基于MOOCs大數據的學習分析與干預策略的研究

康迎曦 唐北平

◆摘? 要：隨著網絡信息技術的發展，近幾年MOOCs（ Massive Open On line Course）在國內外呈風起云涌之勢。本文通過對MOOCs大數據進行學習分析和干預策略的研究，依據在線學習者不同的知識背景、學習基礎、學習風格和學習能力等個體差異，構建不同的學習模式，為學習者提供個性化的學習建議、學習資料和推薦課程，從而提高學習者的在線學習效率，進一步完善在線學習系統。

◆關鍵詞：MOOCs大數據;學習分析;干預策略

一、引言

大規模在線開放課程MOOCs（ Massive Open On line Course）是基于課程和教學、互聯網和移動通訊技術發展起來在線學習模式，國內外發展迅速。但這種在線學習模式也存在著一些問題，如在線學習質量和效率較低、教師不能及時進行輔導、個性化教學內容少、在線學習的監管和評價不及時等。通過分析MOOCs大數據，研究學習者的在線學習效果，對學習行為進行分析和干預，對推動教育信息測量和學習分析的發展，提高在線學習質量的有著重要的研究價值和意義。

二、MOOCs大數據

1.MOOCs大數據的概念和特點

在使用MOOCs學習的過程中，大量的學習者和眾多的教學資源積累了數量巨大的學習行為數據。大規模在線課程學習者的數量遠遠超出了傳統實體課堂，有上萬人，甚至幾十萬人;這些大數據都是在學習過程中自然產生的，是即時數據，而不是事后搜集和積累的，所以大數據的類型非常豐富詳盡。與傳統的教育數據相比，MOOCs大數據具有更強的實時性、多樣性、全面性和潛在價值大等特點。

2.研究MOOCs大數據的重要性

海量的MOOCs學習者在網絡平臺上產生了超大規模、種類繁多的數據，其中包括：MOOC的教學資源、學習者情況、作業測驗、學習過程記錄等直接數據，還有貼吧、博客等社交網絡上對MOOC討論以及網絡鏈接和網絡搜索等間接數據。對超大規模的復雜數據進行處理，能給MOOC的發展帶來促進作用。主要體現在以下幾個方面：

（1）分析學習行為。利用數據挖掘技術，采集學習者在MOOC平臺的學習內容、學習情況使用感受和教學反饋等信息。這些碎片化信息都反映出了學習者的行為和情感，收集和分析MOOC大數據對教師和管理者非常重要，他們可以根據數據分析結果，利用教育學、心理學和專業知識改進教學方法、設計新課程和更新平臺應用等促進MOOC平臺的發展。

（2）進行學習推薦。通過超強的數據處理能力，對學習者的課程學習進度快慢、作業和測驗成績、論壇的積極性、發表言論與關注對象等數據進行分析處理。系統就可以追蹤學習者的興趣愛好、課程學習情況、學習能力及風格等行為特點進行分析與預測，主動向學習者推薦合適的課程內容、學習方法和志同道合的學習伙伴，為每個學習者創建適合自己的個性化學習環境。

（3）進行課程調整。利用大數據技術搜集和分析反饋數據，可以幫助主講教師、助教以及技術人員對課程的內容選擇、重點難點講解、內容安排順序、時間片段長度等作出預測，對課程內容安排作出合理調整。

3.研究MOOCs大數據的關鍵問題

學習者的交互學習、群體學習和個性化學習問題;課程的關鍵知識點、知識點搜索與關聯以及知識點與作業的關聯問題;教師的教學過程管理、作業互評、交互式課程安排和課程信息推薦等問題，具體情況如圖1所示。

三、學習分析與干預策略的研究

1.學習分析與干預在MOOCs中的必要性

學習分析和干預是一個新興的研究領域，它關注的是學習過程與學習環境大數據的處理，在線學習環境的設計、學習理論的發展以及在線數據使用中存在的問題。通過數據挖掘和分析在線學習過程中產生的大量數據，了解學習者學習情況并及時發現學習中存在的問題，以此對學習者發出提示或警告，從而督促、引導學習者順利完成在線學業。

2.MOOCs學習分析的數據

MOOCs學習分析的主要數據有：學習者的學習風格和學習態度;學習行為，例如：平臺訪問次數、在線學習時長、下載次數、作業次數和訪問網站等;交互數據，例如：學習互動次數、互動內容、發帖次數等;表現數據，例如：測驗成績、班級排名、是否進步等;情感數據，例如：學習愛好、朋友圈等，具體情況如圖2所示。

3.學習干預策略的研究

對MOOCs大數據進行了數據挖掘和學習分析后，我們設計了一個基于數據挖掘、數據分析、狀態評估、預警干預的四步學習預警系統，如圖3所示。該系統能對學習者的知識、行為、情緒三方面所處的狀態進行評估，并進行積極干預，提出合理化的干預策略，

四、應用實例

1.學習分析和干預模型的建立

我們以中國大學MOOC課程《電路分析》為例，對學習者的各項數據進行收集和統計，對學習狀態進行分析，并進行有效干預，學習分析與干預模型如圖4所示。

2.學習分析和干預效果總結

研究結果證明，通過分析學習行為數據，預測的學習效果比較準確，學習效果基本是學習行為的最終體現，受學習者的教育背景、學習目的、學習投入、情感等多方面的影響。通過一定的學習干預后，學習者的學習效果、考試通過率都有所提高。

五、結束語

在互聯網+和大數據時代，追求個性化學習是學習者共同目標。在MOOCs大數據支持下進行的在線學習分析和干預，既可以提高廣大在線學習者個性化學習的績效;又能促進網絡學習、數字化教育、智能學習的發展，實現雙贏的局面[7]。但目前我國的教育大數據研究和學習分析仍然處在起步階段，要實現這一系列的數據采集和分析，學習預測和干預還面臨著技術水平、資金投入等方面的挑戰，更需要廣大教育工作者全方位的努力。

參考文獻

[1]袁松鶴，王海榮，張偉，等.四個MOOCs平臺10門課程的比較研究——MOOCs教學的創新方向與啟示[J].中國電化教育，2014（10）：42-52.

[2]吳錦輝.我國主要慕課（MOOC）平臺對比分析[J].高校圖書館，2015（01）：11-14.

[3]劉和海，李起斌.“中國式MOOC”概念探討及平臺優化策略研究——基于中文MOOC平臺的調查分析[J].現代教育技術，2014（05）：81-87.

[4]姜藺，等.MOOCs學習者特征及學習效果分析研究[J].中國電化教育，2013（11）：54-59.

[5]金貴朝.MOOC支撐下的混合式教學模式研究[J].中國教育技術裝備，2015（02）：8-10.

[6]Macfadyen L P， Dawson S. Mining LMS data to develop an “early warning system” for educators： A proof of concept[J].Computer & Education， 2010（54）：588-599.

[7]楊現民，王榴卉，唐斯斯.教育大數據的應用模式與政策建議[J].電化教育研究，2015（09）：54-61、69.

[8]Essa A， Ayad H. Improving student success using predictive models and data visualisations[J]. Research in Learning Technology， 2012，（20）：58-70.

基金項目：湖南省普通高等學校教學改革研究項目：《電工電子技術》課程線上線下混合式“金課”建設的研究與實踐（立項編號： HNJG-2020-0748）。