牟智佳 武法提

摘要：高輟學(xué)率與低參與度是MOOC面臨的一個主要問題。根據(jù)學(xué)習(xí)結(jié)果預(yù)測，及時開展有效的教學(xué)干預(yù)是改善此問題的途徑之一。當(dāng)前基于MOOC學(xué)習(xí)行為數(shù)據(jù)進行結(jié)果預(yù)測主要以次數(shù)分析為主，較少探索其他行為指標(biāo)；在預(yù)測算法上以回歸分析為主，缺少不同預(yù)測算法效果的比較分析。以edX平臺上一門MOOC課程的學(xué)習(xí)行為數(shù)據(jù)為研究對象進行的探索研究發(fā)現(xiàn)：學(xué)習(xí)結(jié)果預(yù)測的主要參照行為指標(biāo)組合為視頻學(xué)習(xí)次數(shù)、文本學(xué)習(xí)次數(shù)、評價參與時長、評價參與次數(shù)和論壇主題發(fā)起數(shù)；學(xué)習(xí)次數(shù)的預(yù)測效果要好于學(xué)習(xí)時長，并與學(xué)習(xí)時長和學(xué)習(xí)次數(shù)結(jié)合后的預(yù)測效果接近； BP神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率要優(yōu)于決策樹和樸素貝葉斯網(wǎng)絡(luò)，且預(yù)測準(zhǔn)確率與樣本數(shù)量呈正相關(guān)；而在課程學(xué)習(xí)模塊的預(yù)測比較上，評價模塊和文本模塊的學(xué)習(xí)行為數(shù)據(jù)預(yù)測率較高，互動模塊預(yù)測率最低。研究還發(fā)現(xiàn)，MOOC學(xué)習(xí)群體包含三類，分別是以視頻學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體；以視頻學(xué)習(xí)和文本學(xué)習(xí)為主、以評價參與為輔的學(xué)習(xí)群體，以及以文本學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體。

關(guān)鍵詞：MOOC；學(xué)習(xí)行為數(shù)據(jù)；學(xué)習(xí)結(jié)果預(yù)測；預(yù)測指標(biāo)；學(xué)習(xí)群體特征

中圖分類號：G434 文獻標(biāo)識碼：A 文章編號：1009-5195（2017）03-0058-10 doi10.3969/j.issn.1009-5195.2017.03.008

一、研究緣起

當(dāng)前國內(nèi)外越來越多的高校參與MOOC課程建設(shè)并發(fā)布各自的特色課程，學(xué)習(xí)者在課程內(nèi)容上有了更多的選擇權(quán)，但高輟學(xué)率和低參與度仍是當(dāng)前MOOC課程所面臨的一個主要問題（Hew et al.，2014）。而基于學(xué)習(xí)者前期和中期的課程學(xué)習(xí)行為數(shù)據(jù)進行學(xué)習(xí)結(jié)果預(yù)測，并依據(jù)分析結(jié)果調(diào)整教學(xué)策略和教學(xué)內(nèi)容以開展有效的教學(xué)干預(yù)，可以改善學(xué)習(xí)參與度和學(xué)習(xí)結(jié)果。與此同時，學(xué)習(xí)分析研究已經(jīng)由初期的理論探討逐步走向?qū)嵺`探索和成果轉(zhuǎn)化。在學(xué)習(xí)分析研究中，基于學(xué)習(xí)行為數(shù)據(jù)進行學(xué)習(xí)結(jié)果預(yù)測是學(xué)習(xí)分析和教育數(shù)據(jù)挖掘研究學(xué)術(shù)群體中關(guān)注的一項重要議題（Li?án et al.，2015）。而在數(shù)據(jù)的選擇上，學(xué)習(xí)分析研究正從關(guān)注大數(shù)據(jù)轉(zhuǎn)向有意義數(shù)據(jù)的探索（Merceron et al.，2016）。如何抓取到學(xué)習(xí)活動信息流中的關(guān)鍵行為數(shù)據(jù)并解析出學(xué)習(xí)者的個性學(xué)習(xí)行為特征是今后研究中要解決的一個問題（U.S. Department of Education，2015）。MOOC廣泛的學(xué)習(xí)參與群體和多樣化的學(xué)習(xí)行為數(shù)據(jù)使其成為學(xué)習(xí)分析研究的一個重要對象。如何基于MOOC學(xué)習(xí)行為數(shù)據(jù)有效預(yù)測學(xué)生的學(xué)習(xí)結(jié)果，并依據(jù)學(xué)習(xí)群體特征提供差異化的學(xué)習(xí)服務(wù)以改善學(xué)習(xí)參與度成為亟待解決的問題。本研究基于edX平臺的一門MOOC課程學(xué)習(xí)行為數(shù)據(jù)，探索能夠有效預(yù)測學(xué)習(xí)結(jié)果的數(shù)據(jù)類型和行為指標(biāo)，并分析學(xué)生的群體學(xué)習(xí)特征，為學(xué)習(xí)結(jié)果預(yù)測分析和教學(xué)干預(yù)提供指導(dǎo)和參照。

二、文獻綜述

國內(nèi)關(guān)于MOOC學(xué)習(xí)行為研究主要集中在學(xué)習(xí)行為影響因素分析、基于學(xué)習(xí)行為數(shù)據(jù)分析學(xué)習(xí)效果、學(xué)習(xí)成績預(yù)測、學(xué)習(xí)行為評價等方面。比較有代表性的研究有：賈積有等以Coursera平臺上的6門北京大學(xué)MOOC課程學(xué)習(xí)行為數(shù)據(jù)為分析對象，探索在線時間、觀看視頻和網(wǎng)頁次數(shù)、瀏覽和下載講義次數(shù)、論壇發(fā)帖數(shù)與學(xué)習(xí)成績之間的關(guān)系（賈積有等，2014）。李曼麗等以“學(xué)堂在線”平臺的“電路原理”課程數(shù)據(jù)為基礎(chǔ)，對MOOC學(xué)習(xí)者的課程學(xué)習(xí)動機、課程參與度、課程注冊時間與課程完成度等進行分析（李曼麗等，2015）。郝巧龍等用Clementine 構(gòu)建MOOC 成績預(yù)測，并依托智慧樹平臺“數(shù)據(jù)結(jié)構(gòu)”課程的行為數(shù)據(jù)通過回歸分析驗證模型的有效性（郝巧龍等，2016）。

