大规模私有在线课程微观交互行为模式探究

来源:用户上传      作者:程罡 孙迪 罗恒

　　摘要：随着在线学习的发展，在线学习平台积累了大量的学习者微观学习行为的数据。越来越多的研究人员提出利用这类由技术支持的数据来研究学习过程中交互行为的序列和时间模式，也就是行为序列模式的挖掘与研究。该文聚焦于大规模私有在线课程中的学习者微观交互行为，尝试运用序列挖掘的方法来探讨行为模式的演变，并对不同成就群体之间的模式进行了比较，揭示了高、低成就学习者群体的主要交互模式及其演变趋势，并且就两个群体的模式进行了比较。该研究结果为细粒度层面的交互行为模式的研究提供了一个新的视角，有助于教师进一步了解学习者的在线行为，并针对不同学习者设计专门的干预措施。对于学习平台开发者来说，该研究提供了关于微观在线行为模式的挖掘、呈现和解释的有益尝试，为平台功能的设计和实现提供帮助，此外，还可以帮助教学设计者构建以学习者为中心的课程来促进在线学习。
　　关键词：序列模式挖掘；交互行为；不同成就群体；大规模私有在线课程
　　中图分类号：G434 文献标识码：A
　　学习本质上是一系列随着时间的展开而发生不同行为的交互事件[1-3]，交互则是学习取得成功的重要基础[4-8]。近年来，越来越多的研究者认为，对于交互的研究，不能忽视时间和顺序这两个重要的特征[9]。交互的时序特征可以帮助我们理解学习的发生、发展和结果[10]。随着时间的推移，微观而高频的交互行为可以揭示学习者在学习过程中呈现的某些普遍行为模式[11][12]。因此，以时序性为基础，对于大量微观交互行为的深度挖掘，可以帮助我们探究学习过程中细粒度的交互模式，从而更好地理解学习过程。
　　在线学习中学习者的交互可以分为中观的活动和微观的行动两个层面：中观层面的交互活动通常指在线学习平台中设置的一系列交互操作的课程模块，例如介绍、内容、论坛、测验、作业等；微观层面交互行为是指交互活动中包含的具有教育意义的典型行为，如查看、删除、写入、创建等[13]。目前，大多数研究集中在活动层面[14]，但是，活动层面的研究掩盖了学习过程中一些更为微观和连续的行为，可能降低研究的意义，无法解释学习过程中的某些重要方面。此外，在一个长期的学习过程中，学习者行为模式的演变，以及多样化的学习者群体之间交互模式的异同，也有待更深入的梳理和分析。
　　因此，本研究聚焦于微观层面上的交互行为，采用序列模式挖掘（Sequential Pattern Mining）的方法，从更细粒度和更精确的层面上探究了不同成就的学习者群体之间交互行为模式的特点及其对学习的影响。从而更好地帮助教师和管理者在课程教学的不同阶段识别不同类型的学习者，并给予更加有针对性的教学干预措施。
　　序列模式挖掘（Sequential Pattern Mining）是一种通过寻找高频行为序列来从研究微观学习行为的方法，在对行为的时序特征进行编码的基础上，该方法可以挖掘个人和群体的典型行为模式[15][16]。序列是一组有序的微观行为操作，子序列是从原始序列中生成的新序列，它过滤掉一些无关行为，同时保持其余行为的相对位置（例如：“xaxxbxxcxxdx”序列中的“abcd”的子序列）[17]。给定一个存储学习者交互信息的数据库，序列模式挖掘的目标是在所有可能的学习者交互行为中找到最优的序列[18][19]，进而将不同学习成绩的学习者分离到不同的学习过程中，其结果可以用于提高学习质量和解决相关问题[20]。
　　目前为止，大致有几种经典的序列挖掘技术。例如：广义序列模式挖掘算法（Generalized Sequential Pattern Mining，简称GSP）[21]、PexSPAM算法（Pex-Sequential PAttern Mining）[22]、基于等价类的序列模式挖掘算法（the Sequential Pattern Discovery using Equivalence classes，简称SPADE）[23]、频繁模式投影序列模式挖掘算法（Frequent Pattern-projected Sequential Pattern Mining，称FreeSpan）[24]，以及前缀投影序列模式挖掘算法（Prefix-projected Sequential Pattern Mining，简称PrefixSpan）[25]。这些算法的总执行时间、频繁序列识别、最大使用内存等等属性各有优劣，综合而言PrefixSpan是一种更为有效的算法[26]。研究者对学习过程的交互研究往往是基于不同类型的交互数据和分析方法而开展的。
　　（一）基于文本和视频数据的序列模式研究
　　大多数研究者主要基于文本数据对学习中的时序交互进行研究，例如讨论、学习反思、语篇文本、课程日记等。这类研究的学习环境主要是协作学习。例如，Chiu和Khoo将54名小学生分成了18个小组，收集了他们在计算机辅助环境下进行协作学习的51，338个对话文本[27]。研究者们将对话分为认知活动、元认知活动、关系活动、程序性活动和开小差活动，通过挖掘序列关系来预测较低和较高的认知水平。李艳燕等人结合领域本体、自然语言处理和关联规则挖掘技术，设计并开发了一个兼具智能化和可视化的整合性工具，集文本分析和内容分析为一体，用于协作学习中的交互过程的分析和评价[28]。Chu等人确定并分析了大规模开放在线课程论坛中的交互讨论模式。他们使用LIP-Miner算法分析学习者和教师的交互，并找出了所有高频的交互模式[29]。
　　为了强调协作学习是通过不断演变的对话交互来实现的，基于1到6年级学习者的语篇文本，Chen等人对可以区分语篇文本中多样性主题的序列模式进行了挖掘。研究发现某些频繁出现的序列模式可以有效的区分学习者在知识建构的过程中体现出的多样性主题，例如：持续性的理论化，证据的综合使用，以及所提出的理论的问题化[30]。2019年，Zheng等人研究了在线聊天和学习者日志中自我交互和社交交互活动中的序列，及其对学习者群体的影响[31]。该数据来自高中和大学的156名学习者，他们在计算机支持的协作学习环境中完成了一项STEM的学习任务。结果表明，成功的学习者群体表现出更频繁和更多样化的监控和调节活动；此外，社会交互的时间可以影响合作学习的成功。

nlc202209051430

转载注明来源:https://www.xzbu.com/1/view-15439059.htm