论文部分内容阅读
摘要：分析MOOC学习质量评价存在的问题，以当前WEB程序设计技术为基础，构建了由教学视频关键控制点控制度QCCP、关键习题或任务完成度QTask、教学视频学习度完成度QVideo、课程测试评价QTest四种因素综合评价的学习质量评价模型，分别从学习的课程核心内容覆盖、知识要点运用、学习行为控制、综合测试多个方面进行评价，并利用归一化权重系数，实现模型灵活运用于不同类型课程。
关键词：MOOC；学习质量评价；评价模型
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）30-0155-03
MOOC Learning Quality Evaluation Model Based on WEB Technology
ZHONG Zhi-Hong
（Dept. of Computer and Information， Qiannan Normal University for Nationalities， Duyun 55800， China）
Abstract： Based on the current Web programming technology，the paper analyzes the existing problems of MOOC learning quality evaluation and costructs 4 comprehensive evaluation models：teaching video critical control point control system QCCP， the key task of QTask， exercises or tutorial video learning degrees to complete degree QVideo， total course test evaluation of four kinds of QTest.Using normalized weighted coefficient， the model can flexiblely evaluate different types of courses，from the core content of courses，knowledge application， learning behavior control， comprehensive testing.
Key words： MOOC； learning quality evaluation； evaluation model
1 概述
隨着计算机网络（尤其是移动互联网）和各种终端设备的发展，基于互联网 的大型开放式网络课程，即MOOC（massive open online courses），正如火如荼地在全世界快速发展。国外如美国斯坦福、哈弗，新加坡国立大学等均开设了面向全球的免费MOOC课程；国内不仅众多高校纷纷开设了在线精品课程，各省也在建设省级精品课程，而国家教育部旗下也在打造全国性的精品课程平台；同时，国内教育机构和投资者掀起了互联网教育热潮，并形成了庞大的互联网教育产业，如腾讯课堂、网易云学堂、淘宝教育、百度传课、新东方等等。
基于互联网的MOOC有着许多优点。一是一定程度上解决了教育公平问题，通过MOOC，所有的学员均可以聆听到高级讲师、专家、教授的高质量教学内容；二是MOOC课程整合多种社交网络工具，能够为學员提供专业的教学辅导支持；三是突破传统教学时间、空间的限制，能够为学员提供个性化的、有选择的、成体系的学习；四是学习效果好并且成本低廉。由于MOOC对于技能型、操作型课程教学拥有得天独厚的优势，传统的设计类、开发类的职业培训已经从线下转移到线上，在提高了人才培养质量的同时，大幅提高了人才培养的数量与规模。
MOOC与传统教学相比，也存在着一些缺点。一是学习互动性不强，学习孤独导致挫学率偏高；二是因为周围环境的影响，学员无法在虚拟课堂中全神贯注，导致学习效率下降；三是MOOC侧重于教授知识，缺乏人文、团队、氛围等传统教育的育人要素；四是由于学习及测试无人监管，容易出现挂机、代考等作弊行为。
利用现有的WEB技术手段，能够杜绝学员在MOOC学习与测试过程中作弊行为，保证公平公正。在此基础上，提出一个通用的学习质量评价模型，通过该模型能够多角度的、全方位的对学员的学习质量进行综合评价，并且能够灵活的适应各类型的课程。
2 WEB技术在MOOC防作弊中的应用
WEB技术的发展，特别是HTML语言以及浏览器客户端的不断升级优化，浏览器客户端的用户体验越来越好，使得B/S结构成为当前众多软件首选的体系结构。利用WEB技术，可以实现对用户客户端更多的控制与监视，能够用技术手段对学员的学习进度和学习行为进行监控，从而一定程度上解决远程教育无人监督、考勤缺位的情况。
