知名的MOOC平台汇总

• edX
• Coursera
• FutureLearn
• Udacity
• Udemy
• openlearning
• 清华学堂在线
• UOOC在线
• MOOC中国
• 中国大学MOOC
• 慕课网
• 网易云课堂
• 腾讯课堂

相关会议与论文

专业表达

• blended learning environments.

  混合学习环境

Gauging MOOC Learners’ Adherence to the Designed Learning Path

评估MOOC学习者对设计学习路径的依从性

• 研究主题：学习者在多大程度上坚持MOOC设计的学习路径？

• 论文中提到的相关研究：

  • 在mooc中只有很小比例的学习者成功完成学习[15]
  • 相当多的研究已经可以预测学习者的辍学率，系统的自动干预可以分阶段的去使学习者重新回到课程的学习中[9,12,17,24]
  • 研究学习成功者和失败者的不同的学习路径的比较[21]
  • 相较于在e-leraning和智能辅导社区，学习路径的重视程度在MOOC中不高[13,19]
  • 经验证据中证明学生不会按照预设的路径学习，但是mooc学习路径的深入研究并没有（2016年）[8]
  • 学习活动序列及其对学习结果的影响[5]
  • 问题解决型的活动类型中的活动序列聚类用于序列模式挖掘[14]
  • 自动聚类和人的综合被结合，以确定问题解决的模式[13]
  • 使用半自动的方式来确定学生的状态，通过对问题型活动序列的挖掘（玩游戏系统，猜出挫折，滥用提示，执行任务）
  • 使用隐马尔可夫模型来描述不同的中学生行为趋势会导致不同的学习进度和学习成果[10]
  • 调查了最常用的2步活动序列，手工分析以确定有趣的学习习惯[23]
  • 发现学习者通常以一种非线性的、“探索性”的方式来完成课程内容[16]。对经常进行“回跳”的学习者的观察(从问答然后跳回到前面介绍的演讲视频)这可以是被认为是课程设计学习路径和真实的学习路径之间的一次比较，这样的行为，有助于设计者在MOOC中设计学习路径。
  • 探索了视频交互中的暂停、播放、加速、跳跃，并分析这些与学习者的辍学行为之间的关系。[20]
  • 在混合学习环境中，学习者的讨论行为序列模式表现与预期的截然不同[3]
  • 流程挖掘和一致性检查的概念尤其适用于业务流程执行等商务领域[18]

• • 主题与数据

    • • 四门课程：函数式编程，数据分析，辩论艺术， 负责任的创新（所有课程时间位于2014/2015）
    • 数据概览：注册人数，学习视频数，布置的测验数，视频观看次数在学分课与非学分课的区别，成功通过考试的学习者观看视频的次数，不看视频就通过的学生人数
    • 将日志跟踪转换为语义事件空间
      • 点击，查看，测验尝试次数，和论坛互动
      • MOOCdb3 toolkit（http://moocdb.csail.mit.edu/）MIT的一个研究慕课数据建模分析的开源项目
      • 视频检测：开始播放
      • 进度页：查看操作
      • 测验：进入测试，提交，离开
      • 讨论：开始讨论（进入讨论页），提交（提问，评论，或回复），离开讨论页
    • 研究视频点的跳转顺序，原始顺序构成一个有向无环图，探索其他的跳转顺序（并在及格者和不及格者之间做对比）、
    • 研究8种行为的状态转移顺序，通过在一个学习者的时间学习链上滑动一个长度为8的序列，来观察模式（使用开放式卡片排序法）通过对每个8步链的自动聚类可以实现。
    • 研究使用离散时间马尔可夫链(一种无记忆状态转换过程，编码学习者从一种事件类型移动到另一种事件类型的频率)，以便绘制学习者转换的可能性
    • 具体来说，该论文介绍了三种不同的方法(视频交互图、行为模式链和事件类型转换)，以便使用尊重设计和执行的学习路径
• 结论：在自适应学习系统发挥其潜能之前，必须建立两个重要的基线：1。教师希望学生遵循的精确的学习路径。学生在课程中的实际行为。当这两个基线之间的差异被识别和解决时，自适应教学将是最有效的。

