论文部分内容阅读
在线讨论深度对学习者在线学习的质量和效果具有巨大的影响,然而目前对MOOC讨论区讨论深度还未有太多研究,尤其是MOOC讨论区讨论深度的评价研究。目前针对在线讨论的评价主要采用内容分析法和量表法,这些方法是在课程结束后进行人工抽样分析来预测全样本,不能全面、及时且自动地分析MOOC讨论区中的海量讨论帖。本研究采用大数据分析方法构建讨论深度评价模型,以此有效评估MOOC学习者的在线讨论深度,从而实现精准预测和及时干预。本研究以中国大学MOOC平台《现代教育技术》课程讨论区为研究对象,首先通过文献分析法假设影响MOOC讨论区在线讨论深度的关键要素,包括问题类型、知识类型、问题回应情况与持续时间、课程参与角色等;其次分析本课程讨论区在线讨论深度现状:本课程在线讨论深度明显处于浅度讨论和中度讨论阶段,学习者之间的交流不够深入;第三,利用卡方检验和皮尔逊相关系数法对各个影响因素的不同类型与讨论深度各个阶段之间的关系进行验证,统计结果表明:MOOC讨论区讨论深度与问题类型、回复数、提问者回应次数、教师参与性、问题持续时间、知识点类型均呈正相关且相关系数较大,这些因素较大程度上影响讨论区在线讨论深度。问题定义情况、知识点重要度与在线讨论深度呈现微弱的相关性,两者对讨论区在线讨论深度影响程度很小。本研究具体实施为:(1)通过特征变量预筛选实验,选取问题类型、知识点类型、问题持续时间与回复数、提问者主持情况、教师参与性六个特征变量,建立MOOC讨论区讨论深度评价模型的特征指标体系。(2)构建评价模型:将构建的特征集运用在逻辑斯蒂回归、决策树、线性支持向量机和随机森林四种分类模型上,并对建立的各评价模型进行调参、根据分类算法本身输出的特征重要性排序结果进而选取不同个数特征变量进行组合以训练各评价模型的最佳分类效果。(3)评价模型特征重要度分析:选取影响各评价模型性能最关键的几个特征进行分析。实验结果表明:(1)本文构建的特征集是各评价模型的最优特征集,在最优特征集上决策树模型和随机森林模型的性能表现比逻辑斯蒂回归、线性支持向量机分类模型更优越,决策树和随机森林模型的准确率、精度、召回率和F值均在80%以上。(2)各评价模型对六个特征变量的重要性排序结果基本一致,其中:问题类型、问题持续时间、问题回复数、问题主持情况是影响MOOC讨论区讨论深度最重要的四个特征变量。