1） 防挂机。在线学习中的挂机，就是学员播放视频教程后，并不认真学习而是从事其它与学习无关活动的现象。为了防止挂机行为，可以使用多种技术。一是可设置一定时间内（如10分钟）学员没有在浏览器或鼠标键盘做任何操作，视频教程停止播放或自动退出；二是在视频中插入交互习题或学习点，需要用户答题或确认后才能继续播放。
2） 防多客户端登录。多客户端登录是指同一用户，利用同一账号和密码在多台终端设备上同时登录进行学习，所谓“刷课”。WEB开发中可以利用会话及服务器技术，检测用户登录数，从而禁止多客户端登录行为。
3） 防代学与代考。MOOC中由于无人看管，代学与代考的现象非常普遍，这也是MOOC很难真实的评价学员学习质量的一个重要因素。目前几乎所有的设备都带有摄像头，浏览器可以调用摄像头，并随机时间对现场学习与考试学员进行拍照，通过人脸识别与比对，确保学习或考试者是学员本人。 4） 防作弊与多人答题。MOOC测试中，学员作弊行为主要包括：在当前设备中利用互联网搜索功能搜索答案；利用其它设备搜索答案；查阅图书；组织多人帮助答题或查阅答案等。使用WEB技术，可以杜绝或减少该现象。首先利用浏览器锁定技术，禁止学生浏览其他的页面，防止学生在测试设备中搜索答案；其次设置合理答题时间，减少学员查询答案的机会；再次，调用摄像头和麦克风，不定时随机对答题者及周围环境进行图片和声音的捕捉，利用声音识别技术做出判断，或者测试后教师人工进行考试现场判断。
3 MOOC课程学习质量评价模型
利用WEB技术，在MOOC中实现防挂机、防多客户端登录、防代学与代考、防作弊与多人答题等不公平现象后，基本能够确保学习过程的有效性，因此就能通过学员的学习情况进行学习质量的评价了。为了对学员的学习质量进行有效且灵活的评价，从学习过程、课程完成情况、课程测试等多个方面，建立了一个适用于所有MOOC课程的通用学习质量评价模型。
3.1 教学视频关键控制点控制度QCCP
在MOOC课程中，通过设置教学视频作为关键控制点（CCP），从而要求学员必须完成该控制点视频的学习，使得课程重要知识成为必学内容。但为了保证学习的灵活性与个性化，必学内容可以进行适当的删减，也即控制点不必完全完成，只要能够到达课程设置的关键控制点控制度QCCP即可。
[QCCP=CCPs/CCPN]
其中CCPS表示学员完成的关键控制点数量，CCPN表示MOOC课程中设置的教学视频关键控制点总数。由于CCPS<=CCPN，显然QCCP取值范围为[0，1]，值越大，表示学员对于课程核心内容学习得越完善，学习质量越高；当学员的QCCP小于课程设置的控制值时，则该学员不能进行課程的最终考核。
3.2 关键习题或任务完成度QTask
在MOOC课程中，设置关键习题或者任务，要求学员在完成相关知识点视频学习后，对关键习题或任务进行解答，并且获得该习题或任务的指定分值。学员的关键习题或任务完成度QTask定义如下：
[QTask=i=1SScorei/j=1NScorej]
其中Score为每个关键习题或任务的分值，S表示学员完成的关键习题或任务的数量，N表示MOOC课程中设置的关键习题或任务的点总数。显然QTask取值范围为[0，1]，值越大，表示学员正确完成的习题或任务越多，学习质量越高；当学员的QTask小于课程设置的完成度值时，则该学员不能进行课程的最终考核。
3.3 课程视频学习度完成度QVideo
學员通过MOOC进行学习时，可能利用视频的时间轴拖动，也可能对某个知识点反复学习，课程可以将学员视频学习时间作为其学习质量的一个评价因素。显然这里需要利用WEB技术手段，在记录学员学习时间时排除重复观看视频的时间。学员的课程视频学习度完成度QVideo定义如下：
[QVideo=TStudy/i=1NTVideoi]
其中TStudy表示学员在线学习视频程的总时长，TVideo表示每节视频课程的时长，N为MOOC课程中视频课程的总数。显然QVideo取值范围为[0，1]，值越大，表示学员学习时间越多；当学员的QVideo小于课程设置的完成度值时，则该学员不能进行课程的最终考核。
3.4 课程总测试评价QTest
完成了相关视频教程关键控制点和关键习题及任务后，学员将进入MOOC课程的课程测试环节。设学员的课程总测试评价QTest定义如下：
[QTest=i=1STScorei/j=1NTScorej]
其中TScore为测试中每道习题的分值，S表示学员正确回答习题的数量，N为测试中习题的总数。显然QTest取值范围为[0，1]，值越大，表示学员测试得分越高，学习质量越好；当学员的QTest小于课程设置的不及格值时，不能进入课程最终考核。
3.5 学员学习质量总评价Q
学员完成MOOC课程学习，用学习质量总评价Q来作为最终课程考核。学习质量总评价Q定义：
[Q=cCCP*QCCP cTask*QTask cVideo*QVideo cTest*QTest]
