CN109636690A - 基于学习者在线学习行为数据的学习有效性综合评分方法 - Google Patents

Abstract

本发明属于教育信息化领域，具体涉及一种基于学习者在线学习行为数据的学习有效性综合评分方法。包括以下步骤：S1为学习者观看视频行为评分；S2确定每一种学习行为得分的权值λ_i∈[0,1],i＝1,2,...,N，N为学习行为评分的数量；S3将各学习行为得分综合在一起形成课程综合评分，综合评分的方式是计算S和S_max的比值。本发明可以大幅度提升学习者评分的比率，让有学习行为的学习者都能获得评分；同时也提高了学习者评分的合理性；还可以提高学习者对于MOOC课程的参与性，提高课程资源的利用率：综合评分要求学习者参与各类学习行为才能获得更高的评分，可以激励学习者的学习热情，提高MOOC课程资源的利用率；最后，雷达图让学习者准确的了解自身的学习状态。

Description

基于学习者在线学习行为数据的学习有效性综合评分方法

技术领域

本发明属于教育信息化领域，具体涉及一种基于学习者在线学习行为数据的学习有效性综合评分方法。

背景技术

互联网催生了云计算、物联网，使得在线教育开始兴起。大规模在线开放课程(MOOC)目前已经成为重要的学习平台，它实现了教学资源的全球共享。目前Coursera、Udacity、edX三大国际提供商在互联网上提供免费的在线课程，为更多的学生提供了系统学习的可能。国内的中国大学MOOC、好大学在线和学堂在线等MOOC平台也在迅速发展。

目前MOOC面临着很多挑战，缺乏有效的评价方式就是其中之一。现有的MOOC通过加权学习者的考试成绩和作业成绩作为最终的课程成绩，获得评分的学习者往往不到10％。并且，课程的通过率非常低，很多课程甚至低于1％。研究表明绝大多数学习者学习目的并不是为了获得课程证书，但是这并不意味着不需要对他们进行评估。一个好的课程评价方法应该能够评估学习者有效的学习行为(能够获取知识和提升自己的学习行为)，它有助于学习者了解自身的学习状态，提高学习者的学习兴趣和课程参与度。

另一方面，现有的MOOC通过加权作业成绩和考试成绩来给学习者评分。数据分析的结果表明，这种评分方式存在很大的缺陷，而且这个现象在全球所有的MOOC平台普遍存在。为了说明现有评分方式存在缺陷，我们分析了获得证书的学习者观看视频的数量以及学习者学习事件数量与课程成绩的关系。

视频是在线课程知识的主要载体，学习者的成绩应该与观看视频行为显著相关。但是学习行为分析数据表明大量的学习者几乎没有观看视频，但是获得了很高的课程评分。选择中国大学MOOC平台的两门课程《C语言程序设计》和《博弈论》用于说明这个问题。如图1所示，图1中的横坐标是学习者观看的视频数量，纵坐标是各数量值对应的学习者的人数占比。在获得证书的学习者中，大量学习者甚至没有观看5个视频。可以看出MOOC分数不合理，这个现象同样存在与edX平台。

现在的MOOC评分方式中，学习事件数量与成绩并不显著的正相关。选择edX的两门课程来说明这个问题，即MITx 2.01x和MITx 3.091x，如图2所示。图2以散点图的形式描述了学习事件和成绩之间的关系。许多高分学习者的学习活动很少(右侧区域)，但有许多学习者参与了大量的学习但没有成绩(左侧区域)。

为了保持MOOC的健康发展，需要研究一种综合评分方法。一方面提高课程的评分比率，让更多的学习者能够获得成绩，另一方面，提升课程评分的科学合理性。

发明内容

本发明的目的就是为了克服现有MOOC评分方法的缺陷，提出一种基于学习者在线学习行为数据的学习有效性综合评分方法。该方法能够对学习者的有效学习行为进行评分，包括观看视频、完成作业、参与讨论和参加考试等。它实现了对学习过程的评估，使得评分更加合理。该方法能够大幅度的提升评分的比例，同时分数的雷达图像能让学习者清晰的了解自身的学习状态。最终达到提高在线学习者的学习效率，提高在线课程的参与度的目的。

本发明的目的是通过以下技术实现的：一种基于学习者在线学习行为数据的学习有效性综合评分方法，该方法包括以下步骤：

S1观看视频行为学习者评分：

为了评估观看视频的行为，引入了掌握学习理论。掌握学习理论的核心思想是学习效果取决于学习者投入的时间。学生只需投入学习知识所需的时间，在老师的帮助下，90％的学生可以掌握所传授的知识。基于该理论，视频观看的总时间可以用作学习者获得的知识量。

具体步骤如下：

S1.1设学习者观看第j个课程视频的总时间为d_j,(j＝1,2,...,n)，n为课程中包含的视频总数，其观看所有课程视频的时间可以表示为向量设课程第j个视频的时长为v_j，(j＝1,2,...,n)，则所有视频的时长可以表示为向量

