MOOC授课中学生听课行为自动分析与评估

慕课授课中的学生听课行为自动分析系统是一篇研究论文，针对在线教育（大规模开放在线课程，MOOC）中面临的对学生学习行为跟踪与教学效果评估的挑战。论文的主要目标是通过视频数据，构建一种对学生注意力的模型，并开发出一种自动行为分析与决策融合算法（ABA）。该算法旨在实时监测学生在课堂上的专注程度，通过识别并提取学生的行为特征参数，如观看视频的时间、暂停、快进等行为，来评估他们的学习参与度。 首先，研究者提出了一种学生注意力建模方法，这涉及到理解学生的视觉、听觉交互以及可能的心理活动，以便更好地模拟在线课堂环境下的注意力集中情况。这个模型基于机器学习和数据分析技术，通过对学生在慕课平台上的行为模式进行深入挖掘。 接着，他们设计了自动行为分析算法，该算法利用监督学习和无监督学习相结合的技术，对提取到的行为特征参数进行处理和分类。这些特征可能包括观看视频的连续性、频繁中断的次数、鼠标和键盘活动等，这些都能反映学生是否积极参与或者分心。 算法的核心在于决策融合，作者比较了D-S融合方法与贝叶斯推理方法在评估学生听课专注度方面的性能。D-S融合方法，即证据理论（ Dempster-Shafer theory），强调在不确定性和不完全信息的情况下做出决策，它能更有效地整合多个独立判断的证据，从而提高决策的准确性和可靠性。 实验结果显示，本文提出的基于D-S融合的听课行为自动分析系统在实际应用中表现优秀，能够在大规模的在线环境中有效地判断学生听课时的专注度，有助于教师及时调整教学策略，提高教学质量，并为教育管理者提供对学生学习状态的实时洞察。 这篇论文提供了重要的工具和技术，使得在线教育平台可以更加智能地评估和优化学生的学习体验，从而推动了远程教育领域的个性化教学和效果评估的发展。通过引用格式给出，如果需要进一步了解或应用这一研究成果，读者可参考文献信息：戴亚平等人，《慕课授课中的学生听课行为自动分析系统》，《自动化学报》，2020年第46卷第4期，681-694页，DOI:10.16383/j.aas.c170416。