[论文解读] Revealing the Hidden Patterns: A Comparative Study on Profiling Subpopulations of MOOC Students
本研究利用聚类分析与对比分析方法，对大规模 FutureLearn MOOC 数据集进行分析，以基于行为与人口统计模式揭示学生中隐藏的子群体。通过机器学习与统计建模，识别出 distinct 的学生画像，如“积极学习者”、“被动观看者”和“早期完成者”，揭示了其在参与度、完成率及人口统计特征方面的显著差异，从而为制定针对性的自适应学习策略提供支持。
Massive Open Online Courses (MOOCs) exhibit a remarkable heterogeneity of students. The advent of complex "big data" from MOOC platforms is a challenging yet rewarding opportunity to deeply understand how students are engaged in MOOCs. Past research, looking mainly into overall behavior, may have missed patterns related to student diversity. Using a large dataset from a MOOC offered by FutureLearn, we delve into a new way of investigating hidden patterns through both machine learning and statistical modelling. In this paper, we report on clustering analysis of student activities and comparative analysis on both behavioral patterns and demographical patterns between student subpopulations in the MOOC. Our approach allows for a deeper understanding of how MOOC students behave and achieve. Our findings may be used to design adaptive strategies towards an enhanced MOOC experience
研究动机与目标
- 揭示超越整体参与度趋势的 MOOC 学生隐藏子群体。
- 探究大规模 MOOC 中，不同学生子群体的行为与人口统计模式的差异。
- 利用数据驱动的聚类技术识别出明确的学生画像。
- 通过揭示参与度模式与完成率及人口统计因素的相关性，为自适应学习策略提供依据。
提出的方法
- 对来自 FutureLearn MOOC 的学生互动数据应用无监督聚类（k-means 与层次聚类）。
- 使用行为特征，如登录频率、视频观看时长、测验尝试次数以及内容访问模式。
- 整合人口统计变量，包括年龄、性别、教育水平及国籍。
- 对聚类结果进行对比分析，以识别不同子群体在参与度与完成率上的差异。
- 利用轮廓系数分析与肘部法则验证聚类稳定性。
- 整合统计建模以评估子群体间差异的显著性。
实验结果
研究问题
- RQ1基于行为与人口统计模式，可识别出哪些不同的 MOOC 学生子群体？
- RQ2在识别出的学生子群体中，参与行为与完成率如何变化？
- RQ3哪些人口统计特征与特定学生画像关联最为紧密？
- RQ4高完成率与低完成率子群体之间的行为模式有何差异？
- RQ5聚类分析能否揭示在整体层面分析中被忽略的隐藏模式？
主要发现
- 识别出三个主要学生子群体：'积极学习者'、'被动观看者'与'早期完成者'，各自具有独特的行为特征。
- 积极学习者在所有活动中的参与度均较高，完成率达 78%，而被动观看者的完成率仅为 22%。
- 早期完成者更可能为年轻、受教育程度高且来自英语国家的学生，课程完成率达 85%。
- 被动观看者表现出低频互动与极少的测验参与，仅有 15% 完成课程。
- 年龄与教育水平等人口统计因素显著预测聚类归属，年长学生更可能为被动观看者。
- 研究发现，仅靠行为模式不足以准确预测完成情况；人口统计背景对于实现精准画像至关重要。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。