張莉

摘 要：本文針對MOOC在線學(xué)生的行為，分析數(shù)據(jù)模型，建模學(xué)生參與行為，提出基于學(xué)生行為開發(fā)用于理解學(xué)生參與在線課程的框架，研究潛在學(xué)生在三門MOOC課程中堅持下來的模式，預(yù)測學(xué)生在課程前期的生存狀況，對以用戶與MOOC交互和課程的不同點識別學(xué)生活動的指標作進一步的定量分析。

關(guān)鍵詞：MOOCs；模型；概率軟邏輯；學(xué)生評價

中圖分類號：G434 文獻標志碼：A 文章編號：1673-8454（2018）11-0048-04

一、引言

大量學(xué)生參與MOOC課堂為我們提供了分析大型在線交互和行為數(shù)據(jù)的機會。通過識別模式，提出新的反饋機制并提高教師干預(yù)措施，可以幫助提高學(xué)生參與MOOC的能力，此外通過分析在線學(xué)生參與MOOC的行為，也有助于驗證和改進大家對傳統(tǒng)教室的理解。

運用模型從MOOC課程收集真實數(shù)據(jù)，并以實證顯示其捕捉學(xué)生行為的模式和預(yù)測結(jié)業(yè)能力。為了準確地預(yù)測學(xué)生的學(xué)習動機和完成課程的能力，實驗結(jié)合上網(wǎng)行為的各個方面驗證了為學(xué)生活動提供一個全面的看法的重要性，數(shù)據(jù)表明，模型能夠用課程早期階段獲得的數(shù)據(jù)完成預(yù)測。早期階段的預(yù)測可以幫助教師進行干預(yù)，有助于提高學(xué)生的課程結(jié)業(yè)率。

國內(nèi)很多研究集中在MOOC的發(fā)展歷程及主要特征分析；[1]基于MOOC數(shù)據(jù)的學(xué)習行為分析與預(yù)測；[2]學(xué)生學(xué)習效果和能力等方面進行研究；[3]以及以課程為例的教學(xué)模式的研究；[4]并嘗試在不同學(xué)期相同課程中進行平臺改進并對比；[5]搭建一個大數(shù)據(jù)分析平臺，對不同課程，不同平臺的數(shù)據(jù)進行綜合分析。[6]Kuh 研究了傳統(tǒng)課堂的課程中學(xué)生參與和學(xué)習成績之間的關(guān)系，確定用戶參與的幾個指標（如師生互動、學(xué)術(shù)水平的挑戰(zhàn)）。[4]Carini 等定量地證明，盡管大多數(shù)參與指標呈正相關(guān)性能，在許多情況下該關(guān)系可以弱化。本研究的思路借用了Kuh（2003）、Carini、Kuh和Klein（2006），并從統(tǒng)計學(xué)生課程結(jié)業(yè)模型（Richards2012）和適應(yīng)這些MOOC來設(shè)置。

學(xué)生的參與被稱為是學(xué)生學(xué)習成功的一個顯著因素，但對于研究MOOC學(xué)生的參與仍然是有限。本研究試圖利用集群了解學(xué)生的參與度，不同在于使用參與類型作為潛變量和從數(shù)據(jù)來區(qū)分不同的參與類型。[7]使用測驗——提交作為學(xué)生存在的量度，并使用學(xué)生存活分來訓(xùn)練模型。因此，潛參與變量是為預(yù)測學(xué)生生存專門構(gòu)建的。然后用這個模型來預(yù)測學(xué)生是否在學(xué)習課程中提交了期終考試/任務(wù)/測驗，即學(xué)生是否堅持學(xué)完了課程。

二、建模學(xué)生課程結(jié)業(yè)

