基于学习分析的在线学业成就影响因素研究
摘要：如何利用数据和模型来预测学业成功与失败是学习分析领域的核心问题。该文通过对现有文献检索分析出目前研究中主要影响学业成就的要素，结合对原始数据的深度处理，得到和学习相关的高级行为指标，利用机器学习中神经网络、决策树及线性回归算法分别建模分析。研究发现：学习态度、学习及时水平和投入水平是影响在线学业成就的主要因素，耐挫水平为次要因素，而互动水平、积极水平和阶段成效对最终的学业成就无关。该文最后对研究结果进行了反思后认为，课程选取对研究在线学业成就要素有非常大的影响。
关键词：学习分析;在线课程;学业成就;机器学习
中图分类号：G434 文献标识码：A
一、引言
随着大数据的应用普及，很多行业（如金融、零售）都发生了巨大的变化。但一直以来，教育领域是在大数据中受益最少的领域之一，缺乏'数据驱动的思维（Data-driven Mind-set）“是教育领域当今面临的主要障碍。相对于流程清晰规范的金融系统，教育是一个超级复杂的系统，各类教育实践活动产生了比金融行业要多得多的数据。因此，如何利用好教育数据，并从中发掘其背后的教育规律成了研究者最近关注的重点。自2010年起，学习分析（Learning Analytics，简称LA）逐渐从分析领域独立出来，吸纳数据挖掘、社会网络分析、统计分析等多种分析方法，形成了一个独立的新兴领域。从此，学习分析作为分析技术在教育领域中的应用和发展，受到越来越多研究者的关注和重视。运用在教育领域的学习分析主要任务是通过对学习者产生和收集到的相关数据进行分析和阐释，来评估学习者的学业成就、预测其学习表现并发现存在问题的过程。因此如何利用学习分析技术来预测学业成功与失败是该领域核心问题。
二、文献综述
最近几年，围绕学业分析与学业成就这一话题，国内外学者的研究主要聚焦在学业成就模型和指标的研究上。Usamah通过对14个典型的学习分析系统和应用进行研究后指出，学习分析中数据输入应该包含尽可能多的数据，而不应绑定在两种或三种类型的数据中，并最终梳理出包含学习者往期学业表现、课程参与情况、学习者背景、社交表现等多个预测学业表现的重要指标。Bukralia使用学业能力、经济水平、学业目标、技术准备、人口统计、课程动机与参与以及课程特征作为预测学业风险或成就的指标。G.Siemens等对学习者基本情况、学习目标、动机水平、认知风格、学习需要的数据进行收集，并对在线学习影响因素进行...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
