电路分析MOOC后台数据分析与挖掘

第１６卷㊀第５期２０１８年１０月实验科学与技术
ＥｘｐｅｒｉｍｅｎｔＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ
ＶｏＬ １６Ｎｏ ５Ｏｃｔ ２０１８
实验技术
电路分析ＭＯＯＣ后台数据分析与挖掘
刘㊀喆ꎬ赵伟宇ꎬ陈晓行ꎬ汪㊀玲ꎬ吴㊀涛ꎬ董爱军ꎬ郑㊀虎ꎬ钟洪声ꎬ崔红玲ꎬ宋亚梅
(电子科技大学电子科学与工程学院ꎬ四川成都６１１７３１)
摘要㊀为了发现ＭＯＯＣ课程学习者的学习规律和趋势ꎬ该文利用电子科技大学电路分析基础ＭＯＯＣ课程后台数据ꎬ从参与者类型㊁课程各知识点关联分析㊁学习效果预测等方面ꎬ进行了详细的数据挖掘与分析ꎮ分析结果表明:学习者参与测试和讨论次数越多ꎬ则获得ＭＯＯＣ证书的可能性越大ꎻ 基尔霍夫定理和参考方向 知识点的掌握程度与课程各单元测试成绩之间存在着很强的关联性ꎻ利用各知识点和单元测试成绩ꎬ建立的线性模型ꎬ可以很好地预测学习效果ꎻ与其他ＭＯＯＣ课程一样ꎬ该电路分析基础课的ＭＯＯＣ也具有讨论积极性欠缺的问题ꎮ该文的数据挖掘工作为进一步提升学习效果㊁优化ＭＯＯＣ课程结构提供了重要的依据ꎮ
关㊀键㊀词㊀大规模在线开放课堂ꎻ数据挖掘ꎻ关联分析ꎻ电路分析课程
中图分类号㊀ＴＰ１８１
文献标志码㊀Ａ
ｄｏｉ:１０ ３９６９/ｊ ｉｓｓｎ １６７２－４５５０ ２０１８ ０５ ００４
ＤａｔａＡｎａｌｙｓｉｓａｎｄＭｉｎｉｎｇｏｆＭＯＯＣＤａｔａＦｒｏｍＣｉｒｃｕｉｔＡｎａｌｙｓｉｓＣｏｕｒｓｅ
ＬＩＵＺｈｅꎬＺＨＡＯＷｅｉｙｕꎬＣＨＥＮＸｉａｏｘｉｎｇꎬＷＡＮＧＬｉｎｇꎬＷＵＴａｏꎬＤＯＮＧＡｉｊｕｎꎬＺＨＥＮＧＨｕꎬ
ＺＨＯＮＧＨｏｎｇｓｈｅｎｇꎬＣＵＩＨｏｎｇｌｉｎｇꎬａｎｄＳＯＮＧＹａｍｅｉ
(ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａꎬＣｈｅｎｇｄｕ６１１７３１ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ㊀ＩｎｏｒｄｅｒｔｏｆｉｎｄｔｈｅｌｅａｒｎｉｎｇｒｕｌｅｓａｎｄｔｒｅｎｄｓｏｆｔｈｅＭＯＯＣｃｏｕｒｓｅｌｅａｒｎｅｒｓꎬｔｈｉｓｐａｐｅｒｕｓｅｓｔｈｅｂａｃｋｇｒｏｕｎｄｄａｔａｏｆｔｈｅＭＯＯＣｃｏｕｒｓｅｏｆｔｈｅｃｉｒｃｕｉｔａｎａｌｙｓｉｓｆｏｕｎｄａｔｉｏｎｏｆｔｈｅＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａꎬａｎｄｍａｋｅｓｄｅｔａｉｌｅｄｄａｔａｍｉｎｉｎｇａｎｄａｎａｌｙｓｉｓｆｒｏｍｔｈｅｔｙｐｅｓｏｆｐａｒｔｉｃｉｐａｎｔｓꎬｔｈｅｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｏｆｅａｃｈｋｎｏｗｌｅｄｇｅｐｏｉｎｔｉｎｔｈｅｃｏｕｒｓｅꎬｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｌｅａｒｎｉｎｇｅｆｆｅｃｔａｎｄｓｏｏｎ.