MOOC环境下学习伙伴匹配问题研究

费洪晓，李红媛，马彦云，伍泽全，陈 力

（中南大学 软件学院，湖南 长沙 410075）

MOOC环境下学习伙伴匹配问题研究

费洪晓，李红媛，马彦云，伍泽全，陈 力

（中南大学 软件学院，湖南 长沙 410075）

MOOC学习方式受很多因素的影响，如学习者的学习动机、学习方法、学习水平、协作学习能力等。文章提出利用贝叶斯模型对学习者进行行为模式相似性的判别，实现学习行为模式最相似的学习者聚类，研究基于协作学习方式下个性化匹配学习伙伴对MOOC理念与实践的影响。

MOOC；混合学习方式；学习伙伴匹配；贝叶斯网络

0 引 言

MOOC是一种全新的公平的教育教学方式，每个人都可以免费获得来自世界各地的各种教育机会，创造了教育信息化的学习范式[1]。MOOC不仅为其他在线学习方式的产生提供参考范本，其为学生提供的虚拟学习平台还可以很好地将网络教学方式与传统面对面教学方式相结合，为学习者提供个性化学习支持[23]，提升学习质量与学习者学习的自主性。

MOOC下的混合学习模式将网络教学方式与传统面对面教学方式相结合[4]，同时将学习者的学习能力、学习状态、协作能力等学习者特征[5]与教学过程相结合。这种新型学习方式一方面能提高学习者的学习积极性和小组协作能力，另一方面能优化传统的教学与学习方式。MOOC教学需要将在线资源与传统教学方式和教学内容结合，关键是对学习者的学习过程进行管理，包括关注学生的学习情况动态变化、预期的学习目标[6]等。

1 MOOC学习平台特征

通过MOOC，每所学校都可以开设本校的网络公开课程，同时为世界各地的学习者免费提供本校的教学资源。这些教育资源与本校学生接触到的学习资源有很大不同，推动了教育全球化的发展，为所有人提供了平等接受教育的机会。

对网络公开课进行大数据分析与数据挖掘正成为一个新兴的学习方向。通过对MOOC平台的数据进行探索和分析，可以了解学习者学习行为的特点、课程组织特点等，总结出学习者的学习行为特征，从而加强理解学习过程，为网络公开课的课程设置提供参考依据，为学习者提供个性化的学习指导，提高学习者的学习质量。由此分析得出，学习者的个性化学习环境以及课程设计的差异都会影响学习者的学习效果[7]。在此基础上，可以使用贝叶斯知识跟踪模型模拟学习者的学习水平，运用眼动追踪技术分析用户行为，记录学习者的学习行为，为学习者建模提供建模[89]数据。

目前，MOOC主要有两种模式：cMOOC和xMOOC。cMOOC是基于关联主义理论的社交网媒的互动式学习模式[10]，强调知识建构与创造; xMOOC基于行为主义学习理论，强调知识传播与复制。这两个新兴MOOC模式共同的关键因素是教师、学习者、学习情景、协作活动、学习平台、学习媒介、学习环境等。由于MOOC学习模式没有为学习者匹配合适的学习伙伴[11]，因此学习者在学习过程[12]中不能及时交流学习思想，容易产生孤独感，学习热情、学习质量与学习效率都有所降低。

2 理论背景及研究模型

不同学习群体在学习行为中的信息感知维度、信息输人维度、信息理解维度、信息加工维度等方面存在较大差异[13]。针对不同学习风格的学习者，系统应该向其推荐恰当的学习伙伴，以便学习者能及时解决学习问题，尽快完成学习任务，提高学习效率与质量。

笔者的研究重点是学生如何参加MOOC学习以及对MOOC数据特点进行分析，通过分析学习者的各种学习行为特征，预测及评价学生学习风格特点[14]，对学习伙伴匹配进行及时调整从而有针对性地为学习中遇到困难的学生提供帮助;进而根据学习者学习特点进行相似性与互补性匹配学习伙伴，用以解决适应性匹配学习伙伴的问题，动态匹配最佳学习伙伴，提高学习者的学习效率;采用xuetangX中的数据作为本文研究基础，以此分析了解用户的人口统计数据（如性别、年龄、教育背景等）对学生活动和论坛学习行为的影响。

