數據分析打造線上課程 — 直擊 Coursera 後台數據
為什麼讀這篇文章： 對一個學習者來說，MOOC 是一個全新的學習模式，按照自己的步調學習，MOOC 提供了客製化的學習路徑，而從製課方的角度來看，如何製作一門更滿足學習者需求的 MOOC 便成為了重要的任務。在這個大數據的時代下，Coursera 提供了製課方完整的數據資料，得以分析並完善 MOOC 課程。 這篇文章將介紹五類 Coursera 後台主要的數據資料，其中包含了測驗資料、成績數據、學習歷程、人口統計數據、與討論數據，並探討如何利用這些數據提升學習者的學習體驗。 一、Assessment Data (測驗資料) — 學習者的回饋作業如何改善課程本身？ 在 MOOC 的架構中，測驗是作為檢驗學習成效的重要工具，Coursera 平台中有著多樣的測驗形式，在測驗資料中，包含了學習者提交的所有測驗內容，例如選擇題所選的答案、開放式問題的回答等等，透過這些數據，製課方可以從多個面向來分析。 舉例來說，當學習者們對於某題選擇題答對率特別低時，便可以檢視題目是否有誤導的狀況，造成大部分人選擇另一個選項，又或者學習者對此題檢驗的概念尚不熟悉，便可針對教學內容加以修正。 此外，題目之間的回答狀況也可能有其關聯性，在同一部教學影片中，若是影片時間過長，學習者或許會在後段部分失去專注力，因此對知識點的掌握度較低，進而反映在數據中。製課方便可以從評測數據中檢視是否有類似的情況，來調整教學內容，以避免教學上的缺陷。 二、Course Grade Data (成績數據) — 成績數字背後還藏有什麼故事？ 在評測數據中，記錄了學習者提交的所有內容，而成績數據則是記錄了學習者針對單一評測提交所得到的最高成績，此外，學習者獲得這些成績的時間也將被記錄下來。舉例來說，當學習者對 Quiz1 進行了三次提交，分別得到 70, 90, 80 的分數，則成績數據中將僅會記錄 90 分的成績，以及其提交時間。有了這樣的資料，我們便可以觀察在學習者的學習歷程中，是否有某些評測的成績特別不理想，來檢視其難度是否合適。 另外，針對同儕互評的部分，學習者所接受到的所有評分將都會被記錄下來，這些評分將可以用來檢驗評分標準 (Rubrics) 的設計是否得宜，若同一份互評作業收到的評分浮動較大，則可能代表評分標準敘述不明確，造成主觀因素影響了學習者的成績。 美