國外關(guān)于MOOC學(xué)習(xí)行為的研究包括MOOC學(xué)習(xí)成敗和保留率的影響因素分析、學(xué)習(xí)動機和學(xué)習(xí)行為對MOOC完成度的影響、學(xué)習(xí)表現(xiàn)預(yù)測研究、學(xué)習(xí)情境在MOOC學(xué)習(xí)中的重要性分析等。如：Laxmisha Rai等從學(xué)習(xí)者角色、個人支持和人為干預(yù)、高困難度和自我動機、學(xué)習(xí)環(huán)境、職業(yè)需求、教師和學(xué)校聲望、實時反饋等方面分析了MOOC學(xué)習(xí)成敗的因素（Rai et al.，2016）。Bart Pursel等基于MOOC學(xué)習(xí)者的人口學(xué)數(shù)據(jù)、學(xué)習(xí)行為和課程互動數(shù)據(jù)，采用邏輯斯回歸分析探索這些數(shù)據(jù)變量如何表征課程完成度（Pursel et al.，2016）。Paula Barba等以Coursera平臺上的“宏觀經(jīng)濟學(xué)”課程學(xué)習(xí)者為研究對象，分析以個人興趣、掌握方法目標(biāo)與應(yīng)用價值為主的學(xué)習(xí)動機和以視頻點擊與測評提交數(shù)為測量方式的學(xué)習(xí)參與在學(xué)習(xí)表現(xiàn)預(yù)測上的重要性（Barba et al.，2016）。在學(xué)習(xí)者參與MOOC學(xué)習(xí)的數(shù)量變化上，研究表明第一周課程教學(xué)之后，學(xué)習(xí)者參與的數(shù)量會急劇下降（Hill，2013），因此Suhang Jiang等研究者以學(xué)習(xí)者第一周的MOOC課程作業(yè)表現(xiàn)和社交互動數(shù)據(jù)為分析對象，并使用邏輯斯回歸作為分類器，預(yù)測學(xué)習(xí)者獲得課程證書的概率（Jiang et al.，2014）。

從國內(nèi)外已有研究可以看出，研究者已經(jīng)基于MOOC常見的學(xué)習(xí)行為數(shù)據(jù)進行學(xué)習(xí)成效分析，探索課程學(xué)習(xí)成敗的內(nèi)在和外在因素，并對學(xué)習(xí)者最終學(xué)習(xí)表現(xiàn)進行預(yù)測。然而，在數(shù)據(jù)分析和預(yù)測上還存在以下幾方面的不足：（1）學(xué)習(xí)行為數(shù)據(jù)中以次數(shù)分析為主，應(yīng)用時間分析較少，兩者之間未統(tǒng)一在一個學(xué)習(xí)分析層面上，對于各自的預(yù)測效果還尚不清晰；（2）在預(yù)測算法上以回歸分析為主，而采用機器學(xué)習(xí)模式的預(yù)測方法較少，且缺少不同預(yù)測算法效果的比較分析；（3）對有效預(yù)測學(xué)習(xí)結(jié)果的行為指標(biāo)探索較少，學(xué)習(xí)行為數(shù)據(jù)較多，需要找到反映學(xué)習(xí)結(jié)果的關(guān)鍵行為指標(biāo)為學(xué)習(xí)分析提供參照。針對上述問題，本研究以MOOC課程學(xué)習(xí)模塊為分類依據(jù)，以學(xué)習(xí)行為數(shù)據(jù)指標(biāo)為中心，探索學(xué)習(xí)時長和學(xué)習(xí)次數(shù)的預(yù)測效果、課程學(xué)習(xí)模塊的預(yù)測效果、有效學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的提取及其計算方程、學(xué)習(xí)者的群體學(xué)習(xí)行為特征等內(nèi)容，試圖為基于MOOC的學(xué)習(xí)行為分析和教學(xué)設(shè)計提供有益的啟示。

三、研究設(shè)計

1.研究問題

當(dāng)前MOOC平臺能夠記錄學(xué)習(xí)者的鼠標(biāo)點擊流數(shù)據(jù)，而在這些數(shù)據(jù)中時長和次數(shù)是兩項重要的數(shù)據(jù)類型?；趯W(xué)習(xí)過程行為數(shù)據(jù)探索能夠反映學(xué)習(xí)結(jié)果的有效數(shù)據(jù)類型，分析指標(biāo)和群體行為特征有助于開展針對性的學(xué)習(xí)干預(yù)，改善學(xué)習(xí)者參與度并降低輟學(xué)率。因此，本研究的問題包括以下三方面：（1）在學(xué)習(xí)行為數(shù)據(jù)中，學(xué)習(xí)時長和學(xué)習(xí)次數(shù)統(tǒng)計哪種方式更能較為準(zhǔn)確地預(yù)測學(xué)習(xí)結(jié)果？哪類課程學(xué)習(xí)模塊數(shù)據(jù)預(yù)測效果較好？（2）各類學(xué)習(xí)行為數(shù)據(jù)與學(xué)習(xí)結(jié)果有怎樣的相關(guān)性？哪些行為指標(biāo)能夠較好地預(yù)測學(xué)習(xí)結(jié)果？基于有效學(xué)習(xí)指標(biāo)如何得出可計算的學(xué)習(xí)結(jié)果預(yù)測計算方程？（3）在課程內(nèi)容學(xué)習(xí)上，學(xué)習(xí)者可以分為哪幾類學(xué)習(xí)群體？這些群體表現(xiàn)出怎樣的學(xué)習(xí)行為特征？

