李 平

（杭州电子科技大学计算机学院，浙江杭州310018）



基于MOOC群体行为挖掘的翻转课堂教学探索

李 平

（杭州电子科技大学计算机学院，浙江杭州310018）

摘要：文章利用统计学习方法研究慕课学习的行为数据，结合翻转课堂的教学实践，提出基于慕课群体行为挖掘的方法，构建统一的慕课增量反馈式教学范式，探索将其应用到翻转课堂教学的有效途径，旨在推动课程教学改革。该范式的主要思想是采用无监督学习方法分析大规模学习行为数据，试图挖掘潜在的学生群体行为模式，从而为翻转课堂的教学改革提供理论支撑。以大学计算机基础课程为例，研究分析了一万余条数据，结果表明慕课学习存在专业差异性，且新教学范式能够有效提高学生的课堂参与度，增强师生教学活动的互动体验，促进营造良好的翻转课堂教学环境。

关键词：群体行为挖掘；增量反馈式教学；慕课；翻转课堂；统计学习

不同于传统课堂的教师主导模式，以学生为主体的翻转课堂（F1ipped C1assroom）近几年受到许多学者和教师的广泛关注，翻转课堂体现了“先学后教”的逆序创新［1］。从2000年Baker JW首次提出翻转课堂模型［2］，到2007年Bergmann J和Sams A在美国科罗拉多州率先实施及2012年对理论经验成果的传播使得翻转课堂迅速传入世界各地［3-4］，成为国内外教育信息化领域的研究与实践热点。翻转课堂的关键模块包括微视频学习、课堂讨论以及课后巩固，学生课前通过在线视频学习教学内容，课堂上对学习过程中的问题进行讨论，课后可通过视频学习及网络资源进一步巩固知识；这从认知主义和行为主义的角度符合学生对事物认知和知识建构的内化过程。其中，课前的微视频学习成为课堂改革信息化的技术要素，而目前实现该技术要素的典型平台为以互联网为载体的大规模在线开放课程慕课（Massive Open On1ine Course，MOOC）［5］。MOOC起源于2007年美国犹他州立大学David W i1ey教授基于W iki开设的一门网络开放课程，2008年加拿大学者Cormier D和A1exander B首次采用MOOC术语，2011年斯坦福大学Ng A教授的Machine Learning课程吸引了来自世界各地超过10万名学生注册，2012年美国三大慕课平台Udacity、Coursera、edX相继发布并风靡全球，由此拉开MOOC元年的序幕［6-7］。众所周知，MOOC平台可提供多模态的教学资源，包括微视频、知识点文本、互动社区等，这些均能有效地与翻转课堂的关键模块融合，由此基于MOOC的教学改革在许多高校开始实施［8-9］。

MOOC平台一般记录了学习者注册、登录、观看视频、提问、讨论等环节的行为数据，这些数据往往具有规模大、非结构化、高价值、低密度等方面的大数据特征，亟待深入挖掘与分析。目前，国内外对慕课理论及翻转课堂探索的研究较多，但是对MOOC平台的学习行为数据及其对课堂教学改革的探索非常少［10］。为此，本文采用挖掘MOOC学习行为数据的研究角度，以大学计算机基础课程为例，提出基于MOOC群体行为挖掘的方法并构建其增量反馈式教学范式，挖掘学生群体的行为模式，推动翻转课堂的教学改革，有效提升教学效果。

一、基于MOOC学习数据的群体行为挖掘

（一）MOOC学习数据预处理

MOOC群体行为挖掘首先需要获取学习行为数据并进行预处理，本文的研究数据采集于玩课网（http://www.wanke001.com），对象为2015年秋季注册大学计算机基础课程的学生，每条学习记录的属性字段包含用户名、姓名、学号、专业、学习进度（f1）、提问个数（f2）、回答问题个数（f3）、笔记个数（f4）、评论（f5），共11994条记录。其中，“学习进度”指学生已学习的微视频所占总体微视频数的归一化比例；“评论”指是否对微视频发表过学习感想。但是，原始记录不能直接用于群体行为分析和挖掘，所以先采取如图1所示的预处理步骤。