Ｔｈｅｔｙｐｅｓｏｆｐａｒｔｉｃｉｐａｎｔｓꎬｔｈｅａｓｓｏｃｉａｔｉｏｎａｎａｌｙｓｉｓｏｆｄｉｆｆｅｒｅｎｔｔｏｐｉｃｓｉｎｔｈｅｃｏｕｒｓｅꎬａｓｗｅｌｌａｓｔｈｅａｎ￣ｔｉｃｉｐａｔｉｏｎｏｆｔｈｅｆｉｎａｌｔｅｓｔｉｎｇｇｒａｄｅｓａｒｅａｄｄｒｅｓｓｅｄｉｎｔｈｅｐａｐｅｒ.Ｔｈｒｏｕｇｈｔｈｅｄａｔａｍｉｎｉｎｇｗｏｒｋꎬｔｈｅｆｏｌｌｏｗｉｎｇｉｎｔｅｒｅｓｔｉｎｇｃｏｎｃｌｕｓｉｏｎｓｃａｎｂｅｒｅａｃｈｅｄ.ＦｉｒｓｔꎬｔｈｅｍｏｒｅｔｈｅｌｅａｒｎｅｒｓｐａｒｔｉｃｉｐａｔｅｉｎｔｈｅｔｅｓｔａｎｄｄｉｓｃｕｓｓｉｏｎꎬｔｈｅｈｉｇｈｅｒｔｈｅｐｏｓｓｉｂｉｌｉｔｙｏｆｏｂｔａｉｎｉｎｇｔｈｅＭＯＯＣｃｅｒｔｉｆｉｃａｔｅ.Ｓｅｃｏｎｄꎬｔｈｅｒｅｉｓｓｔｒｏｎｇａｓｓｏｃｉａｔｉｏｎｂｅｔｗｅｅｎｔｈｅｍａｓｔｅｒｙｏｆｔｈｅ Ｋｉｒｃｈｈｏｆｆｔｈｅｏｒｅｍｔｅｓｔａｎｄｔｈｅｒｅｆｅｒｅｎｃｅｄｉｒｅｃｔｉｏｎ ｋｎｏｗｌ￣ｅｄｇｅｐｏｉｎｔａｎｄｔｈｅｕｎｉｔｔｅｓｔｒｅｓｕｌｔｓ.ＴｈｉｒｄꎬｉｔｃａｎｐｒｅｄｉｃｔｔｈｅｌｅａｒｎｉｎｇｅｆｆｅｃｔｖｅｒｙｗｅｌｌｌｉｋｅｏｔｈｅｒＭＯＯＣｃｏｕｒｓｅｓꎬｗｈｉｃｈａｌｓｏｌａｃｋｔｈｅｅｎｔｈｕｓｉａｓｍｔｏｄｉｓｃｕｓｓ.Ｔｈｅｄａｔａｍｉｎｉｎｇｉｎｔｈｉｓｐａｐｅｒｐｒｏｖｉｄｅｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｆｕｒｔｈｅｒｅｎｈａｎｃｉｎｇｔｈｅｌｅａｒｎｉｎｇｅｆｆｅｃｔａｎｄｏｐｔｉｍｉ￣ｚｉｎｇｔｈｅｓｔｒｕｃｔｕｒｅｏｆＭＯＯＣｃｏｕｒｓｅ.
Ｋｅｙｗｏｒｄｓ㊀ＭＯＯＣꎻｄａｔａｍｉｎｉｎｇꎻａｓｓｏｃｉａｔｉｏｎａｎａｌｙｓｉｓꎻｃｉｒｃｕｉｔａｎａｌｙｓｉｓｃｏｕｒｓｅ
收稿日期:２０１７－０１－０４ꎻ修改日期:２０１７－０３－２２
基金项目:电子科技大学电子科学与工程学院教学改革研究项目(ＤＧＪＹ２０１６０１５)ꎮ作者简介:刘喆(１９７８－)ꎬ女ꎬ博士ꎬ副教授ꎬ主要从事信号处理及电路分析教学研究ꎮ
㊀㊀大规模在线开放课堂(ｍａｓｓｉｖｅｏｎｌｉｎｅｏｐｅｎ
ｃｌａｓｓꎬＭＯＯＣ)ꎬ又称为慕课ꎬ是利用高校的课程资源以及开放的网络媒体进行知识传播的一种新兴方式[１]ꎮ该方式自２０１１年在斯坦福大学开展以来[２]ꎬＭＯＯＣ一直处于井喷式发展的阶段ꎬ正在迅速改变着传统的教学与学习方式ꎮ目前ＭＯＯＣ的主流平台有ｅｄＸ㊁Ｃｏｕｒｓｅｒａ㊁Ｕｄａｃｉｔｙ以及中国大学ＭＯＯＣ等ꎬ各主流平台上开设的ＭＯＯＣ课程数目至今已经达到数千门之多ꎬＭＯＯＣ参与者累计达到百万之多ꎮ
ＭＯＯＣ得以快速发展的重要原因在于其可以打
破传统课堂的时空界限ꎬ为学习者提供一个开放㊁无界的学习课堂ꎮ与此同时ꎬＭＯＯＣ还具备另一重大优势ꎬ即其具备对学习参与者学习行为数据的记录功能ꎬ可以为教师和课程设计者提供大量的后台数据ꎮ这些数据中隐含着大量有价值的信息ꎬ有效利用ＭＯＯＣ数据㊁充分挖掘出有用信息ꎬ可以为提升ＭＯＯＣ学习效果㊁优化课程结构并提高教学质量提供重要的依据ꎬ因此ＭＯＯＣ数据挖掘与分析已成为当前ＭＯＯＣ研究领域最为关注的课
