孙洪涛++李秋劼++郑勤华

【摘 要】

聚类分析是学习分析和数据挖掘的常见方法，其核心在于通过分析对象特征属性集合的相似程度来进行分类。聚类分析在远程教育中有着广阔的应用空间，可以对在线学习行为模型和绩效水平进行有效划分，使之成为后续研究的重要基础。对在线学习领域的典型聚类研究进行分析，将聚类研究的流程和要点进行总结，着重探讨了聚类变量选择和有效性检验等方面，并对252门MOOCs的在线交互状况进行了聚类分析。研究发现，我国大多数MOOCs交互水平较低，教师在交互中并不活跃，没有进行积极的答疑辅导和交互组织；随着教师发布主题帖数量的增加，课程的交互水平会随之提高；教师的积极参与能够促进课程交互水平，但在交互水平较高的课程中，教师投入的增加并没有带来课程交互水平的增长；教师需要对学生的交互进行有效组织，才能促进交互水平的进一步提高。

【关键词】 聚类；MOOC；学习分析；交互分析

【中图分类号】 G40-057 【文献标识码】 A 【文章编号】 1009—458x（2016）03—0033—07

随着MOOCs的蓬勃发展，在线学习数据不断激增，学习分析和教育大数据也越来越受到关注。如何通过数据提升教育教学质量，提高教学管理水平，促进有效学习发生，吸引着越来越多的研究者和实践者。对在线学习过程数据的分析并非新生事物。从分析方法上，学习分析将统计分析、机器学习和复杂网络等方法进行了整合应用；从数据来源上，由于教育自身的特殊规律，在线教育大数据之“大”不同于医疗、交通乃至其他互联网领域，分析方法也有着不同的情境，需要远程教育领域的研究作为指导。……