基于机器学习聚类算法的学习者自动分类研究

本文将机器学习领域的聚类算法应用到开放教育领域,从学习成果的角度详细分析数据特点,选出多维特征值,调试算法参数,并进行实验以检验学习者分类效果。引入的自动分类算法不仅对当前远程开放教育领域有很强的应用价值,而且对慕课(Massive Open Online Courses,MOOC)的大规模学习者特征分析、个性化和多元化教学设计等均有非常重要的意义。

基于全连接神经网络的在线学习行为分类判别

针对教育者难以对学习者多样化的学习行为进行监测和预警问题,提出一种基于全连接神经网络的网络学习者学习行为分类模型,来探究不同学习者的学习特点。首先提取智慧树平台收集的学习者活动数据,剔除当中个人信息部分,选取在线学习行为数据形成数据集;然后进一步清洗数据并对学习行为相关数据进行数据标准化处理;最后搭建全连接神经网络进行学习行为判别。实验结果表明,该模型对于智慧树不同课程中的学习者学习行为分类准确率保持在95.6%以上,与其他神经网络模型相比,该方法在准确率和耗时上均有显著提升,具有很好的应用价值。

cMOOC学习收获及其与学习投入关系的研究

研究cMOOC学习者的学习,既是对MOOC研究日益关注学习者趋势的回应,也是认识联通主义学习本质和改善cMOOC实践的需求。针对课程视角下MOOC学习效果评价中的局限和联通主义学习特点,引入学习收获的概念,以cMOOC"互联网+教育:理论与实践的对话"的学习者为研究对象,设计了"cMOOC学习收获问卷",将数据分析结果与典型学习者访谈结合,探讨了cMOOC学习收获特点、学习投入对学习收获的影响和学习者分类。得到以下结论:cMOOC学习者学习收获包括课程体验、知识获得、联通能力和自我认知四个维度,联通能力的形成是与其它维度的学习收获共同发展的结果;不同性别和职业的学习者表现出了学习收获的差异;cMOOC中的学习投入对学习收获具有显著正向影响,且不同类型的学习投入对学习收获各个维度影响不同;cMOOC学习者可分为情感型、传统型、发展型和联通型四类。cMOOC学习收获研究凸显了学习者个体视角下cMOOC的学习经历与意义,进一步认清了cMOOC学习的特点和学习者需求,为cMOOC的课程设计和实施提供了实证依据。

基于Web数据挖掘的远程教育资源推送系统

目前互联网上存在大量的学习资源,但学习者并不能轻易连接到适当的学习资源。同时远程教育学习者的背景、学习目标、学习能力上存在差异,而统一配置的在线学习资源不能满足学习者的个性特点。利用Web使用挖掘技术对学习者进行聚类,构建了一个远程教育资源的个性化推送模型,通过对远程教育学习者进行分类,来优化资源的个性化推送。