第１６卷㊀第５期刘㊀喆ꎬ等:电路分析ＭＯＯＣ后台数据分析与挖掘
题和研究热点[３－５]ꎮ
目前ꎬＭＯＯＣ数据挖掘工作都是利用ＭＯＯＣ平台提供的后台数据展开ꎮ文献[６]针对ｅｄＸ提供的２０１２~２０１３年两年的开放数据ꎬ分析了课程参与者类型以及影响ＭＯＯＣ成绩的因素ꎻ文献[７]则针对Ｃｏｕｒｓｅｒａ平台上的六门课程数据ꎬ对参与者分类ꎬ并通过记录的学习者观看视频次数㊁参与测试次数等数据ꎬ分析学习行为与学习效果之间的关系ꎻ文献[８]针对东北大学高级语言课程数据课的ＭＯＯＣ课程中１００个学生的学习行为记录ꎬ分析学习行为之间以及学习行为与成绩之间的关系ꎻ文献[９]基于清华大学 学堂在线 电路分析课程的数据进行ꎬ使用ｌｏｇｉｔ和ｔｏｂｉｔ模型ꎬ分析了课程参与度与完成度之间的关系ꎻ此外ꎬ文献[１０]还针对Ｃｏｕｒｅｓｅａ三门课程的论坛讨论内容进行了情感分析ꎮ由此可见ꎬ目前的ＭＯＯＣ数据分析研究ꎬ集中于分析ＭＯＯＣ参与者类型㊁ＭＯＯＣ成绩的影响因素㊁情感分析以及学习行为等较为全局的概括分析ꎬ但针对构成一门ＭＯＯＣ课程各个知识点的学习效果数据统计㊁关联分析和预测等研究则较少ꎮ而针对各个知识点数据的详细分析更有助于教学者发现课程参与者学习规律和趋势ꎬ因此相关研究对进一步优化ＭＯＯＣ课程㊁提升学习效果具有重要的指导意义ꎮ
电子科技大学电路分析基础ＭＯＯＣ(以下简称电路ＭＯＯＣ)第一期课程于２０１６年２月至７月在 中国大学ＭＯＯＣ平台 上线ꎬ该门课程的ＭＯＯＣ后台详细记录了课程参与者在各个知识点的测试参与人数㊁测试成绩ꎬ以及在线讨论参与情况等数据ꎮ由于测试成绩是衡量ＭＯＯＣ学习效果的重要标准ꎬ因此本文围绕各知识点测试成绩ꎬ从以下四个方面进行了详细的挖掘与分析:１)统计分析了电路ＭＯＯＣ参与者参加测试的次数与通过测试人数之间的关系ꎻ
２)根据参加测试㊁讨论的频繁程度ꎬ把电路ＭＯＯＣ的参与者进行类型划分ꎬ并统计分析了各类型参与者的学习效果ꎻ３)对电路ＭＯＯＣ各知识点测验成绩进行关联性分析ꎻ４)利用各个知识点测试成绩ꎬ对综合测试成绩的趋势进行预测ꎮ
２㊀电路ＭＯＯＣ数据挖掘与分析
２ １㊀电路ＭＯＯＣ数据统计分析
电路ＭＯＯＣ第一期课程先后共有１９３９３人注册了课程的学习ꎬ其中退选５３９人ꎬ实际注册１８８５４人ꎮ电路ＭＯＯＣ课程主要由课程视频㊁测试以及讨论区三部分组成ꎮ课程内容由直流电阻电路㊁动态电路暂态分析和正弦稳态电路分析三个基本单元构成ꎬ共涵盖１６个知识点ꎮ为了便于教学者掌握学习效果ꎬ针对每个知识点和基本单元都设计了测验ꎬ并在课程结束前进行了综合测试ꎮ本次电路ＭＯＯＣ共２３１６人获得证书ꎬ占注册人数的１２ ３％ꎮ如表１所示ꎬ列出了该课程的基本信息统计结果ꎮ
表１㊀电路ＭＯＯＣ课程信息统计
项目内容课程开设时间结束时间课时时长课程负荷统计电路分析基础２０１６－０２－２２２０１６－０６－２４１９周４－６小时每周项目内容测验次数视频次数证书要求注册人数获得证书人数统计２０次５６次综合测评１８８５４２３１６