其中cCCP、cTask、cVideo、cTest分别为各学习质量因素的权重参数，取值范围均为[0，1]，且满足如下关系：
[cCCP cTask cVideo cTest=1]
显然通过调整cCCP、cTask、cVideo、cTest的取值，可以灵活地指定上述学习质量评价因素在总体评价中的权重或重要程度，以满足不同类型课程对于学员学习质量评估考核的要求。
由上面定义可知，学习质量总评价Q的取值范围为[0，1]，通过乘以指定的整数（如100），即可以得到整数形式的课程考核成绩，这显然增加了灵活性。
4 评价模型示例
学员登录MOOC系统，希望通过自主学习选修“数据库原理”课程。若“数据库原理”课程由20节教学视频构成，总时长为600分钟；设置了10个视频关键控制点，关键习题或任务20个、每个5分，课程测试含习题50道、每道2分；同时设置课程最终考核构成为：视频关键点的学习占20%（即cCCP=0.2）、习题完成度占20%（即cTask =0.2）、视频教程学习完成度占10%（即cVideo =0.1）、课程总测试占50%（即cTest=0.5）。
学员完成课程学习时的基本数据为：完成了8个视频控制点（即QCCP=0.8），答对16道关键习题（即QTask=0.8），学习视频的总时长为400分钟（即cVideo =0.67），总测试答对习题35道（即QTest=0.7），则根据学习质量评价模型，该学员的学习质量总评价Q为：
[Q=0.2*0.8 0.2*0.8 0.1*0.67 0.5*0.7=0.737]
如果希望成绩以百分制表示，则最后该学员课程总评结果为Round（100*Q）=74分，其中Round为四舍五入函数。
5 结束语
随着互联网，尤其是移动互联网的迅速发展，基于互联网 的MOOC在线教育作为教学模式的变革正在快速发展，并开始影响到教育领域的各个方面。利用现有的WEB技术手段，能够杜绝MOOC学习与测试过程中作弊行为，保证学习过程公平公正。在此基础上，提出了由教学视频关键控制点控制度QCCP、关键习题或任务完成度QTask、课程视频学习度完成度QVideo、课程总测试评价QTest等因素构成的学习质量评价模型，该模型能够适应MOOC中不同类型课程的学习质量评价需要。
参考文献：
[1] 周明.基于MOOC数据的学习行为分析与学习效果预测研究[J]. 华南师范大学学报2016.
[2] 蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，5 （3）.
[3] 李茜. 基于物联网技术的MOOC学习管理模型研究[J]. 广西民族大学学报：自然科学版，2015 （2）.
[4] 许斌，亓晋，常瑞云，胡筱旋. 基于双层阶段式教学目标的MOOC教学方法[J].软件导刊，2016 （7）.
[5] 吴文峻，吕卫锋. 大数据时代的大规模开放在线教育[J].计算机研教育，2013（20）.
关键词：MOOC；学习质量评价；评价模型
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）30-0155-03
MOOC Learning Quality Evaluation Model Based on WEB Technology
ZHONG Zhi-Hong
（Dept. of Computer and Information， Qiannan Normal University for Nationalities， Duyun 55800， China）
Abstract： Based on the current Web programming technology，the paper analyzes the existing problems of MOOC learning quality evaluation and costructs 4 comprehensive evaluation models：teaching video critical control point control system QCCP， the key task of QTask， exercises or tutorial video learning degrees to complete degree QVideo， total course test evaluation of four kinds of QTest.Using normalized weighted coefficient， the model can flexiblely evaluate different types of courses，from the core content of courses，knowledge application， learning behavior control， comprehensive testing.
