MOOC環(huán)境中面向?qū)W習(xí)者的語言反饋研究

作者/周利玲，武漢紡織大學(xué)數(shù)學(xué)與計算機學(xué)院

1.MOOC中學(xué)生參與的語言反饋的研究

從在線網(wǎng)絡(luò)課程的數(shù)據(jù)，不難發(fā)現(xiàn)學(xué)習(xí)者參與在線論壇可以促進學(xué)習(xí)者的學(xué)習(xí)效率，但更豐富的數(shù)據(jù)跟蹤仍有待挖掘，尤其是針對學(xué)習(xí)者論壇中互動內(nèi)容的相關(guān)性詳細分析。互動內(nèi)容相關(guān)性的分析提供了潛在的檢測和監(jiān)控學(xué)生接觸的證據(jù),以及它如何與其他方面的行為相關(guān)聯(lián)。有數(shù)據(jù)表明，學(xué)習(xí)者在明確自己學(xué)習(xí)目標(biāo)和興趣時能更好的堅持完成學(xué)習(xí)任務(wù)。在本文中,我們研究利用計算機語言模型來衡量學(xué)習(xí)者的動機和認知參與論壇帖子的文本。

很多變量，需要評估這些變量的預(yù)測效度，我們使用生存模型來驗證我們的技術(shù)，評估這些變量的預(yù)測效度與隨著時間推移而變化的磨損。我們結(jié)合不同類型的MOOC課程來完成研究。之前的工作表明，參與論壇討論在所有的學(xué)生承諾是一個強有力的指標(biāo)。我們的方法使我們能夠更好的區(qū)分這些學(xué)生，并確定輟學(xué)可能性很大的學(xué)生，通過人口和課程的互動提供有效的支持，給予積極的管理和支持，理論與實踐相結(jié)合。

2.數(shù)據(jù)集

我們的數(shù)據(jù)集來源MOOC平臺中的課程，包括三門課程：一門社會科學(xué)課程：1026個活躍用戶，2107個論壇帖子；文學(xué)課程：711個活躍用戶，3520個論壇帖子；編程課程：7739個活躍用戶，10708個論壇帖子。所有三個課程課時都是七周，分別有七周的特定的子論壇和更多的獨立的總的講話課程討論。我們的分析僅限于討論中的行為論壇。

3.相關(guān)工作

3.1學(xué)習(xí)者動機

在MOOCS環(huán)境下對英語學(xué)習(xí)動機的研究，大多數(shù)是基于調(diào)查和比較小的樣本的手工編碼的用戶確定的目標(biāo)或脫失原因。在MOOC研究中，動機被確定為參與的重要決定因素。不同的課程設(shè)計不同的入學(xué)率鼓勵問卷項目，是得難以推廣的結(jié)論成為必然。另一個缺點就是學(xué)習(xí)者的動機是不穩(wěn)定的，特別是沒有明顯進步的，學(xué)習(xí)者就可能失去興趣。重要的是檢測學(xué)習(xí)者的動機以及它在多個星期中的變化。我們建議根據(jù)論壇帖子的語言提示自動測量學(xué)習(xí)者的動機。

3.2 學(xué)習(xí)者認知參與

在結(jié)合學(xué)生面對面課程和計算機中介通信的環(huán)境課程的研究中，發(fā)現(xiàn)涉及高階思維的認知過程能更好的獲取知識，達到更好的學(xué)習(xí)效果。在本文中，我們嘗試根據(jù)帖子中包含的個人解釋來衡量MOOC用戶的認知參與度。

4.方法

4.1 預(yù)測學(xué)習(xí)者動機

學(xué)生的動機水平極大的影響了學(xué)生在課堂中的參與強度。以前的研究表明，有可能基于學(xué)生對計劃學(xué)習(xí)動作的描述對學(xué)習(xí)者的動機進行分類，確定的動機分類與學(xué)習(xí)行為和學(xué)習(xí)成果有著很大的關(guān)系。由于較高的師生比，導(dǎo)師很難親自鑒定和考察缺乏學(xué)習(xí)動機的學(xué)生。為了克服這些挑戰(zhàn)，我們構(gòu)建機器學(xué)習(xí)模型，根據(jù)課程論壇的帖子自動識別學(xué)習(xí)者動機水平。我們以一般的方式驗證我們的措施，不僅測試同一課程的數(shù)據(jù)，還通過一門課程的學(xué)習(xí)，然后測試另一個課程，一發(fā)現(xiàn)課程獨立的動機線索。學(xué)習(xí)者動機的語言學(xué)特征幫助我們理解和預(yù)測學(xué)習(xí)者動機。

創(chuàng)建人機編碼數(shù)據(jù)集：MTurk

我們使用的Mechanical Turk(MTurk)來實現(xiàn)建立可靠的注釋語料庫用于開發(fā)自動測量學(xué)生動機。MTurk是一個在線市場的眾包，它允許請求者發(fā)布工作和工作人員選擇他們想要完成的工作衡量語言抽象的程度，具體的話是我們可以直接看到的事情和屬性。抽象詞是指思想觀念原理即時感知，我們自動計算一個數(shù)字評級從0（高度具體）到1（高度抽象），基于一個單詞的抽象關(guān)于從已經(jīng)找到該單詞的上下文生成的特征向量，通過添加抽象來計算每個帖子的平均級別。

