MOOC数据挖掘下的学习行为与成效范文

本站小编为你精心准备了MOOC数据挖掘下的学习行为与成效参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要:mooc的出现推动了教育平台的发展，为不同人群提供了门类众多的在线学习资源。在学习过程中产生了学习时长、播放天数以及学习章节数等相关数据。本文根据MOOC相关学习数据，利用K-Mean聚类的方法对不同人群学习行为进行聚类，探讨了学习行为与学习成效的关系，以期为MOOC教育和发展提供有益参考。

关键词:MOOC;数据挖掘;学习行为;学习成效

随着网络技术的发展，教育发展过程中逐步引入慕课新形式，受到各类学校的欢迎。该教学模式能够更好地实现学习和学习者的自由化，能够有效满足不同阶段、不同人群的学习需求。在学习过程中产生了学习时长、播放天数以及学习章节数等相关数据，根据慕课的数据分析能够进行有效的学习研究，得出学习过程与成效之间的关系，据此继续加强个性化学习方式的设计。为了做好慕课当中的数据分析，本文主要以某MOOC平台中的慕课数据作为基础，进行数据的分析，广泛涉及了十个不同的科目、二百堂课的学习状况，将所有数据整合起来，形成三十多万个数据样本，其中，每条样本显示了一名学生在一门课程中的学习情况，其中，学习情况包括了课程的内容、学生的信息、学习目标、学习频率和学习效果。本文将对主要针对学生学习行为数据进行学习成效探究分析，以期为MOOC学习和发展提供有益参考价值。

1K-MEAN聚类算法

K-MEAN算法是典型的距离聚类算法，基本原则是两个对象距离越近相似度越高，然后可以把距离较近的划分一个簇，簇内需要距离保持最小，不同簇间保持距离最大，其基本流程如图1所示。如图1所示，首先选取K个质心，然后计算各个数据样本到该质心的距离，然后将其归到最近的质心类，再计算新类的质心，判断其是否小于或等于原质心指定阈值，如果满足，则结束，否则重复上述步骤，即可进行较好的聚类。

2用户学习画像分析

本文选取了某MOOC平台的用户学习的天数(LearningDays-LD)、播放时长(PlayTime-PT)、章节数(ChapterNumber-CN)、发帖数(PostNumber-PN)等特征，利用K-MEAN进行聚类分析，分析结果如下表所示。由上表可知，根据LD、PT、CN、PN四个特征，把学习人群大概分为Cluster1-4，共四类。Cluster1:LD、PT、CN和PN指标均较少，属于MOOC体验者;Cluster2:有一个明显特征与其他类不同，即PN均值高于其他类，属于积极好问者;Cluster3:各项指标处于中等水平，表现良好，属于积极探索者;Cluster4:学习时长、播放时长、学习章节数处于较高水平，属于MOOC学霸用户。

3学习行为与学习成效分析

根据上述聚类结果，本文分别对上述四类用户的学习成效进行了统计分析，分析结果如图2所示。由图2可知，第一类用户学习效果较差，成绩均值以及获得证书数量均较少;第二类用户为积极好问型用户学习成效明显高于第一类;第三类用户为积极谭索型用户学习成效较好;第四类终极学霸型用户，学习成效最佳，成绩均值以及获得证书情况明显高于其他用户。

4分析结果讨论

4．1学习者的情况与行为的关系

首先，当学习者进行主动形成时，在慕课上的活跃天数、学习数量、完成程度和论文或意见发表次数都比较高，但是在被动的人里，其完成程度比较高，比主动的人更高。其他类型的人则在各项数据上都比较低，数据表明，当形成主动学习的习惯之后，他们能够按照自己的学习需要进行高频率的课程参与，相反，其他类型的人则较少参与到课程的学习中，其中，学习上较为被动的人则会根据学习需要进行针对性学习，为了达到任务要求而参与到学习当中。

4．2学习目的的不同与行为的关系

在调查的过程中，主要将学习群体分为以下几种情况，一种是入学考试、一种是工作需要、还有的是纯粹为了提升自我，另外还有一种是为了培养自己的兴趣。按照数据分析的结果来看，在准备入学考试的人群在各项指标上都比其他人群高，工作需要的人在完成程度上也比较高，而其他两种人群虽然也在学习中呈现出很大的热情，但是在学习数量、频率上没有硬性要求，这说明他们在学习频率上没有要求，而是按照自己的空闲时间确定自己的学习时间，具备一定的随意性，缺乏计划性。

4．3学习人群的信息与行为的关系

在学习群体的信息调查中，不仅对其职业的调查，还对其年龄进行调查，并做出详细的分析，将这一群体中的年龄划分为三个阶段:三十五岁以下、三十五岁到五十五岁、五十五岁以上。从结果的分析中可以看出，所有数据的增长与年龄的增加成正比，这就说明年纪稍长的人群在学习过程中更加规律，具备更好的计划性，这一结果可以在学习过程中以弹幕的形式告知学习群体，增加他们学习的热情，不断提升他们学习的频率。

4．4学习过程与学习结果的关系

在进行数据分析的过程中发现，学习过程中的活跃程度、意见等发表频率、学习数量等都和学习结果成正比，其中，学习数量与学习结果的相关程度最低，学习程度与其关系最高。

5结语

本文以MOOC数据进行学习行为与学习成效的探讨分析。根据学习天数、章节数、发帖数以及播放时长，对MOOC用户进行了聚类分析，利用K-MEAN聚类算法将其聚为四类用户，并探讨相应的学习行为与学习成效的关系。在未来，随着个性化学习理念的深入，慕课学习将更大范围地应用在各个学习群体当中，因此，需要慕课根据不同时期的数据分析进行课程调节，为学习群体设定最恰当的模式，也可以设置系统评价机制，搜集建议，做好革新，做好课程设置工作。

参考文献:

［1］陈兰岚，宋海虹．基于MOOC数据挖掘的学习行为和学习成效分析［J］．教育教学论坛，2019，(6):50-51．

［2］陈若航，常朵．基于数据挖掘的MOOC学习行为与学习效果研究［J］．太原城市职业技术学院学报，2017，(12):178．

［3］张大胤．基于互联网环境下学习行为的数据挖掘研究———以MOOC学习行为研究为例［D］．广西师范大学，2018，(12):10-11．

［4］王洪岩．MOOC中的学习行为挖掘研究［D］．山东大学，2016，(10):5．

作者：林麒麟 李川 俸世洲 单位：重庆师范大学涉外商贸学院