滞后序列分析法在学习行为分析中的应用（2016年）

• 论文提到的相关研究
  • 研究者已从学习走向预测[5]、
  • 学习效果诊断[6]、
  • 分析模型构建[7]等方面对学习分析进行了探索
  • 学习分析包括行为分析、情感分析、知识结构分析、学习路径分析等多个方面。Papamitsiou和Economides[8]对现有学习分析相关研究进行了聚类分析，发现大多数学习分析都是围绕学习行为数据展开的，即学习行为分析。
  • 国际上对在线学习行为分析的研究主要集中在三个方面[9]：使用软件工具追踪和记录在线学习行为；关注学习者需求和在线学习环境；寻找在线学习行为和学习绩效的关系。国内学者更加关注学习行为偏好的调查[10]、行为数据的采集[11]、行为分类指标的制定[12]、学习行为概念模型与信息模型的构建[13]以及关键实现技术[14]
• LSA应用（滞后序列分析法）——由Sackett于1978年提出

主要用于检验人们发生一种行为之后另外一种行为出现的概率及其否存在统计意义上的显著性[16]。目前，LSA已被应用到电子商务领域的客户行为偏好分析、医疗领域的患者行为分析与治疗、游戏领域的玩家游戏行为分析等

• GSEQ(General Sequential Querier)LSA分析软件
• 案例：
  • 协同知识创作过程中的用户行为模式分析
  • 协同翻译过程中的知识建构行为模式分析

基于隐马尔可夫模型的学习行为评估（2014年）

以数据库课程 SQL 在线测试系统为例，为了发现抄袭和异常的学习行为，引入隐马尔可夫模型，对正常的学习行为进行建模，并使用滑动窗口技术解决学习序列长度不一而影响输出概率的问题

• 论文中提及的研究：文献［3］使用隐马尔可夫模型 HMM( Hidden Markov Model) 实现知识点智能引导
• 做题尝试序列反映知识点掌握程度状态的转移

挖掘大型开放网络课程学习者行为模式，识别潜在学习习惯（2014）

Identifying Latent Study Habits by Mining LearnerBehavior Patterns in Massive Open Online Cours

• 学习者的学习习惯如何影响他们的成绩
• 采用N-gram方法实现对学习序列的研究，跟踪数据中提取了18种学习活动：
  • 视频讲座(1)观看视频讲座(讲座)。
  • 作业(2)浏览一项作业(布朗赛分配)；(3)提交一份作业(提交作业)；(4)开始对等辅助作业2(BrowsePeerRelationme)(5)提交同行评估(提交同行评估)。
  • 测验(6)提交视频测验3(SubmitVideoQuiz)；(7)浏览每周测验(BrowseQuiz)；(8)提交每周测验(SubmitQuiz)。(9)浏览e期末测验(BrowseFinalQuiz)；(10)提交期末测验(SubmitFinalQuiz)。
  • 调查(11)浏览课程前或课程后调查(浏览调查)；(12)提交调查(提交调查)。·论坛与会者(13)浏览课程论坛(BrowseForum)的帖子(BrowseForum)；(14)在课程论坛(POST)中发布一个新帖子；(15)评论课程论坛中的其他帖子(评论)；(16)更新一个帖子(向上表决)；(17)否决一个职位(否决)。
  • 浏览课程材料(18)浏览课程材料，不点击视频、测验、调查、论坛或作业(BrowseCourse)。

基于经验抽样和结构方程建模的混合学习环境下学生参与度调查

Investigating student engagement in blended learning settings using experience sampling and structural equation modeling

• 研究问题：
  • 1.在混合学习课堂中，教学设计决策、学生特征和学生认知对学生情感和认知参与有什么影响？影响是什么？教学的方式(在线或面对面)对这些影响？
  • 2.在一个学期的混合学习课程中，情感和认知的参与是如何纵向相关的？在课程开始时会有更高的情感投入，并在课程的后期导致更大的认知投入？

视频制作对学生参与的影响:MOOC视频的实证研究

How Video Production Affects Student Engagement:An Empirical Study of MOOC Vide

• 研究成果：
  • 更短的视频更有吸引力。
  • 教师的头像和幻灯片交叉出现的视频比单独幻灯片更有吸引力
  • 用更多的个人感觉制作的视频可能比高保真Studio录音更吸引人
  • Khan风格的平板绘图教程比powerpoint幻灯片或代码屏幕更有吸引力。
  • 即使是高质量的预先录制的课堂讲课，当被切成MOOC时也不那么吸引人。
  • 教师讲话速度快、热情高的视频更吸引人。
  • 学生与讲座和教程视频有不同的参与度