图1　MOOC学习数据预处理流程图

图1中，“数据去重”剔除重复注册的记录；“数据去噪”剔除无姓名学号的记录，以及剔除非字符型和不可识别“专业”属性对应的记录；“数值化”将字符型“评论”属性二值化，即“是”赋值为1，“否”赋值为0；“专业摘要”将所有专业名称进行大类归并后用关键字表示，如“风景园林”和“园林学”归并为“园林”，处理后得到92个专业名称；“数据增强”指从隐私保护的角度考虑删除“用户名”“姓名”“学号”等属性并用唯一标识符表示所有记录，同时剔除专业统计显著性很低的记录，保留学生人数不少于5的专业集合。经过上述处理后，最终用于群体行为挖掘的学习记录为11621条，属性为7个（包含“标识符”及“专业”属性），专业为81个；每条记录可作为一个样本，属性中除“标识符”及“专业”外均可视为特征。

（二）群体行为挖掘与模式分析

MOOC群体行为挖掘（Group Behavior Mining，GBM）指利用统计学习的理论与方法对MOOC学习行为数据进行分析，试图发现潜在的具有某种规律性的群体行为模式，简称MOOC-GBM方法。下面从两个方面研究MOOC-GBM与翻转课堂教学实践的关系。

（1）不同专业与MOOC学习的关联分析

2）顾客转换成本对医药B2C平台顾客忠诚度的影响值为 0.69。本研究也证实了在医药B2C购物环境下，通过培养顾客消费习惯、增加重复消费奖励等方式增加顾客转换成本，可以有效地提高顾客的忠诚度。

利用统计直方图方法对“学习进度”特征进行研究后的结果发现，前十位专业主要为人力资源、外国语、动漫、摄影、视觉传达等人文社科类专业，这些专业的学生对MOOC学习的参与率非常低。尽管如此，MOOC学习参与率达100%的专业高达15个，主要为光电、化工、机电、海洋、电信、车辆工程、集成电路、医学、药学等理工医学专业。分析表明，理工医学类专业的学生对MOOC学习的兴趣度明显比人文社科类学生高，也即学生所在专业与MOOC学习存在强相关性。因此，教师制定授课计划时，可以将理工类和人文类区别对待，通过设计吸引力强、激发兴趣度高的教学活动，以提高人文社科类学生的MOOC学习参与度。

（2）聚类分析与MOOC群体行为模式

群体行为挖掘与聚类分析既相互关联又相互区分：一方面，由于群体行为模式由聚类分析方法所捕获，即由MOOC学习数据生成不同类型的学生群体行为，使得两者具有一致性；另一方面，聚类分析是挖掘MOOC学习数据的一个维度，并不能完全反映学生所有群体行为模式，所以两者存在差异性。

具体来说，利用统计机器学习中的k-均值聚类［11］及子空间学习方法对样本进行分析，基本步骤如下：先对数据样本利用无监督的子空间学习方法，即主成分分析（Principa1Component Ana1ysis，PCA）［11］和非负矩阵分解（Nonnegative Matrix Factorization，NMF）［12］将原始数据投影到二维子空间；然后在低维空间利用k-均值聚类算法对MOOC数据进行迭代分簇直到收敛，从而挖掘出潜在的不同类别的群体行为模式。

研究中利用PCA和NMF分别将原始MOOC数据空间划分为3至6个不同群体类别，每个类别对应一种群体行为模式，结果发现：两者所获得的分布图均呈长尾状，且随着群体数的增加所划分的类别粒度变得更细。这种现象从本质上体现了教师的教学活动应该体现因材施教、分级教学的思想。此外，研究中还发现PCA在群体数目增加的情况下会出现某些群体中心域的重叠，而NMF的群体行为模式都较为清晰。因此，当群体行为模式种类较多时，建议优先采用NMF方法。

以PCA划分为3个群体为例，从MOOC学习数据中挖掘出潜在的三种群体行为模式，分别对应强学习群体（Strong，S）、中度学习群体（Medium，M）、弱学习群体（Weak，W）。S群体的特点是对MOOC学习的兴趣度高，积极回答和提出问题；M群体的特点是MOOC学习的兴趣度一般，有时会回答或提出问题；W群体的特点是对MOOC学习的兴趣度较低，既不回答也不提出问题。所以，在翻转课堂的教学中，需要采取措施调动W群体学生的积极性试图将其转化为M群体，并努力将部分M群体成员提升为S群体，从而逐步提高整体教学效果。

