[论文解读] Social Interactions Clustering MOOC Students: An Exploratory Study

Lei Shi, Alexandra I. Cristea+3 more|arXiv (Cornell University)|Aug 10, 2020

Online Learning and Analytics参考文献 10被引用 4

一句话总结

本研究提出一种机器学习方法，基于学生在 FutureLearn 平台上的社交互动，对大规模开放在线课程（MOOC）学生进行聚类分析，结合评论分类与统计建模。研究识别出三类稳定且独特的学生群体——积极贡献者、被动响应者和孤立学习者，为提升在线课程参与度与课程设计提供了洞见。

ABSTRACT

An exploratory study on social interactions of MOOC students in FutureLearn was conducted, to answer "how can we cluster students based on their social interactions?" Comments were categorized based on how students interacted with them, e.g., how a student's comment received replies from peers. Statistical modelling and machine learning were used to analyze comment categorization, resulting in 3 strong and stable clusters.

研究动机与目标

• 探索如何基于学生在在线论坛中的社交互动行为对 MOOC 学生进行分组。
• 利用 FutureLearn 平台上的评论互动模式，识别稳定且有意义的学生聚类。
• 通过社交互动的统计建模，理解学习者的典型行为特征。
• 通过揭示不同的互动模式，支持课程设计与学习者参与策略的制定。

提出的方法

• 根据互动类型对学生的评论进行分类，例如评论是否收到回复或是否发起讨论。
• 应用统计建模与机器学习技术，分析社交互动的结构与模式。
• 使用聚类算法，基于互动频率与互惠性，将学生划分为不同的行为特征群体。
• 通过重复分析与不同互动指标间的一致性检查，验证聚类结果的稳定性。
• 以同伴回复模式作为社交参与度的代理指标，例如回复数量与互动深度。
• 采用混合方法，结合定量分析与对互动动态的定性解读。

实验结果

研究问题

• RQ1 如何基于 MOOC 学生的社交互动行为，实现有意义的聚类？
• RQ2 在像 FutureLearn 这类真实平台中，MOOC 学习者的互动主导模式是什么？
• RQ3 哪些互动指标最能区分不同类型的学习者参与行为？
• RQ4 不同分析方法下，所得聚类结果的稳定性和可解释性如何？
• RQ5 通过分析 MOOC 论坛中的同伴回复与互动频率，会涌现出哪些行为特征？

主要发现

• 识别出三类稳定且独特的 MOOC 学生群体：积极贡献者、被动响应者与孤立学习者。
• 积极贡献者频繁发起讨论并收到大量回复，表明其社交参与度高。
• 被动响应者主要回复他人的评论，但很少主动发起讨论，表现出反应式参与。
• 孤立学习者互动极少，评论数量少且几乎无回复，表明参与度低。
• 不同建模方法下聚类结果保持稳定，表明所识别出的行为特征具有稳健性。
• 本研究证明，社交互动模式可可靠地揭示 MOOC 中有意义的学习者行为类型。