[论文解读] MOOCdb: Developing Standards and Systems to Support MOOC Data Science

Kalyan Veeramachaneni, Sherif Halawa+4 more|arXiv (Cornell University)|Jun 8, 2014

Online Learning and Analytics参考文献 6被引用 23

一句话总结

MOOCdb 提出了一种标准化、可扩展的 MOOC 数据科学数据库模式，使跨平台、跨课程的研究协作成为可能，而无需共享原始数据。通过统一数据组织方式并采用共享脚本分析（例如 Python、MATLAB、R），它实现了在 edX 和 Coursera 等平台间一致地提取、可视化和建模行为数据，显著降低了数据准备的工作量，并支持可复现、保护隐私的研究。

ABSTRACT

We present a shared data model for enabling data science in Massive Open Online Courses (MOOCs). The model captures students interactions with the online platform. The data model is platform agnostic and is based on some basic core actions that students take on an online learning platform. Students usually interact with the platform in four different modes: Observing, Submitting, Collaborating and giving feedback. In observing mode students are simply browsing the online platform, watching videos, reading material, reading book or watching forums. In submitting mode, students submit information to the platform. This includes submissions towards quizzes, homeworks, or any assessment modules. In collaborating mode students interact with other students or instructors on forums, collaboratively editing wiki or chatting on google hangout or other hangout venues. With this basic definitions of activities, and a data model to store events pertaining to these activities, we then create a common terminology to map Coursera and edX data into this shared data model. This shared data model called MOOCdb becomes the foundation for a number of collaborative frameworks that enable progress in data science without the need to share the data.

研究动机与目标

• 解决当前 MOOC 数据科学中因临时性数据收集和特征工程导致的高工作量问题，该问题目前占研究人员工作量的约 70%。
• 创建一个统一且可扩展的数据模式，支持多种 MOOC 平台（例如 edX、Coursera）和跨多门课程的应用场景。
• 通过标准化数据表示和分析工作流，实现跨机构和跨平台的合作。
• 通过推广脚本共享而非原始数据交换来减轻隐私风险，同时支持数据去标识化和访问控制。
• 建立一个由社区驱动的可重用分析工具、可视化和特征提取框架——作者称之为“特征工厂”（"feature foundry"）。

提出的方法

• 设计四种数据模式：观察模式、提交模式、协作模式和反馈模式，每种模式捕捉 MOOC 互动的不同方面。
• 定义一个标准化的数据库模式（图 17），包含用户、课程、资源、交互和元数据的规范化表结构，支持数据分区和去标识化（表 11）。
• 开发与平台无关的分析脚本（使用 Python、MATLAB 和 R），通过 SQL 查询与符合模式的数据库交互以提取数据。
• 实现 MOOC En Images 框架，使分析人员能够基于时间、学生群体和地理位置等维度，定义统计量（例如平均提交次数）（图 13–14）。
• 与流行的可视化库（例如 d3js、Google Charts）集成，从基于模式的数据生成交互式可视化。
• 构建数据导出工具，生成 CSV 文件以支持标准研究工作流，如贝叶斯知识追踪和项目反应理论。

实验结果

研究问题

• RQ1 标准化数据模式在多大程度上可以减少 MOOC 研究中用于数据准备和特征工程的时间与精力？
• RQ2 在不共享原始个人数据的前提下，跨平台 MOOC 数据分析在多大程度上可以实现？
• RQ3 共享模式与基于脚本的分析框架是否能够支持不同 MOOC 平台和课程之间可复现且可比较的结果？
• RQ4 研究人员如何利用统一且可扩展的数据模型高效地提取、可视化和建模 MOOC 行为数据？
• RQ5 哪些机制可以支持 MOOC 数据科学中可重用特征和分析流水线的长期社区维护？

主要发现

• MOOCdb 模式在多个 MOOC 平台（包括 edX 和 Coursera）上实现了统一的数据建模，如 6.002x 案例研究所示。
• MOOC En Images 框架成功可视化了国家层面的平均作业提交率，揭示了蒙古的高参与度，证明了该模式在跨国分析中的实用性。
• 基于脚本的分析（例如图 15–16 中的 Python 和 MATLAB 代码片段）使研究人员无需掌握直接的 SQL 知识即可查询符合模式的数据库，提升了可访问性。
• 该框架支持以 CSV 格式导出数据，适用于标准研究工作流，如贝叶斯知识追踪和项目反应理论。
• 该方法通过仅共享生成特征和结果所需逻辑（脚本）而非原始数据，减少了对原始数据共享的依赖，从而增强了隐私保护和结果可复现性。
• 该项目已获得斯坦福大学、Coursera 和 edX 合作伙伴的认可，且该模式正根据社区反馈和平台特定需求持续迭代优化。