預(yù)測并建模MOOC數(shù)據(jù)具有極大的技術(shù)挑戰(zhàn)性，因為它需要結(jié)合大量的網(wǎng)絡(luò)論壇實體（學(xué)生、教師、任務(wù)等）的語言能力和圖表分析。為了應(yīng)對這一挑戰(zhàn)，使用概率軟邏輯（PSL）這樣一個框架，以一種簡潔的方式提供簡單的方法來表示行為、語言和結(jié)構(gòu)特征。由于在傳統(tǒng)的教學(xué)模式下，評估在線學(xué)生參與有間接線索來評價。在電子環(huán)境識別這些線索是具有挑戰(zhàn)性的，但大量的可用數(shù)據(jù)可以抵消人與人間通信的丟失。建模學(xué)生參與，需要考慮在線學(xué)生的觀察行為和在教室中的生存狀態(tài)的潛變量，發(fā)現(xiàn)這個潛在的信息提供一個更好的學(xué)生完成課程的行為的解釋。

檢查實際MOOC數(shù)據(jù)，可以觀察到有幾個指標對衡量學(xué)生參與是有用的，如查看課程內(nèi)容、與其他學(xué)員或工作人員在論壇互動這些主題和內(nèi)容。此外學(xué)生經(jīng)常參與整個課程中不同方面，例如一些學(xué)生參與在線社區(qū)方面——通過發(fā)帖、提問和回答問題；而另一些只是聽講課和做一些小測試卻沒有與社區(qū)進行交互?？紤]到這些差異并提出一個模型，用不同的行為來區(qū)分參與模式：被動或主動。使用這些參與類型來預(yù)測學(xué)生的生存和推理其隨時間的行為。

由于學(xué)生在與MOOC課程的交互過程中會生成詳細的記錄，包括網(wǎng)頁瀏覽和視頻點擊率，訪問論壇，論壇的互動如投票、發(fā)布消息和回復(fù)、以及像測試和作業(yè)類的分數(shù)元素。在本節(jié)中將描述怎樣建模學(xué)生的課程，以及交互過程中這些學(xué)生的各種行為和語言特征。

為了建模在這些特點和學(xué)生生存之間的交互作用，使用PSL，一種關(guān)系概率模型。PSL通過對這些謂詞編寫規(guī)則來編碼觀察到的特征和（潛在和目標）變量作為邏輯謂詞和設(shè)計模型。PSL在一個參數(shù)化的概率模型中解釋這些規(guī)則，并能夠使用機器學(xué)習算法和參數(shù)擬合執(zhí)行高效的推理。PSL的表現(xiàn)力和靈活性使能夠輕松地為MOOC數(shù)據(jù)建立不同的模型，通過對比多種模式建立一種簡單的直接關(guān)系到學(xué)生生存特征的模型。

1.概率軟邏輯

PSL是應(yīng)用在學(xué)習和預(yù)測關(guān)系領(lǐng)域的一種建模語言。類似的任務(wù)發(fā)生在自然語言處理等很多領(lǐng)域，社交網(wǎng)絡(luò)分析、計算機視覺、機器學(xué)習。PSL允許用戶直觀描述問題，類似邏輯的語言，然后將其模型應(yīng)用于數(shù)據(jù)。

PSL是一種在關(guān)系領(lǐng)域中進行收集和進行概率推理的框架，其語法基于一階邏輯，作為連續(xù)的圖形模板語言模型用隨機變量代表軟真實值。像其他的統(tǒng)計關(guān)系學(xué)習方法，PSL采用加權(quán)規(guī)則來建模一個領(lǐng)域中的依賴模型，然而一個顯著的方面是PSL使用持續(xù)的變量來代表真值，限制布爾真值在區(qū)間[0，1]。三角規(guī)范是邏輯連接詞AND和OR。由PSL語義定義的底層概率模型是hinge-loss Markov 隨機數(shù)（HL-MRF）。在HL-MRFs中推理最可能的解釋是凸優(yōu)化問題，這使得相比那些使用離散表示的許多關(guān)系模型工具用PSL工作是非常高效的。HL-MRFs應(yīng)用各種學(xué)習算法到完全監(jiān)督訓(xùn)練數(shù)據(jù)，并適用于點估算期望最大化的潛變量部分監(jiān)督數(shù)據(jù)。在該模型中使用該功能來表示學(xué)生的參與潛變量。

