探究 MOOC 中的社会学习：从统计分析到生成模型
社会与信息网络
2013-12-23 v2
摘要
我们研究了某大型大规模开放在线课程 (MOOC) 提供商在 2013 年夏季提供的课程中的用户行为。由于社会学习是 MOOC 可扩展教育的关键要素，且通过在线讨论论坛进行，我们的主要重点是理解论坛活动。MOOC 论坛活动的两个显著特征驱动了我们的研究：1. 高衰退率：对于所有研究的课程，论坛中的讨论量在整个课程期间持续下降。2. 海量且嘈杂的讨论：至少 30% 的课程产生新讨论帖的速度使得学生或教学人员无法通读。此外，相当一部分讨论与课程内容无直接关系。我们调查了与在线讨论论坛活动衰退相关的因素，并找到了有效的策略来分类帖子并对其相关性进行排序。具体而言，我们使用线性回归模型分析论坛活动计数数据的时间序列，并得出若干观察结果，例如教学人员积极参与讨论会增加讨论量，但不会减缓衰退率。随后，我们提出了一种针对讨论帖的统一生成模型，该模型使我们既能选择高效的帖子分类器，又能设计有效的算法来排序帖子的相关性。我们将排序算法与两种基线算法进行了比较，并使用了来自 Amazon Mechanical Turk 的人工评估。本论文作者按字母顺序排列。媒体和新闻报道请将我们统称为“来自普林斯顿大学 EDGE 实验室的研究人员，以及与波士顿大学和微软公司的合作者”。
引用
@article{arxiv.1312.2159,
title = {Learning about social learning in MOOCs: From statistical analysis to generative model},
author = {Christopher G. Brinton and Mung Chiang and Shaili Jain and Henry Lam and Zhenming Liu and Felix Ming Fai Wong},
journal= {arXiv preprint arXiv:1312.2159},
year = {2013}
}