大學數學精品慕課課程質量影響因素研究

摘 要： 為探究大學數學精品慕課的課程質量影響因素，了解學習者對慕課的訴求與期望，以12門大學數學國家級線上一流本科課程為樣本，從高分課程、低分課程、積極評論、消極評論等維度，采用TF-IDF特征詞提取和LDA主題挖掘等方法對1萬余條評論進行了文本分析。結果表明：慕課的課程質量影響因素主要有教師授課方式、學習者的學習感受、課程內容、課程設計四個方面，其中教師授課方式和學習者的學習感受是慕課評論中特征詞概率總和最高的兩大主題，是高分課程吸引學習者的關鍵因素，而低分課程與高分課程的質量差異主要表現在學習者的學習感受上?；诖?，提出授課方式生動化、課程內容先進化、課程設計適切化、平臺設計完善化等提高大學數學精品慕課課程質量的建議。該研究可為慕課的建設、評價及改進提供一定的參考。

關鍵詞：大學數學；精品慕課；課程質量；影響因素；TF-IDF；LDA模型；文本分析

中圖分類號：G642；G434

文獻標志碼：A

文章編號：1673-3851 （2024） 04-0231-09

Research on factors influencing the quality of excellent mathematics

MOOCs： From the perspective of comment text mining

PAN Yue， GAO Xuefen

（School of Science， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract：To explore the factors influencing the quality of excellent mathematics MOOCs （massive open online courses） and to understand learners′ demands and expectations for MOOCs， the study takes 12 national first-class undergraduate online courses of mathematics as samples， and analyzes the text of more than 10，000 comments from the dimensions of high-score courses， low-score courses， positive comments and negative comments by using TF-IDF feature word extraction model and LDA topic mining model. The results show that the factors influencing the quality of MOOCs mainly include teachers′ teaching method， learners′ learning experience， course content and course design， among which teachers′ teaching method and learners′ learning experience are the two major topics with the highest total probability of feature words. And they are the key factors of attracting learners to high-score courses， while learning experience is the difference in course quality between low-score courses and high-score courses. Based on this， this study puts forward some suggestions such as vivid teaching method， advanced course content， appropriate course design and perfect platform design. This study has reference significance for the construction， evaluation and improvement of MOOCs.

Key words：college mathematics; excellent MOOCs; course quality; influence factor; TF-IDF; LDA model; text analysis

隨著中國教育信息化進程的迅速發(fā)展，學習者可以通過在線學習提升自身的知識水平。慕課（Massive open online course， MOOC）即“大規(guī)模開放在線課程”^［1］，能夠為教育變革提供支持，擁有廣泛的應用前景^［2］。慕課的迅速發(fā)展產生了大量的學習數據，包括點擊量、課程評分、文字評論等，特別是評論文本蘊含著學習者的認知、行為和情感等信息^［3］，對其進行深度挖掘和分析，可以幫助教育者了解學習者的學習情況及學習體驗，從而進行有針對性的改進，提升教學效果。然而，有些課程的評論數據多達數千條，教育者很難一一查閱，對于課程缺陷難以全面了解并及時得到彌補^［4］。因此，對課程評論數據進行文本挖掘和系統(tǒng)分析，對把控教學過程、調整教學設計等方面具有重要意義。

大學數學慕課是受眾廣泛的課程之一。為更好地了解學習者對慕課的反饋，并使教育者能進一步提高慕課質量，本文主要探討以下問題：a）影響大學數學精品慕課課程質量的因素主要有哪些？b）從學習者的視角出發(fā)，優(yōu)秀的大學數學精品慕課具有哪些優(yōu)勢？評分較低的慕課存在哪些不足？本文對國家級線上一流本科課程（以下簡稱為精品慕課）中的大學數學課程（包括“高等數學”“線性代數”“概率論與數理統(tǒng)計”課程）進行分析，通過TF-IDF模型進行特征詞提取，挖掘學習者對大學數學精品慕課的關注點；使用LDA模型分析評論文本，挖掘課程評論隱含的主題結構及其特征，進而分析慕課質量影響因素；通過高分課程評論與低分課程評論的對比分析，進一步挖掘影響學習者學習體驗的主要因素；最后結合《教育部關于一流本科課程建設的實施意見》^［5］ （以下簡稱《實施意見》）提出數學類慕課的優(yōu)化建議。

