MOOCs交互模式聚类研究_1

1、    moocs交互模式聚类研究    (3)各类别对比分析通过分析可以看出，聚类3所占比重最大，占全部课程的55.16%(139门)，课程的答疑时间间隔非常长(均值4.67)，平均回帖热度仅为1.03，教师在线答疑帖子均值为16.71，课程主题帖平均为128.29个，教师评价发主题帖2.38个。可见，这类课程的交互水平较低，教师很少发主题帖，也很少答疑。聚类5占全部课程的29.37%(74门)，课程的答疑时间间隔较短(均值为2.19)，平均回帖热度也较低，仅为1.03，教师在线答疑帖子较多，平均为91.74，课程主题帖平均为228.93个，教师发主题

2、帖平均为8.72个。这类课程中的交互水平稍高，教师发主题帖和答疑较为积极。聚类4占全部课程的10.71%(27门)，课程的答疑时间间隔较长(均值3.07)，平均回帖热度在各个类别中最高(2.48)，教师在线答疑帖子均值为85.41，课程主题帖平均为230.7个，教师评价发主题帖21.48个。此类课程交互水平较高，教师发布了更多主题帖，吸引了更多学生参与，形成了很高的回帖热度。聚类1课程数量很少，仅占全部课程的3.17%(8门)，课程的答疑时间间隔较短(均值2.5)，平均回帖热度为2.25，教师在线答疑帖子均值在各类中最高(266.13个)，课程主题帖非常多，达到了2，071.5个，教师评价发主

3、题帖15.13个。教师发布的主题帖不多，但花费了大量精力进行答疑辅导。虽然回帖热度不是各类别中最高的，但由于主题帖数量极多，总体帖子的数量非常多，课程交互水平很高。聚类2的课程数量更少，仅占全部课程的1.59%(4门)。这类课程的答疑时间间隔在各类别中最短(均值1.25)，平均回帖热度为2.00，教师在线答疑帖子均值达到了912个，课程主题帖平均为1，110.5个，教师评价发主题帖88.75个。这类课程总体也体现出了很高的交互水平，但和前一个类别又有着较大差异。此类课程的教师发帖数量达到了极高的水平，无论是主题帖还是在线答疑帖子，都远远高于其他类别。课程答疑间隔也是各类课程中最短的。教师的高投

4、入促进了课程整体交互水平的提高。(4)各类别学习支持方式分析学习支持是远程教学的重要组成部分。学习支持状况对于在线教学交互有着重要的影响。通过聚类对各个课程的交互进行分析之后，笔者进而对各类课程的学习支持方式进行了分析。通过图4可以看出，交互效果最好的聚类2采用了丰富的学习支持方式，在各项学习支持中采用的比例几乎都是最高的(仅实时讨论采用率位居第二)，交互效果次之的聚类1的学习支持方式也非常丰富，交互水平最低的聚类3中各项学习支持方式采用的比例都非常低。图3 交互聚类影响因素图4 各聚类课程的学习支持方式对比4.结果讨论通过上述分析可以发现，大多数moocs的交互水平较低，教师在交互中并不活跃

5、，没有进行积极的答疑辅导并组织论坛中的交互。教师的积极参与能够促进课程交互水平。随着教师发布主题帖数量的增加，课程的交互水平会越来越高。这一现象在聚类3、聚类4和聚类5的对比中非常明显。但在交互水平较高、论坛非常活跃、帖子数非常多的课程中，教师的投入增加并没有带来课程交互水平的线性增长。这一现象与garcia-saiz等人(2013)和hernandez-garcia等人(2015)的发现相吻合，即在线论坛交互非常活跃的教师，反而在一定程度上阻碍了学生之间的交流，降低了学生的发帖率。对比聚类1和聚类2可以看出，在交互水平高的课程中，学生之间的交互发挥了更加重要的作用。在主题帖最多的聚类1中，教

6、师只发了大约15个帖子，不足总主题帖数的1%，教师也只回复了全部帖子的12.84%。聚类2中，教师发主题帖的数量是聚类1的5.87倍，答疑帖数是聚类1的3.43倍，但总主贴数却仅有聚类1的53.60%，总回帖热度也比聚类1低。这个对比表明，在聚类1中存在大量的生生交互，聚类1中的教师通过自己较高的投入带动了学生的交流，形成了较高的交互水平。诚然，我国moocs中大多数课程的交互水平仍然偏低。在这种情况下，教师的积极发帖值得鼓励。聚类2中教师的高投入难能可贵。而在交互水平较高的课程中，聚类1的课程更加重视组织和调控，从而取得了比聚类2更好的效果。对于更多课程而言，交互水平的提高需要教师增加投入，

