MOOC热背景下关于学习者行为特征的研究

发布时间：2021-05-06 03:34

　　随着互联网技术的“爆发式”发展和教育的民主化和普及化,出现了“互联网+教育”的产物,大型开放在线课程MOOC（massive open online courses）。相对于全球高等教育在校生的课程规模,MOOC庞大的学习群体产生了海量的学习行为数据,利用MOOC平台的数据资源优势,可以通过相关统计分析方法对学习数据进行描述、统计、评估及深度分析,这有助于了解MOOC学习者的学习行为,为MOOC平台优化和教学质量改进提供参考。本文的主要研究内容是MOOC平台学习者行为的分类,选取的样本数据是Canvas Network平台提供的一份学习者学习行为的开放数据集,通过两个实验对该样本进行分析研究。在分类分析实验中,本文通过机器学习相关算法对学习者学习行为数据进行分类,比较梯度提升决策树（GBDT）、朴素贝叶斯、神经网络和支持向量机分类的准确性。评估结果表明,GBDT算法对学习者类型具有较高的分类准确率。在聚类分析实验中,基于SPSS21.0平台,对学习者的学习行为进行了两步聚类分析。实验结果显示,最优聚类数为3类,各类样本数分布合理,特征明显。结合两个实验结论,对分类后的学习者类型进行了特... 

【文章来源】：苏州大学江苏省

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 MOOC研究现状和发展趋势
    1.3 本文数据集简介
    1.4 研究内容梗概
第2章 样本概述与变量介绍
    2.1 样本概述
    2.2 变量描述
第3章 分析方法
    3.1 梯度提升决策树(GBDT)
    3.2 两步聚类法
第4章 关于学习者行为的实证分析
    4.1 梯度提升决策树(GBDT)建模及结果
    4.2 两步聚类分析
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
附录 Python程序


【参考文献】：
期刊论文
[1]我国慕课研究现状、热点聚焦与发展建议——基于知识图谱的可视化分析[J]. 田生湖,姚建峰,崔同宜.  成人教育. 2019(01)
[2]基于Canvas Network开放数据集的MOOC学习分析[J]. 胡红梅,宗阳.  开放学习研究. 2017(01)
[3]在线教育对高校教学及其师生的影响——以SPOC为例[J]. 田生湖,赵学敏.  中国教育信息化. 2016(06)
[4]MOOCs时代的大学:挑战与回应[J]. 吴洪富,刘宁宁.  河北师范大学学报(教育科学版). 2015(03)
[5]MOOCs背景下我国高等教育教学模式的变革与创新[J]. 焦炜.  电化教育研究. 2014(04)
[6]MOOC浪潮下的高校课程联盟[J]. 管会生,高青松,张明洁.  高等理科教育. 2014(01)
[7]高校图书馆应对MOOC挑战的策略探讨[J]. 傅天珍,郑江平.  大学图书馆学报. 2014(01)
[8]蚁群聚类组合方法的研究[J]. 邢洁清,朱庆生,郭平.  计算机工程与应用. 2009(18)



本文编号：3171155