2.研究樣本與方法

研究選取edX上的一門MOOC課程“Introduction to Engineering and Engineering Mathematics”為研究對象。該課程是由University of Texas at Arlington大學(xué)工程學(xué)院Pranesh B. Aswath教授發(fā)起，由Alan Bowling、Panos Shiakolas、William E. Dillon、R. Stephen Gibbs等研究者參與講授的一門工程類基礎(chǔ)專業(yè)課程。該課程于2015年5月12號在edX平臺上線發(fā)布，并于同年8月10號結(jié)束授課，課程持續(xù)14周。該課程的設(shè)計目標(biāo)是為高中學(xué)生和大學(xué)新生提供工程領(lǐng)域的梗概，以幫助他們在工程學(xué)上決策自己的職業(yè)生涯。課程授課語言是英語，免費向世界范圍內(nèi)學(xué)習(xí)者開放。課程成績評價方式包括每周練習(xí)測驗（占總成績40%）、課后作業(yè)（占總成績40%）、綜合期末考試（占總成績20%）。練習(xí)測驗主要是選擇題，由系統(tǒng)平臺自動評閱打分，課后作業(yè)和綜合期末作業(yè)由同伴互評和教師評閱打分確定。在課程數(shù)據(jù)的使用權(quán)上，已獲得University of Texas at Arlington機構(gòu)審核委員會（Institutional Review Board，IRB）的使用批準(zhǔn)和課程負責(zé)人授權(quán)，準(zhǔn)許使用剔除學(xué)生個人信息的數(shù)據(jù)。

在數(shù)據(jù)選取上，研究基于edX平臺上記錄的鼠標(biāo)點擊流數(shù)據(jù)抽取與行為分析指標(biāo)有關(guān)的時長和次數(shù)統(tǒng)計數(shù)據(jù)。由于平臺上涵蓋微視頻、文本學(xué)習(xí)材料、互動論壇、學(xué)習(xí)評價等學(xué)習(xí)模塊和材料，因此學(xué)習(xí)者的行為活動數(shù)據(jù)也涉及上述學(xué)習(xí)活動模塊。而在學(xué)習(xí)行為數(shù)據(jù)上除時長和次數(shù)等較為常見數(shù)據(jù)外，還有倍速播放、跳幀觀看、停留軌跡等信息。這些數(shù)據(jù)是學(xué)習(xí)者為獲取所需知識和理解內(nèi)容產(chǎn)生的附屬行為，反映的是學(xué)習(xí)風(fēng)格和學(xué)習(xí)偏好行為特征，其對學(xué)習(xí)結(jié)果是否產(chǎn)生普遍影響尚不確定。此外，這些數(shù)據(jù)在量化計算上缺少統(tǒng)一標(biāo)準(zhǔn)，因此暫不納入預(yù)測分析指標(biāo)中。綜上所述，提取的學(xué)習(xí)行為指標(biāo)包括視頻學(xué)習(xí)時長（VD）、視頻學(xué)習(xí)次數(shù)（VF）、文本學(xué)習(xí)時長（TD）、文本學(xué)習(xí)次數(shù)（TF）、互動參與時長（ID）、互動參與次數(shù)（IF）、評價參與時長（ED）、評價參與次數(shù)（EF）、論壇發(fā)帖數(shù)（PC）、主題發(fā)起數(shù)（TC）、回復(fù)數(shù)（RC）、點贊數(shù)（VF）等。在數(shù)據(jù)預(yù)處理上，研究者對學(xué)習(xí)時長設(shè)定一個閾值，即超過該閾值的被認(rèn)定為離開學(xué)習(xí)任務(wù)，處于非學(xué)習(xí)狀態(tài)。設(shè)定該值的原因是考慮到學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)中的認(rèn)知行為習(xí)慣，即在某一具體知識點中通常不會較長時間一直停留不動，而學(xué)習(xí)時間較長可能是由于學(xué)習(xí)者離開學(xué)習(xí)任務(wù)進行其他網(wǎng)絡(luò)活動以及學(xué)習(xí)者關(guān)掉瀏覽器但未注銷賬號造成。在時間閾值設(shè)定和估計上，Grabe和Sigler使用多種啟發(fā)式探索進行時間估計，所有超過3分鐘的學(xué)習(xí)行為時間將被替換成2分鐘，在選擇題的操作行為時間上最高設(shè)定為90秒，每一個模塊最后活動時間被估計成60秒（Grabe et al.，2002）。Ryan Baker將超過80秒的活動時間認(rèn)定為脫離活動行為時間（Baker，2007）。Vitomir Kovanovic等通過對不同時間估計進行對比分析，認(rèn)為短時間的時間估計和閾值設(shè)定對分析結(jié)果并沒有產(chǎn)生顯著影響，反而會對長時間學(xué)習(xí)者的活動行為分析進行干擾，進而影響分析結(jié)果；通過實際對比分析發(fā)現(xiàn)將單周模塊時間估計閾值設(shè)定為1800秒可以在不影響分析結(jié)果的前提下盡可能還原學(xué)習(xí)者的行為狀態(tài)，發(fā)現(xiàn)學(xué)習(xí)者之間的行為差異（Kovanovi? et al.，2015）。因此，本研究將每周模塊學(xué)習(xí)行為時間閾值設(shè)定為1800秒，超過該時間的學(xué)習(xí)活動時間將被替換。