学生如何通过moo导航的人口统计学差异

Demographic Differences in How StudentsNavigate Through MOOC

• 相关研究：
  • 研究人员有些学习者更喜欢线性导航或非线性导航[5，17，21]，
  • 而有些学习者在高度结构化的指导下表现最好[9，15]。然而，目前的MOOC经常是在林中组织的。每周一次的视频讲座和评估，类似于传统的大学课堂。
• 研究结论：
  • 证书获得者平均跳过22%的视频内容，并且经常回跳
  • 年龄较大的学习者和较低学生-教师比例的国家地区（美国，欧洲等）的学习者偏向更丰富和非线性的观看习惯，相反的学习者（印度，肯尼亚等）则大量采用线性的学习方法
  • 从作业到讲座跳转比单纯在视频间跳转更常见。
  • 从学生的人口统计学、动机、意图以及如何通过EDX课程材料来影响学生的学习路径

MOOC学习行为挖掘和辍学预测方法研究_陈立德

• 通过聚类将学习者按照 MOOC 学习过程中学习行为的积极程度进行划分。通过聚类将学习者按照 MOOC学习过程中学习行为的积极程度进行划分
• 基于学习行为数据和聚类结果的关联规则挖掘研究。研究中使用模糊关联规则挖掘算法从两个角度挖掘不同学习者学习行为之间的关联规则，第一个角度是对上述聚类结果中学习积极程度差异最大的两类学习者的学习行为进行模糊关联规则挖掘，第二个角度是挖掘相应的不同时期辍学的学习者学习行为之间的模糊关联规则
• 基于学习行为数据和聚类结果的关联规则挖掘研究。研究中使用模糊关联规则挖掘算法从两个角度挖掘不同学习者学习行为之间的关联规则，第一个角度是对上述聚类结果中学习积极程度差异最大的两类学习者的学习行为进行模糊关联规则挖掘，第二个角度是挖掘相应的不同时期辍学的学习者学习行为之间的模糊关联规则

MOOC学习者学习行为分析及推送应用研究_王雪宇

• 阅读了超过 100 篇的国内外关于学习行为分析的相关文献，并对其中 60余篇文献的部分研究成果进行了引用与探究，以近三年来发表在学习行为分析、机器学习、人工智能等领域的期刊和国际知名会议的文献为主，分析了国内外MOOC 教育、学习行为的定义以及学习行为分析的研究现状与不足，研究了国内外关于 MOOC 学习者类型划分方法和 MOOC 辍课预测的方法和模型
• 以哈佛大学和麻省理工学院共同发布的 edX 公开数据集和国防科大梦课平台数据集为基础，通过数据处理、整合、分析，从平台、课程、学习者类型三个方面对中美 MOOC 学习者学习行为进行了分析对比
• 比较了国内外对于 MOOC学习者类型划分方法后，进行了以真实行为数据为基础的定量和定性分析，通过引入基于变异系数法的MOOC积分公式，试验并改进了聚类方法后提出了基于 MOOC积分聚类的学习者类型划分方法
• 通过相关性分析等方法从课程因素、学习者自身因素、其他人员因素三个维度近 50 项学习行为数据中筛选出了与学习者最终获得的 MOOC 学习成绩最为相关的 11 项行为数据

MOOC中的学习行为挖掘研究_王洪岩

• 分析ＭＯＯＣ中学习行为内涵，提出了因果关联分析（ＣａｕｓａｌＡｓｓｏｃｉａｔｉｏｎＡｎａｌｙｓｉｓ，ＣＡＡ）算法。对学习行为构成要素定义并对学习行为分类，分析可能影响学习效果的学习行为，包括学习者的学习习惯和由学习环境提供的学习工具所带来的学习行为，改进Ａｐｒｉｏｒｉ算法，提出因果关联关系分析ＣＡＡ算法，对学习行为和学习效果进行关联分析，指出基于学习行为的学习考查体系的应用方向。
• 在ＣＡＡ算法的基础上，提出加权Ｋ均值（ＷｅｉｇｈｔｅｄＫ－ｍｅａｎｓ，ＷＫ－ｍｅａｎｓ）算法，对学习行为和学习效果进行聚类分析。对学习行为和学习效果构成的特征向量进行聚类分析，为取得更好的分类效果，根据ＣＡＡ算法的实验结果，对学习行为加权，分析学习行为特征之间的相互影响关系
• 学习风格模型构建与学习伙伴网络构建。通过分析学习行为和学习风格之间的关系，采用决策树方法，对学习者的学习行为和学习效果数据进斤决策树构建，将有相似学习风格的同学划分到决策树的一个分支中，并根据决策树构成的学习风格模型提出学习伙伴网络构建算法

SPOC环境下学习者学习行为分析与建模_高菊

• 对云课堂平台学习者学习行为分析进行分析提取ＳＰＯＣ环境中学习者线上学习行为特征。具体将采用序列分析法从不同维度对学习者的学习行为进行差异性分析，以挖掘学习者在ＳＰＯＣ环境下的学习特点；并结合聚类法探讨学习者学习类型以及各类型特点
• 构建ＳＰＯＣ环境下学习者学习行为模型。本章将基于技术接受模型以及计划行为理论构建学习者学习模型，并通过问卷调查法验证模型。

