基于二元邏輯回歸模型的MOOC退課預(yù)測

　　摘 要： MOOC（Massive Open Online Courses）作為一種新的教學(xué)模式正發(fā)展得如火如荼，但學(xué)員退課率一直高居不下，直接影響了MOOC教師以及MOOC平臺(tái)的發(fā)展。本研究以“學(xué)堂在線”平臺(tái)學(xué)員的學(xué)習(xí)行為數(shù)據(jù)為基礎(chǔ)，對影響退課的七種學(xué)習(xí)行為進(jìn)行相關(guān)性分析，為了避免多重指標(biāo)帶來的多重共線性問題，根據(jù)相關(guān)性較小的原則選擇其中的五種學(xué)習(xí)行為。最后采用二元邏輯回歸模型進(jìn)行建模并預(yù)測學(xué)員的退課情況。實(shí)驗(yàn)表明，選取的五種學(xué)習(xí)行為對退課影響顯著，預(yù)測準(zhǔn)確率較高。本研究為MOOC教師盡早采取教學(xué)干預(yù)提供了一定的理論依據(jù)。
　　關(guān)鍵詞： MOOC； 學(xué)習(xí)行為； 相關(guān)性分析； 二元邏輯回歸； 退課預(yù)測
　　中圖分類號：G434 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-8228（2017）12-50-04
　　Predicting the MOOC dropout rate with binary logistic regression model
　　Guo Wenfeng1， Fan Chao1， Guo Xindong2
　�。�1. College of Arts and Sciences， Shanxi Agricultural University， Taigu， Taigu 030801， China；
　　2. College of Information Science and Engineering， Shanxi Agricultural University）
　　Abstract： Although MOOC develops prosperously as a new teaching model， the dropout rate of trainee remains high all the time. This will directly influence the development of MOOC teachers and MOOC platforms. According to the data from xuetangx.com， this study analyzes the correlation of seven learning behaviors affecting dropout. To avoid multicollinearity generated from multiple indicators between seven learning behavior， five of them are selected based on the rule of little correlation. Binary logistic regression model is used to predict the dropout rate. Experiments demonstrate that the selected five learning behaviors have significant influence to the dropout and the accuracy of prediction is higher. The study offers a theoretic basis for MOOC teachers to take teaching intervention as soon as possible.
　　Key words： MOOC； learning behavior； correlation analysis； binary logistic regression； dropout prediction
　　0 引言
　　MOOC（Massive Open Online Courses），大型開放式網(wǎng)絡(luò)課程，簡稱“慕課”，是近幾年由美國一些著名大學(xué)發(fā)起的網(wǎng)絡(luò)學(xué)習(xí)平臺(tái)。與傳統(tǒng)的課堂學(xué)習(xí)相比，MOOC具有如下特點(diǎn)：①采用各種社交網(wǎng)絡(luò)工具，形式多樣化；②課程的學(xué)習(xí)不受空間和時(shí)間的限制；③課程對學(xué)員的學(xué)歷沒有任何限制；④更強(qiáng)調(diào)學(xué)員的學(xué)習(xí)自主性。
　　目前對MOOC的研究基本可以歸結(jié)為三類。
　�、� 通過分析學(xué)習(xí)行為發(fā)現(xiàn)規(guī)律，改善MOOC教學(xué)活動(dòng)以及評價(jià)體系。
　　Yousef等通過對在線課程、遠(yuǎn)程課程和MOOC的相關(guān)文獻(xiàn)分析，提出了一套包含75個(gè)評價(jià)指標(biāo)的MOOC質(zhì)量保障標(biāo)準(zhǔn)[1]。童小素等在借鑒已有評價(jià)規(guī)范的基礎(chǔ)上，采用文獻(xiàn)調(diào)研法和專家訪談法，建立了一套質(zhì)量評價(jià)指標(biāo)體系，其中包括3個(gè)一級指標(biāo)和26個(gè)二級指標(biāo)[2]。秦瑾若等通過MOOC與傳統(tǒng)網(wǎng)絡(luò)課程教學(xué)活動(dòng)的對比，提出基于深度學(xué)習(xí)理論的MOOC學(xué)習(xí)活動(dòng)設(shè)計(jì)，并將其應(yīng)用于“現(xiàn)代教育技術(shù)”課程中[3]。樊超等從人類動(dòng)力學(xué)的角度對MOOC在線學(xué)習(xí)行為進(jìn)行分析發(fā)現(xiàn)，用戶的選課量和選課人數(shù)存在很大差異，在線學(xué)習(xí)具有陣發(fā)和重尾的特征，以及在線學(xué)習(xí)時(shí)間和次數(shù)服從冪律分布[4]。
　�、� 通過對學(xué)習(xí)行為進(jìn)行統(tǒng)計(jì)分析，進(jìn)而提出整改意見。
　　李帥等以東北大學(xué)MOOC平臺(tái)上的《高級語言課程設(shè)計(jì)》課程為數(shù)據(jù)集，對學(xué)生的知識點(diǎn)學(xué)習(xí)情況、在網(wǎng)站上的逗留時(shí)間以及觀看視頻的行為動(dòng)作（快進(jìn)/退、全屏、跳轉(zhuǎn)課程、暫停、滾動(dòng)條滾動(dòng)、文本模塊間跳轉(zhuǎn)）進(jìn)行了統(tǒng)計(jì)分析[5]。吳江等分別從選課、退課、課程參與和成績四個(gè)方面對愛課程網(wǎng)絡(luò)平臺(tái)上的一門課程的學(xué)習(xí)者行為進(jìn)行統(tǒng)計(jì)分析[6]。王萍等基于edX平臺(tái)的數(shù)據(jù)集，采用統(tǒng)計(jì)分析方法，對學(xué)習(xí)者類型、特征、行為進(jìn)行分析研究[7]。徐舜平等借鑒數(shù)據(jù)挖掘中的回歸分析方法，對“學(xué)堂在線”平臺(tái)的一門課程“電路原理”學(xué)習(xí)行為數(shù)據(jù)進(jìn)行研究[8]。
　　⑶ 通過對學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系進(jìn)行分析，建立模型對學(xué)習(xí)效果進(jìn)行預(yù)測。

相關(guān)熱詞搜索：邏輯 模型 回歸 預(yù)測 MOOC