一、研究現狀

教育文本挖掘是指通過數據采集和處理，利用數據挖掘算法或工具，從非結構化文本文檔中提取有意義的模式或知識的過程^［3］。目前已有大量研究通過教育文本挖掘分析在線平臺課程的學習者需求，主要基于問卷調查結果、學習反饋內容和學習者評論文本等數據。

（一）基于非評論數據的教育文本挖掘

一些研究者將問卷和訪談等文本挖掘方法用于慕課等在線平臺課程質量的評估，如董偉等^［6］通過對慕課學習用戶進行訪談，對訪談結果進行文本挖掘，總結出用戶學習效果的四大影響因素為平臺設計、教學資源、教師和交互；徐曉青等^［7］通過問卷調查探究大學生在線學習滿意度的重要影響因素為學習者與學習內容的交互、與教師的交互和自我調節(jié)學習。

（二）基于評論數據的教育文本挖掘

隨著文本挖掘技術的發(fā)展，大量的評論數據為感知學習者對慕課課程質量的體驗提供了新途徑^［8］。評論文本反映了學習者的情感態(tài)度和學習體驗、課程的優(yōu)缺點、教學效果等方面，是衡量線上課程質量好壞的直觀數據。目前已有研究對線上課程的評論文本數據進行挖掘與分析，主要應用的文本分析技術有文本分類、文本統(tǒng)計、情感分析和句法分析等。

a）文本分類一般采用聚類模型例如K均值聚類、LDA模型等進行實現。LDA模型由于可以高效處理大規(guī)模數據，已成為文本分析研究的熱點方法。如，朱茂然等^［9］基于LDA模型對國內情報學領域期刊的主題演化進行分析；高慧穎等^［10］利用改進LDA模型挖掘在線醫(yī)療的評論主題；譚春輝等^［11］基于LDA模型對國內外數據挖掘領域期刊文獻進行主題演化對比分析；肖明等^［12］運用LDA模型及共現網絡模型分析統(tǒng)計學CSSCI期刊文獻的熱門主題與主流研究方法。目前較少有研究利用LDA模型挖掘在線課程評論文本，賴顯靜^［13］ 利用LDA模型對中國大學MOOC熱門課程的評論文本進行主題挖掘，發(fā)現學習者關注的內容聚焦在授課方式、受眾群體、課程內容、學習效果、課程質量等五個方面；Li等^［14］ 通過篩選關鍵詞和主題分析挖掘知識尋求類慕課和技能尋求類慕課的評論數據，發(fā)現知識尋求類慕課主要由課程設計和學習材料驅動，技能尋求類慕課主要由教師驅動；張新香等^［15］ 應用詞對主題模型分析學習者評論數據，發(fā)現學習者評判慕課課程質量影響因素有視頻制作、課程內容、知識量、教學風格、學習感受；吳華君等^［16］通過詞云分析和LDA模型等方法提取出高職在線精品課程的負性評價主題，包括教師教學能力、課程考核評價、課程內容設計、技術平臺功能和學習資源質量五方面。

b）文本統(tǒng)計包括計算詞頻、計算逆文檔頻率等方法，通過詞頻或TF-IDF等提取文本關鍵詞。肖婉等^［17］ 通過詞頻分析與語境分析，發(fā)現課程受歡迎的13個主要因素包括課程知識、課程教師、知識講解、授課風格等。

c）情感分析有基于詞典的方法、機器學習和深度學習方法等，如利用支持向量機、卷積神經網絡、樸素貝葉斯等方法對文本的情感極性進行分類。王洪鑫等^［4］使用LDA模型和CNN算法，構造主題挖掘與情感分析模型，挖掘并分析課程評論的主題結構分布情況和情感態(tài)度。

d）句法分析包括依存句法分析、短語結構句法分析等方法，其中前者已成為研究句法分析的熱點。劉清堂等^［8］利用依存句法分析和TF-IDF提取出人文社科類和自然課程類課程的課程質量影響因素。