㊀㊀为了便于后续的数据挖掘分析ꎬ针对各个知识点测试㊁单元测试及综合测试用数字１~２０进行编号ꎬ对应关系如表２所示ꎮ
如图１所示ꎬ给出了各次测验参加人数的统计图ꎬ横坐标为各次测试的编号ꎮ由图可知ꎬ每次测验参加的人数波动不大ꎬ平均人数为２１４０人ꎬ每次测验参与者平均人数占注册者总人数的比例约１１％ꎮ未参加任何测试的人数为１５８２７人ꎬ而参加一次以上测验的人数为３０２７人ꎬ占注册总人数的比例约１６％ꎮ
表２㊀电路ＭＯＯＣ测验内容及编号对应表
７１
实验科学与技术２０１８年１０月表２(续表)
㊀㊀如图２
人数与取得证书的人数的对比图ꎬ其中横坐标为总的参加测试的次数ꎬ蓝色和绿色柱状条分别表示１~２０的测验次数所对应的参加测试人数以及其中取得证书的人数ꎮ需要说明的是ꎬ电路ＭＯＯＣ注册者是否可以得到ＭＯＯＣ证书ꎬ是由各次测试成绩加权平均得到的ＭＯＯＣ最终成绩决定ꎬＭＯＯＣ最终成绩大于６０分者才可以获得ＭＯＯＣ证书ꎬ即完成课程ꎬ因此参加测验次数为０的学习者是无法获得证书的ꎬ其人数未在图２中给出ꎮ由图可以发现ꎬ当学习者参加测试次数较少时ꎬ如小于８次ꎬ则其中只有很小比例能够取得证书ꎻ而参加测试次数越多ꎬ如１０次以上的参与者ꎬ最终获取证书的可能性越大ꎮ因此ꎬ从以上统计结果可知ꎬ参加测试次数越多的学习者ꎬ越可能获得ＭＯＯＣ证书ꎬ反之亦然ꎮ
㊀㊀㊀图１㊀各次测验参加者人数统计
㊀㊀图２㊀参加者完成测验次数与完成课程人数统计
由于ＭＯＯＣ学习人数和最终获得证书的人数普遍远低于课程的注册人数ꎬ从表１中的 注册人数 和 获得证书人数 就可以看出ꎬ最终获得证书的人数或有成绩的人数最多只占注册者的
１２ ３％ꎬ因此非常有必要对ＭＯＯＣ课程参与者的参与行为与获得证书的关系进行分析ꎮ考虑到测试与讨论是ＭＯＯＣ两个最为重要的参与行为ꎬ为此ꎬ以参加测试与讨论的次数作为衡量参与者积极程度的指标ꎬ按照表３中的标准将学习者参与类型分为以下５种类型ꎮ
１)ＮＯ－ＳＨＯＷＳ:只注册ꎬ不参与测试和讨论ꎮ２)ＯＢＥＲＳＥＲＳ:偶尔参与测试㊁讨论ꎮ３)ＤＲＯＰＩＮ:偶尔参与测试㊁经常参与讨论ꎮ４)ＩＮＡＣＴＩＶＥ:经常参与测试㊁不常讨论ꎮ５)ＡＣＴＩＶＥ:经常参与测试和讨论ꎮ
表３㊀ＭＯＯＣ参与者类型划分标准
ＭＯＯＣ类型参加测试/次参加讨论/次ＮＯ－ＳＨＯＷＳ００
ＯＢＥＲＳＥＲＳ大于０且小于１０大于０且小于１０ＤＲＯＰＩＮ大于０且小于１０大于等于１０次ＩＮＡＣＴＩＶＥ大于等于１０次大于０且小于１０ＡＣＴＩＶＥ大于等于１０次大于等于１０次㊀㊀在这次电路ＭＯＯＣ课程中ꎬ参与讨论的人数为１００６人ꎬ其中参加讨论１０次以上者有６４０人ꎬ讨论次数在１０次以下且大于０次的有３６６人ꎮ参与测验的人数为３０１６人ꎬ其中参与测验在１０次及以上的有２２８５人ꎮ根据这些统计数据ꎬ以及表３的ＭＯＯＣ学习类型分析标准ꎬ可以得到５种ＭＯＯＣ参与者类型人数及各类型参与者获得证书的比例ꎬ统计结果如表４所示ꎮ
