宗阳
- 作品数：7 被引量：238H指数：6
- 供职机构：北京师范大学教育学部远程教育研究中心更多>>
- 发文基金：全国教育科学“十二五”规划国家重点课题北京市教育科学“十二五”规划重点课题中央高校基本科研业务费专项资金更多>>
- 相关领域：文化科学哲学宗教更多>>
- MOOCs学习行为与学习效果的逻辑回归分析被引量：1
- 2016年
- MOOCs学习者的学习效果受到诸多因素的影响。为了全面深入地探索学习效果的影响因素，研究者需要对反映整体学习过程的大量数据进行挖掘和分析。本研究从MOOCs学习者整体学习过程出发，构建MOOCs学习者学习行为分析框架，通过对一门实际MOOC中行为数据进行分析，应用逻辑回归方法分析MOOCs学习者的影响因素。
- 宗阳孙洪涛张亨国郑勤华陈丽
- 关键词：应用逻辑学习者
- 学习分析视角下MOOCs形成性测试难度系数研究被引量：13
- 2016年
- 随着学习分析技术的发展,学界对MOOCs学习评价研究越来越侧重对其学习过程的评价研究,并且多采用形成性评价的方式。在传统在线测试题库中,难度适宜的测试题能帮助学习者超越其自身最近发展区,调动其学习积极性。在MOOCs中,学习者的最终学习成绩多由平时作业测试和期末测试成绩按照一定权重综合给定,对学习者学习进行形成性评价主要依据形成性测试成绩。因此,在MOOCs中,形成性测试的难易程度如何?在学习分析视角下,怎样基于学习者形成性测试成绩,分析MOOCs形成性测试的难易程度?研究发现,利用统计学上计算传统测试题难度系数小样本收敛的方法,结合在MOOCs中形成性测试与传统测试题的相似性,可以构建MOOCs形成性测试难度系数自动学习收敛模型,该模型在一门中国MOOC中得到了科学性和可行性验证。MOOCs形成性测试难度系数的研究方法,可以为MOOCs中进行形成性测试设置时提供一定的参考依据。
- 宗阳郑勤华张玄陈丽
- 关键词：形成性测试
- 基于在线学习行为数据的远程学习者学业情绪分析研究——以Moodle平台为例被引量：15
- 2017年
- 学习者的学业情绪对学习有重要作用,异步学习平台的非及时性以及教师与学习者分离的特征使得难以对远程学习者进行学业情绪分析。本研究通过构建异步学习平台中远程学习者学业情绪分析模型,并将该模型进行Moodle平台案例课程的应用,探究远程学习者在线学习行为与学业情绪之间的关系。本研究在案例应用中通过对远程学习者在线学习行为数据进行统计分析,对学习者论坛文本数据进行情感计算,发现:学习者的学业情绪与作业成绩显著正相关,说明学习者的学业情绪会显著影响其学习效果;教师情感值与学习者学业情绪显著正相关,说明教师在论坛中的情绪倾向会正向影响学习者的学业情绪;学习者实时学业情绪与创作性行为之间显著正相关,并且发现案例课程中主要存在两类学业情绪表现不同的学习者,第一类学习者在案例课程中所发帖子的情感值为正向情感的占80%以上,第二类学习者学业情绪属于同一倾向的帖子数不超过80%,单独分析第二类学习者实时学业情绪与对应在线学习行为之间的相关性,发现两者之间显著性有较大提高。
- 宗阳陈丽郑勤华胡红梅
- 关键词：在线学习行为远程学习者学业情绪
- 在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析被引量：136
- 2016年
- 大量研究表明,学生的学习行为投入是影响学习绩效的重要因素。基于此,本文从学习行为投入的角度对基于学习管理系统的学习行为分析和测量进行了理论与实践的探索。文章首先在行为投入定义、分类、评测相关研究基础上提出了在线学习行为投入分析框架,包括参与、交互、坚持、专注、学术挑战、自我监控六个维度。之后,文章结合在线案例课程2268名学生基于Moodle平台的数据对在线学习行为投入测量指标进行了统计分析,通过缺失值分析、成绩相关分析、因子分析确定21个测量指标,以及主动交互、平均参与度、绩效努力、学术挑战、自我监控五个投入因子。其中,四个指标对课程成绩有显著预测作用,能够预测成绩26.9%的变异。文章最后对在线学习行为投入框架和测量指标、有效投入以及与相关研究结果的比较进行了讨论与反思。本研究能够为以促进有效学习投入为目的 LMS数据分析与学习支持提供依据。
- 李爽王增贤喻忱宗阳
- 关键词：在线课程MOODLE平台
- MOOCs学习行为与学习效果的逻辑回归分析被引量：57
- 2016年
- 目前,MOOCs(大规模开放在线课程)在世界范围内迅猛发展,但是随之而来的是对MOOCs学习质量和高辍学率等现象的质疑。现有MOOCs平台大都对学习者在线学习行为有较为详细的记录。如何对学习行为数据进行分析、建模和解读是大数据时代教育研究的热点和难点所在。逻辑回归方法作为一种成熟的机器学习方法可以有效地建立学习行为和学习效果之间的模型。本研究总结了在线学习领域逻辑回归研究的流程,在此基础上,从MOOCs在线学习过程出发构建了学习行为指标,并应用逻辑回归对MOOCs学习数据进行分析,就学习者在线学习行为对学习成绩的影响展开了探索。研究检验了逻辑回归对于在线学习效果研究的价值,发现了课程注册时滞、登录课程次数、提交作业测试次数、习题保存次数的均值和视频观看完成度等指标与成绩的相关性。研究发现:在该课程中提交作业测试可以作为MOOCs学习成绩预测的关键指标,所构建的逻辑回归模型预测准确率达到98%。
- 宗阳孙洪涛张亨国郑勤华陈丽
- 关键词：逻辑回归在线学习行为
- 基于Canvas Network开放数据集的MOOC学习分析被引量：6
- 2017年
- 大规模学习者的参与使MOOC平台记录了海量学习者行为数据,这为基于大数据进行学习分析提供了基础。基于Canvas Network发布的开放数据集特点,对数据集字段进行统计分析,力图全面展现MOOC学习者实际学习状况。在统计分析的基础上,选取有学习者自我评价数据的样本,分析不同类型学习者在学习目标、每周期望学习时间、学习行为和学习成绩上的差异性。
- 胡红梅宗阳
- 中国MOOCs学习者价值研究——基于RFM模型的在线学习行为分析被引量：23
- 2016年
- MOOCs自兴起以来,它的高注册人数和高辍学率特征并存,现阶段中国MOOCs大多为以视频为主要学习资源的xMOOC,对学习者的学习支持力度相对薄弱,这要求学习者具有较高的自主学习能力。在MOOCs中,怎样识别学习者价值,采用什么方法对学习者进行分类,进而给学习者提供有效的个性化学习支持是重点研究问题。在RFM模型基础上依据xMOOC在线学习过程特点,提出中国MOOCs学习者的价值衡量模型ML-RFT,采用模型指标原始值与所有学习者平均值比较的方法将MOOCs学习者分为八类。借鉴RFM衡量顾客价值的方法,构建ML-RFT模型,对MOOCs平台上一门xMOOC进行学习者价值识别分类,并有针对性地对每类学习者提供个性化的学习支持策略。研究结果表明采用RFM方法可以对MOOCs学习者价值进行有效识别区分,学习者分类结果可以成为MOOCs教师或管理人员对在线学习者提供个性化学习支持服务的重要依据。
- 宗阳郑勤华陈丽
- 关键词：RFM模型在线学习行为
