论文部分内容阅读
随着高等教育机构在线课程计划的开发,越来越多的非传统学习者有了更好的学习机会。而在当今快节奏的社会氛围中,通过在线学习社区,学习者能够随时随地的去进行学习活动,这让他们的片段时间充分利用了起来。然而,由于学习者难以发现自身的不足和缺点,教师对学习者的学习行为难以做到深入了解,对他们的学习行为、学习状态不能及时预测,故学习者的学习效果容易出现事半功倍的情况。由此可见,对在线学习中学习者的学习行为分析建模和预测是至关重要的。学习者在在线学习社区的学习过程中产生了大量的复杂的行为数据,这些数据从侧面可以反映出了学习者的学习情况。通过构建学习行为模型是分析学习者学习行为的一种普遍的方法,这能更加深层次的反映学习者的学业状况,并发现他们学习中存在的隐含问题。而对于暂未发生的学习行为,我们可以通过预测其学习行为提前了解出学习者的学习情况,更是能在学习者进行某些不良行为习惯之前为教师或管理者提供预警能力,以及采取相应的干预措施。在总结相关研究的基础上,为了更好地建模学习者的行为,本文通过调查在线学习社区中学习者学习行为的点击流数据,在充分考量该数据的特性后:(1)从在线学习社区中的学习者的学习行为转换情况进行分类,再通过不同类别的学习者的行为和学习动机为基础,构建出隐马尔可夫模型,然后根据对同一类学习者的行为状态转换情况进行分析,构建出他们的行为状态转换矩阵,并以此构建出行为状态的马尔科夫模型,通过不同粒度的行为模型来探讨学习行为、学习状态和学习效果之间的关系;(2)为了更好的掌握学习者的学习情况,能及时的发现有问题的学习者,并能达到从对学习者学习后的数据分析到学习前提前预知的效果,本文在基于学习行为模型的基础上,分别针对不同情况的学习者,通过马尔可夫链和叠加马尔可夫链来对学习者的学习行为以及学习状态进行预测;(3)最后通过实证分析,以pslcdatashop.org数据仓库中,课程名称为Chinese Course的在线课程数据集为实验数据进行实验,完成对学习者行为的建模以及预测,从不同背景对学习行为建模和预测的实验结果进行分析,讨论了学习的行为、状态与效果之间的关系,并证明本研究提出方案的可行性与有效性。