基于二元逻辑回归模型的MOOC退课预测

　　摘 要： MOOC（Massive Open Online Courses）作为一种新的教学模式正发展得如火如荼，但学员退课率一直高居不下，直接影响了MOOC教师以及MOOC平台的发展。本研究以“学堂在线”平台学员的学习行为数据为基础，对影响退课的七种学习行为进行相关性分析，为了避免多重指标带来的多重共线性问题，根据相关性较小的原则选择其中的五种学习行为。最后采用二元逻辑回归模型进行建模并预测学员的退课情况。实验表明，选取的五种学习行为对退课影响显著，预测准确率较高。本研究为MOOC教师尽早采取教学干预提供了一定的理论依据。
　　关键词： MOOC； 学习行为； 相关性分析； 二元逻辑回归； 退课预测
　　中图分类号：G434 文献标志码：A 文章编号：1006-8228（2017）12-50-04
　　Predicting the MOOC dropout rate with binary logistic regression model
　　Guo Wenfeng1， Fan Chao1， Guo Xindong2
　　（1. College of Arts and Sciences， Shanxi Agricultural University， Taigu， Taigu 030801， China；
　　2. College of Information Science and Engineering， Shanxi Agricultural University）
　　Abstract： Although MOOC develops prosperously as a new teaching model， the dropout rate of trainee remains high all the time. This will directly influence the development of MOOC teachers and MOOC platforms. According to the data from xuetangx.com， this study analyzes the correlation of seven learning behaviors affecting dropout. To avoid multicollinearity generated from multiple indicators between seven learning behavior， five of them are selected based on the rule of little correlation. Binary logistic regression model is used to predict the dropout rate. Experiments demonstrate that the selected five learning behaviors have significant influence to the dropout and the accuracy of prediction is higher. The study offers a theoretic basis for MOOC teachers to take teaching intervention as soon as possible.
　　Key words： MOOC； learning behavior； correlation analysis； binary logistic regression； dropout prediction
　　0 引言
　　MOOC（Massive Open Online Courses），大型開放式网络课程，简称“慕课”，是近几年由美国一些著名大学发起的网络学习平台。与传统的课堂学习相比，MOOC具有如下特点：①采用各种社交网络工具，形式多样化；②课程的学习不受空间和时间的限制；③课程对学员的学历没有任何限制；④更强调学员的学习自主性。
　　目前对MOOC的研究基本可以归结为三类。
　　⑴ 通过分析学习行为发现规律，改善MOOC教学活动以及评价体系。
　　Yousef等通过对在线课程、远程课程和MOOC的相关文献分析，提出了一套包含75个评价指标的MOOC质量保障标准[1]。童小素等在借鉴已有评价规范的基础上，采用文献调研法和专家访谈法，建立了一套质量评价指标体系，其中包括3个一级指标和26个二级指标[2]。秦瑾若等通过MOOC与传统网络课程教学活动的对比，提出基于深度学习理论的MOOC学习活动设计，并将其应用于“现代教育技术”课程中[3]。樊超等从人类动力学的角度对MOOC在线学习行为进行分析发现，用户的选课量和选课人数存在很大差异，在线学习具有阵发和重尾的特征，以及在线学习时间和次数服从幂律分布[4]。
　　⑵ 通过对学习行为进行统计分析，进而提出整改意见。
　　李帅等以东北大学MOOC平台上的《高级语言课程设计》课程为数据集，对学生的知识点学习情况、在网站上的逗留时间以及观看视频的行为动作（快进/退、全屏、跳转课程、暂停、滚动条滚动、文本模块间跳转）进行了统计分析[5]。吴江等分别从选课、退课、课程参与和成绩四个方面对爱课程网络平台上的一门课程的学习者行为进行统计分析[6]。王萍等基于edX平台的数据集，采用统计分析方法，对学习者类型、特征、行为进行分析研究[7]。徐舜平等借鉴数据挖掘中的回归分析方法，对“学堂在线”平台的一门课程“电路原理”学习行为数据进行研究[8]。
　　⑶ 通过对学习行为与学习效果之间的关系进行分析，建立模型对学习效果进行预测。

相关热词搜索：逻辑 模型 回归 预测 MOOC