發(fā)布時間：2021-05-06 03:34

　　隨著互聯網技術的“爆發(fā)式”發(fā)展和教育的民主化和普及化,出現了“互聯網+教育”的產物,大型開放在線課程MOOC（massive open online courses）。相對于全球高等教育在校生的課程規(guī)模,MOOC龐大的學習群體產生了海量的學習行為數據,利用MOOC平臺的數據資源優(yōu)勢,可以通過相關統計分析方法對學習數據進行描述、統計、評估及深度分析,這有助于了解MOOC學習者的學習行為,為MOOC平臺優(yōu)化和教學質量改進提供參考。本文的主要研究內容是MOOC平臺學習者行為的分類,選取的樣本數據是Canvas Network平臺提供的一份學習者學習行為的開放數據集,通過兩個實驗對該樣本進行分析研究。在分類分析實驗中,本文通過機器學習相關算法對學習者學習行為數據進行分類,比較梯度提升決策樹（GBDT）、樸素貝葉斯、神經網絡和支持向量機分類的準確性。評估結果表明,GBDT算法對學習者類型具有較高的分類準確率。在聚類分析實驗中,基于SPSS21.0平臺,對學習者的學習行為進行了兩步聚類分析。實驗結果顯示,最優(yōu)聚類數為3類,各類樣本數分布合理,特征明顯。結合兩個實驗結論,對分類后的學習者類型進行了特... 

【文章來源】：蘇州大學江蘇省

【文章頁數】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 MOOC研究現狀和發(fā)展趨勢
    1.3 本文數據集簡介
    1.4 研究內容梗概
第2章 樣本概述與變量介紹
    2.1 樣本概述
    2.2 變量描述
第3章 分析方法
    3.1 梯度提升決策樹(GBDT)
    3.2 兩步聚類法
第4章 關于學習者行為的實證分析
    4.1 梯度提升決策樹(GBDT)建模及結果
    4.2 兩步聚類分析
第5章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
附錄 Python程序


【參考文獻】：
期刊論文
[1]我國慕課研究現狀、熱點聚焦與發(fā)展建議——基于知識圖譜的可視化分析[J]. 田生湖,姚建峰,崔同宜.  成人教育. 2019(01)
[2]基于Canvas Network開放數據集的MOOC學習分析[J]. 胡紅梅,宗陽.  開放學習研究. 2017(01)
[3]在線教育對高校教學及其師生的影響——以SPOC為例[J]. 田生湖,趙學敏.  中國教育信息化. 2016(06)
[4]MOOCs時代的大學:挑戰(zhàn)與回應[J]. 吳洪富,劉寧寧.  河北師范大學學報(教育科學版). 2015(03)
[5]MOOCs背景下我國高等教育教學模式的變革與創(chuàng)新[J]. 焦煒.  電化教育研究. 2014(04)
[6]MOOC浪潮下的高校課程聯盟[J]. 管會生,高青松,張明潔.  高等理科教育. 2014(01)
[7]高校圖書館應對MOOC挑戰(zhàn)的策略探討[J]. 傅天珍,鄭江平.  大學圖書館學報. 2014(01)
[8]蟻群聚類組合方法的研究[J]. 邢潔清,朱慶生,郭平.  計算機工程與應用. 2009(18)



本文編號：3171155