在有效數(shù)據(jù)的提取上，研究采用兩種方式采集數(shù)據(jù)樣本：一是選取實際參與學(xué)習(xí)模塊的學(xué)習(xí)者行為數(shù)據(jù)，剔除在各項學(xué)習(xí)活動中數(shù)據(jù)均為0的樣本，最終獲得8804條大樣本數(shù)據(jù)；二是選取各個學(xué)習(xí)模塊中均有學(xué)習(xí)者參與活動的數(shù)據(jù)樣本，獲得1631條小樣本數(shù)據(jù)。通過大小樣本數(shù)據(jù)的分析，比較不同預(yù)測算法的準(zhǔn)確率。在研究方法上，分別采用預(yù)測分類算法、屬性選擇、多元回歸分析和聚類方法對數(shù)據(jù)進行分析。其中預(yù)測分類算法用于分析學(xué)習(xí)時長和學(xué)習(xí)次數(shù)在學(xué)習(xí)結(jié)果上的預(yù)測準(zhǔn)確率；屬性選擇用于選取能夠預(yù)測學(xué)習(xí)結(jié)果的有效學(xué)習(xí)行為分析指標(biāo)；多元回歸分析用于計算有效學(xué)習(xí)行為指標(biāo)與學(xué)習(xí)結(jié)果之間的回歸系數(shù)；聚類分析用于探索學(xué)習(xí)者的群體行為特征。在研究工具上，選擇機器學(xué)習(xí)分析工具Weka，采用有監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)集進行預(yù)測分析；SPSS對數(shù)據(jù)樣本進行顯著性差異分析和多元回歸分析。

3.研究過程

整個研究過程包括以下6步：（1）采用R工具對edX平臺上記錄的原始數(shù)據(jù)進行格式化，并提取不同學(xué)習(xí)模塊中的學(xué)習(xí)時長、學(xué)習(xí)次數(shù)和論壇互動數(shù)。（2）對每周課程內(nèi)容的學(xué)習(xí)時長進行處理，超過設(shè)定閾值的樣本數(shù)據(jù)將被替換成1800秒，最后統(tǒng)計學(xué)習(xí)者的學(xué)習(xí)時長總和。（3）選擇決策樹、樸素貝葉斯網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)等三種具有代表性的預(yù)測分類算法，比較學(xué)習(xí)時長和學(xué)習(xí)次數(shù)在學(xué)習(xí)結(jié)果預(yù)測上的準(zhǔn)確率，并分析不同預(yù)測分類算法的效果；在此基礎(chǔ)上分析不同學(xué)習(xí)模塊在學(xué)習(xí)結(jié)果預(yù)測上的效果。（4）采用屬性選擇，分析不同學(xué)習(xí)行為分析指標(biāo)在學(xué)習(xí)結(jié)果預(yù)測上的權(quán)重順序以及準(zhǔn)確預(yù)測學(xué)習(xí)結(jié)果的有效指標(biāo)組合。（5）采用多元回歸分析有效學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的回歸系數(shù)，并生成學(xué)習(xí)結(jié)果預(yù)測計算方程。（6）采用聚類方法分析學(xué)習(xí)行為的群體特征，探索不同群組學(xué)生的學(xué)習(xí)表現(xiàn)和行為特征。

四、研究結(jié)果分析

1.學(xué)習(xí)時長與學(xué)習(xí)次數(shù)的預(yù)測比較

如前所述，學(xué)習(xí)時長和學(xué)習(xí)次數(shù)是MOOC學(xué)習(xí)行為活動中的兩種主要數(shù)據(jù)類型，本部分主要分析哪種數(shù)據(jù)類型更能有效預(yù)測學(xué)習(xí)結(jié)果以及不同預(yù)測分類算法的預(yù)測效果。在學(xué)習(xí)結(jié)果的評判上，由于預(yù)測分析算法是以標(biāo)稱型屬性作為預(yù)測的類別變量，因此這里以學(xué)習(xí)者是否獲得課程證書作為最終成績判定。在樣本均值的差異比較上，因時長數(shù)值遠高于次數(shù)值，故這里不作兩種類型指標(biāo)的顯著性差異分析。為了了解不同數(shù)據(jù)類型獨立和綜合預(yù)測效果，在分析學(xué)習(xí)時長和次數(shù)的預(yù)測準(zhǔn)確率時，對所有行為指標(biāo)進行分析以作為參照，預(yù)測評估策略選擇十折交叉驗證，分析結(jié)果見表1。預(yù)測準(zhǔn)確率的誤差通過均方根誤差值（Root Mean Squared Error，RMSE）來評判。該值通過樣本離散程度來反映預(yù)測的精密度，其值越小表示測量精度越高。在預(yù)測準(zhǔn)確率上，大樣本預(yù)測值要高于小樣本預(yù)測值，說明預(yù)測準(zhǔn)確率與樣本數(shù)量呈正相關(guān)，各指標(biāo)的RMSE值介于0.0740～0.1608，測量精度較高。在數(shù)據(jù)類型的預(yù)測準(zhǔn)確度上，學(xué)習(xí)次數(shù)的預(yù)測效果要好于學(xué)習(xí)時長，特別是在小樣本分析條件下，平均預(yù)測準(zhǔn)確率較高，且RMSE值較低。學(xué)習(xí)時長和學(xué)習(xí)次數(shù)的整體預(yù)測效果與學(xué)習(xí)次數(shù)較為接近。在預(yù)測分析算法的比較上，盡管小樣本分析條件下樸素貝葉斯網(wǎng)絡(luò)在學(xué)習(xí)時長的預(yù)測準(zhǔn)確率要高于決策樹，但整體而言BP神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率最高，決策樹的預(yù)測效果要好于樸素貝葉斯網(wǎng)絡(luò)。