2.1 学习者学习行为模式分析

如图1所示，由于MOOC学习者具有不同的教育背景、先验知识、思维方式、认知风格、地理位置等[15]，相对于同一门课程，不同个性的全体学习者具有相同的学习目标，而这些“个性化的差异”意味着学习者个体之间存在互补性，学习者在学习过程中通过学习伙伴之间的互补性协作学习，可以形成取长补短的合作[16]关系;而学习模式与学习风格相近的学习伙伴通过合作学习与小组学习，能使交流主题更加集中，保证更多相关学生能参与讨论，促进交互式学习的发展，提高学习者学习的积极性，进而形成良性循环，实现学习者的自主性学习、交互性学习与创造性学习，提高学习质量与学习效率。

图1 学习者画像构建

（1）学习者参与论坛活动[17]的行为模式分析。在课程论坛上，学生可以自发提出问题，同时可以回答别人提出的问题，但总体来说，论坛活动水平很低，收集到的数据中，94%的学习者从来没有提出问题，也从来没有回答问题;此外，分析一些活跃度较高的学习者发现，他们的论坛活跃度随着时间增长而降低（p＜0.05），除了新参加科学课程讨论的学习者之外，所有学习者的论坛活跃度也都如此（p＞0.1）。这些数据表明，学习者参与课程讨论的积极性会随着时间的增长而降低，见表1。

表1 论坛活动的线性回归分析

笔者使用最小二乘法评判学生特点与参与论坛活动数量之间的关系，论坛活动数量见表1。因变量是新发布的帖子数量（表1第2、4列）和每位学生回复的帖子数量（表1第3、5列），自变量包括学生的性别、教育程度和所需要努力的程度（具体标准由授课教师制订）。通过此表可以分析得出，女生更倾向于回答经济类学科的问题，但很少回答计算机类学科问题;计算机类学科中，虽然女生回答问题的数量较少，但是明显多于男生提出问题的数量。

分析不同教育水平的学生论坛活动，得出以下结论：本科生主要针对经济类学科课程提出问题（表1第2列）;相比之下，虽然研究生回答计算机类问题的数量比本科教育水平以下的学习者回答问题的数量稍微高一些，但是研究生不会询问太多问题（表1第4列）。这表明，不同教育程度的学习者在学习论坛中扮演的角色不同。此外，在经济类学科中，学习者学习花费的时间越长，就会提出更多的问题。然而，学习者回答问题的数量与其努力程度呈显著的负相关关系，主要原因是课程困难使学习者会提出更多问题，这些问题不仅使得学习经验少的学习者很难回答，而且对于学习经验丰富的学习者来说，也是一个很大的挑战。

（2）学习者观看视频[18]与做作业的学习行为分析。笔者将学习者做作业与观看教学视频的时间定义为有效学习时间，但有效学习时间很难被估量，如学习者观看教学视频的同时会做其他事情，并不是整个时间段内都在学习。笔者借助基于确定性有限自动机的算法对学习者的学习时间进行定义，定义为2个状态，即空闲状态和学习状态。此自动计算法从空闲状态启动，当接收到某些学生“播放视频”触发活动时，标志着学习者的状态发生改变，即从空闲状态转变成学习状态;当按下“暂停”键时，代表由学习状态转变到空闲状态，两种状态之间的持续时间为近似的有效学习时间;当学习者较长时间（此时间长度大于定义的阈值长度）停留在一个视频时间，此时将会自动转化为空闲状态。通过上述算法可以得出学习者的有效学习时间，对其进行线性回归分析，又可以得出学习者学习时间与性别、年龄、教育背景等之间的联系[19]。学习者有效学习时间线性回归分析见表2。学习者的有效学习时间也会对学习者获得证书产生影响：见表3，随着学习时间的增多，学习者获得证书的概率也会增加。

表2 学生有效学习时间线性回归分析

表3 学习时间概率分布分析

分析表4能看出，女生更加倾向于学习经济类学科，因此在观看学习教程与做作业上花费时间较长，在计算机类学科上花费的时间则相对较少。在学习过程中，博士学习努力程度相对较高，且对计算机类学科的影响大于经济类学科的影响。同时，由表3可知，当学习者努力程度增大时，其学习时间也会相应地增加。虽然有些学习者的学习时间会减少，但是这并不代表学习者的学习努力程度不够，而是因为学习者学习的视频教程本来就是短视频。

