论文部分内容阅读
随着终身教育思想的普及和学习型社会观念的深入,我国越来越多的在线学习平台如MOOC等如雨后春笋般不断涌出。这些在线学习平台虽然组织合理,资源丰富,技术日臻完善,但是仍然无法避免在线学习普遍的弊端——师生分离。由于无法直观的对学习者的一系列学习行为进行观察,使得良性干预与合理指导无法发挥作用,很多学习者的学习以半途而废或失败告终。教育的大数据特性为我们提供了解决问题的思路。学习者每天在各种学习平台上产生大量的数据,通过挖掘在线学习者的行为数据,了解学习者的行为特征、学习模式继而分析学习问题,预测学习结果是教育大数据时代缩短学习改良周期,提升在线学习效果的有效途径。大量研究表明,MOOC学习者的在线学习行为是预测学习者学习效果的重要变量,并且,随着研究的深入,人们逐渐意识到在线学习行为受到诸多因素的影响,尤其是学习者的学习心理方面。因此,如果不能全面分析在线学习行为背后的影响因素,就无法真正对在线学习者的学习行为作出解释,也无法为在线学习效果的评价和预测提供依据。虽然对该领域的研究粒度正不断细化,但对于如何选取影响学习行为的因素,如何对在线学习行为进行划分,如何有效建模学习者的学习行为,如何将数据挖掘技术和学习分析技术有效运用于在线学习效果的预测,为学习者提供学习预警服务,仍然是全体教育工作者最为关心的问题。社会认知理论强调学习行为不仅受到外在环境的影响,也受到个人的心理特征影响。据此本研究将影响学习行为的因素划分为学习环境因素和学习心理因素,并将他们统称为学习情境,对学习情境、学习行为与学习效果之间的关系进行探讨。本研究在总结相关实践与理论研究的基础上,首先从在线学习环境和在线学习心理两方面对MOOC学习情境进行了分类,并从学习行为的认知参与度出发,对MOOC学习行为进行了分类,由此建立基于社会认知理论的MOOC学习行为模型;然后通过对真实MOOC课程数据的分析,构建具体的学习情境指标和学习行为指标,探讨学习情境、学习行为与学习效果之间的复杂关系,对基于社会认知理论的MOOC学习行为模型进行修正。此外,本研究还通过逻辑斯谛回归分析对提出的学习行为模型进行验证,并据此训练基于深度神经因子分解机的学习效果预测模型。结果表明,本研究提出的基于社会认知理论的MOOC学习行为模型对于学习情境、学习行为、学习效果之间的关系分析比较准确,并能对预测MOOC学习者的学习效果提供依据,此外,深度神经因子分解机模型能够处理复杂的特征交互关系,提高学习效果预测准确率。