基于SPOC视频学习数据的学习行为特征分析方法

作者:张峰;刘迪;高莹 刊名:软件 上传者:李冰

【摘要】在基于小规模限制性在线课程(SmallPrivateOnlineCourse;SPOC)平台的学习过程中;教育数据为学习分析提供了依据;为了帮助教师改进教学策略;帮助学生改进学习效果;本文提出了一种综合考虑学生分类和视频学习时间的学习行为分析方法;旨在发现学生潜在的学习现象;并根据该现象对不同类型学生的学习行为之间的相似性和差异性进行分析和总结;发现不同类型学生的学习习惯以及影响学生学习效果的时间因素;通过案例分析表明;该方法可以为教师教学和学生学习提供反馈;辅助学生的自我调节学习和教师的个性化教学;

全文阅读

0引言随着计算机技术和互联网技术的发展,在线学习平台应运而生,在线学习也变得普及。小规模限制性在线课程(Small Private Online Course,SPOC)和翻转课堂[1-3]相结合的教学模式带动了个性化教育的发展。SPOC学习平台中记录了大量的学生视频学习数据,为进行学习分析提供了依据。目前有很多研究对学生的视频学习数据进行分析,发现影响学生学习的因素,预测学习结果,并提供反馈和干预。然而,现有研究所分析的影响学习的因素不够细化,集中在“登录时间”、“在线时长”、“观看次数”等粒度较粗的因素,没有从细粒度的因素去分析视频学习行为。同时,多数研究都将所有学生作为一个共同群体来研究,没有对不同类型的学生进行分类研究。本文提出了基于学生分类和学习时间组合的学习行为分析方法。首先,为了对学生学习行为进行个性化分析,发现不同类型学生在学习行为上的相似性与差异性,基于学习成绩对学生进行分类。然后,为了发现潜在的学生学习行为影响因素,本文提出了学习时间组合,对多个学习时间因素进行组合,并基于学习时间组合,对不同类型学生的视频学习数据进行分类统计。最后,分析不同类型学生在不同学习时间组合因素下的视频学习数据,发现学生学习规律,以及影响学生学习的因素,并对教师和学生进行反馈,从而辅助教师改进教学策略,为学生的自我调节学习提供帮助,从而实现教师的个性化教学和学生的个性化学习。1研究现状当前基于真实学习数据对学生学习行为分析的工作主要有如下2类工作。第一类工作基于学习数据,探究影响学生学习结果的学习行为,确立学习评价指标,建立预测模型,对学生学习行为进行动态预测,并提供教学反馈[4-15]。该类工作的重点在于预测,与本研究关系不大。第二类工作基于学习数据,对学生学习行为进行分析与对比,发现潜在的规律,为促进教学策略改进和学生学习提供依据[16-23]。该类工作基于粗粒度的影响因素分析学生学习行为,不能发现一些潜在的学习影响因素,例如,学生在不同学习阶段对学习时间的利用方式存在不同。综上,已有工作更加注重学习影响因素的多样性,没有对影响因素进行细化。同时,已有工作很少基于学生分类、学生聚类对学习数据进行个性化分析。本文将基于学生分类和细粒度的学习影响因素,对学生学习行为进行个性化分析,发现潜在的学习规律。2学习行为分析方法2.1方法框架视频学习行为特征分析方法的整体框架如图1所示。本方法首先基于成绩对学生进行分类,并且基于时间因素对视频学习数据进行分析;然后将每种类型学生的视频学习数据进行分类统计,并可视化呈现;然后,对视频学习数据进行分析,发现不同类型学生在学习行为上的共同点和不同点;最后,找出影响学生学习的因素并进行个性化反馈,帮助学生实现自我调节学习,同时帮助教师改进教学策略。图1学习行为分析框架Fig.1 Learning behavior analysis framework(1)学生分类为了对不同学习水平的学生学习行为进行个性化分析,本方法基于学习成绩对学生进行分类。实际中既可以基于成绩分数范围进行分类,也可以基于成绩名次范围进行分类。(2)基于学习时间的视频学习数据分析不同类型的学生在相同的时间范围内会有不同的学习行为,同一类型学生在不同时间段的学习行为也会发生变化。基于学习时间对视频学习数据进行分类统计和分析,可以发现学生在不同时间范围呈现出的不同学习行为。(3)个性化策略的实施对于学生,个性化反馈可以根据不同类型学生的学习表现和学习行为,发现其所存在的问题,并为不同类型的学生反馈不同的学习建议。学生根据反馈结果,发现自己所存在的问题,并

参考文献

引证文献

问答

我要提问