主探究和創(chuàng)新思維能力的顯著提升，提高S群體的比例，降低W群體的比例。

（三）評價考核

翻轉(zhuǎn)課堂不同于傳統(tǒng)課堂教學(xué)之處在于學(xué)生的學(xué)習(xí)行為被連續(xù)地記錄保存，因此課程考核適宜以過程評價為主和結(jié)果評價為輔的模式。例如，MOOC線上學(xué)習(xí)模塊占40%，課堂教學(xué)模塊占30%，實踐教學(xué)模塊占30%。其中，MOOC線上學(xué)習(xí)模塊以積分累計的方式記錄，例如每看完一個微視頻得2分，通過一次單元測試得5分，提出一個問題得2分；課堂教學(xué)模塊包括學(xué)生出勤、小組討論和回答問題情況，以小組整體賦分為原則，激發(fā)學(xué)生的團隊合作精神；實踐教學(xué)模塊則是根據(jù)每一次實踐課的習(xí)作完成情況進行等級制評價，小組成員分工合作進行；課程的最終成績則由三大模塊的得分乘以不同的權(quán)重系數(shù)確定。多方位的綜合課程評價方式有利于學(xué)生積極參與課程教學(xué)活動、有利于教師全程掌握學(xué)生學(xué)習(xí)情況并適時引導(dǎo)、有利于體現(xiàn)課程教學(xué)改革中以學(xué)生為主體的理念。

四、結(jié)論

對MOOC學(xué)習(xí)行為數(shù)據(jù)進行分析與挖掘，結(jié)合翻轉(zhuǎn)課堂的教學(xué)實踐，提出了MOOC-GBM-IFT教學(xué)范式，旨在發(fā)現(xiàn)潛在的群體行為模式，以便從大數(shù)據(jù)角度探索課程教學(xué)的改革方向。研究發(fā)現(xiàn)，學(xué)生對MOOC學(xué)習(xí)的參與度存在較強的專業(yè)相關(guān)性，通過統(tǒng)計機器學(xué)習(xí)方法捕獲的群體行為模式與樣本的聚類分布存在一致性關(guān)聯(lián)，且能與周期性的增量反饋式教學(xué)有機融合，較大提升了翻轉(zhuǎn)課堂的教學(xué)效果。將該教學(xué)范式應(yīng)用到大學(xué)計算機基礎(chǔ)課程的翻轉(zhuǎn)課堂教學(xué)實踐中，結(jié)果表明群體行為挖掘和增量反饋式教學(xué)能有效提高學(xué)生的課堂參與度，學(xué)生對課程的整體掌握能力獲得提升，教師和學(xué)生的互動得到增強，同時促進形成可持續(xù)改進的良性教學(xué)環(huán)境。

參考文獻

［1］祝智庭，賀斌，沈德梅.信息化教育中的逆序創(chuàng)新［J］.電化教育研究，2014，35（3）：5-12，50.

［2］Baker JW.The“C1assroom F1ip”：Using web course management too1s to become the guide by the side［C］.Co1orado：The Cute Institue，the 11th Internationa1Conference on Co11ege Teaching and Learning，2000：9-17.

［3］Bergmann J，Sams A.F1ip your c1assroom：Reach every student in every c1ass every day［M］.Washington DC：Internationa1Society for Techno1ogy in Education，2012：1-34.

［4］容梅，彭雪紅.翻轉(zhuǎn)課堂的歷史、現(xiàn)狀及實踐策略探析［J］.中國電化教育，2015，（7）：108-115.

［5］萬昆，葉冬連，戚麗，等.多維視閾下的國內(nèi)MOOC研究進展與可視化分析［J］.中國遠程教育，2015（2）：38-44.

［6］程翥，李貴林，劉海濤.中國高等教育MOOC平臺現(xiàn)狀分析［J］.高等教育研究學(xué)報，2014，37（2）：15-19.

［7］徐舜平.中國大學(xué)和教師參與MOOC的行為分析——以清華大學(xué)為例［J］.中國遠程教育，2014（6）：33-39.

［8］池雅慶，宋睿強，李振濤.探索MOOC對計算機課程教學(xué)的影響［J］.計算機工程與科學(xué)，2014，36（z1）：164-168.

［9］曾明星，周清平，蔡國民，等.基于MOOC的翻轉(zhuǎn)課堂教學(xué)模式研究［J］.中國電化教育，2015（4）：102-108.

［10］蔣卓軒，張巖，李曉明.基于MOOC數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測［J］.計算機研究與發(fā)展，2015，52（3）：614-628.

［11］Bishop C M.Pattern recognition and machine 1earning［M］.Ber1in：Springer，2010：424-428，561-570.

［12］Lee D D，Seung H S.A1gorithms for non-negativematrix factorization.Advances in Neura1 Information Processing Systems ［M］.Massachusetts：MIT Press，2001：556- 562.

A Probe into Flipped Classroom Teaching Based on MOOC Group Behavior M ining

LIPing
（School of Computer Science，Hangzhou DianziUniversity，Hangzhou Zhejiang 310018，China）

Abstract：This paper emp1oys statistica1 1earning methods to ana1yze 1earning behavior data derived from Massive On1ine Open Courses（MOOC）.Whi1e taking teaching practice of f1ipped c1assroom into account，a MOOC Group Behavior Mining（GBM）method is proposed，and a unified MOOC-GBM based Incrementa1 Feedback Teaching paradigm bui1t.Such paradigm is app1ied into the f1ipped c1assroom teaching to exp1ore an effective way of promoting the course teaching reform.Themain idea is to uti1ize the unsupervised 1earning a1-gorithms to make an ana1ysis on the 1arge-sca1e MOOC behavior data，aim ing at discovering hidden group behavior patterns of students，so as to provide a theoretica1 support for the teaching reform of the f1ipped c1assroom.Take Basics of College Computer for examp1e，more than 10，000 samp1es are ana1yzed and studied，and the resu1ts show that there exist differences in majors for MOOC 1earning.Moreover，the proposed paradigm can boost the students'participation in the course and enhance teacher-student interactions in their teaching activities，1eading to a satisfying teaching environment for the f1ipped c1assroom.

Key words：group behavior mining；incrementa1 feedback teaching；MOOC；f1ipped c1assroom；statistica1 1earning

中圖分類號：G642

文獻標(biāo)識碼：B

文章編號：1001-9146（2016）02-0073-06

DOI：10.13954/j.cnki.hduss.2016.02.015

收稿日期：2015-12-24

基金項目：國家自然科學(xué)基金項目（61502131）；浙江省自然科學(xué)基金項目（LQ15F020012）

作者簡介：李平（1986-），男，湖南湘潭人，博士，講師，機器學(xué)習(xí)與數(shù)據(jù)挖掘.