MOOC環境中面向學習者的語言反饋研究

作者/周利玲，武漢紡織大學數學與計算機學院

1.MOOC中學生參與的語言反饋的研究

從在線網絡課程的數據，不難發現學習者參與在線論壇可以促進學習者的學習效率，但更豐富的數據跟蹤仍有待挖掘，尤其是針對學習者論壇中互動內容的相關性詳細分析。互動內容相關性的分析提供了潛在的檢測和監控學生接觸的證據,以及它如何與其他方面的行為相關聯。有數據表明，學習者在明確自己學習目標和興趣時能更好的堅持完成學習任務。在本文中,我們研究利用計算機語言模型來衡量學習者的動機和認知參與論壇帖子的文本。

很多變量，需要評估這些變量的預測效度，我們使用生存模型來驗證我們的技術，評估這些變量的預測效度與隨著時間推移而變化的磨損。我們結合不同類型的MOOC課程來完成研究。之前的工作表明，參與論壇討論在所有的學生承諾是一個強有力的指標。我們的方法使我們能夠更好的區分這些學生，并確定輟學可能性很大的學生，通過人口和課程的互動提供有效的支持，給予積極的管理和支持，理論與實踐相結合。

2.數據集

我們的數據集來源MOOC平臺中的課程，包括三門課程：一門社會科學課程：1026個活躍用戶，2107個論壇帖子；文學課程：711個活躍用戶，3520個論壇帖子；編程課程：7739個活躍用戶，10708個論壇帖子。所有三個課程課時都是七周，分別有七周的特定的子論壇和更多的獨立的總的講話課程討論。我們的分析僅限于討論中的行為論壇。

3.相關工作

3.1學習者動機

在MOOCS環境下對英語學習動機的研究，大多數是基于調查和比較小的樣本的手工編碼的用戶確定的目標或脫失原因。在MOOC研究中，動機被確定為參與的重要決定因素。不同的課程設計不同的入學率鼓勵問卷項目，是得難以推廣的結論成為必然。另一個缺點就是學習者的動機是不穩定的，特別是沒有明顯進步的，學習者就可能失去興趣。重要的是檢測學習者的動機以及它在多個星期中的變化。我們建議根據論壇帖子的語言提示自動測量學習者的動機。

3.2 學習者認知參與

在結合學生面對面課程和計算機中介通信的環境課程的研究中，發現涉及高階思維的認知過程能更好的獲取知識，達到更好的學習效果。在本文中，我們嘗試根據帖子中包含的個人解釋來衡量MOOC用戶的認知參與度。

4.方法

4.1 預測學習者動機

學生的動機水平極大的影響了學生在課堂中的參與強度。以前的研究表明，有可能基于學生對計劃學習動作的描述對學習者的動機進行分類，確定的動機分類與學習行為和學習成果有著很大的關系。由于較高的師生比，導師很難親自鑒定和考察缺乏學習動機的學生。為了克服這些挑戰，我們構建機器學習模型，根據課程論壇的帖子自動識別學習者動機水平。我們以一般的方式驗證我們的措施，不僅測試同一課程的數據，還通過一門課程的學習，然后測試另一個課程，一發現課程獨立的動機線索。學習者動機的語言學特征幫助我們理解和預測學習者動機。

創建人機編碼數據集：MTurk

我們使用的Mechanical Turk(MTurk)來實現建立可靠的注釋語料庫用于開發自動測量學生動機。MTurk是一個在線市場的眾包，它允許請求者發布工作和工作人員選擇他們想要完成的工作衡量語言抽象的程度，具體的話是我們可以直接看到的事情和屬性。抽象詞是指思想觀念原理即時感知，我們自動計算一個數字評級從0（高度具體）到1（高度抽象），基于一個單詞的抽象關于從已經找到該單詞的上下文生成的特征向量，通過添加抽象來計算每個帖子的平均級別。

關于討論帖子中課程材料的推理，認知參與程度在解釋、分析和詮釋方面引起了人們的關注和注意。

5.驗證試驗

我們使用生存分析，以驗證參與者的測量水平較高的參與將保持活躍在論壇更長，控制其他論壇的行為，如有多少帖子用戶貢獻。我們應用我們的語言措施，在第4節量化學生的參與度。我們使用的域學習動機分類與語言和單字的功能為責任的對話課和科學幻想小說類。我們使用的分類培訓的負責談話數據集分配動機在學習課程的崗位無心標簽。