由表４可以发现ꎬ电路ＭＯＯＣ参与者中ꎬ注册后不参加任何学习活动的ＮＯ－ＳＨＯＷＳ人数最多ꎬ占注册人数的８３ ４％ꎻ此外ꎬ所占比例多的
８１
第１６卷㊀第５期刘㊀喆ꎬ等:电路分析ＭＯＯＣ后台数据分析与挖掘
是ＩＮＡＣＴＩＶＥ类型的参与者ꎬ这种类型的参与者会经常参加测验ꎬ却很少在讨论区发言讨论ꎮ因此电路ＭＯＯＣ存在 注册人数多㊁积极参与人数少以及不积极讨论 的现象ꎬ这也是ＭＯＯＣ课程的普遍共有问题[６－１０]ꎮ
此外ꎬ表４还表明ꎬ各类型参与者中ꎬ获得证书比例最高的ꎬ是ＡＣＴＩＶＥ类型的学习者ꎬ占该类型学习者的９６ ３％ꎻ获得证书比例次高的ꎬ是ＩＮ￣ＡＣＴＩＶＥ类型的学习者ꎬ占该类型学习者的８９ １％ꎬ这两类学习者的差异在于是否积极参与讨论ꎮ对比可知ꎬ能够积极参与讨论的学习者ꎬ更易获得证书ꎮ这也说明ꎬ积极参与讨论的ＡＣＴＩＶＥ学习者比ＩＮＡＣＴＩＶＥ在ＭＯＯＣ学习中投入更多ꎬ课程学习效果也越好ꎮ因此如何优化课程设计ꎬ让更多的学习者积极参与到讨论与测试中是ＭＯＯＣ课程提供者的重要任务之一ꎮ
２ ３㊀ＭＯＯＣ数据关联性分析
为了分析电路ＭＯＯＣ各知识点之间的关联性ꎬ本节利用本次课程后台获得的前１９次测试成绩数据进行关联性分析ꎮ
关联性分析处理的流程图如图３所示ꎮ处理步骤共分为数据获取㊁数据预处理㊁构建频繁项集以及建立关联规则４个步骤ꎮ首先ꎬ通过中国大学ＭＯＯＣ网站电路ＭＯＯＣ教师后台得到各次测试成绩数据ꎮ而后进行数据预处理ꎬ该步骤主要包括:１)对于未参加测试的学习者记录进行清除ꎻ２)对测试成绩进行等级划分ꎬ将测试成绩分为三个等级ꎬ大于８０分为优秀ꎬ成绩位于６０~８０分之间为及格ꎬ小于６０分为不及格ꎬ将这三个等级分别用Ａ㊁Ｂ㊁Ｃ标记ꎮ㊀㊀在构建频繁项集步骤中ꎬ主要使用Ｐｙｔｈｏｎ语言编写的Ａｐｒｏｒｉ算法代码ꎬ从各次测试成绩数据中利用Ａｐｒｏｐｒｉ算法找出频繁项集ꎬ并计算出支持度(Ｓｕｐｐｏｒｔ)㊁置信度(Ｃｏｎｆｉｄｅｎｃｅ)ꎮ而后通过频繁项集ꎬ根据最小支持度阈值㊁最小置信度阈值ꎬ获取关联规则(Ａｓｓｏｃｉａｔｉｏｎ
Ｒｕｌｅ)ꎮ
图３㊀关联分析流程图
如表５所示ꎬ给出了满足最小支持度阈值６５％㊁最小置信度阈值７５％的强关联规则ꎮ表５关联规则中的数字是各次测验的编号ꎬＡ代表测验成绩等级为优秀ꎮ以表５中第一条规则为例ꎬ其支持度为８３ ８％ꎬ表示有８３ ８％的学习者是同时在编号１９和编号１７的测验中获得优秀成绩ꎮ同时ꎬ置信度为９６ ９％意味着在编号１９的测验中获得优秀的参与者里面ꎬ有９６ ９％的参与者也在编号１７的测验中获得优秀ꎮ
图４给出了测试成绩关联分析结果示意图ꎬ图中用虚线表示支持度小于７０％的关联规则ꎬ用较粗的实线条表示较强的关联规则ꎮ从图中可以明显地看出ꎬ编号１７~１９的三次单元测试之间存在着很强的关联规则ꎬ学习者在任何一个单元中获得优秀ꎬ都很有可能在其他两个单元中获得优秀ꎮ此外ꎬ编号为１的 基尔霍夫定律及参考方向 优秀也与这三个单元优秀之间有较强的关联规则ꎬ即 基尔霍夫定律和参考方向 这一知识点掌握得好ꎬ则在这三次单元测验中就有更大可能性获得优秀ꎮ由于 基尔霍夫定律和参考方向 知识点是电路ＭＯＯＣ课程的基础出发点ꎬ因此这些关联规则也具有很强的合理性ꎮ
