MOOC学习者特征聚类分析研究综述

欢迎引用:王梦倩,范逸洲,郭文革,汪琼.MOOC学习者特征聚类分析研究综述[J].中国远程教育,2018(07):9-19+79.


在当前MOOC教学中,学习者普遍按照是否完成课程为标准被分为两大类:完成与未完成。但是,这种二元分类具有一些局限,如忽视了只选择部分参与课程的学习者和积极参与课程但对课程证书没有需求的学习者,不利于解释未完成课程者中途辍学的原因,难以有效捕获具有高度异质性的MOOC学习者真实复杂的学习特点。考虑到MOOC学习者的大规模特征,通过人工方法从多个维度对学习者进行识别和分类存在难度,因此有必要采用技术手段作为一种补充,聚类分析被视为一种有效的探索性技巧来识别和刻画MOOC学习者更多元的特征。本文通过对16篇采用聚类分析技术分析MOOC学习者特征的英文文献进行综述,试图回答三个问题:哪些特征指标被应用于聚类?哪些聚类算法被采用?学习者被分为哪些类别?希望能以此呈现该主题研究的全貌,为国内研究者应用聚类分析技术刻画学习者特征提供思路,并对如何确定合适的聚类指标、聚类算法以及阐释聚类结果提供方法性的指导。最后,本文指出了聚类分析技术的情境依赖性和方法局限性,并对未来应用聚类分析技术分析学习者特征进行了研究展望。

全国教育科学“十三五”规划2016年度国家一般课题“通过数字化阅读培养学生的数字素养”(课题编号:BCA160056); 教育部在线教育研究中心2016年度在线教育研究基金(全通教育)重点项目“基于学习分析的MOOC教学设计原则研究”(项目编号:2016ZD101);

慕课; 聚类分析; 学习者; 学习分析; 数据挖掘; 在线学习;

10.13541/j.cnki.chinade.20180725.002

G434

从而在粒度的选图1MOOC学习者聚类研究特征指标与类别数目比较17DISTANCEEDUCATIONINCHINA2018