基于数据挖掘的MOOC学习者学业成绩预测与群体特征分析

摘要：

学习行为特征是学情分析的基础.基于MOOC学习行为数据对学习者学业成绩和群体特征进行预测,并及时实施教学干预,可以改善学习效果,显著降低辍学率.运用数据挖掘方法,对中国大学MOOC平台的课程数据进行探索发现:界面交互、内容交互、人际交互和参与考核4类学习行为与学业成绩之间存在显著相关关系,可作为学业成绩预测的关键指标;在预测算法方面,人工神经网络算法的性能优于决策树、贝叶斯和支持向量机,能更好地拟合学习行为与学业成绩之间的复杂相关性;MOOC学习群体主要分为优秀学习者、良好学习者、普通学习者和风险学习者4类,在整体上呈现"以内容交互、界面交互和参与评价为主,人际交互为辅"的特征.基于此,可从内容资源开发、教学方式创新与评价体系变革三方面进行教学干预,以降低MOOC辍学风险,提升学习者的参与度与完成率.

关键词：MOOC;教育数据挖掘;学业成绩预测;学习群体特征

所属期刊栏目：9

分类号：G646(高等教育)

资助基金：教育部人文社会科学研究规划基金项目"大学生在线学习力的评价与提升研究";辽宁省社会科学规划基金重点项目"基于社会认知理论的大学生在线学习力影响因素与提升策略研究";辽宁省教育厅科学研究经费项目"基于MOOC的大学生持续学习预测模型与干预机制研究"

在线出版日期：2021-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：95-105