二、基于MOOC-GBM的增量反馈式教学范式

（一）增量反馈式教学

在教学活动中，学生的学习和教师的教学存在着相互依赖的关系，教师须根据学生的学习情况及时调整教学方式，而学习行为和教学行为均是在一段时间内持续的过程，从而存在周期性的教学调整，给教学效果带来正反馈影响，使其得到增量式的提高。本文将这种教学活动称为增量反馈式教学（Incrementa1Feedback Teaching，IFT）。

（二）M OOC-GBM-IFT教学范式

结合MOOC-GBM及IFT的基本内涵和原理，考虑到学生的学习行为和教师的教学行为均属于连续迭代的过程，提出基于MOOC-GBM-IFT的教学范式，并将其融入到翻转课堂的教学活动中，如图2所示：

图2　基于MOOC-GBM-IFT的教学范式框架图

图2的教学范式框架图主要由三部分组成：数据准备模块、行为挖掘模块、增量反馈模块。其中，“数据准备模块”包括从MOOC平台采集数据、对数据进行降噪整合处理；“行为挖掘模块”包括对学习数据进行统计关联分析、利用子空间学习和聚类等机器学习方法挖掘潜在的群体行为模式；“增量反馈模块”包括翻转课堂的教学活动、学生反馈信息的后向传播、教师的教学调整等。除此之外，可以利用部分带有S、M、W标记的样本作为训练数据建立分类模型，预测学生的未来群体行为模式，从而更好地调整教学方式。

（三）实例分析

为了进一步研究行为挖掘、聚类分布和增量反馈式教学范式的关系，从编辑出版、包装工程、工业设计等专业随机选取20人作为实例样本，进行跨越三个周期（一月为一周期）的研究分析。研究的基本流程如下：在初始周期结束时，先采集所有学生的原始数据并进行图1的预处理，然后通过统计学习方法挖掘学习行为模式，从而获得S/M/W类型的聚类分布。接着，根据聚类结果改进教学模式，体现到翻转课堂与学生的互动教学活动中，如对W类别学生进行倾向性指导；同时收集学生的意见和建议，将其作为下一周期教学调整的重要参考，也即后向传播教学反馈过程。在下一个周期，学生的学习行为仍将被MOOC学习平台如实记载，为下一周期的学习行为挖掘提供数据来源。依此类推，通过不同周期的增量迭代，促使翻转课堂的教学模式与学生群体逐步相适应，获得尽可能最优的教学效果。

表1　不同增量反馈周期的MOOC学习行为数据

MOOC学习行为数据的挖掘分析表明，S/M/W从周期1的6/10/4变为周期3的17/3/0，也即4名弱学习群体学生在周期3课程几近结束时均至少变成中度学习群体，甚至1名学生归入强学习群体，从而有力佐证了MOOC-GBM-IFT教学范式的有效性。表1给出其中6名学生在三个增量反馈周期的MOOC学习数据，其中f1-f5为五种特征，C为聚类的类别且属于集合｛W，M，S｝。由表1可知，通过聚类分析和周期性的学习行为挖掘，学生的学习行为演变模式有五种：｛W→M→S，W→S→S，M→M→S，M→S→S，S→S→S｝。

上述几种学习行为模式的演变过程表明，通过合理地运用MOOC-GBM-IFT教学范式能将大部分的弱学习群体和中度学习群体成员变为强学习群体成员。从表1中可以发现，周期1的行为挖掘结果与数据样本的聚类分布呈现一致性，如f1 =0.34的样本对应S群体，f1 =0.09的样本对应W群体；通过周期1的教学反馈调整，周期2的行为挖掘结果仍与聚类分布呈现一致性，且样本1由W变为M，样本4由M变为S，样本5由W变为S；再通过周期2的教学反馈调整，样本1由M变为S，样本3由M变为S，样本6由W变为M。由此得知，基于MOOC-GBM的周期性增量教学反馈范式能有效地将弱学习群体变为中度学习群体甚至变成强学习群体，这也证实了本文所提出的MOOC-GBM-IFT教学范式在翻转课堂教学实践中的可行性和合理性。