2.建模MOOC學(xué)生活動

MOOC在線環(huán)境主要包括兩個資源：視頻講座和在線論壇。學(xué)生可以多次觀看視頻并在此期間回答測試提問。學(xué)生可以通過在論壇中提出和回答問題進行互動。通常有按主題組織的多個論壇，分別有多個主題，每個主題由多個提問組成，學(xué)生們可以響應(yīng)、對現(xiàn)有問題投票（向上或向下）以及訂閱更新論壇的主題。每個學(xué)生都給予基于選票創(chuàng)建的信譽得分。這些活動如圖1所示，通過定義一組用于創(chuàng)建特征的PSL謂詞來量化這些活動，把這些謂詞分類為行為性、交互性或時間性。

（1） 行為特性

行為特征是學(xué)生在MOOC網(wǎng)站上所顯現(xiàn)出來的屬性， 考慮兩種類型的行為特征：聚合和非聚合。聚合特征描述學(xué)生的行為，論壇中捕獲用戶活動的行為有發(fā)貼（用戶）、投票（用戶）和查看（用戶）。綜合所有用戶評估是否該功能的值大于中值。聚合詞取布爾值。非集合特征直接量化學(xué)生的行為。發(fā)布（USER，POST）和投票（USER，POST）捕捉用戶在發(fā)布并投票的討論論壇的一個實例級別的日志。如果后期有積極的票贊同（POST）是true的，否則為false，如果一個投票一直向下投票，預(yù)測反對（POST）是true。

（2）論壇內(nèi)容和交互特性

MOOC論壇具有相關(guān)信息因而內(nèi)容豐富，體現(xiàn)該學(xué)生對課程和內(nèi)容的態(tài)度，以及學(xué)生之間的社會交往。使用兩種類型的特征捕捉論壇特性，語言特征捕捉帖子內(nèi)容的感悟，結(jié)構(gòu)特征捕捉論壇結(jié)構(gòu)信息、局部組織成線和論壇類型，學(xué)生在論壇上表達的態(tài)度可以通過估算情感傾向被捕獲（正面或負面），并確定主觀性的發(fā)帖。由于MOOC論壇包含數(shù)千個帖子，使用一個自動化的工具OpinionFinder（Wilson et al.2005）以避免手工標注。該工具把論壇帖子分成句子，并給每個句子分配主觀性和極性標記.基于它的預(yù)測，定義了兩個謂詞：主觀（POST）和極性（POST）。使用OpinionFinder工具通過正常化主/客觀和正/負極性標簽的數(shù)量進行計算，通過保持這些值在[0； 1]區(qū)間使之正常化。

論壇是結(jié)構(gòu)化的實體，由高層次的主題（論壇級）和特定主題（線程級）組織。包括這些結(jié)構(gòu)關(guān)系上的模型來確定論壇的帖子之間的結(jié)構(gòu)關(guān)系，并與學(xué)生們參與論壇討論連接起來。代表論壇結(jié)構(gòu)謂詞sameThread（POST 1，POST2）和sameForum（THREAD1，THREAD2），分別適用于在同一個線程和線程在同一論壇上。這些謂詞適用于學(xué)生論壇交流時的傳播。

（3）時間特性

學(xué)生活動程度是隨著課程變化而轉(zhuǎn)變的。學(xué)生們經(jīng)?；钴S在初期，隨著課程的進展失去興趣。為捕捉學(xué)生活動隨著時間變化的信號，引入一組時間特性。將課程劃分為三個時期：前期、中期和結(jié)束期。通過將整個持續(xù)時間分成三個相等的塊。時間特性有l(wèi)astQuiz lastLecture lastView和lastVote，表明每個交互用戶發(fā)生的最后時段。這些特性通過長度來測量用戶參與課程的不同方面。