（3）学习者获取证书与完成作业率分析。通过证书获得率与作业的分析可检验学习者的学习效果，通过前半部分分析可知，学习者的各个属性（性别、年龄和教育背景）对其论坛交流活动、学习行为（包括观看教学视频和作业完成情况）与学习效果都会产生一定影响。其中，目标（证书获得率）与其最重要预测变量（性别、年龄和教育背景）以及各预测变量之间的关系如图2所示，各预测变量的重要性和条件概率值如图3所示。

2.2 学习伙伴匹配实验结果与分析

学习者的学习伙伴匹配方式主要包括相似性匹配和互补性匹配。

表4 科目类别概率分布分析

图2 各预测变量与目标变量关系

首先，分析用户的各个属性，包括性别、年龄和教育背景及其对学生参与论坛交流活动和学习行为（包括观看教学视频和作业完成情况）的影响。此外，还分析这3个因素对学习者学习行为的影响程度，如获得证书的概率。通过分析得出：①学习的努力程度和提问问题频率越高并不意味学习效率越高;②参与论坛交流对学习者的学习行为有很大影响;③“同质性”，相似性高或者联系频繁的学习者经常聚集成同一类，即“物以类聚，人以群分”;④学习互补性，学习者周围有学习能力较强的其他学习者时，可以为待匹配学习伙伴[20]的学习者进行指导式学习，当学习者周围有很多学习进度相似或者学习进度可互补的伙伴获得学习证书时，该学习者获得学习证书的概率也会大幅度增加。

图3 预测变量重要性

通过对学习者的行为特征进行建模，可以有效判别各学习者的学习风格，学习风格相似者可以互相作为学习伙伴。学习者的学习行为特征主要包括参与论坛交流、观看教学视频、考试成绩、性别、受教育程度等。

如图4所示，通过采集待识别学习者的学习行为特征与待匹配学习伙伴学习者的学习行为特征的样本信息，对二者的特征进行提取和变换，建立特征之间的相似关系;然后将待识别学习者的学习行为特征与其相对比，分析判别学习者学习行为特征的匹配程度，为学习者动态匹配出最佳学习伙伴，进而提高学习者的学习质量与学习效率。

图4 学习伙伴匹配概念模型

每个学习者的特征属性值主要包括是否获得证书、性别、教育背景等。因此，假设学习者分为n类，则每类的属性值为X=｛X1，X2，…Xn｝。通过贝叶斯模型对学习者进行聚类分析，为学习者匹配学习伙伴，以学习者是否获得证书作为分析目标，以学习者的性别、教育背景、科目分类、测验得分、学习时间、学习活动数量、观看视频数量等作为分析输人变量，对学习伙伴匹配进行预测分析;其中，使用3种贝叶斯网络对学习伙伴进行预测，包括树扩展朴素贝叶斯模型、马尔科夫模型和基于特征选择预处理的马尔科夫模型，各个模型预测准确性如图5所示。

图5 模型预测准确性评估

利用贝叶斯模型判别学习者学习行为模式的相似性，实现学习行为模式最为相似的学习者聚类，从而实现学习者学习伙伴的匹配。实验原理是以学习者的各种学习属性值作为特征向量，将待匹配学习者的学习模式与其他学习者学习行为模式进行对比，求出他们之间的相似性，同时统计出学习伙伴匹配正确性概率，见表5。

分析图5得知，贝叶斯模型和基于特征选择预处理的马尔科夫模型都可以为学习者学习行为模式的预测提供良好参考，且贝叶斯模型的预测效果更好，而马尔科夫模型则无法为学习者预测提供有用信息。表5显示了3个模型的预测效果，通过正确与不正确的预测百分比得出各模型是否正确预测出学习伙伴的概率。其中，贝叶斯模型高于基于特征选择预处理的马尔科夫模型1.39个百分点，但利用基于特征选择预处理的马尔科夫模型进行分析时，计算结果时所需输人变量更少，可以减少数据收集时间、数据输人时间以及数据处理时间，相对更方便一些。因此，在实际应用中可使用基于特征选择预处理的马尔科夫模型为学习者匹配学习伙伴，提高匹配度。

表5 模型预测准确性比较分析

3 结 语

虽然MOOC自身发展迅速，但是MOOC课程设计与评价还存在问题，某些学生存在个性化学习需求问题，如不能及时在MOOC上找到学习伙伴、学习中的问题不能得到及时讨论与解决等，这些都无法与MOOC自身的发展速度相匹配。因此，目前MOOC学习平台在考虑知识共享时，应同时考虑学生之间的交互行为，通过对学习者的行为特征进行建模，进而判别不同学习者的学习风格，学习风格相似者可以作为学习伙伴，及时解决学习者的学习问题，进而提高其学习质量和学习效率。

[1] Pursel B K, Zhang L, Jablokow K W, et al. Understanding MOOC students: Motivations and behaviours indicative of MOOC completion[J]. Journal of Computer Assisted Learning, 2016, 32(3): 202-217.

