劉 喆，趙偉宇，陳曉行，汪 玲，吳 濤，董愛軍，鄭 虎，鐘洪聲，崔紅玲，宋亞梅

(電子科技大學(xué) 電子科學(xué)與工程學(xué)院,四川 成都 611731)

大規(guī)模在線開放課堂(massive online open class,MOOC),又稱為慕課,是利用高校的課程資源以及開放的網(wǎng)絡(luò)媒體進(jìn)行知識傳播的一種新興方式[1]。該方式自2011年在斯坦福大學(xué)開展以來[2],MOOC一直處于井噴式發(fā)展的階段,正在迅速改變著傳統(tǒng)的教學(xué)與學(xué)習(xí)方式。目前MOOC的主流平臺有edX、Coursera、Udacity以及中國大學(xué)MOOC等,各主流平臺上開設(shè)的MOOC課程數(shù)目至今已經(jīng)達(dá)到數(shù)千門之多,MOOC參與者累計達(dá)到百萬之多。

MOOC得以快速發(fā)展的重要原因在于其可以打破傳統(tǒng)課堂的時空界限,為學(xué)習(xí)者提供一個開放、無界的學(xué)習(xí)課堂。與此同時,MOOC還具備另一重大優(yōu)勢,即其具備對學(xué)習(xí)參與者學(xué)習(xí)行為數(shù)據(jù)的記錄功能,可以為教師和課程設(shè)計者提供大量的后臺數(shù)據(jù)。這些數(shù)據(jù)中隱含著大量有價值的信息,有效利用MOOC數(shù)據(jù)、充分挖掘出有用信息,可以為提升MOOC學(xué)習(xí)效果、優(yōu)化課程結(jié)構(gòu)并提高教學(xué)質(zhì)量提供重要的依據(jù),因此MOOC數(shù)據(jù)挖掘與分析已成為當(dāng)前MOOC研究領(lǐng)域最為關(guān)注的課題和研究熱點[3-5]。

目前,MOOC數(shù)據(jù)挖掘工作都是利用MOOC平臺提供的后臺數(shù)據(jù)展開。文獻(xiàn)[6]針對edX提供的2012～2013年兩年的開放數(shù)據(jù),分析了課程參與者類型以及影響MOOC成績的因素；文獻(xiàn)[7]則針對Coursera平臺上的六門課程數(shù)據(jù),對參與者分類,并通過記錄的學(xué)習(xí)者觀看視頻次數(shù)、參與測試次數(shù)等數(shù)據(jù),分析學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系；文獻(xiàn)[8]針對東北大學(xué)高級語言課程數(shù)據(jù)課的MOOC課程中100個學(xué)生的學(xué)習(xí)行為記錄,分析學(xué)習(xí)行為之間以及學(xué)習(xí)行為與成績之間的關(guān)系；文獻(xiàn)[9]基于清華大學(xué) “學(xué)堂在線”電路分析課程的數(shù)據(jù)進(jìn)行,使用logit和tobit模型,分析了課程參與度與完成度之間的關(guān)系；此外,文獻(xiàn)[10]還針對Couresea三門課程的論壇討論內(nèi)容進(jìn)行了情感分析。由此可見,目前的MOOC數(shù)據(jù)分析研究,集中于分析MOOC參與者類型、MOOC成績的影響因素、情感分析以及學(xué)習(xí)行為等較為全局的概括分析,但針對構(gòu)成一門MOOC課程各個知識點的學(xué)習(xí)效果數(shù)據(jù)統(tǒng)計、關(guān)聯(lián)分析和預(yù)測等研究則較少。而針對各個知識點數(shù)據(jù)的詳細(xì)分析更有助于教學(xué)者發(fā)現(xiàn)課程參與者學(xué)習(xí)規(guī)律和趨勢,因此相關(guān)研究對進(jìn)一步優(yōu)化MOOC課程、提升學(xué)習(xí)效果具有重要的指導(dǎo)意義。

