MOOC课程论坛活跃度衡量指标及影响因素浅析

分析MOOC课程论坛活跃度不高的原因和论坛的特点,对比论坛与常规问答系统的区别,提出活跃度的量化衡量指标。对东北大学MOOC平台软件工程和电工学两门课程的论坛数据进行统计分析,计算课程论坛的活跃度,结合课程作业和测试等教学环节设置情况及视频播放行为和作业提交等活动特征,分析课程论坛活跃度的影响因素,给出有助于提高论坛活跃度的建议。     

大规模网络课程中学习者学习行为分析

针对MOOC平台上学习者学习状况不易把握的现状,阐述在MOOC平台中对学习者进行学习行为分析的重要性,依托辽宁省精品资源共享课程平台,提出学习者学习行为属性模型,以模型是展开对学习者学习行为分析的展开研究,便于任课教师掌握学习者的学习情况,并以此为依据调整课程组织和教学方式,从而达到最优的教学效果。     

基于学习者行为特征的MOOCs学习伙伴推荐

大规模开放在线课堂的兴起给高等教育的全球化提供了契机。与大规模参与用户形成鲜明对比的是,目前课程普遍存在完成率不足的问题。造成学生退出的原因之一是学习者缺乏合适的学习伙伴相互交流以及时解决学习中遇到的问题。分析了开放课程中论坛用户的身份特征和学生用户在论坛讨论过程中的行为模式,建立了学习者行为特征模型和学生在讨论过程中形成的关系网络。根据课程内容建立关键词词典,并以此为主题词,提出了一种具有固定主题词的主题模型,进而推断关系网络潜在的主题分布,最终根据主题分布结果为学习者推荐学习伙伴。通过分析Coursera课程平台的真实数据,证明了该学习伙伴推荐方法能有效地挖掘出主题相关的学习者,为学习者相互推荐学习伙伴,在一定程度上将有助于提高学习者的积极性。     

中美MOOC学习者学习行为分析——基于edX公开数据集和国防科技大学梦课数据集

选取哈佛大学和麻省理工学院联合发布的ed X平台开放数据和国防科学技术大学MOOC教育平台数据作为研究基础,通过数据的处理、整合、分析,从平台、课程、学习者类型三个方面针对中美MOOC学习者学习行为进行分析,并从学习者类型出发,指出当下热点问题MOOC"高辍学率"的影响因素。     

MOOC中的学习行为研究综述

慕课（又称“MOOC”）,因其大规模和开放性等特点,已成为国内外互联网上的热点,给各个阶段的学习者带来非常的便利。在目前国内的有关于MOOC的研究中,对学习者的研究逐渐增多。通过论述学习者在MOOC中的学习行为来分析其对学习效果的影响。研究发现,学习行为对学习绩效等有密切的关系,通过研究学习者的学习行为和动机来探究对学习效果的影响从而有针对性地提出改进意见,通过总结、梳理对满意度和参与度的调查进行改进从而提升学习效果。     

基于Hadoop-Mahout的分布式课程推荐算法

针对MOOC(Massive Open Online Course)平台上同类及相似课程繁杂,在线学习者不易找到适合自己的课程,而导致学习效率降低,学习效果较差等问题,提出一种IRS课程评价方法,对在线课程进行相关的评价。结合用户偏好及IRS方法改进了机器学习框架Apache-Mahout的协同过滤推荐算法,对在线学习者进行个性化课程推荐。面对MOOC平台上大量的课程信息及学习者信息,基于Hadoop分布式云计算平台,设计了在线课程推荐并行算法。实验结果表明,提出的IRS推荐算法有效且适用于分布式云计算环境,同时验证了该算法在分布式环境下并行计算的高效性。     

移动学习对MOOC学习行为与效果的影响研究

移动设备的普及使得学生的学习方式发生了根本性的变化.研究移动学习对学生的学习行为和学习效果的影响,有助于完善和改进大规模开放在线课程(MOOC).本文采用定量研究分析方法对MOOC平台数据进行统计分析.结果表明,采用移动学习的学生对学习材料的参与度较高,并且完成课程学习的频率也较高.     

深度学习视阈下MOOC学习者流失预测及干预研究

MOOC（Massive Open Online Courses）在为学习者提供优质课程的同时，低完成率成为影响其有效推广的重要因素。通过对edX开放数据集分析发现，学习者的逐渐流失是导致MOOC课程低完成率的因素之一，且学习行为与成绩之间存在复杂的相关性；基于线性回归和深度神经网络（Deep Neural Network，DNN）预测学习者的成绩，实验证明，DNN能够更好地拟合学习行为与成绩之间复杂的相关性，实现对成绩更加精准的预测，预警学习者流失；对预测的潜在流失学习者迭代进行个性化的教学干预，提高MOOC课程的完成率。     

基于图对比学习的MOOC推荐方法

随着MOOC在线教育平台的飞速发展,课程和用户数量激增,学习者在面对种类繁多的课程时往往较难选择,传统的推荐方法在MOOC课程推荐中应用存在对曝光次数较低的课程推荐效果差和对噪声数据鲁棒性不足的问题。为给学习者提供高质量的推荐,提出一种图对比学习的MOOC推荐方法,同时针对二分图结构给出一种新的数据增强方法。对输入的用户项目交互的二分图随机添加或者删除边进行数据增强,得到两个子视图,使用图卷积神经网络对原始二分图和两个子视图进行节点特征提取得到用户和项目的节点表征,并构建推荐监督任务和对比学习的辅助任务进行联合优化,在此基础上将用户和项目的节点表征进行点积获得推荐结果。在MOOC数据集上进行Top-K推荐的实验结果表明,相较于LightGCN模型,该方法在Recall@5和NDCG@5上均有显著提升,最高分别提升7.8%和7.3%,能够有效提高模型对于曝光次数较低的课程的推荐准确性和对于噪声数据的鲁棒性。     