2.課程學(xué)習(xí)模塊的預(yù)測比較分析

MOOC教學(xué)設(shè)計者為學(xué)習(xí)者提供了不同類型的學(xué)習(xí)材料和支持服務(wù)。為了了解不同學(xué)習(xí)模塊在學(xué)習(xí)結(jié)果預(yù)測上的效果，研究按學(xué)習(xí)者參與的活動模塊劃分學(xué)習(xí)行為數(shù)據(jù)。由于不同模塊中涵蓋的指標(biāo)類型數(shù)據(jù)一樣，因此在進行預(yù)測分析之前需要檢驗各模塊樣本數(shù)據(jù)之間是否存在顯著性差異。通過對大樣本的均值統(tǒng)計分析可知，各模塊均值由高到低排序為文本、視頻、評價和互動，而小樣本均值排序為文本、評價、視頻和互動。在顯著性差異比較上，采用相依樣本t檢驗對不同樣本量下的模塊變量進行分析，結(jié)果見表2。在大樣本分析情境下，各模塊變量差異的95%置信區(qū)間未包含0這個數(shù)值，應(yīng)拒絕虛無假設(shè)H1：μ1=μ2，接受對立假設(shè)H0：μ1≠μ2，且顯著性檢驗概率值p<0.05，表示模塊之間有顯著性差異存在。在小樣本分析情境下，文本模塊和評價模塊的置信區(qū)間涵蓋0，顯著性檢驗概率值p=0.110>0.05，表示兩者之間無顯著性差異存在。整體而言，除小樣本中的文本和評價模塊無顯著性差異之外，各模塊變量均有顯著性差異，適合對其進行學(xué)習(xí)結(jié)果預(yù)測分析。

在預(yù)測算法選擇上，由于BP神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)速度較慢且訓(xùn)練失敗的可能性較大，基于前面比較分析結(jié)果采用決策樹作為預(yù)測分析算法，分析結(jié)果見表3。在整體預(yù)測準(zhǔn)確率上，大樣本要高于小樣本數(shù)據(jù)，這一結(jié)果與前面分析一致。在大樣本分析條件下，盡管各學(xué)習(xí)模塊之間的預(yù)測準(zhǔn)確率相近，區(qū)分度較低，但評價模塊和文本模塊的學(xué)習(xí)行為數(shù)據(jù)預(yù)測率較高，互動模塊預(yù)測率最低。在小樣本分析條件下，各模塊的預(yù)測準(zhǔn)確率區(qū)分度較大，從數(shù)值大小對比上，預(yù)測準(zhǔn)確率順序與大樣本一致。在RMSE值上，評價和文本模塊均低于其他模塊，說明測量精度較高?？梢钥闯觯M管視頻是MOOC網(wǎng)絡(luò)學(xué)習(xí)平臺中的重要學(xué)習(xí)材料，但視頻學(xué)習(xí)并不是最能有效預(yù)測學(xué)習(xí)結(jié)果的模塊，評價模塊和文本模塊能夠較好地預(yù)測學(xué)習(xí)結(jié)果。從知識建構(gòu)視角看，視頻學(xué)習(xí)側(cè)重知識傳遞，文本學(xué)習(xí)和學(xué)習(xí)評價側(cè)重學(xué)習(xí)者的知識內(nèi)化，而學(xué)習(xí)結(jié)果測量的是學(xué)習(xí)者課程知識內(nèi)化的程度（Pr?itz，2010）。

3.學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的權(quán)重與有效組合分析

（1）學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的權(quán)重分析

盡管學(xué)習(xí)行為活動數(shù)據(jù)有多種類型，但每種行為數(shù)據(jù)在學(xué)習(xí)結(jié)果上的預(yù)測重要程度可能存在差異。我們采用屬性排名方法對所有學(xué)習(xí)行為數(shù)據(jù)進行權(quán)重分析，以驗證學(xué)習(xí)行為指標(biāo)在預(yù)測貢獻上的差異性。學(xué)習(xí)行為數(shù)據(jù)包括學(xué)習(xí)活動時長、次數(shù)以及論壇互動數(shù)在內(nèi)的12項數(shù)據(jù)，評估器和搜索方法分別是InfoGainAttributeEval和Ranker，分析結(jié)果見表4。在指標(biāo)權(quán)重排序上，大樣本和小樣本的排序結(jié)果基本一致，僅在視頻學(xué)習(xí)次數(shù)與文本學(xué)習(xí)次數(shù)、主題發(fā)起數(shù)和回復(fù)數(shù)兩方面有所交換，評價參與次數(shù)、文本學(xué)習(xí)次數(shù)和評價參與時長是兩種樣本數(shù)據(jù)下認(rèn)定的共同重要指標(biāo)。從兩種樣本數(shù)據(jù)的權(quán)重比例上看，參與評價、文本學(xué)習(xí)和視頻學(xué)習(xí)所占的權(quán)重比例較高，說明學(xué)習(xí)者側(cè)重知識內(nèi)容學(xué)習(xí)和課程評價，參與互動交流較少。

（2）學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的有效組合分析

前面分析的學(xué)習(xí)行為指標(biāo)權(quán)重結(jié)果說明了各指標(biāo)在學(xué)習(xí)結(jié)果預(yù)測上的貢獻度存在差異。在屬性組合分析上，有過濾器和包裝方法兩種方式。前者用低計算開銷的啟發(fā)式方法衡量屬性子集的質(zhì)量；后者通過構(gòu)建和評估實際的分類模型來衡量屬性子集的質(zhì)量，計算開銷大但分析性能較好。這里將應(yīng)用這兩種分析方式對指標(biāo)進行評估。為了進一步驗證篩選后的指標(biāo)是否提高預(yù)測準(zhǔn)確率，在進行屬性組合分析之后采用決策樹預(yù)測分類算法對不同屬性子集進行預(yù)測分析。在樣本數(shù)和屬性子集比較上，同樣采用大小樣本和全集進行對比參照分析，各項結(jié)果見表5。