上述研究運用不同方法對慕課平臺學習者的評論數據進行文本分析，從學習者視角考察了課程質量影響因素，但尚未考慮同一學科不同評分課程之間的差異。大學數學課程作為專業(yè)技能類課程中的重要基礎課和線上學習的熱門課程，尚無對其課程評論的相關研究。2023年6月第二批國家級線上一流本科課程已公布，在中國大學MOOC平臺上，課程評分反映了學習者對課程的喜愛及滿意程度。因此，本文從學習者的視角出發(fā)，獲取該平臺上數學精品慕課的高分和低分課程的評論數據，利用TF-IDF模型提取其評論文本中的特征詞，并利用LDA模型分別挖掘積極評論和消極評論的主題，全面考察學習者的真實體驗，自下而上地揭示學習者視角下大學數學精品慕課的課程質量影響因素。

二、研究設計與過程

（一）研究設計

以12門大學數學國家級線上一流本科課程為樣本，從高分課程、低分課程、積極評論、消極評論等維度，采用TF-IDF特征詞提取和LDA主題挖掘等方法對1萬余條評論進行文本分析，研究過程如圖1所示。

（二）數據來源與數據預處理

研究選取“中國大學MOOC”（https：∥www.icourse163.org）上的大學數學課程為研究樣本，選取依據為：課程屬于數學類國家級線上一流課程；課程評論數大于等于300條。在上述標準下選擇高分課程和低分課程。其中高分課程是指“高等數學”“線性代數”“概率論與數理統(tǒng)計”三個科目中各自評分最高的前3門，共計9門課程；低分課程選擇3門，為上述三個科目課程中評分最低的后3門。值得一提的是，由于樣本均為精品慕課，所以低分課程的評分也均在4.0及以上，分別是4.0、4.1和4.3。使用Python爬蟲獲取上述課程的學習者評論數據，截至2023年3月30日共獲得數據17418條，取評分4～5的評論作為積極評論，1～2分的評論作為消極評論，3分的為中立評論。12門課程的評論數據統(tǒng)計如表1所示。從表1可知，高分課程的積極評論占比均高于90%，消極評論占比都低于5%，低分課程的消極評論占比相對較大，高達16.44%。為更好地研究課程之間的差異，本文僅對積極評論和消極評論進行分析。

數據預處理包括評論清洗和結構化評論數據。剔除評論數據中的符號、無效評論、重復評論、情感色彩與評分不符的評論，使用停用詞表剔除評論數據中的標點符號、數字、語氣詞、表情符號及助詞、介詞、連詞等結構性詞語。為了提高分析效果，剔除“老師”“我們”“本人”“大家”等非關鍵詞匯，并將“某老師”“PPT”“板書”等關鍵詞加入jieba詞庫中，再使用jieba分詞精確模式進行中文分詞，使用Word2Vec模型將評論數據結構化，訓練詞向量模型。

（三）基于TF-IDF的評論特征詞提取

為了探究數學精品慕課評論主題，將預處理后的評論匯總，并構建慕課評論語料庫，使用TF-IDF模型提取評論數據特征詞。

TF-IDF模型用于評估詞語對于文檔集或語料庫中文本的重要程度^［18］ 。TF為詞頻，表示詞語在一條評論中出現的頻率，可用式（1）計算：

其中：d_i表示第i條評論，N_di為d_i中所有詞語出現的次數，N_iw為d_i中某詞w在這條評論中出現的次數。IDF為逆文檔頻率，用來評價詞語的類別區(qū)分能力：

其中：n表示總評論條數；n_w表示包含給定詞w的評論條數，若包含詞語w的評論條數越多，則說明詞語w的類別區(qū)分能力不強，比如“的”，相應的IDF值則越小。

TF-IDF為TF與IDF的乘積，它的主要原理是在評價給定詞對評論的重要程度時，引入IDF對單一的TF指標進行修正。本文采用TF-IDF值作為給定詞的權重來衡量其重要程度，對于一些近義詞如“某老師”和“教授”、“棒”和“很棒”、“講得”和“講解”、“謝謝”和“感謝”、“線性代數”和“線代”等進行合并，以近義詞中某一詞作為代表詞，其TF-IDF值為其所有近義詞與其本身的TF-IDF值之和，不再顯示非代表詞自身的TF-IDF值。