大规模开放在线课程的用户行为研究

结合用户研究领域理论,采用实证方法对MOOC的用户行为模式进行初步分析,探究用户需求,提出相应的用户激励方法和MOOC改进建议,以期为平台设计者提供参考,为相关领域的未来研究工作提供思路。     

MOOC学习特征分析及其在C语言教学中的应用

通过MOOC学习方式与传统网络教学方式的对比,分析目前高校C语言公共基础课程分类细化不足、学生在线学习参与度偏低等问题。提出了引入MOOC学习特征、优化课堂讲解内容、改革课程评价机制的方案。在初步教学改革实施过程中,取得了提高教学质量、提升学生课业参与度的阶段性成效。     

基于MOOC理念的军事职业素质教育研究

大规模在线开放课程(MOOC)是一种新型在线教学模式。针对全球MOOC的三大平台,文章从合作大学、课程数量、学习方式、学习效果、模式特征、盈利模式等角度进行比较分析,探讨MOOC的普遍特征与问题,分析全军发展MOOC课程的优势和建设对策。     

识别网络论坛中有影响力用户

网络论坛已经成为网络用户发布信息的重要渠道.在论坛中对热点话题的讨论影响着物理世界中人们的看法、观点以及国家政策法规的制定.由此提出一系列研究问题:如何计算用户影响力?不同主题不同时间下用户影响力如何比较?用户影响力发展趋势如何?根据幂律规律,大量用户形成“长尾”,如何识别有影响力用户?以主题为单位,提取用户间回复关系,构建用户对话关联图,回复次数和回复长度形成用户行为特征,入度和出度形成网络结构特征.在Pagerank算法基础上,结合用户行为特征以及用户间关联网络特征,提出基于多属性的用户影响力排序算法(multiple attributes rank,MAR).并依据发表时间进行时间段切分,得到论坛上每日有影响力用户排行榜,进一步分析了有影响力用户演化趋势.以天涯网络论坛真实数据进行实验,从多角度评价有影响力用户以及MAR排序算法,得到一些有趣结论并对未来工作进行了展望.     

“学习者中心”视角下的MOOC发展新思路

基于"学习者中心"的科学视角,提出将社交软件应用于MOOC平台,加强学习者学习特征分析,重视教学目标分析,精心设计教学内容的呈现方式,实现在线课程横向拓展、纵向梯度发展等,并在此基础上阐述关于MOOC未来发展的一些思考。     

基于深度学习的MOOC作弊行为检测研究

快速准确地检测出MOOC学习者的作弊行为,对维护MOOC平台的发展及学习者的正常学习具有重要意义。本文研究了一种深度学习混合模型用于MOOC作弊行为的检测。该模型通过融合了卷积神经网络、双向门控循环单元以及注意力机制,大大提升了单一模型的检测性能。本文选取某MOOC平台的学习行为数据进行了实验验证,实验结果显示该模型在验证集上的精确率、召回率、AUC和误报率分别达到98.51%、81.35%、91.07%和0.016%,具有良好的应用前景。另外,本文采用了数据扩增的方法以解决MOOC作弊行为检测中存在的数据不均衡问题,实验中通过该方法进行数据平衡后,该模型在相同的验证集上的AUC提升了1.78%。     

职业技术学院的MOOC建设模式研究

随着互联网的迅猛发展和在线学习需求的快速增长,MOOC作为一种开放的、大规模的、课程透明的在线学习形式,越来越受到各界的重视。但MOOC建设过程存在教师能力水平限制、受众群体定位误区、学习者学习需求和参与度关注不够、学分得不到有效认证、课程建设经费投入不够等诸多问题。针对上述问题,结合职业技术学院的特点,提出一种全新的MOOC建设模式。     

基于ASP的简易论坛网站的开发与设计

论坛目前不仅成为一种信息交流的平台,甚至成为了人们实现自我价值的一个舞台。系统开发采用ASP(Active Server Pages)技术实现动态网页,后台数据库使用SQL Server满足大量用户的需要。通过对网站测试和运行,系统能够实现用户的发帖、回复和论坛的基本管理等功能;为用户建立了一个实现在线交流的良好平台。     

网络教学平台学习行为分析及应用

本文利用网络教学平台上记录的学习者行为数据,分析学生的网上学习行为,探索课程通过率与学习者行为之间的关系.使用K-means算法对学习行为数据进行聚类分析,确定每名学生的学习者类型,总结网络课程学习者行为特点,并提出优化学习建议.     

基于慕课平台课程推送机制的研究

慕课(MOOC)的出现改变了传统的学习方式,为学习者多线程的个性化学习方式提供了平台。但学习者在学习的过程中会因为缺少课程体系的引导而出现学习进程受阻,学习效果不理想等问题。针对目前慕课平台缺少课程学习引导机制,分析并改进数据模型,构造了课程体系模型,设计了课程搜索和分类推送的算法。学习者利用改进后的慕课平台能够在学习过程中得到前序课程、后续课程以及跨专业课程的推荐。     

基于C语言程序设计谈在线虚拟实验用于MOOC教学

针对MOOC课程目前教与学的不对称性以及师生在线交流方式壁垒导致的MOOC难以开展细粒度教学问题,以C语言程序设计课程为例,探讨在线虚拟实验用于MOOC教学的方式,分析该课程在线教学中的痛点和难点问题,针对这些问题提出在线虚拟实验解决方案,同时介绍在线虚拟实验平台与MOOC平台无缝对接的解决方案,给出一个完整的技术赋能在线教学的系统方法,并通过MOOC课程后台数据说明该方法在解决教学难点上获得的显著成效。