SPOC移动学习平台的设计与实现_彭兴卫

• 设计和开发一个更具有教育价值和意义的SPOC 平台。
• 系统平台的设计与实现。在理论的支持基础上，对平台的作用和功能有了一个清晰的定位，并且对系统平台的开发技术进行了深入研究，在理论和技术的支持下，完成对系统的功能设计和实现，在系统实现过程中，重点研究了学习行为数据的收集和智能化分析

国内高校MOOC学习行为研究_李艳

• 以具体的 MOOC 课程为例，对高校 MOOC 学习行为进行 5W1M 描述与分析，探讨目前高校 MOOC 学习行为习空间、主体、媒介、动机、形态、时间这六个方面都存在哪些问题。之后对高校 MOOC 学习行为与学习结果的关系进行分析，通过学习行为与学习成绩相关性的分析可以比较直观地看出目前高校 MOOC 学习行为中存在的不足

基于K_Means的慕课用户行为分析研究_孙笑音

• 使用数学方法对慕课用户的学习行为数据进行初步的分析，从用户类型、用户基本信息、影响成绩的因素等方面，对数据集的数据类型和特征属性进行了深入的了解和研宄。
• 采用聚类技术深刻分析慕课用户的行为数据。基于对比和分析聚类算法和现有的各种改进算法及优缺点，本文选择Ｋ－Ｍｅａｎｓ聚类方法进行优化，？提出一种Ｋ－Ｍｅａｎｓ特征选择算法，并设计相关的实验证明算法的性能改进
• 基于优化算法，将获得的聚类中心作为神经网络的中心，利用ＲＢＦ神经网络构建了基于Ｋ－Ｍｅａｎｓ特征选择的成绩预测模型，设置模型的相关参数和输入输出变量，并进行预测模型的动态更新，实现了对用户成绩预测的较高准确率。

基于MOOC课程评论的学习行为分析研究_谷欣

• 课程层面的学习行为分析。这一章是本文的重点章节，它从外显行为和内隐行为两个角度来切入，分别计算并分析课程层面的课程参与率和活跃率，以及文本相似度、关键词分布和情感分布，追踪学生在课程学习过程中的参与率和活跃度变化，并进一步探讨不同学科类型课程的学习行为差异
• 学生层面的学习行为分析。这一章也是本文的重点章节，它从外显行为和内隐行为两个角度来切入，分别计算学生层面的学习质量和学习活跃度，以及关键词分布和情感分布，并对这些不同学习行为结果进行阐述和分析，以期全方位地观察学生层面的ＭＯＯＣ课程学习行为规律
• 学习行为分析系统的设计与实现。本文基于第三章的数据采集和数据处理方法，实现了一个学生评论信息爬取与可视化分析系统。以一门课的一个问题为例，呈现了ＭＯＯＣ课程评论数据的采集和数据可视化处理全过程

基于行为日志数据的MOOC学习者学习行为分析研究_王敏

• 依据本研究的研究目的和研究方法，笔者注意到慕课本身Ｗ及已掌握的数据信息的特点，确定若干研究假设。然后对Ｘ．ｃｏｍ在线ＭＯＯＣ平台上的一口课程中所有学习者的行为日志数据进行了提取、清洗、规范化和统计分析，从学习者自身的属性特点、看视频行为、课件间做小练习题行为、讨论区交互行为这几个方面研究Ｍ００Ｃ学习者的行为特点，Ｗ及利用相关分析、独立样本检验探索了影响行为特点的诸多因素，用Ｋ－ｍｅａｎｓ聚类分析将Ｍ００Ｃ学习者类型进行分类，最后根据分析的结论提出相关策略和改进意见