（四）基于LDA模型的評論主題挖掘

2003年，Blei等^［19］基于貝葉斯思想提出了Latent Dirichlet Allocation（LDA），它是一種無監(jiān)督的主題模型，常用于文本主題分類。大量學者利用LDA模型對文本進行建模分析，將文本投影到潛在的主題空間，可以挖掘出文本中隱含的主題，得到文本在主題上的概率分布和主題在詞語上的概率分布^［10］。LDA模型的主要思想是以主題作為中間層，將文檔集與詞語的關系通過文檔與主題、主題與詞語的兩層關系連接起來，它是一個三層貝葉斯概率生成模型^［20］。首先需要從全局的泊松分布中選取一個文檔長度為N～Poission（β），然后取樣生成該文檔在主題上的狄利克雷分布θ～Dir（α），其后為該長度為N的文檔中的每一個詞語生成一個主題z_mn～Multinomid（θ_m），并取樣生成主題在詞語上的分布φ_zmn～Dir（β），最后以z和φ共同為參數的多項式分布中確定一個詞w_mn～Multinomial（φ_zmn）。整個模型的聯合分布可為式（3）表示：

本文采用Gibbs采樣算法求解得到全局的主題Z的分布和詞語W的分布。求解時需要事先確定3個超參數α、β、K。α和β根據已有經驗值取值分別為50/K和0.01^［21］；K為指定的主題數，通過計算主題間的余弦相似度來對不同主題數的結果進行評估，經過多次實驗，本文中K值取4時，主題間的余弦相似度相對較低，故取K值為4。將近義詞用所選代表詞替換后，運用Python中的LdaModels函數分別建模得出高分課程的積極評論主題分布和消極評論主題分布以及低分課程的相應主題分布。

三、結果分析

根據TF-IDF模型找出各科目課程積極評論特征詞和消極評論特征詞，并分別對高分課程的不同科目之間、高分與低分課程之間的上述兩類特征詞加以對比分析。根據LDA模型得出各科目課程積極評論主題分布和消極評論主題分布，提出大學數學慕課課程的質量影響因素、高分課程的優(yōu)勢、低分課程的不足及改進的建議。

（一）基于特征詞的關注角度分析

使用TF-IDF模型分別計算各科目課程積極評論和消極評論數據中詞語的權重，表2列出了各科目課程中TF-IDF排名前20的特征詞，特征詞順序按權重值從高到低排列。

1.對高分課程的積極評論分析

高分課程中三個科目的積極評論特征詞較為接近，共同特征詞有：教授、課程、喜歡、不錯、通俗易懂、詳細、謝謝、清楚、學習、清晰、理解、感覺、幫助。進一步分析發(fā)現，“幫助”“收獲”“學到”“受益匪淺”等詞肯定了課程所能學到的內容和課程的收獲；“感覺”“喜歡”“謝謝”等詞表達了學習者對老師和課程的喜愛；“清楚”“透徹”“詳細”“易懂”“深入淺出”等詞肯定了教師的授課方式；“細致”“清晰”“課程內容”等詞表達了對課程內容的認可；“理解”“板書”“容易”“有用”等詞表明課程的教學設計能實現較好的學習效果。

2.對高分與低分課程的積極評論分析

通過對比低分課程與高分課程中的積極評論特征詞，發(fā)現共同特征詞包括：不錯、課程內容、詳細、幫助、收獲、喜歡、清晰、理解、知識、清楚、有用等。這說明多數精品慕課的課程內容詳細清晰，課程設計效果顯著，能讓學習者有所收獲，這與《實施意見》中要求“課程內容結構符合學生成長規(guī)律”“教學組織與實施突出學生中心地位。根據學生認知規(guī)律和接受特點，創(chuàng)新教與學模式，因材施教” ^［5］一致。進一步對比發(fā)現，低分課程的積極特征詞中缺少“教授”“細致”“通俗易懂”等詞，推測其課程不足主要體現授課方式上，部分學生認為其不夠通俗易懂。