使用上面的特征來構(gòu)造有意義的PSL規(guī)則，使用邏輯連接詞，如表1所示。PSL模型將這些規(guī)則與學(xué)生生存，直接或間接使用潛變量聯(lián)系。

三、實證評估

模型基于中國人民大學(xué)的三門MOOC課程：C語言程序設(shè)計、大學(xué)英語以及高等數(shù)學(xué)。將這些課程分別記作C-TECH、E-Question和 M-E。數(shù)據(jù)由每門課的七周為一周期的匿名學(xué)生檔案、成績和在線行為組成。圖2揭示了不同課程相關(guān)活動參與者的數(shù)量。學(xué)生注冊總數(shù)6%左右的學(xué)生選擇C-TECH和P-Question，約15%的學(xué)生選擇M-E并完成了期末考試。用這類方法來定義課程的存在。在所有這三門課程中，在線學(xué)生最突出的活動是觀看講座。因此排名基于觀看講座的學(xué)生人數(shù)，作為基線進行比較。其他常見的活動包括競猜提交和查看論壇內(nèi)容等。觀察統(tǒng)計數(shù)據(jù)，相比M-E課程，C-TECH和P-Question課程參加論壇的比例更高。

評估在如下度量模型中進行：ROC曲線下面積為正和負標簽。使用10倍交叉驗證，留出10%的數(shù)據(jù)為訓(xùn)練模型權(quán)重測試。

實驗的目的是通過了解影響學(xué)生生存過程中的因素測定學(xué)生生存、參與的類型和參與過程中的變化，并預(yù)測課程不同時間段的有效性。在第一組實驗中，用整個過程中所有學(xué)生的活動來預(yù)測每個學(xué)生是否需要最終的測驗。選擇基線通過觀看講座人數(shù)對學(xué)生進行排名?；€和兩個模型列于表2中，僅使用演講提交功能可以預(yù)測輟學(xué)相當良好的基線，但其相對較低的精確度和召回為被動生存（AUC-PR pos），單獨采用這種方式是不理想的。因為該班級失衡和較高的輟學(xué)率，它可以識別哪些學(xué)生將更有價值地高比例完成課程。模型結(jié)合行為、語言、時間和結(jié)構(gòu)特征來預(yù)測學(xué)生的生存。

預(yù)測學(xué)生的生存能給教師提供一個強大的工具，如果能夠在學(xué)生脫離和輟學(xué)前可靠地預(yù)測，就可以模擬這個場景通過訓(xùn)練的模型在課程早期收集數(shù)據(jù)。學(xué)生生存的標簽具有相同的完整數(shù)據(jù)集（即在課程結(jié)束時，學(xué)生是否提交了最終的測驗），但模型只從課程的早期訪問數(shù)據(jù)。把過程分為三部分，根據(jù)過程的持續(xù)時間、時間特征建模MOOC學(xué)生活動。表2列出了兩個模型的性能指標，表3顯示的是同樣的結(jié)果，在AUC-PR的分數(shù)變化是可以忽略的，因為班級是不平衡的，所以在所有模型中接近最優(yōu)。為了彰顯模型的實力，只報告模型的AUC-PR（Pos）分數(shù)。把每個課程分為開始、中間和終點三個階段。開始——中間指通過開始和中間階段收集的數(shù)據(jù)。開始——結(jié)束指的是在整個課程過程中收集的數(shù)據(jù)。

早期預(yù)測的分數(shù)，在表3“開始”、“中間”和“開始—中間”中（即用部分數(shù)據(jù)預(yù)測生存），表明模型確實可以使這些預(yù)測可靠。作為更接近課程結(jié)束的現(xiàn)有數(shù)據(jù)，模型能做出更好的預(yù)測。正如在以前的實驗設(shè)置中，潛參與模型達到最高預(yù)測質(zhì)量。潛在模型在M-E課程的所有時間段中開始階段優(yōu)于直接模型。

