[论文解读] Supporting MOOC Instruction with Social Network Analysis

Tanmay Sinha|arXiv (Cornell University)|Jan 21, 2014

Online Learning and Analytics参考文献 34被引用 16

一句话总结

本文将社交网络分析应用于MOOC讨论论坛，以识别高风险学生和积极参与者，通过纵向分析论坛行为来检测参与模式。通过分析互动网络和发帖动态，该研究使教师能够主动支持学习者，借助数据驱动的教学干预措施，在大规模在线课程中降低辍学率。

ABSTRACT

With an expansive and ubiquitously available gold mine of educational data, Massive Open Online courses (MOOCs) have become the an important foci of learning analytics research. In this paper, we investigate potential reasons as to why are these digitalized learning repositories being plagued with huge attrition rates. We analyze an ongoing online course offered in Coursera using a social network perspective, with an objective to identify students who are actively participating in course discussions and those who are potentially at a risk of dropping off. We additionally perform extensive forum analysis to visualize student's posting patterns longitudinally. Our results provide insights that can assist educational designers in establishing a pedagogical basis for decision-making while designing MOOCs. We infer prominent characteristics about the participation patterns of distinct groups of students in the networked learning community, and effectively discover important discussion threads. These methods can, despite the otherwise prohibitive number of students involved, allow an instructor to leverage forum behavior to identify opportunities for support.

研究动机与目标

• 通过社交网络分析探究MOOC中高辍学率的原因。
• 识别在课程讨论中积极参与的学生与可能辍学的学生。
• 分析MOOC论坛中的纵向发帖模式，以揭示参与动态。
• 为教育设计者提供可操作的见解，以改进MOOC设计与支持机制。
• 检测大规模在线学习环境中关键的讨论主题与社区结构。

提出的方法

• 本研究使用社交网络分析技术，分析来自Coursera MOOC的讨论论坛数据。
• 将学生互动建模为网络，其中节点代表学生，边代表通信行为（例如回复、提及）。
• 通过纵向分析追踪参与强度和网络中心度随时间的变化。
• 使用中心度指标（如度中心度、接近中心度和特征向量中心度）识别有影响力或孤立的学生。
• 应用可视化工具绘制随时间演化的讨论主题与社区聚类。
• 该方法利用网络指标识别活动减少或连通性低的学生，作为潜在辍学者的预警信号。

实验结果

研究问题

• RQ1 学生论坛参与模式中，哪些特征能够区分积极参与者与可能辍学的学生？
• RQ2 在大规模MOOC讨论论坛中，参与动态如何随时间演变？
• RQ3 哪些讨论主题在在线学习社区中成为核心或具有影响力？
• RQ4 基于网络的指标能否可靠预测MOOC中的学生辍学？
• RQ5 讨论网络的哪些结构特征与学生参与或脱离参与相关？

主要发现

• 在讨论网络中具有高接近中心度的学生更有可能在整个课程中保持参与。
• 发帖频率下降和网络连通性减弱是潜在辍学的早期强烈信号。
• 该分析成功识别出作为学生互动与知识共享枢纽的关键讨论主题。
• 参与多个讨论主题的学生比孤立参与者具有显著更高的留存率。
• 网络可视化揭示了子社区的形成，其中部分群体表现出持续参与，而另一些群体在初始参与后逐渐变得不活跃。
• 该方法使教师能够在超过10,000名参与者的规模下识别出高风险学生，证明了其在真实MOOC环境中的可行性。