3.對不同課程的消極評論比較分析

通過對比分析各類科目課程的消極評論特征詞，發(fā)現消極特征詞差異較大，高分課程的消極評論數目較少，從“軟件”“彈窗”“強制”“更新”“老閃退”“切換”“提示”“認證”“廣告”“視頻”等詞推測平臺問題是學習者消極評論的共同原因之一。其次從“高等數學”特征詞中的“平時分”、“線性代數”特征詞中的“考試”“線代太難”等詞，推測課程的考核方式有待改進，從“概率論與數理統(tǒng)計”特征詞中的“PPT”“教授”“照本宣科”“理解”推測課程教師的講解不到位，從“解析”“題目”“答案”推測課程在題目設置上存在問題。低分課程特征詞中“PPT”“課本”“照本宣科”“聽不懂”“理解”“口音”等詞說明教師的授課方式不能滿足學生的需求，存在照本宣科的填鴨式教學問題，導致部分學生聽不懂或難以理解。

綜上所述，各個科目的積極評論特征詞比較接近，主要圍繞教師授課方式、學習者的學習感受、課程內容和課程設計方面，說明以上四個方面是學習者在學習數學慕課過程中的主要關注點。低分課程與高分課程的積極評論相比，表征教師授課方式的特征詞較少，推測其不足主要體現在教師的授課方式上。各類課程的消極評論特征詞差異較大，高分課程的消極評論數量少，特征詞主題較為分散，主要圍繞教學效果、學習感受、考核方式、題目設置、平臺本身等方面；而低分課程的消極評論數量較多，主要集中在教師授課方式和學習者的學習感受方面，說明授課方式死板、學習體驗感差是產生消極評論和拉低課程評分的主要原因。

（二）基于主題分布的關注主題分析

結合TF-IDF特征詞分析，并利用余弦相似度進行檢驗。在多次實驗后，將數學慕課的積極評論分為四個主題，根據特征詞回溯原有評論，最終確定四個主題為：授課方式、學習感受、課程內容、課程設計。根據余弦相似度分析，主題間的相似度均小于0.2，說明所選主題具有代表性。高分課程的主題分布、概率值排名前十的特征詞見表3，低分課程相應的結果見表4。由于研究的樣本均為精品慕課，所以消極評論數目較少且其主題較為分散。建模結果顯示，其特征詞概率總和較大的兩個主題較有參考性，因此本文只展示消極評論中排名前二的主題及其特征詞，見表5。

1.積極評論主題分布對比分析

a）無論是對高分課程還是低分課程的積極評論，主題一（授課方式）均是特征詞概率總和最大的主題。其中，高分課程主題一的特征詞概率總和為0.496，低分課程相應的概率總和為0.349，說明授課方式是學習者最關注的因素。教師講課細致、清晰是學習者給予課程積極評價的主要原因，但相比之下，低分課程的積極評價中缺少“深入淺出”“透徹”等特征詞，說明正是由于數學課程抽象、邏輯性強，所以學習者更希望老師能夠深入淺出、通俗易懂地講授。

b）學習感受是特征詞概率總和排名第二的主題，高分課程和低分課程的特征詞概率總和分別為0.363和0.376。兩類課程的學習者均對課程表達了喜歡與感激，其中，高分課程的評論認為課程非常生動，學生在學習過程中獲得了汲取知識的成就感；而低分課程的特征詞中出現了“難”“難度”等，說明學習者在學習過程中感受到困難，也和低分課程的授課方式主題中缺少“深入淺出”等詞的結果相呼應。學習者的學習感受特征詞概率總和排名第二，說明學習者在學習過程中的感受和對課程的情感傾向影響其對課程的評價，線上教學也要體現“以學生為中心”的理念。

