基于MOOC數據挖掘的學習行為與成效研究

林麒麟 李川 俸世洲

摘 要：MOOC的出現推動了教育平臺的發展，為不同人群提供了門類眾多的在線學習資源。在學習過程中產生了學習時長、播放天數以及學習章節數等相關數據。本文根據MOOC相關學習數據，利用K-Mean聚類的方法對不同人群學習行為進行聚類，探討了學習行為與學習成效的關系，以期為MOOC教育和發展提供有益參考。

關鍵詞：MOOC;數據挖掘;學習行為;學習成效

Abstract：The emergence of MOOC promotes the development of education platform and provides a wide range of online learning resources for different groups of people.In the process of learning，relevant data such as learning time，playing days and learning chapters are generated.Based on MOOC related learning data，this paper uses K-Mean clustering method to cluster learning behavior of different groups，and explores the relationship between learning behavior and learning effectiveness，in order to provide useful reference for MOOC education and development.

Key words：MOOC;data mining;Learning Behavior;Learning effectiveness

隨著網絡技術的發展，教育發展過程中逐步引入慕課新形式，受到各類學校的歡迎。該教學模式能夠更好地實現學習和學習者的自由化，能夠有效滿足不同階段、不同人群的學習需求。在學習過程中產生了學習時長、播放天數以及學習章節數等相關數據，根據慕課的數據分析能夠進行有效的學習研究，得出學習過程與成效之間的關系，據此繼續加強個性化學習方式的設計。

為了做好慕課當中的數據分析，本文主要以某MOOC平臺中的慕課數據作為基礎，進行數據的分析，廣泛涉及了十個不同的科目、二百堂課的學習狀況，將所有數據整合起來，形成三十多萬個數據樣本，其中，每條樣本顯示了一名學生在一門課程中的學習情況，其中，學習情況包括了課程的內容、學生的信息、學習目標、學習頻率和學習效果。本文將對主要針對學生學習行為數據進行學習成效探究分析，以期為MOOC學習和發展提供有益參考價值。

1 K-MEAN聚類算法

K-MEAN算法是典型的距離聚類算法，基本原則是兩個對象距離越近相似度越高，然后可以把距離較近的劃分一個簇，簇內需要距離保持最小，不同簇間保持距離最大，其基本流程如圖1所示。

如圖1所示，首先選取K個質心，然后計算各個數據樣本到該質心的距離，然后將其歸到最近的質心類，再計算新類的質心，判斷其是否小于或等于原質心指定閾值，如果滿足，則結束，否則重復上述步驟，即可進行較好的聚類。

2 用戶學習畫像分析

本文選取了某MOOC平臺的用戶學習的天數（Learning Days-LD）、播放時長（Play Time-PT）、章節數（Chapter Number-CN）、發帖數（Post Number-PN）等特征，利用K-MEAN進行聚類分析，分析結果如下表所示。

由上表可知，根據LD、PT、CN、PN四個特征，把學習人群大概分為Cluster1-4，共四類。Cluster1：LD、PT、CN和PN指標均較少，屬于MOOC體驗者;Cluster2：有一個明顯特征與其他類不同，即PN均值高于其他類，屬于積極好問者;Cluster3：各項指標處于中等水平，表現良好，屬于積極探索者;Cluster4：學習時長、播放時長、學習章節數處于較高水平，屬于MOOC學霸用戶。

3 學習行為與學習成效分析

根據上述聚類結果，本文分別對上述四類用戶的學習成效進行了統計分析，分析結果如圖2所示。

由圖2可知，第一類用戶學習效果較差，成績均值以及獲得證書數量均較少;第二類用戶為積極好問型用戶學習成效明顯高于第一類;第三類用戶為積極譚索型用戶學習成效較好;第四類終極學霸型用戶，學習成效最佳，成績均值以及獲得證書情況明顯高于其他用戶。

4 分析結果討論

4.1 學習者的情況與行為的關系

首先，當學習者進行主動形成時，在慕課上的活躍天數、學習數量、完成程度和論文或意見發表次數都比較高，但是在被動的人里，其完成程度比較高，比主動的人更高。其他類型的人則在各項數據上都比較低，數據表明，當形成主動學習的習慣之后，他們能夠按照自己的學習需要進行高頻率的課程參與，相反，其他類型的人則較少參與到課程的學習中，其中，學習上較為被動的人則會根據學習需要進行針對性學習，為了達到任務要求而參與到學習當中。

4.2 學習目的的不同與行為的關系

在調查的過程中，主要將學習群體分為以下幾種情況，一種是入學考試、一種是工作需要、還有的是純粹為了提升自我，另外還有一種是為了培養自己的興趣。按照數據分析的結果來看，在準備入學考試的人群在各項指標上都比其他人群高，工作需要的人在完成程度上也比較高，而其他兩種人群雖然也在學習中呈現出很大的熱情，但是在學習數量、頻率上沒有硬性要求，這說明他們在學習頻率上沒有要求，而是按照自己的空閑時間確定自己的學習時間，具備一定的隨意性，缺乏計劃性。

4.3 學習人群的信息與行為的關系

在學習群體的信息調查中，不僅對其職業的調查，還對其年齡進行調查，并做出詳細的分析，將這一群體中的年齡劃分為三個階段：三十五歲以下、三十五歲到五十五歲、五十五歲以上。從結果的分析中可以看出，所有數據的增長與年齡的增加成正比，這就說明年紀稍長的人群在學習過程中更加規律，具備更好的計劃性，這一結果可以在學習過程中以彈幕的形式告知學習群體，增加他們學習的熱情，不斷提升他們學習的頻率。

4.4 學習過程與學習結果的關系

在進行數據分析的過程中發現，學習過程中的活躍程度、意見等發表頻率、學習數量等都和學習結果成正比，其中，學習數量與學習結果的相關程度最低，學習程度與其關系最高。

5 結語

本文以MOOC數據進行學習行為與學習成效的探討分析。根據學習天數、章節數、發帖數以及播放時長，對MOOC用戶進行了聚類分析，利用K-MEAN聚類算法將其聚為四類用戶，并探討相應的學習行為與學習成效的關系。在未來，隨著個性化學習理念的深入，慕課學習將更大范圍地應用在各個學習群體當中，因此，需要慕課根據不同時期的數據分析進行課程調節，為學習群體設定最恰當的模式，也可以設置系統評價機制，搜集建議，做好革新，做好課程設置工作。

參考文獻：

[1]陳蘭嵐，宋海虹.基于MOOC數據挖掘的學習行為和學習成效分析[J].教育教學論壇，2019，（6）：50-51.

[2]陳若航，常朵.基于數據挖掘的MOOC學習行為與學習效果研究[J].太原城市職業技術學院學報，2017，（12）：178.

[3]張大胤.基于互聯網環境下學習行為的數據挖掘研究——以MOOC學習行為研究為例[D].廣西師范大學，2018，（12）：10-11.

[4]王洪巖.MOOC中的學習行為挖掘研究[D].山東大學，2016，（10）：5.

基金項目：重慶師范大學涉外商貿學院科研項目（數據挖掘在MOOC用戶行為分析中的應用研究）-ZGKY2018008;重慶師范大學涉外商貿學院科研項目（基于教育大數據的學生學習行為分析研究）-ZGKY2018003

作者簡介：林麒麟（1989-），男，河南信陽人，碩士，主要研究方向：數據挖掘與人工智能;李川（1982-），男，重慶人，碩士，實驗師，主要從事教育信息化、數據挖掘、計算機應用等研究;俸世洲（1981-），男，四川廣漢人，碩士，講師，主要研究方向：數據挖掘與深度學習。