從結(jié)果來看，似乎中間階段是監(jiān)控學(xué)生活動用于預(yù)測學(xué)生是否在課程中生存的最重要階段。從中間相位數(shù)據(jù)對比，使用的數(shù)據(jù)從起始階段設(shè)置，并且?guī)缀跸嗟鹊臄?shù)值，啟動中間模型能產(chǎn)生更高的AUC-PR值?？梢酝茰y，這是由于開始較多的學(xué)生參與，未能堅持到結(jié)束。這種現(xiàn)象不管是傳統(tǒng)課堂還是在線課堂都是很典型的，學(xué)生對課程熟悉，然后再決定是繼續(xù)或輟學(xué)。消除這一類群收集的數(shù)據(jù)有助于提高學(xué)生的生存預(yù)測。

四、特征分析

通過讓每個功能顯現(xiàn)出來并觀察預(yù)測性能值所產(chǎn)生的變化來評估每個功能的特征?？紤]的特征是：在論壇發(fā)帖子（發(fā)布），查看論壇內(nèi)容（視圖），在最后測驗的時間段用戶提交的測試（測驗）以及查看演講。以上提到的四個特性，從所有PSL規(guī)則忽略相關(guān)功能構(gòu)建一個PSL模型。圖3給出這些測試階段（啟動、中期和最終）的結(jié)果。講座的特征對于學(xué)生的生存預(yù)測是很重要的。論壇作為連接世界各地在線課程的一個平臺，也被證明有強烈的促進功能。一直以來，論壇帖子所分析的課程更多是在中期和結(jié)束階段，所以論壇的帖子在中期和結(jié)束階段相應(yīng)地更重要。從圖3可以看出論壇特性僅次于講座。

五、結(jié)束語

維護和培養(yǎng)學(xué)生參與學(xué)習是至關(guān)重要的。了解學(xué)生參與在線課程的影響因素將有助于設(shè)計更好的課程和提高學(xué)生的保留率。大規(guī)模開放在線課程（MOOC）的參與者和MOOC交互過程中收集的數(shù)據(jù)為研究學(xué)生大規(guī)模參與學(xué)習提供了開放的途徑。

參考文獻：

[1]陳肖庚，王頂明.MOOC的發(fā)展歷程與主要特征分析[J].現(xiàn)代教育技術(shù)，2013（11）：23.

[2]蔣卓軒，張巖，李曉明.基于MOOC數(shù)據(jù)的學(xué)習行為分析與預(yù)測[J].計算機研究與發(fā)展，2015（3）：614-618.

[3]伍苗苗，黃蕙歡，馬北河，等.基于學(xué)生學(xué)習評價的國內(nèi)翻轉(zhuǎn)課堂研究述評[J].中國教育信息化，2017（18）：1-4.

[4]劉正濤，黃慧，曹陽.基于MOOCs教學(xué)模式的研究與實踐[J].中國教育信息化，2017（18）：47-52.

[5]AndersonA，Huttenlocher D，Kleinberg J，et al.Engaging With massive online courses [C].http：//Procof the 23 rdInt Conf on World Wide Web.NewYork：ACM，2014：687-689.

[6]Dernoncourt F，Do C，Halawa S，et al.MoocViz：A large scale，open access，collaborative，data analytics platform for MOOCs[C/OL]//MOOCs [C/OL].http：//Neural Information Processing SystemsWorkshopon Data Driven Education，2013 [2014-06-01].http：//groups .csail.mit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/MoocViz.pdf.

[7]陳然，楊成.SPOC混合學(xué)習模式設(shè)計研究[J].中國遠程教育，2015（5）：42-47.

（編輯：王曉明）