三、MOOC-GBM-IFT与翻转课堂教学实践讨论

翻转课堂的重要环节包括课前的微视频学习、课堂讨论、课后巩固等，这些环节均与MOOC-GBMIFT教学范式紧密相连，下面讨论两者的内在逻辑关系和有效融合方法。

（一）教学设计

课程教学分为线上的MOOC学习和线下的课堂实践教学两部分，采取分组团队教学方式。学生须在每堂课开始前自主看完相应的微视频，并提出问题供课堂上以组为单位进行讨论；课堂教学中教师对知识点进行简单梳理，留出大部分时间供学生讨论，以完成知识点的内化吸收过程；实践教学以学生的动手操作为主，如对Word、Exce1、PowerPoint等办公软件的熟练使用，教师对练习中遇到的疑难问题进行解答。根据MOOC-GBM-IFT的基本思想，可通过统计学习方法将学生划分为S、M、W群体，分组时保证每组有一名S或两名M成员，促使其带动整个小组的学习气氛。所以，分组一般需要采集两到三周的MOOC数据教学分析后进行，之后以4至5人小组参与翻转课堂教学的活动中。教学设计还需要考虑到不同专业学生对MOOC的认同度和参与度差异。

（二）课堂组织

微视频学习已让学生了解和掌握了部分知识点，课堂教学中以学生讨论为主，教师引导为辅。例如，讨论“计算机中为什么采用二进制？”“机器是否会超越人类智能？”等问题时，教师可以先对“二进制”和“人工智能”背景做简单铺垫，然后引导学生讨论。为了提高教学班的整体参与度，可重点引导S群体成员，以点带面地激发M群体甚至W群体的兴趣，从而增强教学效果。课堂组织中还可以不定期进行线上APP的课堂测验，同时收集测试数据并通过MOOC-GBM进行分析挖掘，以发现哪些类型的知识点属于易错易混淆，便于针对性地指导和改进后续类似知识点的教学策略。实践教学中，主要引导小组成员完成实操习作并及时点评，同时利用机房易于交流的优势重点关注W群体，通过沟通激发其学习兴趣。根据MOOC-GBM-IFT范式的迭代教学反馈理论，教师应不定期地随机抽取一定比例S/M/W群体学生对教学设计、微视频内容、实践方式等方面提出建设性的意见，教师收集意见分门别类整理，用于后期教学改进。这个过程是阶段性持续的，目的是实现学生的自主探究和创新思维能力的显著提升，提高S群体的比例，降低W群体的比例。

（三）评价考核

翻转课堂不同于传统课堂教学之处在于学生的学习行为被连续地记录保存，因此课程考核适宜以过程评价为主和结果评价为辅的模式。例如，MOOC线上学习模块占40%，课堂教学模块占30%，实践教学模块占30%。其中，MOOC线上学习模块以积分累计的方式记录，例如每看完一个微视频得2分，通过一次单元测试得5分，提出一个问题得2分；课堂教学模块包括学生出勤、小组讨论和回答问题情况，以小组整体赋分为原则，激发学生的团队合作精神；实践教学模块则是根据每一次实践课的习作完成情况进行等级制评价，小组成员分工合作进行；课程的最终成绩则由三大模块的得分乘以不同的权重系数确定。多方位的综合课程评价方式有利于学生积极参与课程教学活动、有利于教师全程掌握学生学习情况并适时引导、有利于体现课程教学改革中以学生为主体的理念。

四、结论

对MOOC学习行为数据进行分析与挖掘，结合翻转课堂的教学实践，提出了MOOC-GBM-IFT教学范式，旨在发现潜在的群体行为模式，以便从大数据角度探索课程教学的改革方向。研究发现，学生对MOOC学习的参与度存在较强的专业相关性，通过统计机器学习方法捕获的群体行为模式与样本的聚类分布存在一致性关联，且能与周期性的增量反馈式教学有机融合，较大提升了翻转课堂的教学效果。将该教学范式应用到大学计算机基础课程的翻转课堂教学实践中，结果表明群体行为挖掘和增量反馈式教学能有效提高学生的课堂参与度，学生对课程的整体掌握能力获得提升，教师和学生的互动得到增强，同时促进形成可持续改进的良性教学环境。

参考文献

［1］祝智庭，贺斌，沈德梅.信息化教育中的逆序创新［J］.电化教育研究，2014，35（3）：5-12，50.