Key words： MOOC； learning quality evaluation； evaluation model
1 概述
隨着计算机网络（尤其是移动互联网）和各种终端设备的发展，基于互联网 的大型开放式网络课程，即MOOC（massive open online courses），正如火如荼地在全世界快速发展。国外如美国斯坦福、哈弗，新加坡国立大学等均开设了面向全球的免费MOOC课程；国内不仅众多高校纷纷开设了在线精品课程，各省也在建设省级精品课程，而国家教育部旗下也在打造全国性的精品课程平台；同时，国内教育机构和投资者掀起了互联网教育热潮，并形成了庞大的互联网教育产业，如腾讯课堂、网易云学堂、淘宝教育、百度传课、新东方等等。
基于互联网的MOOC有着许多优点。一是一定程度上解决了教育公平问题，通过MOOC，所有的学员均可以聆听到高级讲师、专家、教授的高质量教学内容；二是MOOC课程整合多种社交网络工具，能够为學员提供专业的教学辅导支持；三是突破传统教学时间、空间的限制，能够为学员提供个性化的、有选择的、成体系的学习；四是学习效果好并且成本低廉。由于MOOC对于技能型、操作型课程教学拥有得天独厚的优势，传统的设计类、开发类的职业培训已经从线下转移到线上，在提高了人才培养质量的同时，大幅提高了人才培养的数量与规模。
MOOC与传统教学相比，也存在着一些缺点。一是学习互动性不强，学习孤独导致挫学率偏高；二是因为周围环境的影响，学员无法在虚拟课堂中全神贯注，导致学习效率下降；三是MOOC侧重于教授知识，缺乏人文、团队、氛围等传统教育的育人要素；四是由于学习及测试无人监管，容易出现挂机、代考等作弊行为。
利用现有的WEB技术手段，能够杜绝学员在MOOC学习与测试过程中作弊行为，保证公平公正。在此基础上，提出一个通用的学习质量评价模型，通过该模型能够多角度的、全方位的对学员的学习质量进行综合评价，并且能够灵活的适应各类型的课程。
2 WEB技术在MOOC防作弊中的应用
WEB技术的发展，特别是HTML语言以及浏览器客户端的不断升级优化，浏览器客户端的用户体验越来越好，使得B/S结构成为当前众多软件首选的体系结构。利用WEB技术，可以实现对用户客户端更多的控制与监视，能够用技术手段对学员的学习进度和学习行为进行监控，从而一定程度上解决远程教育无人监督、考勤缺位的情况。
1） 防挂机。在线学习中的挂机，就是学员播放视频教程后，并不认真学习而是从事其它与学习无关活动的现象。为了防止挂机行为，可以使用多种技术。一是可设置一定时间内（如10分钟）学员没有在浏览器或鼠标键盘做任何操作，视频教程停止播放或自动退出；二是在视频中插入交互习题或学习点，需要用户答题或确认后才能继续播放。
2） 防多客户端登录。多客户端登录是指同一用户，利用同一账号和密码在多台终端设备上同时登录进行学习，所谓“刷课”。WEB开发中可以利用会话及服务器技术，检测用户登录数，从而禁止多客户端登录行为。
3） 防代学与代考。MOOC中由于无人看管，代学与代考的现象非常普遍，这也是MOOC很难真实的评价学员学习质量的一个重要因素。目前几乎所有的设备都带有摄像头，浏览器可以调用摄像头，并随机时间对现场学习与考试学员进行拍照，通过人脸识别与比对，确保学习或考试者是学员本人。 4） 防作弊与多人答题。MOOC测试中，学员作弊行为主要包括：在当前设备中利用互联网搜索功能搜索答案；利用其它设备搜索答案；查阅图书；组织多人帮助答题或查阅答案等。使用WEB技术，可以杜绝或减少该现象。首先利用浏览器锁定技术，禁止学生浏览其他的页面，防止学生在测试设备中搜索答案；其次设置合理答题时间，减少学员查询答案的机会；再次，调用摄像头和麦克风，不定时随机对答题者及周围环境进行图片和声音的捕捉，利用声音识别技术做出判断，或者测试后教师人工进行考试现场判断。
3 MOOC课程学习质量评价模型
利用WEB技术，在MOOC中实现防挂机、防多客户端登录、防代学与代考、防作弊与多人答题等不公平现象后，基本能够确保学习过程的有效性，因此就能通过学员的学习情况进行学习质量的评价了。为了对学员的学习质量进行有效且灵活的评价，从学习过程、课程完成情况、课程测试等多个方面，建立了一个适用于所有MOOC课程的通用学习质量评价模型。
3.1 教学视频关键控制点控制度QCCP
在MOOC课程中，通过设置教学视频作为关键控制点（CCP），从而要求学员必须完成该控制点视频的学习，使得课程重要知识成为必学内容。但为了保证学习的灵活性与个性化，必学内容可以进行适当的删减，也即控制点不必完全完成，只要能够到达课程设置的关键控制点控制度QCCP即可。
[QCCP=CCPs/CCPN]
其中CCPS表示学员完成的关键控制点数量，CCPN表示MOOC课程中设置的教学视频关键控制点总数。由于CCPS<=CCPN，显然QCCP取值范围为[0，1]，值越大，表示学员对于课程核心内容学习得越完善，学习质量越高；当学员的QCCP小于课程设置的控制值时，则该学员不能进行課程的最终考核。
3.2 关键习题或任务完成度QTask
