《MOOC數據模型及其對課程與學習評價的效用研究》是依託北京大學，由李曉明擔任負責人的面上項目。
基本介紹
- 中文名：MOOC數據模型及其對課程與學習評價的效用研究
- 項目負責人：李曉明
- 項目類別：面上項目
- 依託單位：北京大學
項目摘要,結題摘要,
項目摘要
隨著MOOC的興起，教育大數據挖掘正成為一個重要的研究方向。本課題基於北京大學從2013年開始的MOOC實踐以及從中不斷獲得的大量學習行為數據，以困擾目前MOOC發展的課程與學習評價為背景，提出了哪些指標適合評價一門MOOC的優劣？在MOOC進展過程中，哪些跡象表明需要教師及時進行教學策略的調整？除了線上測驗和考試的分數外，哪些學習行為有助於判斷一個學習者的學習成效等三個問題。項目將結合信息技術與教育技術，採用建立多維數據模型、比對問卷實證關聯分析、過程性指標與完成性指標相結合等方法與技術路線，從數據模型的建立、影響評價指標的主要因素、結構化統計數據與非結構化文本內容數據的相互關係、個體學習行為和效果與群體活動的關係等四個方面開展研究，其研究目標包括有關數據模型、計算方法、指標建立與評測等，目標的達到不僅可以加深我們對網路時代學習的認識，而且具有指導改進MOOC教學的套用前景。
結題摘要
本項目基於北京大學在Coursera（https://www.coursera.org）上首次開設的6門課程的學習行為數據，運用統計分析、機器學習、社交網路分析、軟體開發、信息抽取、文本挖掘、自然語言處理等方法和技術，對慕課學習行為和效果以及提高慕課教學質量和效率等方面行了探索和研究，主要研究成果體現在以下幾個方面。1、提出了一套多維度分析慕課學習行為的建模方法，包括學習者自身、學生學習風格和學習能力、大規模協作學習生態等等，基於這些方法選取若干典型的學習行為特徵，對學生的學習成績和學習效果進行預測，可實現實時對學生的學習狀況進行自動監測，獲取教學效果的實時反饋數據，為課程教學的及時改進和完善提供參考意見；2、運用信息抽取的方法對慕課資源中的知識點進行提取，提出了一個可擴展性很強的半監督機器學習框架，並設計了課程領域學科無關的特徵；3、針對慕課中異構教學資源文檔的推薦問題進行研究，提出了三個基於神經網路的詞向量表示學習算法，基於對異構數據的語義化建模，可實現慕課中的文本和知識匹配自動關聯，為實現學生提問的自動回答和提示以及論壇內容的自動分類和歸檔提供了基礎。
