CN112163778B - 一种在线开放课程视频质量量化评价方法 - Google Patents

Abstract

本发明属于教育信息化领域，具体涉及一种在线开放课程视频质量量化评价方法，包括以下步骤：S1计算观看视频时长比例的矩阵；S2过计算课程视频的总知识输出量和视频吸引力指标；S3计算知识转化率；S4计算视频知识有效总输出。本发明与现有技术相比有以下有益效果：(1)本发明基于教育大数据分析和统计方法，实现了视频质量的量化客观评估，突破了传统评价的主观性；(2)具有普适性，可以用于评价任何平台的在线视频资源的质量，脱离了传统主观打分和评价标准不一带来的问题；(3)本发明建立视频质量评价方法解决了如何知识量化和知识转化数学机理问题，有一定的科学理论价值。

Description

一种在线开放课程视频质量量化评价方法

技术领域

本发明属于教育信息化领域，具体涉及一种在线开放课程视频质量量化评价方法。

背景技术

在线开放课程快速发展的同时遇到了视频资源利用率低、学生辍学率高等问题，而造成这一现象的原因是一些课程视频不符合在线学习的规律或者视频质量较低。因此，对在线开放课程视频的质量进行量化评估对于提升在线学习效果、提高在线课程资源的利用率是非常必要的。

传统的课程评价方法采用专家打分的方式，专家观看每一门课程的部分视频再根据评分设定的标准给每一个视频打分。这种评价模式依据的是专家的主观判断，并且部分的观看也不能完整的了解课程的总体情况，而且每个专家的评价标准也不一致，评价存在一定的随机性和片面性。另一方面，仅仅根据在线学习者的学习成绩来判断视频的质量同样存在局限性。而且课程难度考核难度不一致，无法形成统一的评价标准。这就意味着学习成绩不能作为评估视频甚至是课程质量的标准。因此，需要设计一种能够量化评价在线开放课程视频质量的方法。

MOOC的核心教学原理是掌握学习理论。中心点是：学生的学习能力并不能直接决定他的学习效果，学习效果由掌握内容所需的时间决定。学生只需投入学习知识所需的时间。在老师的帮助下，学生可以掌握所传授的知识。

基于该基本理论，根据视频观看的总时间和学习者的时间分配模式，可以设计出学习者获得的知识的度量的客观指标用于评价在线开放课程视频的质量。

发明内容

本发明的目的就是为了填补在线开放课程视频质量量化评价方法的空白，提出一种在线开放课程视频质量量化评价方法，该方法通过分析在线开放课程学习行为数据，分析课程视频的吸引力，反映出学习者有效的学习行为数量，从而给出视频质量的量化评价指标。

本发明的目的是通过以下技术实现的：一种在线开放课程视频质量量化评价方法，该方法包括以下步骤：

S1：计算观看视频时长比例的矩阵；

设一门课程有n个视频，m个学习者，假设第j个视频的长度是l_j，第i个学习者观看它的总时间是d_ij，计算第i个学习者观看第j个视频的完成率从而得到学生观看视频时长比率的矩阵A＝(r_ij)_m×n，i＝1,2,...,m,j＝1,2,3,...,n；

基于掌握学习理论，完成率可用于衡量所获知识的相对数量(the Theory ofMastery Learning)(Chun-Ling Z.The Recognition to B·S·Bloom's MasteryLearning[J].Journal of Luoyang Teachers College,2001)。完成率r_ij反映了对知识的掌握程度，也反映了学习效果。因此，它能够反映学习者获得的知识量。

S2：计算课程视频的总知识输出量和视频吸引力指标；

设所有的m个学习者中，观看了第j个视频的学习者数量为m_j，考虑到并不是所有学习者都观看了课程视频，m_j＜m；将所有学习者观看了第j个视频的完成率r_ij求和，可获得v_j表示所有学习者从第j个视频中获得的总知识，为了反映课程中所有视频的知识输出量，定义课程视频的总知识输出量/>

定义u_j表示学习者从第j个视频中获得的平均知识量；u是所有u_j之和的平均值，/>u反映了课程所有视频对学习者的平均吸引力，可以作为课程视频吸引力的衡量指标；

S3：计算知识转化率；

基于掌握学习理论，还不能直接将v和u作为视频质量的评估指标，还应该考虑知识转换的效率。当两个课程的参数和u相等时，并不意味着所获得的知识也是相等的。根据学习者在每个视频上的时间分配，计算知识转化率，具体如下：