c）課程內容是特征詞概率總和排名第三的主題，高分課程和低分課程的特征詞概率總和分別為0.215和0.296。兩類課程中有關課程內容的評論比較接近，學習者認為課程內容詳細、有幫助、清晰、易懂。說明詳細、清晰且易懂的課程內容是數學課程吸引學習者的必備條件，而在線課程中，教師多借助PPT和腳本的形式講授課程內容，PPT和腳本內容的質量影響著課程內容的呈現效果，合理且高質量的教學資源輔助有助于學習者對知識的吸收。

d）課程設計是特征詞概率總和排名第四的主題，高分課程和低分課程的特征詞概率總和分別為0.122和0.134。學習者認為課程在教學設計上易于學生理解，能夠聽懂，不同的是在高分課程中出現了“板書”“適合”等特征詞，說明在數學課中，部分學生還是更喜歡傳統(tǒng)的板書教學。課程設計的特征詞概率總和較小，說明只有少部分學習者會從課程設計方面評論課程，但課程設計的系統(tǒng)性和適切性將直接影響學習者的學習效果和學習感受，從而影響對課程的評分。知識結構設計緊密、課程活動設計生動易于學生理解知識、內化知識。

綜上，高分課程和低分課程的主題分布及特征詞概率總和排序相同，依次為教師授課方式、學習者的學習感受、課程內容、課程設計。不同的是，在高分課程的授課方式中出現了“深入淺出”“透徹”等特征詞，課程設計中出現了“板書”“適合”等特征詞，而低分課程的學習感受中出現了“難”“難度”等特征詞，體現了低分課程與高分課程之間的差距，高分課程因其深入淺出、通俗易懂的授課方式而受到學習者的青睞，低分課程在保證內容質量的前提下，卻未能通俗地傳授給學習者，致使其學習有難度。

2.消極評論主題分布對比分析

高分課程與低分課程授課方式的特征詞概率總和分別為0.175與0.204；高分課程與低分課程學習感受的特征詞概率總和分別為0.185與0.275，可見，低分課程兩個主題的特征詞概率總和都高于高分課程的相應概率總和，這也說明低分課程的學習者在授課風格和學習感受方面都更不滿意。從“照本宣科”“普通話”“念”“PPT”“聽不懂”等詞可以看出，部分學習者認為課程存在念PPT或腳本的照本宣科問題，致使部分學習者聽不懂，而“精品”等詞出現在消極評論中，也表示了學生對精品課程的失望。消極評論的主題分布結果進一步驗證了低分課程未能重視學生的主體地位，照本宣科式的授課方式給學習者帶來了不好的學習感受，而不好的學習感受、不恰當的授課方式是影響學習者學習體驗的重要原因，也是低分課程的問題所在。

綜上，數學類慕課課程評論主題挖掘結果如圖2所示。

四、結論與建議

基于TF-IDF和LDA模型挖掘數學類慕課課程評論的特征詞和主題，通過高分課程與低分課程、積極評論與消極評論的對比，得出慕課質量影響因素及改進的建議。

（一）結 論

a）教師授課方式和學習者的學習感受是數學慕課吸引學習者的關鍵因素。對于數學類慕課而言，學習者關注的主題按重要程度排序依次為教師授課方式、學習者的學習感受、課程內容、課程設計，這四方面也是慕課的質量影響因素。其中，授課方式和學習感受在積極評論與消極評論中均為特征詞概率總和最高的兩個主題；高分課程不同科目的積極評論主題分布與特征詞較為相似；高分課程和低分課程的以上兩個主題呈現出較大差異。通過對積極評論對比分析，發(fā)現數學精品慕課的課程內容質量都較高，在課程內容質量相當的情況下，學習者更加青睞于授課方式好、學習感受佳的數學慕課，這是高分數學慕課的優(yōu)勢所在；而評分較低的數學慕課忽視了學生的學習感受，授課方式和課程設計有待改進，不好的學習感受、不恰當的授課方式是低分課程的主要不足之處。

