基于文本挖掘的MOOC差评意愿的影响因素研究

作者：孙青云; 刘吉华

来源：统计与管理, 2021, 36(09): 105-112.

DOI：10.16722/j.issn.1674-537x.2021.09.019

• 文本挖掘
• MOOC
• LDA
• 在线评论

近年来随着教育技术的快速发展,MOOC已经广泛进入各大高校课堂,其中所面临的完成率低的问题引起了社会的广泛关注,为了提高MOOC的学习质量,激发学生的学习积极性,本文通过抓取"中国大学MOOC"平台相关课程的学生在线差评进行文本挖掘,探究影响学生进行差评行为的重要因素,首先采用网络爬虫技术,抓取了"中国大学MOOC"平台上不同类别的课程评论,并利用python软件进行了数据清洗,采用百度AI语义分类器对评论进行情感分类,接着利用LDA模型(Latent Dirichlet Allocation,LDA)对情感倾向为负向的评论文本进行了主题提取,最后对结果进行了可视化和解读并给出了相应的对策和建议。研究表明用户对于MOOC的课程内容、网站设计和媒体技术的问题反映最为强烈,不同类别的课程的用户所反映的问题的主题存在一定差异,偏理工科类的课程的问题更偏重于课程内容、教师水平以及交互活动等方面,文史类的课程则更偏重于教学设计、视频设计以及课程证书等方面。该结论对于MOOC平台建设者、课程开发者以及课程管理者针对MOOC课程的改善具有一定的借鉴作用。