论文部分内容阅读
大规模开放在线课程(Massive Open Online Course,MOOC)蓬勃发展,越来越多高校将其引入课堂,形成了传统封闭式教学与在线开放式教学相结合的混合式MOOC教学。该模式下教学方式发生了改变,学生的学习行为也随之发生变化,既不同于传统的课堂学习,也不同于单一式MOOC学习。然而利用计算机技术分析混合式MOOC情境下学习行为的研究成果还很少,针对这一现状,本文以北方工业大学制作的MOOC—《新编大学计算机基础》在2018年秋季学期课堂的学习行为数据集为对象,将统计方法与机器学习算法相结合挖掘复杂学习行为的特征。混合式MOOC提供了大量不同类型的学习资源,相比讲授式课堂,该模式下自我调节学习(Self-Regulated Learning,SRL)行为占比突出。本文通过描述性统计分析从知识获取和知识运用两个方面刻画混合式MOOC学习行为的全貌性特征,设计了一种基于学生学习属性分组的建模方法,探究不同类型学生在面对不同性质学习任务时其SRL特征上的差异性。针对混合式MOOC情境下视频观看行为是知识获取的主要行为这一特点,对视频观看行为进行维度划分和指标设计,以学习成效为分组变量采用方差分析进行组间比较,通过分组对比发现当面对高阶性任务和大容量任务时不同分组的学生在学习行为上表现出显著的SRL行为差异,而面对低阶性任务和小容量任务时则无显著差异。混合式MOOC学习行为表现为高维度、多模式的特点,传统的统计方法难以精准刻画复杂学习行为的特征,有必要利用机器学习算法中的聚类算法进一步对复杂学习行为进行分类。本文设计了一种分阶段降维后聚类的方法对混合式MOOC情境下的复杂学习行为进行分类继而识别特征。针对当前数据集高维度、非球形的特点设计实验,以基于密度峰值的快速聚类算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)结合主成分分析(Principal Component Analysis,PCA)与t-分布式随机邻域嵌入算法(t-distributed Stochastic Neighbor Embedding,t-SNE)降维对多维度的学习行为数据进行有效分类。实验结果表明,单一的聚类方法包括CFSFDP,仅能实现一分类,相当于没有分类,而分阶段降维后采用CFSFDP聚类方法将数据集划分为具有明显区别的三类,研究结果表明本文方法对高维度、多模式的混合式MOOC学习行为分类有效。