大数据与机器学习视阈下MOOC课程个性化教学干预研究

发布时间：2021-11-20 23:14

　　MOOC的兴起和发展,为全球的学习者提供了优质的教育资源,在促进了教育公平、突破学习时间和空间限制的同时,低完成率成为阻碍其发展的重要因素。近年来,教育界研究者提出了个性化教学理念,但在线教育在长期的发展中,个性化教学依然难以得到很好的实施。其原因主要在于MOOC学习者数量庞大,无效学习者和资源浏览者占据很大比例,针对少数比例的有效学习者的定位和个性化教学干预难度较大,这成为MOOC当前面临的一大难题。本文针对edX开放数据集,通过数据分析、预测模型和模拟仿真三个部分的工作,构建并验证了对MOOC学习者个性化教学干预的方法流程,并设计了迭代的“预测-分析-干预”个性化教学干预框架,精准地干预存在无法毕业风险的学习者,帮助其完成课程并获得证书。首先,通过描述性数据分析和探索性数据分析,从学习者成绩、学习者特征、学习行为、相关性分析和多变量分析多个角度,对MOOC中的课程和学习者进行深度挖掘,研究各课程学习者特征、学习行为和成绩的分布特点,以及各项数据信息之间的相关性。通过描述性数据分析发现,MOOC中存在大量的无效学习者和资源浏览者,有效学习者占据极少比例,且各课程学习者的各项数据信息呈... 

【文章来源】：陕西师范大学陕西省 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图３－１课程学习者成绩分布??Ｆｉｇ．３－！?Ｔｈｅ?Ｓｃｏｒｅ?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?Ｃｏｕｒｓｅ?Ｌｅａｒｎｅｒｓ??

图３－２各课程学习者的成绩??Ｆｉｇ．３－２?Ｔｈｅ?Ｇｒａｄｅｓ?ｏｆ?Ｌｅａｒｎｅｒｓ?ｉｎ?Ｅａｃｈ?Ｃｏｕｒｓｅｓ??

图３－３部分课程的学习者成绩分布??Ｆｉｇ．３－３?Ｔｈｅ?Ｓｃｏｒｅ?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?Ｓｏｍｅ?Ｃｏｕｒｓｅｓ??综合来看，课程的成绩评估标准有所差异，其中“ＣＳ?Ｉ”的评估与其他课程??

【参考文献】：
期刊论文
[1]SPOC学习中学习者知识整合差异性研究[J]. 刘杰,杨娟,廖雪花,苏菡,杨军.  中国远程教育. 2019(01)
[2]基于大规模在线开放课程的学习者模型的设计与实现[J]. 黄丹霞,刘欣欣.  计算机应用. 2018(S2)
[3]美国MOOCs发展历程及动向分析[J]. 王海莹,王毓珣,秦虹.  比较教育研究. 2018(12)
[4]现状与发展:智能问答机器人促进学习的反思[J]. 杨兵,尹加琪,杨旸,吴长泰,赵胜启.  中国电化教育. 2018(12)
[5]Coursera和edX平台数据分析类MOOC的调查与分析[J]. 曾伟忠,胡惠芳.  图书馆学研究. 2018(22)
[6]基于学习行为分析的混合式教学模式设计与实践[J]. 白亮,胡艳丽,郑龙.  计算机工程与科学. 2018(S1)
[7]数据驱动研究范式下的MOOC教学研究问题初探[J]. 谢正,李建平.  计算机工程与科学. 2018(S1)
[8]慕课低完成率问题的归因与解法[J]. 王宇.  现代教育技术. 2018(09)
[9]数据挖掘视角下网络学习者行为特征聚类分析[J]. 王改花,傅钢善.  现代远程教育研究. 2018(04)
[10]多元智能视域中的人工智能技术发展及教育应用[J]. 陈维维.  电化教育研究. 2018(07)

硕士论文
[1]基于多Agent的智能网络教学系统研究[D]. 彭庆波.国防科学技术大学 2005



本文编号：3508276