7、更好地通过教学设计组织教学交互。从各类课程学习支持方式的差异可以看出，采用更加丰富的学习支持方式，对学生的学习过程进行全面支持，有助于交互水平的提高。四、聚类研究展望聚类研究对于学习分析有着重要意义。通过聚类可以将较为复杂的学习行为和绩效水平等进行有效划分，便于开展更为深入的学习规律探索。目前，在线学习研究中聚类分析尚处于探索阶段，多用于发现行为模式或者描述学习者的多样性，对聚类结果的深入探索和基于聚类的教学干预还较为少见。首先，多数研究者并没有讨论研究情境和聚类结果之间的关系，对聚类结果的解释也少有与理论的结合，因而无法得知聚类结果能在多大范围内推广，与已有的远程学习研究成果有何关系。例如f

8、erguson和clow(2015)采用了与kizilcec等人(2013)研究中类似的方法，对基于社会建构理论的多门课程进行分析，发现了不同于先前研究结果的多个新的学习者类别。这说明不同学习情境中的类似行为的聚类结果可能不同，而这种不同也许与学习情境背后的教学和学习理论有关。其次，虽然许多研究者常比较聚类得到的行为模式或者学习者类别之间学习绩效的差异，但少有研究者定量地使用聚类的结果来预测学习绩效或者分析学习者的需求。最后，对于如何采用聚类分析的结果支持教育干预的设计以及教育决策的制定还有待进一步探索。因此，基于聚类分析的在线学习研究应更多地将模式发现与已有理论结合起来，探索聚类结果的深层意

9、义。正如wise和shaffer(2015)所指出的，基于大数据的学习分析研究更应该注重与理论的结合。远程教育理论研究成果能够帮助研究者选择出更有教育意义的聚类变量，辨别出更有价值的聚类结果，并对聚类结果做出更合理的解释。在聚类研究结果的基础上开展应用研究，对在线学习者的学习状态进行更为及时的分析，提供相应的教学干预和学习支持。(编者注：北京师范大学远程教育研究中心就“学习分析的核心技术与实证研究”主题为本刊撰写了系列论文，旨在对重要学习分析技术和经典研究进行解析，阐明不同分析技术在远程教育领域应用的关键环节和要点，并通过案例研究呈现具体的学习分析技术应用过程。本篇为该系列第一篇。)参考文献：

10、1amershi, s., & conati, c. (2006). automatic recognition of learner groups in exploratory learning environments. in m. ikeda, k. d. ashley & t. chan (ed.), intelligent tutoring systems (pp. 463-472).springer berlin heidelberg. doi: 10.1007/11774303_46.2barak, m., watted, a., & haick, h.

11、(2016). motivation to learn in massive open online courses: examining aspects of language and social engagement. computers & education, 94, 49-60. doi: 10.1016/j. compedu. 2015.11.010.3beal, c. r., qu, l., & lee, h. (2006). classifying learner engagement through integration of multiple data

12、sources. in proceedings of the national conference on artificial intelligence (vol. 21, no. 1, p.151). london: aaai press.4berland, m., martin, t., benton, t., petrick smith, c., & davis，d.(2013). using learning analytics to understand the learning pathways of novice programmers. journal of the

13、learning sciences, 22(4),564-599. doi: 10.1080/10508406.2013.836655.5bowers, a. j. (2010). analyzing the longitudinal k-12 grading histories of entire cohorts of students: grades, data driven decision making, dropping out and hierarchical cluster analysis. practical assessment, research & evalua

14、tion, 15(7), 1-18.6ferguson, r., & clow, d. (2015). examining engagement: analysing learner subpopulations in massive open online courses (moocs). in proceedings of the fifth international conference on learning analytics and knowledge (pp. 51-58). acm.7garcia-saiz, d., palazuelos, c., & zor

15、rilla, m. (2013). data mining and social network analysis in the educational field: an application for non-expert users. in a. pena-ayala (ed.), educational data mining: applications and trends (pp. 411-439). berlin, heidelberg: springer, berlin/heidelberg.8hemández-garcía, Á., gonz&#

16、225;lez-gonzález, i., jiménez-zarco, a. i.,& chaparro-pelález, j. (2015). applying social learning analytics to message boards in online distance learning: a case study. computers in human behavior, 47, 68-80.9kizilcec, r. f., piech, c., & schneider, e. (2013). deconstructing

17、disengagement: analyzing learner subpopulations in massive open online courses. in proceedings of the third international conference on learning analytics and knowledge (pp. 170-179). acm.10wise, a. f., & shaffer, d. w. (2015). why theory matters more than ever in the age of big data. journal of learning analytics, 2(2),5-13.11孙洪涛，郑勤华，陈丽.中国moocs教学交互状况调查研究j.开放教育研究，2016，(1)：72-79.12孙吉贵，刘杰，赵连宇.聚类算法研究j.软件学报，2008，(1)：48-61.13田娜，陈明选.网络教学平台学生学习行为聚类分析j.中国远程教育，2014,