动态与成果
动态与成果
刘杨：基于社交媒体的慕课学习者行为分析
随着慕课（MOOCs）的快速发展，数百万学习者在社交媒体上讨论在线学习，形成了丰富的教育大数据资源。然而，现有研究多局限于特定课程平台内的学习者行为分析，缺乏对跨课程、跨平台学习者整体画像的挖掘。社交媒体中的学习者讨论包含大量非结构化文本数据，如何从中精准识别学习者并分析其需求，成为优化在线教育的关键问题。
本研究聚焦以下核心问题：如何在嘈杂的社交媒体数据中精准识别慕课学习者；被传统平台忽视的“沉默学习者”在社交媒体上表达了哪些学习需求与体验；以及如何利用社交媒体数据为慕课设计更精准的教学干预策略。
我院高等教育研究所刘杨副教授联合北京师范大学张婧婧教授团队，对2013–2022年间221,336条包含“慕课”或“MOOC”关键词的新浪微博帖子进行系统分析。研究通过机器学习与深度学习模型对比、LDA主题模型等方法，取得以下创新性发现：
1. 学习者识别算法优化
TextCNN模型在词向量维度为150–250时表现最佳，显著优于传统机器学习模型（如SVM准确率为89.5%）。该模型适应微博短文本特征，为社交媒体教育数据挖掘提供了高效工具。（图1）
图1. 基于不同词向量维度的模型准确率比较
2. 沉默学习者的核心诉求
LDA模型识别出9类学习者讨论主题，归纳为“开放分享”与“自我呈现”两大维度：
——开放分享：包括课程推荐、平台使用体验、学习心得交流；
——自我呈现：涵盖证书展示、学习进度记录、作业考试压力等。
值得注意的是，学习者常在社交媒体表达负面情绪（如批评平台功能、教师授课方式），这些内容在正式课程论坛中较少出现。
图2. LDA主题的困惑度
3. 话题演变与外部事件关联
DTM分析显示，学习者讨论主题随社会环境动态变化：
——2013–2015年：以学习社区互动和平台体验为主；
——2016–2018年：证书分享和课程推荐成为热点；
——2019–2022年：疫情期间，学习监控、作业考试相关话题显著增加，证书分享热度下降，反映K–12学习者涌入及证书政策变化的影响。（图3）
图3. 文本主题强度随时间的变化趋势
本研究首次通过社交媒体大数据揭示了慕课学习者的真实行为模式，为理解“沉默学习者”提供了新视角。研究成果可为慕课平台优化教学设计、开发自适应学习支持系统提供数据支撑，推动在线教育向个性化、智能化方向发展。
上述成果发表于SSCI一区期刊《Innovations in Education and Teaching International》：Liu, Y., Zhang, J., Yang, Y., & Tao, X. (2025). The untapped promise of educational data on social media: A machine learning approach to unveiling online learners. Innovations in Education and Teaching International.
全文链接：https://doi.org/10.1080/14703297.2025.2561038
The untapped promise of educational data on social media A machine learning approach to unveiling online learners.pdf