在大樣本分析條件下，采用CfsSubsetEval評估器和GreedyStepwise搜索方法，得到評價參與次數(shù)（EF）和發(fā)帖數(shù)（PC）兩個有效行為分析指標(biāo)組合。采用WrapperSubsetEval評估器和Bestfirst搜索方法得到視頻學(xué)習(xí)次數(shù)（VF）、文本學(xué)習(xí)次數(shù)（TF）、評價參與時長（ED）、評價參與次數(shù)（EF）、主題發(fā)起數(shù)（TC）等有效指標(biāo)組合。在小樣本分析條件下，分別采用上述兩種方式得到評價參與次數(shù)（EF）和主題發(fā)起數(shù)（TC）組合以及文本學(xué)習(xí)次數(shù)（TF）、評價參與時長（ED）、評價參與次數(shù)（EF）與回復(fù)數(shù)（RC）組合。在評估器類型的比較分析結(jié)果上，盡管兩種評估器所得到的子集組合存在個別差異，但分類組合結(jié)果數(shù)量和內(nèi)容比較接近。CfsSubsetEval評估器側(cè)重選擇與目標(biāo)屬性相關(guān)性較強的屬性子集，同時篩選的子集之間無強相關(guān)性，而WrapperSubsetEval評估器綜合與目標(biāo)屬性的相關(guān)性和篩選子集之間的關(guān)聯(lián)性進行分析，故篩選指標(biāo)數(shù)量多于前者。在評估器的預(yù)測準(zhǔn)確率上，包裝方法（WrapperSubsetEval評估器）在大小樣本條件下的預(yù)測效果均優(yōu)于過濾方法（CfsSubsetEval評估器），且篩選后的有效行為分析指標(biāo)預(yù)測準(zhǔn)確率要高于所有行為分析指標(biāo)組合。因此，這里將WrapperSubsetEval評估器在大樣本分析條件下所得出的屬性子集作為預(yù)測學(xué)習(xí)結(jié)果的主要參照行為指標(biāo)組合，即包括視頻學(xué)習(xí)次數(shù)、文本學(xué)習(xí)次數(shù)、評價參與時長、評價參與次數(shù)和論壇主題發(fā)起數(shù)。

4.有效學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的回歸方程模型分析

前面采用不同的樣本類型和分類器選取有效的學(xué)習(xí)結(jié)果預(yù)測指標(biāo)，盡管篩選的屬性子集有所區(qū)別，但從內(nèi)容上能夠得出關(guān)鍵行為指標(biāo)。為了進一步了解各有效組合指標(biāo)與學(xué)習(xí)結(jié)果之間的回歸系數(shù)，以便于將學(xué)習(xí)結(jié)果的預(yù)測理論分析轉(zhuǎn)變成具有可操作性和可計算性的應(yīng)用實踐，這里將基于有效指標(biāo)組合與學(xué)習(xí)結(jié)果數(shù)據(jù)進行多元回歸分析。為使分析結(jié)果具有可遷移性和應(yīng)用性，這里選取前面分析得出的有效組合指標(biāo)作為分析依據(jù)，并使用學(xué)習(xí)成績作為學(xué)習(xí)結(jié)果評判依據(jù)。在回歸分析方法上，采用強迫進入變量法的解釋型回歸分析進行探索，分析結(jié)果見表6。由多元回歸系數(shù)可知，5個預(yù)測變量共同解釋學(xué)習(xí)結(jié)果變量65.4%的變異量。在顯著性分析上，由于預(yù)測變量是基于前面屬性選擇得出的有效行為指標(biāo)，因此各變量均達到顯著性。在共線性統(tǒng)計量上，允差值愈接近于0，說明變量間有線性重合問題，而方差膨脹系數(shù)大于10時，則說明變量間有線性重合問題（吳明隆，2010）。上述5個變量的允差值介于0.1～0.5，方差膨脹系數(shù)均在5以下，未大于評價指標(biāo)值10，說明進入回歸方程式的自變量間未存在明顯的多元共線性問題。在標(biāo)準(zhǔn)化回歸系數(shù)上，各值均為正數(shù)，說明其對學(xué)習(xí)結(jié)果的影響均為正向。從數(shù)值大小上看，β系數(shù)值越大，表示其對因變量有較高解釋力，其排列順序與前面指標(biāo)權(quán)重分析結(jié)果大致相同。基于β系數(shù)值我們可以得出標(biāo)準(zhǔn)化回歸方程模型：學(xué)習(xí)結(jié)果=0.241×評價參與次數(shù)+0.146×評價參與時長+0.119×文本學(xué)習(xí)次數(shù)+0.043×視頻學(xué)習(xí)次數(shù)+0.036×主題發(fā)起數(shù)。依據(jù)該方程模型可以為實現(xiàn)MOOC平臺自動化預(yù)測學(xué)生的學(xué)習(xí)結(jié)果提供設(shè)計依據(jù)。

5.基于學(xué)習(xí)行為指標(biāo)的學(xué)習(xí)群體特征分析

盡管參與MOOC學(xué)習(xí)的學(xué)生群體較多，但基于學(xué)習(xí)內(nèi)容習(xí)慣和偏好可以將其進行分類，為不同學(xué)習(xí)群體提供差異化的互動學(xué)習(xí)材料和實時反饋。這有助于提高學(xué)習(xí)者參與度（Freitas et al.，2015）。本部分將采用聚類方法對學(xué)習(xí)行為數(shù)據(jù)進行族群探索和分析。在樣本數(shù)上，采用大樣本分析以產(chǎn)生顯著差異的群體類別。在行為指標(biāo)選擇上，為了全面了解學(xué)習(xí)行為偏好，將所有行為指標(biāo)作為分析對象，學(xué)習(xí)成績采用數(shù)值型屬性進行分析。在聚類算法上，采用常用的K均值算法進行分析，該算法接受輸入值K，之后將數(shù)據(jù)劃分成指定個數(shù)的簇。形成簇的條件是同一簇中對象相似度較高，不同簇中對象相似度較低。為了找到合適的分類群體數(shù)量，這里通過設(shè)定不同簇個數(shù)探索分類數(shù)及其百分比，分析結(jié)果見表7?？梢钥闯觯?dāng)簇個數(shù)為4時，迭代次數(shù)第一次達到最大值，同時平方誤差值較低且比較穩(wěn)定。當(dāng)簇個數(shù)大于4時，得到的分類數(shù)及其百分比之間存在相近的類別數(shù)，在解釋度上比較低。因此，選擇簇個數(shù)為4的聚類分析結(jié)果作為學(xué)習(xí)群體劃分的標(biāo)準(zhǔn)。