S3.1计算学习者在每个视频上的时间分配比例

定义每个视频的知识输出占比p_j，它表示第j个视频知识输出占课程视频知识输出总量的比例，它能够反映出学习者在每个视频上投入的学习时间占比，则有：

反映学习者在每个视频上的时间分配比例；

S3.2计算知识转化率T_r

当学习者的学习时间均匀分配在每个视频上时，说明学习者在坚持持续的学习课程，这样对于课程知识的掌握是系统和全面的。分析数据发现有一些课程的平均观看比率也比较高，是因为早期的几个视频具有非常高的观看比率，使得平均观看比率的数据也较高，但是显然这样的课程视频的知识转化是有限的。

因此p_j的分布P能够反映出视频的知识转化率，P越接近均匀分布，说明学习者对课程视频保持着较大的兴趣，课程越有吸引力，知识转换率就越高。当P是均匀分布时，p₁＝p₂＝...＝p_n。此外，满足条件因此，当P均匀分布时，/>定义P与均匀分布之间的距离为

当P满足条件时，Q取极小值0。根据多元函数条件极值理论，构造拉格朗日方程

等式中的变量包括p_j和参数λ，对L求解每个变量的偏导数，得到方程组：

方程的解可以表示为

因此，Q可以反映出P近似均匀分布的程度。当P均匀分布时，Q＝0。而所有学习者只观看了第k个视频，则p_k＝1，p_j＝0,j≠k，这种情形下，n个视频中有n-1个视频的知识输出占比等于0，第k个视频的知识输出占比为1(即有n-1个视频的知识输出占比等于0，一个视频的知识输出占比等于1)。在这种情况下将距离Q值记为Q_max。Q_max的计算公式如下：

显然这种时间的分配方式带来的知识转换率最低。定义知识转化率参数为

S4：计算视频知识有效总输出V

视频知识有效输出V为知识总量v与知识转化率T_r的乘积，即V＝T_rv，并以此量化分析在线开放课程的视频质量。

本发明与现有技术相比有以下有益效果：

(1)本发明基于教育大数据分析和统计方法，实现了视频质量的量化客观评估，突破了传统评价的主观性；

(2)具有普适性，可以用于评价任何平台的在线视频资源的质量，脱离了传统主观打分和评价标准不一带来的问题；

(3)本发明建立视频质量评价方法解决了如何知识量化和知识转化数学机理问题，有一定的科学理论价值。

附图说明

图1.本发明所述一种在线开放课程视频质量量化评价方法的总流程图；

图2.中国大学MOOC平台十门课程的T_r值比较图；

图3.中国大学MOOC平台10门课程的参数u和T_r的比较分析；

图4.中国大学MOOC平台10门课程的学习者数量和v值分析。

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1为本发明所述方法的总流程图，如图1所示。本发明所述一种在线开放课程视频质量量化评价方法，包括以下步骤：

S1计算观看视频时长比例的矩阵；

S2过计算课程视频的总知识输出量和视频吸引力指标；

S3计算知识转化率；

S4计算视频知识有效总输出。

为了验证基于平均观看比率和知识转化率算法，下面将分析中国大学MOOC平台10门不同的课程的观看视频行为数据来计算每门课程的视频质量评价指标参数，并分析数据结果。

表1中国大学MOOC平台10门课程的视频评价参数

课程	分类	Tr	u	V
					Advanced Mathematics	数学	0.9954	0.6559	1.151×104
Calculus	数学	0.9603	0.6933	4.219×103
					Game Theory	数学	0.9836	0.7708	2.622×104
C Programming	计算机	0.9925	0.9832	2.150×105
					Python Programing	计算机	0.9827	1.1314	1.567×105
Oral English	语言	0.8983	0.8351	2.967×104
					Financial Science	经济	0.9709	0.6455	2.211×104
Communication Psychology	医学	0.9706	0.8979	1.721×104
					Modern etiquette	生活	0.9830	0.7974	2.388×104
First Aid Knowledge	生活	0.9835	0.8372	4.780×103

表1中的10门课程属于6个类别，分别为数学，计算机，语言，医学，经济和生活。每个课程观看视频行为评价的计算参数列于表1中。接下来，将通过图形对数据进行比较分析。

图2显示了T_r值的比较示意图。在前面我们已经做出了Oral English和CProgramming的参数{p_j|(j＝0,1,...,n)}随视频编号变化的示意图。T_r值与{p_j|(j＝0,1,...,n)}的变化趋势发现，对于英语口语课程而言，观看时间集中在前几个视频中，很少有人在课程的后期观看视频。而对于C Programming与Oral English相比，学习者观看视频所花费的时间更接近均匀分布。相应的C Programming(T_r＝0.9925)比Oral English(T_r＝0.8983)具有更大的T_r值。说明学习者正在以持续的方式学习，并且这种学习效果更好。因此，T_r值可以反映观看视频带来的学习效果。