S1.2计算学习者观看每一段视频的完成比率将r_j作为衡量掌握第j个视频中包含知识量的比率，则学习者掌握该课程的每一段视频中包含知识的比率为{r_j|j＝1,2,...,n}；

S1.3计算学习者观看所有课程视频比率{r_j|j＝1,2,...,n}的平均值，计算公式为将作为学习者掌握所有视频中包含知识比率的平均值；

S1.4不直接用作观看视频行为的分数，还需要考虑知识转化率。计算每一段视频完成比率在所有视频完成比率中的占比，第j段视频完成比率在所有视频完成比率中的占比的计算公式为将其表示为一个向量 近似均匀分布的程度可用作转换效率。当越接近均匀分布，观看视频的知识转换率越高；

S1.5当满足均匀分布时，将数组记为向量转化率k被定义为和的相似度：

这里的计算公式为则转化率k的公式为：

S1.6学习者观看视频行为的评分为

S2确定每一种学习行为得分的权值λ_i∈[0,1],i＝1,2,...,N，这里N为需要研究的学习行为的数量，权值可以根据具体的课程特点和考核要求确定。表1列出了权值的一个设定方案：

表1.学习行为得分的权值

S3将各学习行为得分综合在一起形成课程综合评分：

附图3中的第1个子图显示了综合评分的含义，综合评分Q定义为综合评分为图中深色多边形区域面积S与浅色多边形区域面积S_max的比值。设综合评分需要考虑N种学习行为，雷达图中多边形的顶点分别记为A₁，A₁，…，A_N，它们的坐标由学习者的每一项学习行为评分决定。

为了计算综合评分Q，这里需要求解两个区域的面积S和S_max，以区域D的面积S为例，面积求解公式可以按照如下的方法进行推导，S_max的值按照类似的方法可以得到。

S为图3第2个子图中区域D的面积，为了保持图形的对称性，图3绘制的图形旋转了90度，在垂直方向为x轴，水平方向为y轴。每个得分点在图中的坐标分别为(x_i,y_i)，i＝1,2,...,N。D是由得分点连接而成的多边形，其面积S可以表示为区域D的二重积分。利用格林公式将区域D的二重积分转换为沿闭合曲线L的曲线积分：

边界曲线L由折线连接而成，每个分段都是一条线段。当i＝N，是可以得到边界曲线L的分段表示形式：

由积分的区域可加性，∮_L能够表示为分段积分之和，因此沿曲线L的积分可以表示为：

分别计算每一段曲线积分，以第i段为例，设其中的参数方程可以表示为：

这里t为方程参数，在积分运算中作为积分变量，它的取值范围是[0,1]；

将曲线积分转化为定积分并求解积分得到：

将其代入公式得到：

计算每一个得分点的坐标：

a_i为每一项学习行为的评分；

将得分点坐标代入可以得到S的计算公式：

当a_i＝λ_i(i＝1,2,...,N)时，S_max为最大分值的面积：

将S和S_max代入公式最终得到综合评分的公式：

本发明提供的技术方案与现有技术相比有以下有效效果：

(1)大幅度提升了学习者获得评分的比率，能让更多的学习者都能获得课程评价；

(2)提高了学习者评分的合理性，学习者的成绩与学习行为的关联性显著增加；

(3)提高学习者的参与度，提高MOOC课程资源的利用率。

(4)雷达图让学习者准确的了解自身的学习状态。

附图说明

图1.获得证书的学习者没有观看足够多的视频；

图2.EDX中两门课程的学习事件数和成绩之间的关系；

图3.加权以后的学习行为分数的雷达图和综合成绩示意图；

图4.本发明所述方法的总流程图；

图5.观看视频行为评分方法流程图；

图6.学习者综合评分与现有MOOC评分方式的对比。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。

图4为本发明所述方法的总流程图，图5为观看视频行为评分方法流程图；如图4所示，本发明所述一种基于学习者在线学习行为数据的学习有效性综合评分方法包括以下步骤：

S1为学习者观看视频行为评分，其评分的流程如图5所示；

S2确定每一种学习行为得分的权值λ_i∈[0,1],i＝1,2,...,N，这里N为需要评分的学习行为数量；

S3将各学习行为得分综合在一起形成课程综合评分，综合评分的方式是计算雷达图(图3第2个子图)中区域面积S和S_max的比值。

为了说明本发明优于现有的MOOC评分方法，我们比较了两种评分方式的评分率和合理性。评分率是所有学习者中得分大于0的学习者的比例，也就是获得评分的学习者人数与学习者总人数的比值。评分率越高，获得评价的学习者就越多，说明评分方法更全面。

