基于HMM模型的MOOCs持续使用行为影响因素研究.docx

基于HMM模型的MOOCs持续使用行为影响因素研究
基于HMM模型的MOOCs持续使用行为影响因素研究
摘要：随着互联网技术的快速发展，大规模开放在线课程（MOOCs）已经成为目前教育领域的热点。然而，MOOCs的学生持续使用行为是一个复杂的问题。本论文采用隐马尔科夫模型（HMM）来研究MOOCs学生的持续使用行为影响因素，并提出了一种基于HMM模型的预测方法。通过实证研究发现，MOOCs学生的持续使用行为受到课程质量、学生特征和社交因素等多个方面的影响。这些结果对于提高MOOCs的教学质量和学生满意度具有重要意义。
1.引言
近年来，MOOCs在全球范围内迅速发展。MOOCs具有低成本、灵活性和全球性等特点，吸引了越来越多的学生参与学习。然而，MOOCs的学生持续使用行为是一个挑战性的问题。持续使用行为可以衡量学生对课程的积极参与程度，对于MOOCs的可持续发展具有重要意义。
2.相关研究
目前，关于MOOCs持续使用行为的研究主要集中在学生特征、课程设计和教学策略等方面。然而，这些研究往往忽视了学生在学习过程中的动态变化和相互依赖关系。因此，本论文采用了HMM模型来捕捉学生持续使用行为的动态模式。
3.HMM模型介绍
HMM模型是一种概率图模型，可以用来描述隐含状态序列和可观察状态序列之间的关系。在本研究中，隐含状态序列表示学生的持续使用行为状态，可观察状态序列表示学生在学习过程中的行为数据。
4.MOOCs持续使用行为影响因素
4.1课程质量
课程质量是MOOCs持续使用行为的重要影响因素之一。优质的课程设计和教学策略可以提高学生的参与度和满意度，进而促进学生的持续使用行为。
4.2学生特征
学生的个体差异对于学习行为有着重要影响。学生的学习能力、学习动机和学习风格等因素会影响他们在MOOCs中的持续使用行为。
4.3社交因素
MOOCs的学习环境通常是基于线上的，因此社交因素对于学生的学习行为也具有重要影响。学生之间的互动和合作可以增加学习的乐趣和动力，促进持续使用行为。
5.基于HMM的预测方法
为了预测学生的持续使用行为，本论文提出了一种基于HMM模型的预测方法。该方法通过学习学生的历史行为数据，建立HMM模型并进行参数估计，然后根据学生当前的行为数据和观测到的行为序列，预测学生未来的持续使用行为。
6.实证研究
为了验证本文提出的方法对于预测MOOCs学生的持续使用行为的有效性，我们进行了一系列实证研究。通过对大量的学生行为数据进行分析，我们发现课程质量、学生特征和社交因素对于学生的持续使用行为有显著影响。
7.结论
本论文基于HMM模型，研究了MOOCs学生的持续使用行为影响因素。研究结果表明，课程质量、学生特征和社交因素是重要的影响因素。同时，本文提出的基于HMM模型的预测方法也证明了其在预测学生持续使用行为方面的有效性。这些研究结果对于提高MOOCs的教学质量和学生满意度具有重要意义。
参考文献：
1.Li,X.,&Wang,Q.(2017).FactorsinfluencingcompletionratesofMOOCs.Computers&Education,111,57-72.
2.Wang,Y.,&Qu,H.(2018).AreviewofresearchonthecompletionratesofMOOCs.JournalofEducationalTechnology&Society,21(2),136-151.
3.Rovai,A.P.,&Jordan,H.M.(2014).BlendedLearningandSenseofCommunity:AComparativeAnalysiswithTraditionalandFullyOnlineGraduateCourses.InternetandHigherEducation,21,64-73.
4.Kizilcec,R.F.,Piech,C.,&Schneider,E.(2013).Deconstructingdisengagement:Analyzinglearnersubpopulationsinmassiveopenonlinecourses.InProceedingsoftheThirdInternationalConferenceonLearningAnalyticsandKnowledge(pp.170-179).