對學(xué)習(xí)行為指標(biāo)進行聚類分析，結(jié)果見表8，各指標(biāo)中的數(shù)值為平均值，其高低反映學(xué)習(xí)者的投入度。由于互動論壇中的發(fā)帖數(shù)、主題發(fā)起數(shù)、回復(fù)數(shù)、點贊數(shù)等數(shù)值遠低于時長和次數(shù)統(tǒng)計，因此在判斷互動論壇的投入度時采用相對評價方式，將時長、次數(shù)統(tǒng)計與互動論壇數(shù)統(tǒng)計分開比較，同時查看互動論壇數(shù)的相對值以了解學(xué)習(xí)群體參與度。由分析結(jié)果可知，聚類2和聚類4在學(xué)習(xí)模塊表現(xiàn)上較為相近，可將其合并為一種類型；聚類1和聚類3的互動參與時長和回復(fù)數(shù)相對其他兩類群體較高，因此可將其作為一個參照行為特征。基于上述分析，我們可以將學(xué)習(xí)群體分為以下三種類型：（1）以視頻學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體；（2）以視頻學(xué)習(xí)和文本學(xué)習(xí)為主、以評價參與為輔的學(xué)習(xí)群體；（3）以文本學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體?？梢钥闯?，不同的學(xué)習(xí)群體側(cè)重不同的學(xué)習(xí)模塊，視頻學(xué)習(xí)和學(xué)習(xí)評價是學(xué)習(xí)者主要參與的模塊，盡管有兩類群體參與互動交流，但僅將其作為輔助學(xué)習(xí)模塊，這些學(xué)習(xí)偏好在一定程度上反映了學(xué)習(xí)者不同的學(xué)習(xí)風(fēng)格。從學(xué)習(xí)群體的成績表現(xiàn)來看，優(yōu)秀學(xué)習(xí)群體能夠積極參與視頻學(xué)習(xí)、文本學(xué)習(xí)、互動交流和學(xué)習(xí)評價，且積極參與互動交流的學(xué)習(xí)群體成績要高于參與互動交流較低的學(xué)習(xí)群體，這在一定程度上說明互動交流能夠支持學(xué)習(xí)者的知識建構(gòu)與內(nèi)化（Yap et al.，2010）。

五、研究結(jié)論

本研究以edX上的一門MOOC課程學(xué)習(xí)行為數(shù)據(jù)為分析對象，對不同數(shù)據(jù)類型、學(xué)習(xí)活動模塊、有效學(xué)習(xí)行為指標(biāo)、學(xué)習(xí)群體特征等進行了探索分析，得出以下6方面的主要結(jié)論：（1）在學(xué)習(xí)結(jié)果預(yù)測的數(shù)據(jù)類型上，學(xué)習(xí)次數(shù)的預(yù)測效果要好于學(xué)習(xí)時長，并與學(xué)習(xí)時長和學(xué)習(xí)次數(shù)結(jié)合后的預(yù)測效果接近，因此，可通過觀察學(xué)習(xí)次數(shù)或綜合學(xué)習(xí)時長與次數(shù)來評測學(xué)習(xí)結(jié)果。（2）在預(yù)測算法的比較上，BP神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率要優(yōu)于決策樹和樸素貝葉斯網(wǎng)絡(luò)，但由于各算法在處理能力、噪聲容錯能力、計算量等方面存在差異，因此需依據(jù)不同的應(yīng)用情境和樣本量選擇合適的算法分析。在數(shù)據(jù)樣本量的比較上，預(yù)測準(zhǔn)確率與樣本數(shù)量呈正相關(guān)。（3）在課程學(xué)習(xí)模塊的預(yù)測比較上，評價模塊和文本模塊的學(xué)習(xí)行為數(shù)據(jù)預(yù)測率較高，互動模塊預(yù)測率最低。（4）在學(xué)習(xí)結(jié)果有效指標(biāo)的組合分析上，綜合不同評估器和搜索方法的分析結(jié)果，視頻學(xué)習(xí)次數(shù)、文本學(xué)習(xí)次數(shù)、評價參與時長、評價參與次數(shù)、論壇主題發(fā)起數(shù)是預(yù)測學(xué)習(xí)結(jié)果的主要參照行為指標(biāo)組合。（5）基于WrapperSubsetEval分類器得出的有效組合指標(biāo)和多元回歸分析，得出標(biāo)準(zhǔn)化的學(xué)習(xí)結(jié)果預(yù)測回歸方程模型為：學(xué)習(xí)結(jié)果=0.241×評價參與次數(shù)+0.146×評價參與時長+0.119×文本學(xué)習(xí)次數(shù)+0.043×視頻學(xué)習(xí)次數(shù)+0.036×主題發(fā)起數(shù)。（6）基于K均值算法得出三種類型的學(xué)習(xí)活動群體：以視頻學(xué)習(xí)和學(xué)習(xí)評價為主，以互動交流為輔的學(xué)習(xí)群體；以視頻學(xué)習(xí)和文本學(xué)習(xí)為主、以評價參與為輔學(xué)習(xí)群體；以文本學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體。

六、研究局限與展望

本研究雖然基于MOOC學(xué)習(xí)行為基礎(chǔ)數(shù)據(jù)進行了學(xué)習(xí)結(jié)果預(yù)測的比較分析，探索了有效學(xué)習(xí)數(shù)據(jù)類型、學(xué)習(xí)行為指標(biāo)組合、學(xué)習(xí)結(jié)果預(yù)測計算方程和群體學(xué)習(xí)特征，但還存在以下兩方面的不足：

