Coursera.org 这样的 MOOC 网站的数据挖掘前景在哪里?

关注者
98
被浏览
3453

7 个回答

我来写点我自己的想法。

首先,对于学习数据的挖掘,核心目的应该是在保持规模的前提下,为每个学习者提供尽可能的量身定制的学习体验。我能想到以下这些方向或可有所作为。

  1. 帮助每个学习者了解自己的知识结构,按照兴趣方向,推荐当前阶段最合适的课程。这里边最重要的是:帮助学习者了解自己。现在各种MOOC课程非常多,有时候同样名字的课程就有好几门。这几门课,有的或许长于理论,有的或许长于实践,而且很可能深浅难度各不相同,先修内容迥异,常常让人选择的时候非常迷惑。如果要想达到较好的学习效率。个性化的推荐一定是非常重要的。而且一般人其实对自己的知识结构也没有很清晰的认识。这里算法甚至有可能能比你自己更清晰的认识你。甚至我更向往能达到一定程度的对知识的量化,对学习效果的量化。当然这个目前看起来还挺难。
  2. 学习过程的优化,提高课程质量。这一点有很多平台已经在开始做了,这应该是最现实且最容易实现的目标。比如,如果有大量人反复观看某一段视频,那很可能是这一段讲解不清晰,这一段的质量有待提高。如果有大量人做作业的时候都犯了同一个错误,那么这道题一定有或多或少的问题。或者说老师传授的相关知识有问题。这些信息都有助于在下次课程中提高课程质量。
  3. 了解人类的学习模式。这可能会是前所未有的研究方向。认识人类自己,认识我们的学习。从而有针对性的提高我们的学习效率。试想我们每个人一生都要有20年甚至更多时间用来学习,这其中又能有多少时间真正被用在了高效学习上?如果能够对人类的学习模式有更深入的了解,也许我们能够大大减少需要投入学习的时间,更多的创造新的东西。

我觉得某种程度上说,MOOC只是起点。我们或许可以通过这种前所未有的教育大数据,来认清我们人类自己,认清我们每一个人,认清我们所创造的那些知识。
MOOC(大型在线开放课程),提供了一个公共学习的平台,给更多人可以接触到不同风格,不同内容的教育,而数据挖掘技术的应用,可以提高学生学习的效率,给他们更多的指导,毕竟教育领域有很多与商业领域不同的地方,如课程之间的序列关联性和时效性,用户的知识水平和接受能力等,抛砖引玉,提两个应用:1.课程序列挖掘:记得是CourseRank,在斯坦福大学,麻省等高校的选课中都有应用,挖掘课程的先后顺序,比如学习>之前,需要先学习一门编程语言,但在非正式教学环境中挖掘起来要更加复杂:2.个性化推荐,根据用户的兴趣爱好和需求,为用户推荐个性化的课程推荐和学习资料(如博客,论文,试题等)推荐服务等.
为什么?