基于聚类分析的SPOC学习者影响因素分析及预测研究.pdfVIP

基于聚类分析的SPOC学习者影响因素分析及预测研究

摘要

随着信息科技在教学领域内广泛开展和应用，线上学习已经成为了不可或缺

的教学形式之一。与线下教学相比，线上学习中的学习者行为特征轨迹更加容易被

记录下来，呈现出不同学习者的显著性差异。同时，小规模私有在线课程（SPOC）

的兴起，相比于大规模开放在线课堂（MOOC）更加突显深度的学习过程特色和教

学管理。

为了深入理解这一背景下的学习者情况和效果，设计、收集和整理包含人口信

息、学习投入、人际交互、知识掌握和绩效表现多维度的学习者行为记录数据集。

研究采取K-means聚类算法将85名SPOC学习者划分为三类学习群体，进行特征

描述，归类为积极参与型、常规普通型和被动消极型三类。为挖掘出每类学习群体

潜在的影响行为模式，对学习过程中产生的学习行为特征变量，进行影响因素分析。

研究发现：积极参与型学习群体重视讨论交流和文章阅读，作业得分和相关考试成

绩之间都呈现显著的正相关，学习过程连贯性强，注重知识内化和应用；常规普通

型学习群体主要依赖于视频学习来完成课程任务，学习系统性较好，是课堂交互中

回答的主体部分，但在学习深度上需要加强；被动消极型学习群体学习动机和自主

性欠缺，课程出勤没有保证，学习行为产生少，几乎停留在被动观看视频为主，知

识点的联系之间也存在脱节的情况。与此同时，研究进一步挖掘出与学习成绩相关

的在线学习行为特征变量，从而构建不同算法的回归预测模型，包括有多元线性回

归、Lasso回归、多项式回归、决策树回归和支持向量机回归，预测出学习成绩值，

拟合出最优模型，达到一个早期学情预测的效果。教学者对学习者的学习成效的掌

握，由主观经验判断转向数据驱动，合理分配教学资源，提升学习整体成效，避免

课程风险。

综上所述，本文通过相关教育数据挖掘技术，聚类分析出不同学习群体进行影

响因素分析和预测分析，并检验和评估其效果。研究结论能够为学习群体下的个性

化教学和精准教学提供帮助和支持，改善教学质量带来适用性建议，也为后续研究

者提供一些实验实例和视角。

关键词：SPOC，K-means聚类算法，影响因素分析，回归预测，学习群体

AStudyonAnalyzingandPredictingInfluentialFactorsof

SPOCLearnersBasedonClusterAnalysis

ABSTRACT

Withtheextensivedevelopmentandapplicationofinformationtechnologywithin

theteachingfield,onlinelearninghasbecomeoneoftheindispensableformsofteaching.

Comparedwithofflineteaching,thetrajectoryoflearnersbehavioralcharacteristicsin

onlinelearningismoreeasilyrecorded,showingsignificantdifferencesbetweendifferent

learners.Atthesametime,theriseofsmall-scaleprivateonlinecourses(SPOC)

highlightsmorein-depthlearningprocesscharacteristicsandteachingmanagementthan

massivelyopenonlineclassrooms(MOOC).

Inordertogainadeeperunderstandingofthelearnersituationandeffectivenessin

thiscontext,adatasetoflearnerbehavioralrecordscontainingmulti-dimensional

informationondemographic