（1）當(dāng)前只應(yīng)用一門edX上的MOOC課程數(shù)據(jù)進行分析，研究結(jié)論的信度有待進一步驗證。今后將選取不同MOOC學(xué)習(xí)平臺以及多學(xué)科課程數(shù)據(jù)作為分析對象進行橫向比較和驗證分析，探索不同課程學(xué)習(xí)數(shù)據(jù)在結(jié)果分析上是否有顯著差異，以提高研究結(jié)論的可靠性。

（2）本研究選取的學(xué)習(xí)行為數(shù)據(jù)指標(biāo)還比較有限，而影響學(xué)習(xí)結(jié)果預(yù)測的因素比較復(fù)雜。今后將探索其他學(xué)習(xí)行為數(shù)據(jù)對學(xué)習(xí)結(jié)果預(yù)測的影響，如學(xué)生個人的人口學(xué)信息數(shù)據(jù)、學(xué)習(xí)情感數(shù)據(jù)等。通過綜合多種不同類型的學(xué)習(xí)活動行為數(shù)據(jù)進行學(xué)習(xí)結(jié)果預(yù)測分析，以找到反映學(xué)習(xí)結(jié)果的關(guān)鍵行為數(shù)據(jù)和學(xué)習(xí)行為特質(zhì)。

參考文獻：

[1]郝巧龍，魏振鋼，林喜軍（2016）.MOOC學(xué)習(xí)行為分析及成績預(yù)測方法研究[J].電子技術(shù)與軟件工程，（7）：167-168.

[2]賈積有，繆靜敏，汪瓊（2014）.MOOC學(xué)習(xí)行為及效果的大數(shù)據(jù)分析——以北大6門MOOC為例[J].工業(yè)和信息化教育，（9）：23-29.

[3]李曼麗，徐舜平，孫夢嫽（2015）.MOOC學(xué)習(xí)者課程學(xué)習(xí)行為分析——以“電路原理”課程為例[J].開放教育研究， （2）：63-69.

[4]吳明隆（2010）.問卷統(tǒng)計分析實務(wù)——SPSS操作與應(yīng)用[M].重慶：重慶大學(xué)出版社：390-391.

[5]Baker， R. S. J.（2007）. Modeling and Understanding Students' Off-Task Behavior in Intelligent Tutoring Systems[A]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems[C]. New York： Association for Computing Machinery： 1059-1068.

[6]Barba， P. G， Kennedy， G. E.， & Ainley， M. D.（2016）. The Role of Students' Motivation and Participation in Predicting Performance in a MOOC Motivation and Participation in MOOCs[J]. Journal of Computer Assisted Learning， 32（3）：218-231.

[7]Freitas， S. I.， Morgan， J.， & Gibson， D.（2015）. Will MOOCs Transform Learning and Teaching in Higher Education？ Engagement and Course Retention in Online Learning Provision[J]. British Journal of Educational Technology， 46（3）： 455-471.

[8]Grabe， M.， & Sigler， E.（2002）. Studying Online： Evaluation of an Online Study Environment[J]. Computers & Education， 38（4）： 375-383.

[9]Hew， K. F.， & Cheung， W. S.（2014）. Students' and Instructors' Use of Massive Open Online Courses （MOOCs）： Motivations and Challenges[J]. Educational Research Review， 12（6）： 45-58.

[10]Hill， P.（2013）. Emerging Student Patterns in MOOCs： A Graphical View[DB/OL]. [2013-03-10]. http：//mfeldstein.com/erging-student-patterns-in-moocs-a-revised-graphical-view/.

[11]Jiang， S.， Warschauer， M.， & Williams， A. et al.（2014）. Predicting MOOC Performance with Week 1 Behavior [A]. Proceedings of the 7th International Conference on Educational Data Mining[C]. Worcester： Worcester Polytechnic Institute：273-275.

[12]Kovanovi?， V.， Ga?evi?， D.， & Dawson， S. et al.（2015）. Does Time-on-Task Estimation Matter？ Implications on Validity of Learning Analytics Findings[J]. Journal of Learning Analytics， 2（3）： 81-110.

[13]Li?án， L. C.， & Pérez， ?. A. J.（2015）. Educational Data Mining and Learning Analytics： Differences， Similarities， and Time Evolution[J]. International Journal of Educational Technology in Higher Education， 12（3）： 98-112.

[14]Merceron， A.， Blikstein， P.， & Siemens， G.（2016）. Learning Analytics： From Big Data to Meaningful Data[J]. Journal of Learning Analytics， 2（3）： 4-8.

[15]Pr?itz， T. S.（2010）. Learning Outcomes： What Are They？ Who Defines Them？ When and Where Are They Defined？[J]. Educational Assessment， Evaluation and Accountability， 22（2）： 119-137.

[16]Pursel， B. K.， Zhang， L.， & Jablokow， K. W. et al.（2016）. Understanding MOOC Students： Motivations and Behaviours Indicative of MOOC Completion[J]. Journal of Computer Assisted Learning， 32（3）： 202-217.

[17]Rai， L.， & Chunrao， D.（2016）. Influencing Factors of Success and Failure in MOOC and General Analysis of Learner Behavior[J]. International Journal of Information and Education Technology， 6（4）： 262-268.

[18]U.S. Department of Education（2015）. Ed Tech Developer's Guide[R].Washington， D.C.：64-65.

[19]Yap， K. C.， & Chia， K. P.（2010）. Knowledge Construction and Misconstruction： A Case Study Approach in Asynchronous Discussion Using Knowledge Construction Message Map （KCMM） and Knowledge Construction Message Graph （KCMG）[J]. Computers & Education， 55（4）： 1589-1613.

收稿日期 2017-01-03 責(zé)任編輯 汪燕