论文edx平台教育大数据的学习行为分析和预测是适合edx论文写作的大学硕士及相关本科毕业论文，相关edx开题报告范文和学术职称论文参考文献下载。
【摘 要】 教育数据挖掘是一门新兴学科,通过分析学习行为记录归纳学习者的行为特点以提高教育质量,大规模在线开放课程学习者的学习行为记录为此提供充足素材.2012-2013学年哈佛大学和麻省理工学院在edX平台上开设了17门课程,本文选择其中16门课程60余万人次学习行为记录,归纳学习者学习行为特征,对部分典型行为特征进行数据挖掘,采用逻辑斯谛回归方法对成绩进行预测.实验表明,通过学习者的典型学习行为分析可以有效地判别其是否可以完成学习任务并获得证书.
【关键词】 慕课；学习行为；数据挖掘；成绩预测；学习者特征
【中图分类号】 G420 【文献标识码】 A 【文章编号】 1009—458x（2016）06—0054—06
MOOCs（Massive Open Online Courses）,即大规模在线开放课程（慕课）,是由加拿大学者Bryan Alexander和De Cormier在2008年提出的.2012年《科学》杂志上出现了研究人员对慕课的介绍,并展望它将改变未来的教育[1].2013年《自然》杂志详细介绍慕课的发展、现状和趋势[2].以edX、Coursera和Udacity为代表,慕课理念和实践得到了哈佛大学、麻省理工学院等国际优秀大学的认同 [3].北京大学李晓明教授认为两个因素：一是信息技术,主要是网络基础设施、Web2.0、音视频和云计算四个方面,使得慕课教学的良好体验成为可能；二是以学习者为中心的教育技术思想的成熟,使得慕课得以迅速流行[4].慕课以其独特的共享优势,使教育机会和教育公平变为现实,并得到广大学习者的高度认可,近千万用户通过网络学习优秀大学的优质课程,世界范围内大规模在线教育时代已经到来.
不同于传统的通过电视广播、互联网、辅导专线、函授等形式的远程教育,也不完全等同于近期兴起的教学视频网络共享公开课,更不同于基于网络的学习软件或在线应用.与传统的授课过程相比,慕课主要呈现出以下特点：① 慕课提供了丰富的课程资源,学习者可以根据自己的兴趣爱好,选择不同的授课者进行学习.② 慕课课程以知识点为一个授课环节,一般时间在10-20分钟之间. ③ 学习者可以根据课程进度安排,随意选择学习地点,重复学习课程内容.④ 慕课学习者的问题一般能得到及时回复.⑤ 慕课的成绩评价则结合学习者在整个学习过程中的表现.此外,在慕课模式下,课堂教学、学习进程、学生者的体验、师生互动过程、学习者互动过程等被完整、系统地在线实现.慕课的主体是学习者,慕课最大的特点在于海量的学习者和各种各样的学习者群体.学习者的学习动机、受教育程度、学习态度、学习方法也呈现多样性.慕课平台上学习者的相关资料（如年龄、性别、受教育程度、来自国家和地区等）和学习行为（如观看授课视频次数、参与教学互动次数、浏览教学内容次数、解答问题数、学习者之间的交互学习等）都会以丰富多样的形式记录下来.如何充分利用数据,根据学习者的相关资料及学习行为记录,对其学习成绩进行评定是一个挑战.
一、相关工作
教育数据挖掘是一门新兴学科,关注从海量数据中挖掘出对教育者和学习者有用的信息,以提高教育管理效率和学习效率.慕课处于高速发展阶段,已经有学者利用教育数据挖掘方法对慕课学习行为数据进行分析.Ho等分析了edX平台上的慕课学习者,认为：学习者已经遍布全球,欧洲学习者学习的课程数量最多,参与率最高,而东亚的少；男性学习者比例较高；慕课对于已经获得学士学位的学习者更有吸引力；学习者的平均年龄为24岁；半数学习者从未完成课程的学习；社会科学类课程的参与率最高,而人文科学类课程的参与率最低；课程参与率最高的人群是已获得博士学位的学习者；大多数学习者仅注册了一门课程,注册了多门课程的学习者的参与率更高,而注册课程多于6门的学习者参与率则下降[5].国内也有学者采用问卷调查等形式对MOOC课程学习过程进行研究[6].
对慕课学习者的学习行为分析与成绩预测的研究从方法上可以分为以下4类.
1. 通过率预测
Jiang 等人根据学习者一周的学习记录对其最终成绩进行预测[7].Ramesh等人对学习者的线上学习行为进行了区分,作为预测最终成绩的潜在特征[8],也用于预测学习者是否会参加最终测试[9].
2. 退出率预测
Balakrishnan等分析了伯克利大学开设的一门课程的退出情况,采用隐形马尔科夫模型,主要根据学习者观看授课视频的时间、浏览学习论坛帖子的数目、发帖数和学习所用的时间4个因素,判定学习者退出学习的机率[10].Halawa、Greene和Mitchell通过学习者的学习特征判定是否对学习失去兴趣,对退出率给出较准确的预测[11].Kloft采用决策支持向量机分析学习者的点击序列,对退出率进行判定[12].Taylor等基于学习者的群体特征进行判定[13].
3. 干预式预测
edX、Coursera、Udacity等平台上的慕课通过率都很低.一种解决办法是及时识别学习困难者,并及时干预,给予学习者一定的提醒和帮助.Williams 从认知心理学的角度进行了深入的研究,通过在MOOC课程视频中添加提问的方式提高学习者的积极性,对减少退出率的有效性进行了验证,并分析了不同交流措施对通过率的影响[14][15][16].He 等人根据多维因素对逻辑斯谛回归方法进行改进,通过预测,对处于边缘的学习者进行干预[17].
4. 关系挖掘
主要是分析哪些因素影响课程通过率或失败率.DeBoer等研究了年龄、性别、地区等人口统计特征对课程通过率的影响[18].Yang等研究了学习行为和在学习论坛中的地位对通过率的影响,以及学习者在论坛中的评论和学习者之间的相互作用对通过率的影响[19][20].这些研究对慕课课程设计有很大帮助.
总结:此文是一篇edx论文范文,为你的毕业论文写作提供有价值的参考。
参考文献：
1、 论思想政治教育大数据系统之构建 摘要：构建思想政治教育大数据系统，是思想政治教育工作创新发展的必然要求。着眼于可量化、个性化和精细化的价值定位，在构建的技术框架上可将思想政治教。
2、 基于易班高校网络思想政治教育大数据平台 摘 要 教育大数据为高校网络思想政治工作提供了全新的方法和视角，通过数据挖掘技术和人工智能分析技术，我们可以实现网络思想政治教育内容“千人千面”。
3、 eBay大数据猜出购买行为（四则） eBay大数据：猜出购买行为21世纪经济报道作为全球最大的拍卖网站，eBay对各种在线数据的分析无所不至，就像在每个顾客前面安装了摄像头一般。
4、 大数据引领高校思想政治教育个性化服务转型 21世纪，人类已经全面进入了信息化时代，通过互联网，云计算和未来物联网的普及，将会产生海量的数据，并且数据的增长呈现出指数级的加速，人类开始迈向。
5、 搭建大数据服务平台助推现代化服务型统计建设 随着科学技术水平和信息化程度的提升，我们迎来以大规模生产、分享和应用数据为主要内容和特征的大数据时代。面对大数据带来的新形势和新变化，作为生产和。