電子科技大學(xué)電路分析基礎(chǔ)MOOC(以下簡稱電路MOOC)第一期課程于2016年2月至7月在 “中國大學(xué)MOOC平臺”上線,該門課程的MOOC后臺詳細(xì)記錄了課程參與者在各個知識點的測試參與人數(shù)、測試成績,以及在線討論參與情況等數(shù)據(jù)。由于測試成績是衡量MOOC學(xué)習(xí)效果的重要標(biāo)準(zhǔn),因此本文圍繞各知識點測試成績,從以下四個方面進(jìn)行了詳細(xì)的挖掘與分析:1)統(tǒng)計分析了電路MOOC參與者參加測試的次數(shù)與通過測試人數(shù)之間的關(guān)系；2)根據(jù)參加測試、討論的頻繁程度,把電路MOOC的參與者進(jìn)行類型劃分,并統(tǒng)計分析了各類型參與者的學(xué)習(xí)效果；3)對電路MOOC各知識點測驗成績進(jìn)行關(guān)聯(lián)性分析；4)利用各個知識點測試成績,對綜合測試成績的趨勢進(jìn)行預(yù)測。

2 電路MOOC數(shù)據(jù)挖掘與分析

2.1 電路MOOC數(shù)據(jù)統(tǒng)計分析

電路MOOC第一期課程先后共有19 393人注冊了課程的學(xué)習(xí),其中退選539人,實際注冊18 854人。

電路MOOC課程主要由課程視頻、測試以及討論區(qū)三部分組成。課程內(nèi)容由直流電阻電路、動態(tài)電路暫態(tài)分析和正弦穩(wěn)態(tài)電路分析三個基本單元構(gòu)成,共涵蓋16個知識點。為了便于教學(xué)者掌握學(xué)習(xí)效果,針對每個知識點和基本單元都設(shè)計了測驗,并在課程結(jié)束前進(jìn)行了綜合測試。本次電路MOOC共2 316人獲得證書,占注冊人數(shù)的12.3%。如表1所示,列出了該課程的基本信息統(tǒng)計結(jié)果。

表1 電路MOOC課程信息統(tǒng)計

為了便于后續(xù)的數(shù)據(jù)挖掘分析,針對各個知識點測試、單元測試及綜合測試用數(shù)字1～20進(jìn)行編號,對應(yīng)關(guān)系如表2所示。

如圖1所示,給出了各次測驗參加人數(shù)的統(tǒng)計圖,橫坐標(biāo)為各次測試的編號。由圖可知,每次測驗參加的人數(shù)波動不大,平均人數(shù)為2 140人,每次測驗參與者平均人數(shù)占注冊者總?cè)藬?shù)的比例約11%。未參加任何測試的人數(shù)為15 827人,而參加一次以上測驗的人數(shù)為3 027人,占注冊總?cè)藬?shù)的比例約16%。

表2 電路MOOC測驗內(nèi)容及編號對應(yīng)表

表2 (續(xù)表)

如圖2所示,為MOOC測試次數(shù)對應(yīng)的參加人數(shù)與取得證書的人數(shù)的對比圖,其中橫坐標(biāo)為總的參加測試的次數(shù),藍(lán)色和綠色柱狀條分別表示1～20的測驗次數(shù)所對應(yīng)的參加測試人數(shù)以及其中取得證書的人數(shù)。需要說明的是,電路MOOC注冊者是否可以得到MOOC證書,是由各次測試成績加權(quán)平均得到的MOOC最終成績決定,MOOC最終成績大于60分者才可以獲得MOOC證書,即完成課程,因此參加測驗次數(shù)為0的學(xué)習(xí)者是無法獲得證書的,其人數(shù)未在圖2中給出。由圖可以發(fā)現(xiàn),當(dāng)學(xué)習(xí)者參加測試次數(shù)較少時,如小于8次,則其中只有很小比例能夠取得證書；而參加測試次數(shù)越多,如10次以上的參與者,最終獲取證書的可能性越大。因此,從以上統(tǒng)計結(jié)果可知,參加測試次數(shù)越多的學(xué)習(xí)者,越可能獲得MOOC證書,反之亦然。

