大规模分析开放 MOOC 评论以支持学习者课程选择

近期疫情改变了我们对教育的认知。儿童和大学生并非唯一使用在线教育的群体，这并不令人意外。过去几年中，数百万成年人注册了在线课程，Coursera 或 edX 等 MOOC 提供商报告其平台新增了数百万用户。然而，学生在选课时确实面临一些挑战。尽管在线评论系统在许多垂直领域已标准化，MOOC 生态中却不存在标准化或完全去中心化的评论系统。就此而言，我们认为有机会利用可用的开放 MOOC 评论来构建更简单、更透明的评论系统，使用户能真正甄别出最优课程。具体而言，我们的研究分析了来自五个平台的 240 万条评论（迄今所用最大 MOOC 评论数据集），以判定：(1) 数值评分是否为学习者提供判别性信息，(2) 对文本评论的 NLP 驱动情感分析能否为学习者提供有价值信息，(3) 我们能否借助 NLP 驱动的主题发现技术推断对学习者重要的主题，(4) 我们能否利用这些模型基于开放评论有效刻画 MOOC。结果表明，数值评分明显有偏（其中 63% 为五星评分），主题建模揭示了与课程广告、实际适用性及不同课程难度相关的一些有趣主题。我们期望本研究为该领域提供启示，并在我们步入后疫情时代、在线教育评论日益流行的背景下，推动更透明的评论方式。