表４㊀ＭＯＯＣ学习类型及人数统计
人数统计
类型
ＮＯ－ＳＨＯＷＳＯＢＥＲＳＥＲＳＤＲＯＰＩＮＩＮＡＣＴＩＶＥＡＣＴＩＶＥ
各类型参与者人数/人１５７２８７６６７５１７２０５６５各类型参与者获得证书人数/人０１０６６１５３２５４４各类型参与者获得证书人数/％０１３ ８８８９ １９６ ３
表５㊀测试成绩之间的关联规则
９１
实验科学与技术２０１８年１０月表５(续表)
图４㊀各次测试成绩关联规则示意图
２ ４㊀预测拟合
在电路ＭＯＯＣ的２０次测试中ꎬ课程结束之前的综合测试在ＭＯＯＣ成绩的占比最重ꎬ因此综合测试的成绩对最终ＭＯＯＣ学习效果评价的影响最大ꎮ而在综合考试之前ꎬ所有知识点都已完成ꎬ会预留一段时间给学习者进行综合复习ꎮ为了给教学者和参与者提供预警提示ꎬ以便调整复习安排ꎬ本节将从课程的各个知识点和基本单元的测试成绩数据中预测综合测试成绩的趋势ꎬ利用课程后台获得的前１９次测验成绩对第２０次ＭＯＯＣ综合测试成绩进行预测拟合ꎮ
预测拟合的处理流程图如图５所示
ꎮ处理步骤包含数据获取㊁数据预处理㊁特征选择㊁拟合回归㊁交叉验证５个步骤ꎮ其中前两个步骤与关联分析中的对应步骤相同ꎮ㊀㊀特征选择使用了递归特征消除(ｒｅｇｒｅｓｓｉｏｎｆｅａ￣ｔｕｒｅｅｌｉｍｉｎａｔｉｏｎꎬＲＦＥ)方法[１１]进行特征降维ꎮ拟合回归使用了线性模型ꎬ并采用了三种拟合方法进行拟合ꎬ分别是线性判别分析(ｌｉｎｅａｒｄｉｓｃｒｉｍｉ￣ｎａｔｉｏｎａｎａｌｙｓｉｓꎬＬＤＡ)㊁罗杰斯特回归(Ｌｏｇｉｓｔｉｃｒｅ￣ｇｒｅｓｓｉｏｎꎬＬＲ)ꎬ以及支持向量机(ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａ￣ｃｈｉｎｅꎬＳＶＭ)ꎬ这些拟合算法都是使用Ｐｙｔｈｏｎ语言实现的ꎮ交叉验证使用了Ｋ－ＦＯＬＤ交叉验证实现ꎬ得到拟合误差结果ꎮ
图５㊀预测拟合流程图
预处理后的数据以１９次测验成绩为特征ꎬ利用ＲＦＥ进行特征选择ꎬ以系数０ ２５为阈值ꎬ可以从１９个特征中选择得到１３个特征ꎬ被去除的特征有编号为３㊁８㊁９㊁５㊁１１㊁１２的测验成绩ꎮ利用特征选择后的１３个特征进行数据拟合ꎬ并采用Ｋ－ＦＯＬＤ方法进行交叉验证ꎬ选择Ｋ＝５ꎮ如表６所示ꎬ列出了各个模型的性能参数ꎬ共使用４个指标衡量性能:准确率(Ａｃｃｕｒａｃｙ)㊁精确度(Ｐｒｅｃｉ￣ｓｉｏｎ)㊁召回率(Ｒｅｃａｌｌ)和Ｆ得分(Ｆ－ｓｃｏｒｅ)ꎮ由表６可知ꎬ三种线性回归方法都可以获得较好的预测效果ꎬ因此线性回归模型可以用来在ＭＯＯＣ综合测试之前预测成绩ꎬ为学习者和教学者提供有益的预警和指导ꎮ
表６㊀预测回归误差表
ＡｃｃｕｒａｃｙＰｒｅｃｉｓｉｏｎＲｅｃａｌｌＦ－ｓｃｏｒｅＬＲ０ ７６９０７９０ ６９９９０５０ ７６９０７９０ ７０７０９７ＬＤＡ０ ７５９６８７０ ６９２８３５０ ７５９６８７０ ７０８０９４ＳＶＭ０ ７６０５９８０ ６００５５７０ ７６０５９８０ ６７００２７
２ ５㊀电路ＭＯＯＣ课程改进思路
