36、基于数据驱动的学生模型，为大规模开放在线课程（MOOC）视频观看提供自适应支持

基于数据驱动的学生模型，为大规模开放在线课程（MOOC）视频观看提供自适应支持

1. 引言

大规模开放在线课程（MOOC）近年来广受欢迎，吸引了大量学生参与高等教育。然而，如何为MOOC中的学生提供个性化教学，以满足不同学生的需求和能力，仍是一个有待深入研究的问题。此前关于MOOC的研究主要集中在分析学生的日志数据，以建模相关状态或行为，如辍学、学习成果或浏览策略等。虽然已有一些研究尝试利用这些模型实时提供个性化支持，但对于哪些个性化形式在MOOC中真正有效，还需要更多的研究。

本文聚焦于为MOOC视频观看提供自适应干预的潜力。视频在MOOC学习材料中占比很大，但并非所有学生都能充分利用视频资源。目前，MOOC中针对视频的自适应支持主要局限于推荐下一个观看的视频，而对于观看视频时的不良行为缺乏针对性的干预。

我们借助一个现有的用户建模与自适应框架（FUMA）来开展研究。FUMA通过对现有交互数据进行聚类，学习哪些学生行为更有利于有效学习，再利用关联规则挖掘提取每个聚类组学生的行为模式。这些关联规则用于对新学生进行分类，并触发实时自适应干预，以鼓励有效行为、抑制无效行为。我们曾成功将FUMA应用于两个不同的交互式模拟中，本文将探讨它是否也能在多个MOOC中识别有意义的自适应支持形式。

2. 相关工作

• 学生点击流数据分析 ：许多研究使用数据挖掘技术分析MOOC中学生的点击流数据，以识别相关行为和学习策略。部分研究采用了与FUMA相同的离线数据挖掘技术来挖掘学生行为，但FUMA不仅能识别可作为自适应支持目标的学生行为，还能在线检测这些行为，从而构建学生模型并相应地驱动自适应支持。