基于MOOC大数据的学习行为序列分析及学习效果预测研究

阅读量：

369

作者：

王威

展开

摘要：

大规模开放性在线课程(Massive Open Online Courses,MOOC)是在线教育面向全社会,实现全面教育公平的一次卓有成效的尝试,是线下教育强有力的补充和丰富.学习者在任何时间,任何地点都可以通过在线接入的方式接触来自世界各地的课程与知识.本课题以MOOC平台Web日志分析为项目背景,开展学习行为序列分析的相关研究工作,并结合在线教育指标评估的相关需求,为线上学习效果的预测提供最优的技术解决方案.学习行为序列的研究能够有效的扩展传统学习分析研究中以标量数据统计为主体的研究模式,通过将时间序列引入到行为分析中,使学习行为矢量化,有助于更好地挖掘学习行为模式,把握知识吸收的规律.本文围绕基于学习行为序列的模式挖掘和学习效果预测方案做了细致研究,主要内容包括以下四个方面:(1)查阅国内外学习分析相关文献资料,总结学习分析和教育数据挖掘定义,区别,关键技术以及具体的应用场景;通过对比分析国内外研究现状,指出目前国内在线教育研究中多思辨,少实证研究的现状,提出应以数据驱动的方式提升课程设计水平的总体目标.(2)利用大数据技术完成项目研究数据的收集,存储和整理.Web数据往往以网络日志形式存在,本文通过引入ELK技术栈(Elasticsearch+Logstash+Kibana)对数百GB数据量日志文件进行提取与解析,完成了项目研究数据的准备工作.(3)为满足序列数据无标签状态时的分析需求,引入一种序列图变换算法——SGT(Suquence Gragh Transform,SGT)完成聚类任务的特征抽取.同时,针对序列数据特点,研究利用闭合模式的Prefix Span算法挖掘聚类结果集,专业背景对照组,成绩水平对照组的频繁序列模式.分析并总结了不同学习群体的学习风格,得出不同群体学习模式的共性与差异,同时研究多阶置信度计算方法并应用于序列分析中,有效扩展了序列分析的性能指标维度,为教学环节和内容的设计提供了实证研究指导下的改进意见与建议.(4)针对学习行为序列数据特点,研究并改进了一种基于宽深学习模型——WDL(WideDeep Learning,WDL)的在线教育学习效果预测模型MLEP-WDL(MOOC Learning Effect Prediction based on WDL,MLEP-WDL).该模型在WDL模型的基础上,增加考虑了序列数据对预测结果的影响,并引入transformer结构替换常用的CNNRNN结构以更好的挖掘行为之间的依赖关系,通过对比试验可知,MLEP-WDL模型预测性能中的F1值达到85.74%,相对基准模型的性能提升均在2%以上,有效证实了该模型在学习效果预测方面的可行性和优越性.另外,在V平台的实验环境下研究并设计了一个基于MOOC大数据的学习行为分析应用框架,利用流水线式的程序设计,集成了本文研究的序列研究方法与效果预测模型,能够协助教学者便捷地监控学习者阶段性的学习状态,具有一定的实用价值.

展开