圖1 各次測驗參加者人數(shù)統(tǒng)計

圖2 參加者完成測驗次數(shù)與完成課程人數(shù)統(tǒng)計

2.2 參與者類型與學(xué)習(xí)效果分析

由于MOOC學(xué)習(xí)人數(shù)和最終獲得證書的人數(shù)普遍遠(yuǎn)低于課程的注冊人數(shù),從表1中的 “注冊人數(shù)”和 “獲得證書人數(shù)”就可以看出,最終獲得證書的人數(shù)或有成績的人數(shù)最多只占注冊者的12.3%,因此非常有必要對MOOC課程參與者的參與行為與獲得證書的關(guān)系進(jìn)行分析?？紤]到測試與討論是MOOC兩個最為重要的參與行為,為此,以參加測試與討論的次數(shù)作為衡量參與者積極程度的指標(biāo),按照表3中的標(biāo)準(zhǔn)將學(xué)習(xí)者參與類型分為以下5種類型。

1)NO-SHOWS:只注冊,不參與測試和討論。

2)OBERSERS:偶爾參與測試、討論。

3)DROP IN:偶爾參與測試、經(jīng)常參與討論。

4)INACTIVE:經(jīng)常參與測試、不常討論。

5)ACTIVE:經(jīng)常參與測試和討論。

表3 MOOC參與者類型劃分標(biāo)準(zhǔn)

在這次電路MOOC課程中,參與討論的人數(shù)為1 006人,其中參加討論10次以上者有640人,討論次數(shù)在10次以下且大于0次的有366人。參與測驗的人數(shù)為3 016人,其中參與測驗在10次及以上的有2 285人。根據(jù)這些統(tǒng)計數(shù)據(jù),以及表3的MOOC學(xué)習(xí)類型分析標(biāo)準(zhǔn),可以得到5種MOOC參與者類型人數(shù)及各類型參與者獲得證書的比例,統(tǒng)計結(jié)果如表4所示。

由表4可以發(fā)現(xiàn),電路MOOC參與者中,注冊后不參加任何學(xué)習(xí)活動的NO-SHOWS人數(shù)最多,占注冊人數(shù)的83.4%；此外,所占比例多的是INACTIVE類型的參與者,這種類型的參與者會經(jīng)常參加測驗,卻很少在討論區(qū)發(fā)言討論。因此電路MOOC存在 “注冊人數(shù)多、積極參與人數(shù)少以及不積極討論”的現(xiàn)象,這也是MOOC課程的普遍共有問題[6-10]。

此外,表4還表明,各類型參與者中,獲得證書比例最高的,是ACTIVE類型的學(xué)習(xí)者,占該類型學(xué)習(xí)者的96.3%；獲得證書比例次高的,是INACTIVE類型的學(xué)習(xí)者,占該類型學(xué)習(xí)者的89.1%,這兩類學(xué)習(xí)者的差異在于是否積極參與討論。對比可知,能夠積極參與討論的學(xué)習(xí)者,更易獲得證書。這也說明,積極參與討論的ACTIVE學(xué)習(xí)者比INACTIVE在MOOC學(xué)習(xí)中投入更多,課程學(xué)習(xí)效果也越好。因此如何優(yōu)化課程設(shè)計,讓更多的學(xué)習(xí)者積極參與到討論與測試中是MOOC課程提供者的重要任務(wù)之一。

2.3 MOOC數(shù)據(jù)關(guān)聯(lián)性分析

為了分析電路MOOC各知識點之間的關(guān)聯(lián)性,本節(jié)利用本次課程后臺獲得的前19次測試成績數(shù)據(jù)進(jìn)行關(guān)聯(lián)性分析。

關(guān)聯(lián)性分析處理的流程圖如圖3所示。處理步驟共分為數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、構(gòu)建頻繁項集以及建立關(guān)聯(lián)規(guī)則4個步驟。首先,通過中國大學(xué)MOOC網(wǎng)站電路MOOC教師后臺得到各次測試成績數(shù)據(jù)。而后進(jìn)行數(shù)據(jù)預(yù)處理,該步驟主要包括:

1)對于未參加測試的學(xué)習(xí)者記錄進(jìn)行清除；

2)對測試成績進(jìn)行等級劃分,將測試成績分為三個等級,大于80分為優(yōu)秀,成績位于60～80分之間為及格,小于60分為不及格,將這三個等級分別用A、B、C標(biāo)記。