5.1 生存模型

生存模型可以被看作是一種回歸模型，捕捉的影響與時間相關的結果，例如是否發生事件。在我們的案件中，我們正在調查我們的參與措施對課程參與者退出課程論壇的影響。更具體地說，我們的目標是了解我們是否自動測量學生參與可以預測她參加課程論壇的時間。

對于我們的三門課程，我們包括所有積極的學生，即誰貢獻了一個或更多的職位課程論壇。我們定義的時間間隔為學生參與周。我們考慮到每個學生的第一個帖子的時間戳作為該學生的起始日期參與課程討論論壇和最后一次會議的日期作為參與的結束除非是最后一周課程。

因變量:

在我們的模型中，依賴措施是輟學，這是1上一個學生的最后一周活躍參與，除非它是最后一個課程周（即第七課程周），和其他0周。

控制變量：

cohort1：這是一個二元指標描述用戶是否曾經在上課程周（1）或否（第0）。參加早期課程的成員比其他人繼續參與討論論壇。

PostCountByUser：這是消息的帖子在論壇的成員一周數，這是學生參與的一項基本努力。

commentcount：這是接受在論壇的評論用戶的帖子數在一周。因為這個變量是與PostCountByUser高度相關（r＞0.70的所有三門課程）。在為了避免多重共線性問題，我們只包括在最終的模型postcountbyuser。

獨立變量：

avgmotivation是一個人的職位的百分比在這周預測為“動機”使用我們的模型與一元語法和語言特點。

avgcogengagement：這個變量措施后平均每一周性評分。

我們注意到，avgmotivation和avgcogengagement不與postcountByUser（所有三門課程中R＜0.2）。因此，他們是正交的簡單措施的學生，avgmotivation與avgabstractness不是（三個課程中R＜0.10）。因此，可以將這些變量包括在同一模型中。

5.2 生存模型的結果

效果報告的輟學率（HR）是一個解釋的效果變量的風險或概率的參與者退出了課程論壇。因為所有的解釋變量除了cohort1已經標準化，這里的危險率是預測從一個單位增加的課程論壇輟學概率的變化預測變量，即當所有其他變量處于平均水平時cohort1從0到1或連續變量的增加變化的標準偏差。

表1 報告的生存模型的控制和獨立變量的預測進入生存回歸

6.結論

我們根據論壇帖子的語言分析，介紹如何衡量MOOC學生參與度的研究。我們確定了兩項新措施，量化參與并驗證了三種不同內容的Coursera課程的措施。我們會自動識別課程論壇中哪些職位表達學習者動機和認知參與的程度。生存分析結果驗證了學習者表達的動機越多，輟學的風險就越低。同樣，參與者在其職位上顯示的個人解釋越多，課程論壇輟學率就越低。

從這項研究中，我們看到我們可以根據他們的論壇討論帖數量來衡量學生的參與度，改善參與度的一個重要方法就是讓學生組織學習者之間更深層次的界限，下一步可以更深入地定量探索MOOC虛擬團隊參與者的協作行為。

* [1]David Adamson, Gregory Dyke, Hyeju Jang, and Carolyn Penstein Ros′e. Towards anagile approach to adapting dynamic collaboration support to student needs. International Journal of Artificial Intelligence in Education, 24(1)∶92—124, 2014. 4.5.3

* [2]Camiel J Beukeboom, Martin Tanis, and Ivar EVermeulen.The language of extraversion extraverted people talk more abs tractly, introverts are more concrete. Journal of Language and Social Psychology, 32(2)∶191—201, 2013. 4.4.2, 4.4.2

* [3]Stata Corp. Stata Statistical Software∶ Statistics; Data Manag ement; Graphics. Stata Press, 1997. 4.5.1

* [4]Lyn Corno and Ellen B Mandinach. The role of cognitive eng agement in classroom learning and motivation. Educational psychologist, 18(2)∶88—108, 1983. 4.3.2, 4.5.3

* [5]Diyi Yang, Tanmay Sinha, David Adamson, and Carolyn Pens tein Rose. Turn on, tune in, drop out∶ Anticipating student dro pouts in massive open online courses. In Workshop on Data Driven Education, Advances in Neural Information Processing Systems 2013, 2013. 2.1.1, 4.5.1