［2］Baker JW.The“C1assroom F1ip”：Using web course management too1s to become the guide by the side［C］.Co1orado：The Cute Institue，the 11th Internationa1Conference on Co11ege Teaching and Learning，2000：9-17.

［3］Bergmann J，Sams A.F1ip your c1assroom：Reach every student in every c1ass every day［M］.Washington DC：Internationa1Society for Techno1ogy in Education，2012：1-34.

［4］容梅，彭雪红.翻转课堂的历史、现状及实践策略探析［J］.中国电化教育，2015，（7）：108-115.

［5］万昆，叶冬连，戚丽，等.多维视阈下的国内MOOC研究进展与可视化分析［J］.中国远程教育，2015（2）：38-44.

［6］程翥，李贵林，刘海涛.中国高等教育MOOC平台现状分析［J］.高等教育研究学报，2014，37（2）：15-19.

［7］徐舜平.中国大学和教师参与MOOC的行为分析——以清华大学为例［J］.中国远程教育，2014（6）：33-39.

［8］池雅庆，宋睿强，李振涛.探索MOOC对计算机课程教学的影响［J］.计算机工程与科学，2014，36（z1）：164-168.

［9］曾明星，周清平，蔡国民，等.基于MOOC的翻转课堂教学模式研究［J］.中国电化教育，2015（4）：102-108.

［10］蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测［J］.计算机研究与发展，2015，52（3）：614-628.

［11］Bishop C M.Pattern recognition and machine 1earning［M］.Ber1in：Springer，2010：424-428，561-570.

［12］Lee D D，Seung H S.A1gorithms for non-negativematrix factorization.Advances in Neura1 Information Processing Systems ［M］.Massachusetts：MIT Press，2001：556- 562.

A Probe into Flipped Classroom Teaching Based on MOOC Group Behavior M ining

LIPing
（School of Computer Science，Hangzhou DianziUniversity，Hangzhou Zhejiang 310018，China）

Abstract：This paper emp1oys statistica1 1earning methods to ana1yze 1earning behavior data derived from Massive On1ine Open Courses（MOOC）.Whi1e taking teaching practice of f1ipped c1assroom into account，a MOOC Group Behavior Mining（GBM）method is proposed，and a unified MOOC-GBM based Incrementa1 Feedback Teaching paradigm bui1t.Such paradigm is app1ied into the f1ipped c1assroom teaching to exp1ore an effective way of promoting the course teaching reform.Themain idea is to uti1ize the unsupervised 1earning a1-gorithms to make an ana1ysis on the 1arge-sca1e MOOC behavior data，aim ing at discovering hidden group behavior patterns of students，so as to provide a theoretica1 support for the teaching reform of the f1ipped c1assroom.Take Basics of College Computer for examp1e，more than 10，000 samp1es are ana1yzed and studied，and the resu1ts show that there exist differences in majors for MOOC 1earning.Moreover，the proposed paradigm can boost the students'participation in the course and enhance teacher-student interactions in their teaching activities，1eading to a satisfying teaching environment for the f1ipped c1assroom.

Key words：group behavior mining；incrementa1 feedback teaching；MOOC；f1ipped c1assroom；statistica1 1earning

中图分类号：G642

文献标识码：B

文章编号：1001-9146（2016）02-0073-06

DOI：10.13954/j.cnki.hduss.2016.02.015

收稿日期：2015-12-24

基金项目：国家自然科学基金项目（61502131）；浙江省自然科学基金项目（LQ15F020012）

作者简介：李平（1986-），男，湖南湘潭人，博士，讲师，机器学习与数据挖掘.