在MOOC课程中，设置关键习题或者任务，要求学员在完成相关知识点视频学习后，对关键习题或任务进行解答，并且获得该习题或任务的指定分值。学员的关键习题或任务完成度QTask定义如下：
[QTask=i=1SScorei/j=1NScorej]
其中Score为每个关键习题或任务的分值，S表示学员完成的关键习题或任务的数量，N表示MOOC课程中设置的关键习题或任务的点总数。显然QTask取值范围为[0，1]，值越大，表示学员正确完成的习题或任务越多，学习质量越高；当学员的QTask小于课程设置的完成度值时，则该学员不能进行课程的最终考核。
3.3 课程视频学习度完成度QVideo
學员通过MOOC进行学习时，可能利用视频的时间轴拖动，也可能对某个知识点反复学习，课程可以将学员视频学习时间作为其学习质量的一个评价因素。显然这里需要利用WEB技术手段，在记录学员学习时间时排除重复观看视频的时间。学员的课程视频学习度完成度QVideo定义如下：
[QVideo=TStudy/i=1NTVideoi]
其中TStudy表示学员在线学习视频程的总时长，TVideo表示每节视频课程的时长，N为MOOC课程中视频课程的总数。显然QVideo取值范围为[0，1]，值越大，表示学员学习时间越多；当学员的QVideo小于课程设置的完成度值时，则该学员不能进行课程的最终考核。
3.4 课程总测试评价QTest
完成了相关视频教程关键控制点和关键习题及任务后，学员将进入MOOC课程的课程测试环节。设学员的课程总测试评价QTest定义如下：
[QTest=i=1STScorei/j=1NTScorej]
其中TScore为测试中每道习题的分值，S表示学员正确回答习题的数量，N为测试中习题的总数。显然QTest取值范围为[0，1]，值越大，表示学员测试得分越高，学习质量越好；当学员的QTest小于课程设置的不及格值时，不能进入课程最终考核。
3.5 学员学习质量总评价Q
学员完成MOOC课程学习，用学习质量总评价Q来作为最终课程考核。学习质量总评价Q定义：
[Q=cCCP*QCCP cTask*QTask cVideo*QVideo cTest*QTest]
其中cCCP、cTask、cVideo、cTest分别为各学习质量因素的权重参数，取值范围均为[0，1]，且满足如下关系：
[cCCP cTask cVideo cTest=1]
显然通过调整cCCP、cTask、cVideo、cTest的取值，可以灵活地指定上述学习质量评价因素在总体评价中的权重或重要程度，以满足不同类型课程对于学员学习质量评估考核的要求。
由上面定义可知，学习质量总评价Q的取值范围为[0，1]，通过乘以指定的整数（如100），即可以得到整数形式的课程考核成绩，这显然增加了灵活性。
4 评价模型示例
学员登录MOOC系统，希望通过自主学习选修“数据库原理”课程。若“数据库原理”课程由20节教学视频构成，总时长为600分钟；设置了10个视频关键控制点，关键习题或任务20个、每个5分，课程测试含习题50道、每道2分；同时设置课程最终考核构成为：视频关键点的学习占20%（即cCCP=0.2）、习题完成度占20%（即cTask =0.2）、视频教程学习完成度占10%（即cVideo =0.1）、课程总测试占50%（即cTest=0.5）。
学员完成课程学习时的基本数据为：完成了8个视频控制点（即QCCP=0.8），答对16道关键习题（即QTask=0.8），学习视频的总时长为400分钟（即cVideo =0.67），总测试答对习题35道（即QTest=0.7），则根据学习质量评价模型，该学员的学习质量总评价Q为：
[Q=0.2*0.8 0.2*0.8 0.1*0.67 0.5*0.7=0.737]
如果希望成绩以百分制表示，则最后该学员课程总评结果为Round（100*Q）=74分，其中Round为四舍五入函数。
5 结束语
随着互联网，尤其是移动互联网的迅速发展，基于互联网 的MOOC在线教育作为教学模式的变革正在快速发展，并开始影响到教育领域的各个方面。利用现有的WEB技术手段，能够杜绝MOOC学习与测试过程中作弊行为，保证学习过程公平公正。在此基础上，提出了由教学视频关键控制点控制度QCCP、关键习题或任务完成度QTask、课程视频学习度完成度QVideo、课程总测试评价QTest等因素构成的学习质量评价模型，该模型能够适应MOOC中不同类型课程的学习质量评价需要。
参考文献：
[1] 周明.基于MOOC数据的学习行为分析与学习效果预测研究[J]. 华南师范大学学报2016.
[2] 蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，5 （3）.
[3] 李茜. 基于物联网技术的MOOC学习管理模型研究[J]. 广西民族大学学报：自然科学版，2015 （2）.
[4] 许斌，亓晋，常瑞云，胡筱旋. 基于双层阶段式教学目标的MOOC教学方法[J].软件导刊，2016 （7）.
[5] 吴文峻，吕卫锋. 大数据时代的大规模开放在线教育[J].计算机研教育，2013（20）.