另一方面，我们分析了两种评分方法与观看视频行为的关系。由于视频是在线课程知识的主要载体，只有观看了视频才能获得知识，因此课程成绩应该与观看视频行为相关。因此评分与观看视频行为评分的是否显著相关能够体现出评分方法的合理性。

表2现有MOOC评分方式与本发明的评分率比较

表2列出了4门MOOC课程评分率和综合评分率。比较四种课程的两种评分方式的评分率，可以看出，本发明的综合评分方法大幅度提高了学习者评分率，更多的学习者获得了课程评分，可以让更多的学习者通过成绩了解自身的学习状态，寻找自身在学习中的问题，改进学习方案，提升学习效果。

另一方面，本发明所述综合评分方法能够科学的反映出学习行为和学习效果之间的关系。因为观看视频是学习者获得知识的主要途径，如果评分与观看视频行为得分相关性越高，则说明该评分方案越科学合理。

为了说明综合评分比现有的MOOC分数更合理，如图6所示，选择2门课程进行分析。观察左图，可以看出MOOC课程分数与视频观看行为之间没有显着关系。在右图中，综合得分显示与观看视频行为的显着正线性相关。它表明综合评分可以真实地反映学习行为和学习效果。另一方面，这也要求学习者参与MOOC的各种学习活动，从而提高学习效果。

通过雷达图，学习者还可以发现自己学习存在的问题，并及时的做出改进，这种表示方法非常的直观。在图6中，学习者可以看到自己的每一项得分。通过分析自己的学习分数雷达图，清晰的了解自己需要改进的方面，并及时的调整自身的学习状态，提高在线学习的效果。

Claims (2)

1.一种基于学习者在线学习行为数据的学习有效性综合评分方法，其特征在于，该方法包括以下步骤：

S1观看视频行为学习者评分：

为了评估观看视频的行为，引入了掌握学习理论，基于该理论，视频观看的总时间可以用作学习者获得的知识量；具体步骤如下：

S1.1设学习者观看第j个课程视频的总时间为d_j,(j＝1,2,...,n)，n为课程中包含的视频总数，其观看所有课程视频的时间可以表示为向量设课程第j个视频的时长为v_j，(j＝1,2,...,n)，则所有视频的时长可以表示为向量

S1.2计算学习者观看每一段视频的完成比率将r_j作为衡量掌握第j个视频中包含知识量的比率，则学习者掌握该课程的每一段视频中包含知识的比率为{r_j|j＝1,2,...,n}；

S1.3计算学习者观看所有课程视频比率{r_j|j＝1,2,...,n}的平均值，计算公式为将作为学习者掌握所有视频中包含知识比率的平均值；

S1.4计算每一段视频完成比率在所有视频完成比率中的占比，第j段视频完成比率在所有视频完成比率中的占比的计算公式为将其表示为一个向量 近似均匀分布的程度可用作转换效率；当越接近均匀分布，观看视频的知识转换率越高；

S1.5当满足均匀分布时，将数组记为向量转化率k被定义为和的相似度：

这里的计算公式为则转化率k的公式为：

S1.6学习者观看视频行为的评分为

S2确定每一种学习行为得分的权值λ_i∈[0,1],i＝1,2,...,N，这里N为需要研究的学习行为的数量，权值可以根据具体的课程特点和考核要求确定；

S3将各学习行为得分综合在一起形成课程综合评分：

综合评分Q定义为设综合评分需要考虑N种学习行为，雷达图中多边形的顶点分别记为A₁，A₁，…，A_N，它们的坐标由学习者的每一项学习行为评分决定；

为了计算综合评分Q，需要求解两个区域的面积S和S_max，以区域D的面积S为例，面积求解公式可以按照如下的方法进行推导，S_max的值按照类似的方法可以得到：

每个得分点的坐标分别为(x_i,y_i)，i＝1,2,...,N，D是由得分点连接而成的多边形，其面积S可以表示为区域D的二重积分；利用格林公式将区域D的二重积分转换为沿闭合曲线L的曲线积分：

边界曲线L由折线连接而成，每个分段都是一条线段，当i＝N，是可以得到边界曲线L的分段表示形式：

由积分的区域可加性，能够表示为分段积分之和，因此沿曲线L的积分可以表示为：

分别计算每一段曲线积分，以第i段为例，设其中的参数方程可以表示为：

这里t为方程参数，在积分运算中作为积分变量，它的取值范围是[0,1]；

将曲线积分转化为定积分并求解积分得到：

将其代入公式得到：

计算每一个得分点的坐标：

a_i为每一项学习行为的评分；

将得分点坐标代入可以得到S的计算公式：

当a_i＝λ_i(i＝1,2,...,N)时，S_max为最大分值的面积：

将S和S_max代入公式最终得到综合评分的公式：

2.根据权利要求1所述基于学习者在线学习行为数据的学习有效性综合评分方法，其特征在于：S2中的权值λ_i如表1所示：

表1.学习行为得分的权值