图3是参数u和T_r的对比分析。左侧数据条是每个课程的u值。右侧数据条是每个课程的T_r值。Python编程的u值等于1.1314，大于1。这是由于学习者反复观看同一视频时，总观看时间将大于视频的长度造成的。它表明视频非常有吸引力，学习者对课程视频的使用率很高。

此外，属于同一类别的课程的类似u值。例如，Advanced Mathematica，Calculus和Game Theory的u值非常接近。因为都是计算机课程，C Programming和Python Programming课程出现同样的情况。另一方面，视频质量和课程内容的不同，也导致了类似课程的u值存在差异。此外，有些课程在u和T_r的取值方面存在较大差距，例如Advanced Mathematics(u＝0.6559和T_r＝0.9954)。

课程的T_r值较大，说明知识转换率高。而一个小的u值则意味着学习者花在观看视频上的时间较少，当然造成视频缺乏吸引力的原因很多，也许课程内容的难度导致学习者无法坚持观看。根据分析图中的数据，还发现计算机课程的两个参数u和T_r的值都较大。原因是计算机课程的视频可以吸引学习者，从而说明计算机课程的学习效果较好。

如图4所示，通过比较中国大学MOOC平台10门课程的V值，发现V值与学习者的数量有关，它可以全面地反映学习者通过观看视频获得的知识总量。图4中的数据显示计算机类别中的两个课程(C语言程序设计和Python程序设计)具有最大的v值。它表明在10门课程中，这两门课程的学习者通过观看视频获得了最多的知识。由前面提供的课程信息表，列出了每门课程的学习者的数量。两门课程都有大量学习者，24684(C Programming)和14188(Python Programming)。然而，大量学习者并不一定意味着学习者获得的知识总量一定很大。高等数学课程的学员人数达到27663，但V值仅为1.15×10⁴。这些实验说明本发明提出的视频质量量化评估方法能够客观反映出视频的质量。

Claims (1)

1.一种在线开放课程视频质量量化评价方法，其特征在于，该方法包括以下步骤：

S1：计算观看视频时长比例的矩阵；

设一门课程有n个视频，m个学习者，假设第j个视频的长度是l_j，第i个学习者观看它的总时间是d_ij，计算第i个学习者观看第j个视频的完成率从而得到学生观看视频时长比率的矩阵A＝(r_ij)_m×n，i＝1,2,...,m,j＝1,2,3,...,n；

基于掌握学习理论，完成率可用于衡量所获知识的相对数量；完成率r_ij反映了对知识的掌握程度，也反映了学习效果；因此，它能够反映学习者获得的知识量；

S2：计算课程视频的总知识输出量和视频吸引力指标；

设所有的m个学习者中，观看了第j个视频的学习者数量为m_j，考虑到并不是所有学习者都观看了课程视频，m_j＜m；将所有学习者观看了第j个视频的完成率r_ij求和，可获得v_j表示所有学习者从第j个视频中获得的总知识，为了反映课程中所有视频的知识输出量，定义课程视频的总知识输出量/>

定义u_j表示学习者从第j个视频中获得的平均知识量；u是所有u_j之和的平均值，/>u反映了课程所有视频对学习者的平均吸引力，可以作为课程视频吸引力的衡量指标；

S3：计算知识转化率；

根据学习者在每个视频上的时间分配，计算知识转化率，具体如下：

S3.1计算学习者在每个视频上的时间分配比例

定义每个视频的知识输出占比p_j，它表示第j个视频知识输出占课程视频知识输出总量的比例，它能够反映出学习者在每个视频上投入的学习时间占比，则有：

反映学习者在每个视频上的时间分配比例；

S3.2计算知识转化率T_r

定义P与均匀分布之间的距离为

当P满足条件时，Q取极小值0；根据多元函数条件极值理论，构造拉格朗日方程

等式中的变量包括p_j和参数λ，对L求解每个变量的偏导数，得到方程组：

方程的解可以表示为

因此，Q可以反映出P近似均匀分布的程度；当P均匀分布时，Q＝0；而所有学习者只观看了第k个视频，则p_k＝1，p_j＝0,j≠k，这种情形下，n个视频中有n-1个视频的知识输出占比等于0，第k个视频的知识输出占比为1，在这种情况下将距离Q值记为Q_max；Q_max的计算公式如下：

定义知识转化率参数为

S4：计算视频知识有效总输出V

视频知识有效输出V为知识总量v与知识转化率T_r的乘积，即V＝T_rv，并以此量化分析在线开放课程的视频质量。