基于互联网环境下学习行为的数据挖掘研究_张大胤

• 基于 MOOC 平台学习者学习行为数据，对学习者学习行为数据的基本信息、学习者类型、影响成绩的因素等三个方面进行了深入地分析和探索，并得到了一些相关结论。通过单因素方差（ ANOVA）分析不同类型学习者的学习行为之间是否存在显著性差异，例如不同学历水平学习者仅在活跃天数和论坛发帖数两个学习行为上存在显著性差异（ P05.0 ），而在学习事件数、学习章节数和模块完成比例四个方面均不存在显著性差异（ P05.0 ）；不同年龄段的学习者在活跃天数、论坛发帖数、学习章节数以及模块完成比例四个行为上都存在显著性差异（ P05.0 ），而在学习事件数上不存在显著性差异（ P05.0 ）等。另外学习者的学习事件数、活跃天数、学习章节数、论坛发帖数和模块完成比例五个学习行为特征对学习成绩都有不同程度的正相关性（ P01.0 ）
• 本文利用分类方法中的决策树和支持向量机算法构建单一分类器，以及随机森林构建的集成分类器对 MOOC 学习者的学习成绩进行预测。其中C4.5决策树构建的学习成绩预测模型的精度为 0.812，支持向量机构建的学习成绩预测模型的精度为 0.804，随机森林集成分类器构建的学习成绩预测模型为 0.854。在学习成绩预测模型的精度上，随机森林集成分类器构建的模型是最佳的分类模型，虽然C4.5决策树算法和支持向量机算法构建的模型的精度比较低，但两者的精度也达到了 0.8 以上，也是很可观的。
• 本文通过对实验结果的分析，了解 MOOC 学习行为与学习成绩之间的关联，从而进一步找到哪些学习行为或者哪些学习行为的组合对学习成绩影响更大。MOOC 平台的教育工作者，可以深入了解学习者的自主学习情况和学习特征，从而更好的指导教学改革，优化教学方案，为学生学习提供更好的服务；对于MOOC 的学习者，可以充分了解自己的学习行为，提高学习效率，形成更有效的学习方式

基于学习行为分析的慕课建设策略研究_毛照道

• 对参与本课慕课的学习者的特征及其学习行为进行整理分析，并从中挖掘出不同特征学习者的学习规律。
• 节点入度和出度 例如在讨论区中学生 A 发了一个帖子，得到了学生 b，c，d，e 的相关回复，则学生 a 的入度是 4，而学生 a 对其中两个回复又进行了评论，则学生 a 的出度是 2。
• 密度范围内，密度越大表示合作越多，团体之间成员的信息交流也更为强烈，信息流动性超强，因此，绩效也会显著提高，而密度范围小则说明团体内，成员间关系不佳，缺乏沟通，对工作的满意程度也很低。
• 点度中心度 节点入点和出电的总数便是点度中心度，在研究中具体指学生与其他学生进行互动，包括回帖等方式的数量之和，这可以反映出在讨论区内学生的交流过程判断其影响力
• 中间中心度 常常用来描述在网络关系中的相关指标涌来，检测行动者对周边资源及环境的利用度和控制程度，节点中具有较高的中心度，证明行动者具有较强的控制传播信息的能力
• 网络中心势 通过对网络中心十点前就可以体现出在交际过程中，于少数人的密切关系，在取值范围内，如果中心视为其最大值 1，则说明在这个网络关系中，具体依赖中心人，而如果为其最小值 0，则说明网络关系中没有依赖的节点
• 社会网络分析法：社会网络分析法是一种用以测定个人在群体与组织中被接受的程度，发现群体内人与人之间的现存关系，并揭示组织本身的结构特征的研究方法。在本研究中，笔者采用了 UCINET 软件，对参与《交互式电子白板教学应用》学生的交互数据进行预处理，建立社交矩阵，在此基础上再对交互群体的密度、中心性以及凝聚群子进行分析，得出社群中个体之间的交互情况，以及社群个体与社群整体之间的交互关系。

面向SPOC数据的学习行为分析_刘敏

• 第一，学习巧为模型的建立。通过分析ＳＣＯＲＭ规范和ｘＡＰＩ规范的特点和适用场景，选择合适的标淮来建立学生行为模型，确定要收集的数据。
• 第二，技术方面。专口为教育大数据的收集和处理搭建了通用的平台。可Ｗ为学生行为数据提供存储、处理并定时更新。主要包括设计，平台的搭建和査询功能的实现。
• 第三，对数据进行分析。将ＳＰＯＣ平台中收集到的数据进行分化并通过可视化技术进巧呈现

面向大规模在线学习活动流的行为序列分析_胡振凡

• 本章介绍了一种常用的学生在线学习行为模型，并在该模型的基础上构建本文研究环境中的学生行为模型。基于该模型，论述获取数据的方法，最终确定ＷｘＡＰＩ规范收集学生行为数据，结合部分学生基本信息数据，确定本文分析所需获取的数据内容。第四章＂云课堂＂平台中的学习行为序列分析。本章在前文理论研究、行为建模和数据收集的基础上，使用ｊａｖａ和ｐｙｔｈｏｎ编程语言，结合ＳＰＳＳ统计分析工具，对＂云课堂＂学生行为数据进行序列分析，并用图表直观展示分析结果，探讨学生行为背后的原因