根据以上电路ＭＯＯＣ数据挖掘结果可以发现ꎬ参与程度最高的学习者ꎬ即参加测试㊁讨论次数最多的ＡＣＴＩＶＥ类型学习者ꎬ最有可能获得好的学习效果ꎻ课程知识点之间㊁单元测试之间ꎬ存在关联性ꎬ如 基尔霍夫定理和参考方向 知识点的掌握程度与课程各单元测试成绩之间存在着很强的关联性ꎻ利用各知识点作业成绩和单元测试成绩ꎬ可以对期末成绩进行较为准确的预测ꎮ以上数据挖掘结果为进一步的ＭＯＯＣ教学改
０２
第１６卷㊀第５期刘㊀喆ꎬ等:电路分析ＭＯＯＣ后台数据分析与挖掘
革提供了重要依据与参考ꎮ因此ꎬ为提升电路ＭＯＯＣ教学效果ꎬ可从以下３点对今后的课程教学进行改进提升ꎮ
１)采用多种手段提升学习者的ＭＯＯＣ学习积极性和参与度ꎮ如在ＭＯＯＣ课程内容中加入可提升积极性的设计元素ꎬ采用更贴近学生的形式进行教学ꎮ
２)充分利用课程各知识点的关联性ꎬ更合理设计课程知识点㊁优化课程内容安排ꎬ同时充实并优化课程测试题库ꎬ以获得更好的学习效果ꎮ３)进一步建立并完善ＭＯＯＣ成绩的预测与反馈机制ꎬ在学习过程中ꎬ为教师及学习者提供重要的学习效果反馈与成绩预警ꎬ便于及时了解学习效果㊁尽早调整学习方法与教学策略ꎮ
３㊀结束语
本文对电子科技大学电路ＭＯＯＣ后台数据围绕各知识点测试成绩进行了数据挖掘与分析ꎬ以测试成绩作为衡量学习效果的重要指标ꎬ挖掘了学习效果与参与度之间的关系ꎬ发现参与程度最高的学习者ꎬ即参加测试㊁讨论次数最多的ＡＣＴＩＶＥ类型学习与者ꎬ最有可能获得好的学习效果 通过测试并取得ＭＯＯＣ证书ꎻ然而电路ＭＯＯＣ与其他ＭＯＯＣ课程一样具有注册人数多㊁积极参与人数少以及只学习不讨论的共有特点ꎬ大大影响了ＭＯＯＣ课程的学习效果ꎻ进一步分析了各次测试成绩之间的关联性ꎬ发现 基尔霍夫定理和参考方向 知识点的掌握程度与课程各单元测试成绩之间存在着很强的关联性ꎻ最后研究了ＭＯＯＣ综合测试成绩的预测模型ꎮ本文的分析结果为进一步改进㊁优化ＭＯＯＣ教学提供了重要的理论依据ꎮ
参考文献
[１]ＰＡＰＰＡＮＯＬ.ＴｈｅｙｅａｒｏｆｔｈｅＭＯＯＣ.ＴｈｅＮｅｗＹｏｒｋＴｉｍｅｓ[ＥＢ/ＯＬ].(２０１４－０３－２０).[２０１６－０９－０２].
ｈｔｔｐ://ｗｗｗ ｎｙｔｉｍｅｓ ｃｏｍ/２０１２/１１/０４/ｅｄｕｃａｔｉｏｎ/ｅｄｌｉｆｅ/
ｍａｓｓｉｖｅ－ｏｐｅｎ－ｏｎｌｉｎｅ－ｃｏｕｒｓｅｓ－ａｒｅ－ｍｕｌｔｉｐｌｙｉｎｇ－ａｔ－
ａ－ｒａｐｉｄ－ｐａｃｅ.ｈｔｍｌ?ｐａｇｅｗａｎｔｅｄ＝ａｌｌ＆＿ｒ＝０. [２]ＣＨＲＩＳＴＥＮＳＥＮＧꎬＳＴＥＩＮＭＥＴＺＡꎬＡＬＣＯＲＮＢ.ＴｈｅＭＯＯＣｐｈｅｎｏｍｅｎｏｎ:ｗｈｏｔａｋｅｓｍａｓｓｉｖｅｏｐｅｎｏｎｌｉｎｅｃｏｕｒ￣ｓｅｓａｎｄｗｈｙ?[ＤＢ/ＯＬ].(２０１３－１１－０６)[２０１６－０９－０２].ｈｔｔｐ://ｐａｐｅｒｓ.ｓｓｒｎ ｃｏｍ/ｓｏｌ３/ｐａｐｅｒｓ.ｃｆｍ?ａｂ￣ｓｔｒａｃｔ＿ｉｄ＝２３５０９６４.[３]张羽ꎬ李越.基于ＭＯＯＣｓ大数据的学习分析和教育测量介绍[Ｊ].清华大学教育研究ꎬ２０１３ꎬ３４(４):２２－２６.