在構(gòu)建頻繁項集步驟中,主要使用Python語言編寫的Aprori算法代碼,從各次測試成績數(shù)據(jù)中利用Apropri算法找出頻繁項集,并計算出支持度(Support)、置信度(Confidence)。而后通過頻繁項集,根據(jù)最小支持度閾值、最小置信度閾值,獲取關(guān)聯(lián)規(guī)則(Association Rule)。

圖3 關(guān)聯(lián)分析流程圖

如表5所示,給出了滿足最小支持度閾值65%、最小置信度閾值75%的強關(guān)聯(lián)規(guī)則。表5關(guān)聯(lián)規(guī)則中的數(shù)字是各次測驗的編號,A代表測驗成績等級為優(yōu)秀。以表5中第一條規(guī)則為例,其支持度為83.8%,表示有83.8%的學(xué)習(xí)者是同時在編號19和編號17的測驗中獲得優(yōu)秀成績。同時,置信度為96.9%意味著在編號19的測驗中獲得優(yōu)秀的參與者里面,有96.9%的參與者也在編號17的測驗中獲得優(yōu)秀。

圖4給出了測試成績關(guān)聯(lián)分析結(jié)果示意圖,圖中用虛線表示支持度小于70%的關(guān)聯(lián)規(guī)則,用較粗的實線條表示較強的關(guān)聯(lián)規(guī)則。從圖中可以明顯地看出,編號17～19的三次單元測試之間存在著很強的關(guān)聯(lián)規(guī)則,學(xué)習(xí)者在任何一個單元中獲得優(yōu)秀,都很有可能在其他兩個單元中獲得優(yōu)秀。此外,編號為1的 “基爾霍夫定律及參考方向”優(yōu)秀也與這三個單元優(yōu)秀之間有較強的關(guān)聯(lián)規(guī)則,即 “基爾霍夫定律和參考方向”這一知識點掌握得好,則在這三次單元測驗中就有更大可能性獲得優(yōu)秀。由于 “基爾霍夫定律和參考方向”知識點是電路MOOC課程的基礎(chǔ)出發(fā)點,因此這些關(guān)聯(lián)規(guī)則也具有很強的合理性。

表4 MOOC學(xué)習(xí)類型及人數(shù)統(tǒng)計

表5 測試成績之間的關(guān)聯(lián)規(guī)則

表5 (續(xù)表)

圖4 各次測試成績關(guān)聯(lián)規(guī)則示意圖

2.4 預(yù)測擬合

在電路MOOC的20次測試中,課程結(jié)束之前的綜合測試在MOOC成績的占比最重,因此綜合測試的成績對最終MOOC學(xué)習(xí)效果評價的影響最大。而在綜合考試之前,所有知識點都已完成,會預(yù)留一段時間給學(xué)習(xí)者進(jìn)行綜合復(fù)習(xí)。為了給教學(xué)者和參與者提供預(yù)警提示,以便調(diào)整復(fù)習(xí)安排,本節(jié)將從課程的各個知識點和基本單元的測試成績數(shù)據(jù)中預(yù)測綜合測試成績的趨勢,利用課程后臺獲得的前19次測驗成績對第20次MOOC綜合測試成績進(jìn)行預(yù)測擬合。

預(yù)測擬合的處理流程圖如圖5所示。處理步驟包含數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征選擇、擬合回歸、交叉驗證5個步驟。其中前兩個步驟與關(guān)聯(lián)分析中的對應(yīng)步驟相同。

特征選擇使用了遞歸特征消除(regression feature elimination,RFE)方法[11]進(jìn)行特征降維。擬合回歸使用了線性模型,并采用了三種擬合方法進(jìn)行擬合,分別是線性判別分析 (linear discrimination analysis,LDA)、羅杰斯特回歸(Logistic regression,LR),以及支持向量機(support vector machine,SVM),這些擬合算法都是使用Python語言實現(xiàn)的。交叉驗證使用了K-FOLD交叉驗證實現(xiàn),得到擬合誤差結(jié)果。

