[论文解读] Learning Analytics in Massive Open Online Courses

Mohammad Khalil|arXiv (Cornell University)|Feb 17, 2018

Online Learning and Analytics参考文献 198被引用 4

一句话总结

本博士论文提出了一套全面的学习分析框架，专为MOOC平台设计，基于iMooX平台实现，整合了行为追踪（视频、论坛、测验、登录）、学生参与度聚类分析以及动机模型。该研究提出了一种去标识化方法，以应对伦理与隐私挑战，证明学习分析可在不损害数据安全的前提下提升参与度并支持教学决策。

ABSTRACT

Educational technology has obtained great importance over the last fifteen years. At present, the umbrella of educational technology incorporates multitudes of engaging online environments and fields. Learning analytics and Massive Open Online Courses (MOOCs) are two of the most relevant emerging topics in this domain. Since they are open to everyone at no cost, MOOCs excel in attracting numerous participants that can reach hundreds and hundreds of thousands. Experts from different disciplines have shown significant interest in MOOCs as the phenomenon has rapidly grown. In fact, MOOCs have been proven to scale education in disparate areas. Their benefits are crystallized in the improvement of educational outcomes, reduction of costs and accessibility expansion. Due to their unusual massiveness, the large datasets of MOOC platforms require advanced tools and methodologies for further examination. The key importance of learning analytics is reflected here. MOOCs offer diverse challenges and practices for learning analytics to tackle. In view of that, this thesis combines both fields in order to investigate further steps in the learning analytics capabilities in MOOCs. The primary research of this dissertation focuses on the integration of learning analytics in MOOCs, and thereafter looks into examining students' behavior on one side and bridging MOOC issues on the other side. The research was done on the Austrian iMooX xMOOC platform. We followed the prototyping and case studies research methodology to carry out the research questions of this dissertation. The main contributions incorporate designing a general learning analytics framework, learning analytics prototype, records of students' behavior in nearly every MOOC's variables (discussion forums, interactions in videos, self-assessment quizzes, login frequency), a cluster of student engagement...

研究动机与目标

• 探究学习分析在MOOC中的整合方式，以提升学生参与度与学习成效。
• 分析学生在MOOC平台多个组件中的行为表现，包括视频互动、讨论论坛和测验表现。
• 构建并实现一个概念性与可实施的学生动机模型，适用于MOOC环境。
• 通过去标识化框架应对学习分析中的伦理与隐私挑战。
• 通过将数据洞察与教学设计相连接，弥合技术分析与教学实践之间的鸿沟。

提出的方法

• 开发了一个专为MOOC环境量身定制的一般性学习分析框架。
• 在奥地利的iMooX xMOOC平台上实现了学习分析原型系统。
• 收集并分析了关键MOOC组件中的行为数据，包括视频互动、讨论论坛活动、自测题表现以及登录频率。
• 通过案例研究与原型开发评估系统性能与用户行为。
• 设计并实现了去标识化方法，以匿名化个人数据并降低隐私风险。
• 将动机建模整合进分析流程，以支持学生内在参与度的提升。

实验结果

研究问题

• RQ1 如何有效将学习分析整合进MOOC平台，以监测并提升学生参与度？
• RQ2 在视频、论坛和测验等不同MOOC组件中，学生行为呈现出何种模式？
• RQ3 如何构建并实现一个动机模型，以增强MOOC中学生的持续参与？
• RQ4 MOOC学习分析中存在哪些伦理与隐私挑战，又该如何缓解？
• RQ5 学习分析在多大程度上能够指导MOOC的教学实践与课程设计？

主要发现

• 学习分析框架成功捕捉并分析了学生在所有主要MOOC组件中的行为，包括视频互动、论坛发帖、测验尝试以及登录频率。
• 通过行为数据有效实现了学生参与度的聚类分析，揭示了课程群体中不同的参与模式。
• 所实现的动机模型为学生持续参与提供了可操作的洞察，表明动机是推动持续参与的关键因素。
• 去标识化方法在保护个人数据的同时保持了分析的实用性，为伦理问题提供了切实可行的解决方案。
• 案例研究显示，学习分析可为课程设计提供支持，使教师能够识别表现不佳的模块并相应调整教学策略。
• 本研究强调了制定政策与监管框架的必要性，以规范数据所有权，并防止学习分析中出现偏见解读。