[４]ＧＡＳＥＶＩＣＤꎬＫＯＶＡＮＯＶＩＣＶꎬＪＯＫＳＩＭＯＶＩＣＳꎬｅｔａｌ.Ｗｈｅｒｅｉｓｒｅｓｅａｒｃｈｏｎｍａｓｓｉｖｅｏｐｅｎｏｎｌｉｎｅｃｏｕｒｓｅｓｈｅａｄｅｄ?ＡｄａｔａａｎａｌｙｓｉｓｏｆｔｈｅＭＯＯＣｒｅｓｅａｒｃｈｉｎｉｔｉａｔｉｖｅ[Ｊ].Ｔｈｅｉｎｔｅｒｎａｔｉｏｎａｌｒｅｖｉｅｗｏｆｒｅｓｅａｒｃｈｉｎｏｐｅｎａｎｄｄｉｓｔａｎｃｅｌｅａｒｎ￣ｉｎｇꎬ２０１４ꎬ１５(５):１３４－１７６.
[５]ＢＡＫＥＲＲ.Ｓ.Ｅｄｕｃａｔｉｏｎａｌｄａｔａｍｉｎｉｎｇ:ａｎａｄｖａｎｃｅｆｏｒｉｎｔｅｌｌｉｇｅｎｔｓｙｓｔｅｍｓｉｎｅｄｕｃａｔｉｏｎ[Ｊ].ＩＥＥＥＩｎｔｅｌｌｉｇｅｎｔＳｙｓ￣ｔｅｍｓꎬ２０１４ꎬ２９(３):７８－８２.
[６]ＢＲＥＳＬＯＷＬꎬＰＲＩＴＣＨＡＲＤＤＥꎬＤＥＢＯＥＲＪ.ＳｔｕｄｙｉｎｇｌｅａｒｎｉｎｇｉｎｔｈｅｗｏｒｌｄｗｉｄｅｃｌａｓｓｒｏｏｍｒｅｓｅａｒｃｈｉｎｔｏｅｄＸ ｓｆｉｒｓｔＭＯＯＣ２０１２[Ｊ].Ｒｅｓｅａｒｃｈ＆ＰｒａｃｔｉｃｅｉｎＡｓｓｅｓｓ￣ｍｅｎｔꎬ２０１３(８):１３－２５.
[７]蒋卓轩ꎬ张岩ꎬ李晓明.基于ＭＯＯＣ数据的学习行为分析与预测[Ｊ].计算机研究与发展ꎬ２０１５ꎬ５２(３):１－１４.
[８]李帅ꎬ张岩峰ꎬ于戈ꎬ等.ＭＯＯＣ平台学习行为数据的采集与分析[Ｊ].中国科技论文ꎬ２０１５(２０):２３７３－２３７６.
[９]李曼丽ꎬ徐舜平ꎬ孙梦.ＭＯＯＣ学习者课程学习行为分析 以电路原理课程为例[Ｊ].开放教育研究ꎬ２０１５ꎬ２１(２):６３－６９.
[１０]ＷＥＮＭꎬＹＡＮＧＤꎬＲＯＳＥＣ.ＳｅｎｔｉｍｅｎｔａｎａｌｙｓｉｓｉｎＭＯＯＣｄｉｓｃｕｓｓｉｏｎｆｏｒｕｍｓｗｈａｔｄｏｅｓｉｔｔｅｌｌｕｓ?[Ｃ]//Ｐｒｏ￣
ｃｅｅｄｉｎｇｓｏｆｔｈｅ７ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｄｕｃａｔｉｏｎａｌ
ＤａｔａＭｉｎｉｎｇ.Ｌｏｎｄｏｎ:ＵｎｉｔｅｄＫｉｎｇｄｏｍꎬ２０１４:１３０－
１３７.
[１１]张良均ꎬ王路ꎬ谭立云ꎬ等.ＰＹＴＨＯＮ数据分析与挖掘实战[Ｍ].北京:机械工业出版社ꎬ２０１５:
８５－８９.
[１２]Ｗｉｋｉｐｅｄｉａ.Ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ(ｓｔａｔｉｓｔｉｃｓ)[ＤＢ/ＯＬ].
[２０１６－０９－０２].ｈｔｔｐｓ://ｅｎ ｗｉｋｉｐｅｄｉａ ｏｒｇ/ｗｉｋｉ/
Ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ＿(ｓｔａｔｉｓｔｉｃｓ).
[１３]高地.ＭＯＯＣ热的冷思考 国际上对ＭＯＯＣｓ课程教学六大问题的审思[Ｊ].远程教育杂志ꎬ２０１４
(２):３９－４７.
[１４]贾积有ꎬ缪静敏ꎬ汪琼.ＭＯＯＣ学习行为及效果的大数据分析 以北大６门ＭＯＯＣ为例[Ｊ].工业和
信息化教育ꎬ２０１４(９):２３－２９.
编辑㊀张俊
１２。