關(guān)于討論帖子中課程材料的推理，認知參與程度在解釋、分析和詮釋方面引起了人們的關(guān)注和注意。

5.驗證試驗

我們使用生存分析，以驗證參與者的測量水平較高的參與將保持活躍在論壇更長，控制其他論壇的行為，如有多少帖子用戶貢獻。我們應(yīng)用我們的語言措施，在第4節(jié)量化學(xué)生的參與度。我們使用的域?qū)W習(xí)動機分類與語言和單字的功能為責(zé)任的對話課和科學(xué)幻想小說類。我們使用的分類培訓(xùn)的負責(zé)談話數(shù)據(jù)集分配動機在學(xué)習(xí)課程的崗位無心標(biāo)簽。

5.1 生存模型

生存模型可以被看作是一種回歸模型，捕捉的影響與時間相關(guān)的結(jié)果，例如是否發(fā)生事件。在我們的案件中，我們正在調(diào)查我們的參與措施對課程參與者退出課程論壇的影響。更具體地說，我們的目標(biāo)是了解我們是否自動測量學(xué)生參與可以預(yù)測她參加課程論壇的時間。

對于我們的三門課程，我們包括所有積極的學(xué)生，即誰貢獻了一個或更多的職位課程論壇。我們定義的時間間隔為學(xué)生參與周。我們考慮到每個學(xué)生的第一個帖子的時間戳作為該學(xué)生的起始日期參與課程討論論壇和最后一次會議的日期作為參與的結(jié)束除非是最后一周課程。

因變量:

在我們的模型中，依賴措施是輟學(xué)，這是1上一個學(xué)生的最后一周活躍參與，除非它是最后一個課程周（即第七課程周），和其他0周。

控制變量：

cohort1：這是一個二元指標(biāo)描述用戶是否曾經(jīng)在上課程周（1）或否（第0）。參加早期課程的成員比其他人繼續(xù)參與討論論壇。

PostCountByUser：這是消息的帖子在論壇的成員一周數(shù)，這是學(xué)生參與的一項基本努力。

commentcount：這是接受在論壇的評論用戶的帖子數(shù)在一周。因為這個變量是與PostCountByUser高度相關(guān)（r＞0.70的所有三門課程）。在為了避免多重共線性問題，我們只包括在最終的模型postcountbyuser。

獨立變量：

avgmotivation是一個人的職位的百分比在這周預(yù)測為“動機”使用我們的模型與一元語法和語言特點。

avgcogengagement：這個變量措施后平均每一周性評分。

我們注意到，avgmotivation和avgcogengagement不與postcountByUser（所有三門課程中R＜0.2）。因此，他們是正交的簡單措施的學(xué)生，avgmotivation與avgabstractness不是（三個課程中R＜0.10）。因此，可以將這些變量包括在同一模型中。

5.2 生存模型的結(jié)果

效果報告的輟學(xué)率（HR）是一個解釋的效果變量的風(fēng)險或概率的參與者退出了課程論壇。因為所有的解釋變量除了cohort1已經(jīng)標(biāo)準(zhǔn)化，這里的危險率是預(yù)測從一個單位增加的課程論壇輟學(xué)概率的變化預(yù)測變量，即當(dāng)所有其他變量處于平均水平時cohort1從0到1或連續(xù)變量的增加變化的標(biāo)準(zhǔn)偏差。

表1 報告的生存模型的控制和獨立變量的預(yù)測進入生存回歸

6.結(jié)論

我們根據(jù)論壇帖子的語言分析，介紹如何衡量MOOC學(xué)生參與度的研究。我們確定了兩項新措施，量化參與并驗證了三種不同內(nèi)容的Coursera課程的措施。我們會自動識別課程論壇中哪些職位表達學(xué)習(xí)者動機和認知參與的程度。生存分析結(jié)果驗證了學(xué)習(xí)者表達的動機越多，輟學(xué)的風(fēng)險就越低。同樣，參與者在其職位上顯示的個人解釋越多，課程論壇輟學(xué)率就越低。

從這項研究中，我們看到我們可以根據(jù)他們的論壇討論帖數(shù)量來衡量學(xué)生的參與度，改善參與度的一個重要方法就是讓學(xué)生組織學(xué)習(xí)者之間更深層次的界限，下一步可以更深入地定量探索MOOC虛擬團隊參與者的協(xié)作行為。

* [1]David Adamson, Gregory Dyke, Hyeju Jang, and Carolyn Penstein Ros′e. Towards anagile approach to adapting dynamic collaboration support to student needs. International Journal of Artificial Intelligence in Education, 24(1)∶92—124, 2014. 4.5.3

* [2]Camiel J Beukeboom, Martin Tanis, and Ivar EVermeulen.The language of extraversion extraverted people talk more abs tractly, introverts are more concrete. Journal of Language and Social Psychology, 32(2)∶191—201, 2013. 4.4.2, 4.4.2

* [3]Stata Corp. Stata Statistical Software∶ Statistics; Data Manag ement; Graphics. Stata Press, 1997. 4.5.1

* [4]Lyn Corno and Ellen B Mandinach. The role of cognitive eng agement in classroom learning and motivation. Educational psychologist, 18(2)∶88—108, 1983. 4.3.2, 4.5.3

* [5]Diyi Yang, Tanmay Sinha, David Adamson, and Carolyn Pens tein Rose. Turn on, tune in, drop out∶ Anticipating student dro pouts in massive open online courses. In Workshop on Data Driven Education, Advances in Neural Information Processing Systems 2013, 2013. 2.1.1, 4.5.1