MOOC数据模型及其对课程与学习评价的效用研究

As MOOC becoming a hot topic, mining of education big data is becoming an increasingly important research area. This project is based on the MOOC program at Peking University which was started back in 2013. Leveraging the large amount of data on learning behavior acquired from our MOOC program, the project aims to address the questions which most of the current MOOC programs are facing, how to evaluate a MOOC course and the learning effectiveness, what kind of criteria can be used for the evaluation? When a MOOC course is in prioress, what behavior can be used to trigger the teacher to make adjustment to the course strategy? Other than online quiz and test, what other learning behavior can be used for evaluating the effectiveness of the learning? The project will combine information technology and education science, apply multi-dimensional data model, uses comparison and analysis of the survey results and the empirical evidences, utilize the approach and methodology of combining the process indexes with the completion indexes. The research will focus on following areas, creating data model, defining the key factors influencing the evaluation criteria, the relationship between the structured statistical data and the unstructured content, the relationship between the individual learning behavior and effectiveness with respect to group activities. The goal of the research includes data modeling, computing methodology, criteria establishment and evaluation etc. We hope that the results of the project can help to enhance our understanding about learning in the internet era, and advance the development of MOOC.

随着MOOC的兴起，教育大数据挖掘正成为一个重要的研究方向。本课题基于北京大学从2013年开始的MOOC实践以及从中不断获得的大量学习行为数据，以困扰目前MOOC发展的课程与学习评价为背景，提出了哪些指标适合评价一门MOOC的优劣？在MOOC进展过程中，哪些迹象表明需要教师及时进行教学策略的调整？除了在线测验和考试的分数外，哪些学习行为有助于判断一个学习者的学习成效等三个问题。项目将结合信息技术与教育技术，采用建立多维数据模型、比对问卷实证关联分析、过程性指标与完成性指标相结合等方法与技术路线，从数据模型的建立、影响评价指标的主要因素、结构化统计数据与非结构化文本内容数据的相互关系、个体学习行为和效果与群体活动的关系等四个方面开展研究，其研究目标包括有关数据模型、计算方法、指标建立与评测等，目标的达到不仅可以加深我们对网络时代学习的认识，而且具有指导改进MOOC教学的应用前景。

本项目基于北京大学在Coursera（https://www.coursera.org）上首次开设的6门课程的学习行为数据，运用统计分析、机器学习、社交网络分析、软件开发、信息抽取、文本挖掘、自然语言处理等方法和技术，对慕课学习行为和效果以及提高慕课教学质量和效率等方面行了探索和研究，主要研究成果体现在以下几个方面。1）提出了一套多维度分析慕课学习行为的建模方法，包括学习者自身、学生学习风格和学习能力、大规模协作学习生态等等，基于这些方法选取若干典型的学习行为特征，对学生的学习成绩和学习效果进行预测，可实现实时对学生的学习状况进行自动监测，获取教学效果的实时反馈数据，为课程教学的及时改进和完善提供参考意见；2）运用信息抽取的方法对慕课资源中的知识点进行提取，提出了一个可扩展性很强的半监督机器学习框架，并设计了课程领域学科无关的特征；3）针对慕课中异构教学资源文档的推荐问题进行研究，提出了三个基于神经网络的词向量表示学习算法，基于对异构数据的语义化建模，可实现慕课中的文本和知识匹配自动关联，为实现学生提问的自动回答和提示以及论坛内容的自动分类和归档提供了基础。