文献类型：期刊文章

作　　者：赵磊[1] 邓彤[2] 吴卓平[3]

ZHAO Lei;DENG Tong;WU Zhuoping(School of Computer and Information Technology,Liaoning Normal University,Dalian 116081,China;College of Innovation and Entrepreneurship,Liaoning University,Shenyang 110036,China;China Institute of Communications,Beijing 100036,China)

机构地区：[1]辽宁师范大学计算机与信息技术学院,大连116081 [2]辽宁大学创新创业学院,沈阳110036 [3]中国通信学会,北京100036

出　　处：《重庆高教研究》

基　　金：教育部人文社会科学研究规划基金项目“大学生在线学习力的评价与提升研究”(21YJC880104);辽宁省社会科学规划基金重点项目“基于社会认知理论的大学生在线学习力影响因素与提升策略研究”(L20ASH002);辽宁省教育厅科学研究经费项目“基于MOOC的大学生持续学习预测模型与干预机制研究”(WQ2019011)。

年　　份：2021

卷　　号：9

期　　号：6

起止页码：95-105

语　　种：中文

收录情况：BDHX、BDHX2020、CSSCI、CSSCI_E2021_2022、JST、NSSD、RCCSE、核心刊

摘　　要：学习行为特征是学情分析的基础。基于MOOC学习行为数据对学习者学业成绩和群体特征进行预测,并及时实施教学干预,可以改善学习效果,显著降低辍学率。运用数据挖掘方法,对中国大学MOOC平台的课程数据进行探索发现:界面交互、内容交互、人际交互和参与考核4类学习行为与学业成绩之间存在显著相关关系,可作为学业成绩预测的关键指标;在预测算法方面,人工神经网络算法的性能优于决策树、贝叶斯和支持向量机,能更好地拟合学习行为与学业成绩之间的复杂相关性;MOOC学习群体主要分为优秀学习者、良好学习者、普通学习者和风险学习者4类,在整体上呈现“以内容交互、界面交互和参与评价为主,人际交互为辅”的特征。基于此,可从内容资源开发、教学方式创新与评价体系变革三方面进行教学干预,以降低MOOC辍学风险,提升学习者的参与度与完成率。

关 键 词：MOOC  教育数据挖掘  学业成绩预测  学习群体特征  

分 类 号：G646]