圖5 預(yù)測擬合流程圖

預(yù)處理后的數(shù)據(jù)以19次測驗成績?yōu)樘卣?利用RFE進(jìn)行特征選擇,以系數(shù)0.25為閾值,可以從19個特征中選擇得到13個特征,被去除的特征有編號為3、8、9、5、11、12的測驗成績。利用特征選擇后的13個特征進(jìn)行數(shù)據(jù)擬合,并采用K-FOLD方法進(jìn)行交叉驗證,選擇K＝5。如表6所示,列出了各個模型的性能參數(shù),共使用4個指標(biāo)衡量性能:準(zhǔn)確率(Accuracy)、精確度(Precision)、召回率(Recall)和F得分(F-score)。由表6可知,三種線性回歸方法都可以獲得較好的預(yù)測效果,因此線性回歸模型可以用來在MOOC綜合測試之前預(yù)測成績,為學(xué)習(xí)者和教學(xué)者提供有益的預(yù)警和指導(dǎo)。

表6 預(yù)測回歸誤差表

2.5 電路MOOC課程改進(jìn)思路

根據(jù)以上電路MOOC數(shù)據(jù)挖掘結(jié)果可以發(fā)現(xiàn),參與程度最高的學(xué)習(xí)者,即參加測試、討論次數(shù)最多的ACTIVE類型學(xué)習(xí)者,最有可能獲得好的學(xué)習(xí)效果；課程知識點之間、單元測試之間,存在關(guān)聯(lián)性,如 “基爾霍夫定理和參考方向”知識點的掌握程度與課程各單元測試成績之間存在著很強的關(guān)聯(lián)性；利用各知識點作業(yè)成績和單元測試成績,可以對期末成績進(jìn)行較為準(zhǔn)確的預(yù)測。

以上數(shù)據(jù)挖掘結(jié)果為進(jìn)一步的MOOC教學(xué)改革提供了重要依據(jù)與參考。因此,為提升電路MOOC教學(xué)效果,可從以下3點對今后的課程教學(xué)進(jìn)行改進(jìn)提升。

1)采用多種手段提升學(xué)習(xí)者的MOOC學(xué)習(xí)積極性和參與度。如在MOOC課程內(nèi)容中加入可提升積極性的設(shè)計元素,采用更貼近學(xué)生的形式進(jìn)行教學(xué)。

2)充分利用課程各知識點的關(guān)聯(lián)性,更合理設(shè)計課程知識點、優(yōu)化課程內(nèi)容安排,同時充實并優(yōu)化課程測試題庫,以獲得更好的學(xué)習(xí)效果。

3)進(jìn)一步建立并完善MOOC成績的預(yù)測與反饋機制,在學(xué)習(xí)過程中,為教師及學(xué)習(xí)者提供重要的學(xué)習(xí)效果反饋與成績預(yù)警,便于及時了解學(xué)習(xí)效果、盡早調(diào)整學(xué)習(xí)方法與教學(xué)策略。

3 結(jié)束語

本文對電子科技大學(xué)電路MOOC后臺數(shù)據(jù)圍繞各知識點測試成績進(jìn)行了數(shù)據(jù)挖掘與分析,以測試成績作為衡量學(xué)習(xí)效果的重要指標(biāo),挖掘了學(xué)習(xí)效果與參與度之間的關(guān)系,發(fā)現(xiàn)參與程度最高的學(xué)習(xí)者,即參加測試、討論次數(shù)最多的ACTIVE類型學(xué)習(xí)與者,最有可能獲得好的學(xué)習(xí)效果——通過測試并取得 MOOC證書；然而電路MOOC與其他MOOC課程一樣具有注冊人數(shù)多、積極參與人數(shù)少以及只學(xué)習(xí)不討論的共有特點,大大影響了MOOC課程的學(xué)習(xí)效果；進(jìn)一步分析了各次測試成績之間的關(guān)聯(lián)性,發(fā)現(xiàn) “基爾霍夫定理和參考方向”知識點的掌握程度與課程各單元測試成績之間存在著很強的關(guān)聯(lián)性；最后研究了MOOC綜合測試成績的預(yù)測模型。本文的分析結(jié)果為進(jìn)一步改進(jìn)、優(yōu)化MOOC教學(xué)提供了重要的理論依據(jù)。