[2] 张红宇, 王坚强, 马华. 结合社会网络分析和多维特征聚类的学习小组划分方法[J]. 计算机应用研究, 2013, 30(3): 732-735.

[3] 王健, 靳奉祥, 史玉峰. 模式识别中特征选择与聚类分析[J]. 测绘工程, 2002, 11(2): 21-24.

[4] 蒋卓轩, 张岩, 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, 2015, 52(3): 614-628.

[5] Kizilcec R F, Pérez-Sanagustín M, Maldonado J J. Recommending self-regulated learning strategies does not improve performance in a MOOC[C]//Proceedings of the Third (2016) ACM Conference on Learning@ Scale. New York: ACM, 2016: 101-104.

[6] 吴江, 马磐昊. MOOC学习者行为分析研究——以爱课程平台的一门慕课为例[J]. 知识管理论坛, 2015(3): 52-61.

[7] 惠兆阳, 梁玉, 李淑娟. 学生进行网络在线学习的障碍：因子分析研究[J]. 中国电化教育, 2013(3): 49-55.

[8] 陈晓湘, 费洪晓. 智能授导系统中的学生建模研究[J]. 计算机与现代化, 2009(1): 8-11.

[9] 李唯实. 个性化教育中的学习者模型技术研究[D]. 长沙: 国防科学技术大学, 201l.

[10] 樊文强. 基于关联主义的大规模网络开放课程(MOOC)及其学习支持[J]. 远程教育杂志, 2012(3): 31-36.

[11] Zhou M, Cliff A, Huang A, et al. M-CAFE: Managing MOOC student feedback with collaborative fi ltering[C]//Proceedings of the Second (2015) ACM Conference on Learning@Scale. New York: ACM, 2015: 309-312.

[12] Zhou M, Cliff A, Krishnan S, et al. M-CAFE 1.0: Motivating and prioritizing ongoing student feedback during MOOCs and large on-campus courses using collaborative fi ltering[C]//Proceedings of the 16th Annual Conference on Information Technology Education. New York：ACM, 2015: 153-158.

[13] 柏宏权. 适应性教学系统中个性化教学策略研究[D]. 南京: 南京师范大学, 2006.

[14] Suen H K. Peer assessment for massive open online courses (MOOCs)[J]. The International Review of Research in Open and Distributed Learning, 2014, 15(3): 312-327.

[15] 刘乾. 基于社交网络和地理位置信息的好友推荐方法研究[D]. 杭州: 浙江大学, 2013.

[16] 叶国萍. 虚拟学习社区的技术支撑及发展前景[J]. 中国电化教育, 2008(12): 108-111.

[17] 徐彬, 张昱, 李封, 等. MOOC课程论坛中学习者论坛交互网络结构特征分析[J].计算机教育, 2015(15): 23-26.

[18] Wachtler J, Khalil M, Taraghi B, et al. On using learning analytics to track the activity of interactive MOOC videos[EB/OL]. [2016-08-15]. https://www.researchgate.net/publication/301548497_On_Using_Learning_Analytics_to_Track_the_Activity_of_ Interactive_MOOC_Videos.

[19] 李兰春, 王双成, 王辉. 学生综合素质评估的层次贝叶斯网络聚类方法[J]. 东北师大学报(自然科学版), 2011, 43(3): 49-53.

[20] 徐彬, 杨丹, 张昱, 等. 基于学习者行为特征的MOOCs学习伙伴推荐[J]. 计算机科学与探索, 2015, 9(1): 71-79.

（编辑：宋文婷）

1672-5913(2017)01-0084-07

G642

国家自然科学基金青年基金项目（61301136）；中南大学2016年研究生科研创新项目（2016zzts377）；中南大学2016年本科生自由探索计划项目（160210002）；中南大学2016年大学生创新训练项目（ZY2016593）。

费洪晓，男，副教授，研究方向为信息过滤和网络安全，hxfei@csu．edu．cn。