b）“PPT”“念”等詞是數學慕課消極評論的主要特征詞。現代教育技術的發(fā)展，使得PPT得到了廣泛應用，但是借助PPT進行教學不一定是數學慕課的最佳授課形式。例如，本文樣本中的最高分慕課就是采用傳統(tǒng)的板書授課。此外，無論是TF-IDF還是LDA統(tǒng)計，在消極評論中“PPT”均居于前列，一同出現的還有“照本宣科”“念”等詞，說明教師讀PPT或腳本是學習者消極評價數學慕課的一大原因，特別是過度依賴于PPT或腳本而缺乏手寫互動的課程會使教學效果不理想。這說明數學慕課要尋找最適合學習者的授課形式，課程設計同樣也要做到以學習者為主體，優(yōu)化學習者的學習體驗。

c）不佳的學習感受是學習者進行消極評價的主要原因。盡管本文樣本均為國家級線上一流本科課程，但不容忽視的是每門課程都存在消極評論，且低分課程中消極評論數量占比高達16.44%。進一步對消極評論的文本挖掘表明，不佳的學習感受是學習者進行消極評價的主要原因，其依據有二。首先，在消極評論中，學習感受的特征詞概率總和最高；其次，在低分課程的消極評論中，學習感受的特征詞概率總和高于其在高分課程消極評論中的概率總和，這說明不佳的學習感受對學習者對課程的評分影響很大。除學習感受外，消極評論還體現在教師授課方式、教學效果、考核方式、題目設置、平臺本身等方面。因此，無論是高分課程還是低分課程，慕課建設者都應重視學習者的學習感受，圍繞學習者的需求展開教學活動，進一步優(yōu)化其教師授課方式、考核方式、題目設置、平臺功能等，以提升課程整體質量。在數學課程教學過程中，課堂知識表達的準確性、知識講解的透徹性、資源形式的豐富性、內容的全面性、課程設計的適切性等都是影響數學慕課課程質量的重要因素。

（二）建 議

a）授課方式生動化，避免過分依賴PPT或腳本。學習者在學習過程中最關注的因素是教師的授課方式，這與數學課程比較抽象難懂有關。慕課平臺上學習者眾多，且知識基礎不同，慕課建設者應通過生動的授課方式、直觀化的教學手段，幫助學習者在有限的時間內更好地理解課程內容。

b）課程內容先進化，及時更新教學內容并避免過度碎片化。學習者在數學慕課學習過程中非常關注課程內容質量。詳細、清晰、全面、系統(tǒng)的課程內容是數學學習者的基本訴求，也是高質量數學課程的基礎。大學數學知識量龐大、知識結構復雜、知識理解困難，教師在錄制課程內容時應在課程內容和教學資源建設方面考慮內容的先進性和趣味性，吸收學科前沿知識，向學生呈現脈絡清晰、知識點詳實、題目典型、知識之間聯系緊密的課程內容，從而讓學習者真正地在慕課平臺上有所收獲。

c）課程設計適切化，既要“深入”也要“淺出”。良好的課程設計有助于學習者對數學知識的理解，讓學習者愛上數學。因此教師在慕課錄制時，應創(chuàng)設符合學生認知的教學活動，做到深入淺出?！秾嵤┮庖姟芬螅骸罢n程教學設計科學合理。圍繞目標達成、教學內容、組織實施和多元評價需求進行整體規(guī)劃，教學策略、教學方法、教學過程、教學評價等設計合理?！?sup>［5^］ 線上數學課程應據此進一步優(yōu)化課程設計，避免因師生時空分離導致的課程內容脫節(jié)或課程活動落空的現象。

d）平臺設計完善化，重視學習者的操作體驗。高分課程的消極評論主要涉及平臺本身問題，平臺設計直接關系到課程每一環(huán)節(jié)的具體操作。因此，技術開發(fā)人員需要對界面的友好程度、平臺的功能是否全面周到等方面進行改善，重視學習者的細節(jié)需求，為學習者提供實用、人性化的學習媒介，保障教學活動順利開展以及教學資源的高質量呈現，不讓教學效果“打折扣”。

此外，學習者的消極評論還與課程考核方式的欠缺、題目設置不合理、解析不全面、講解過程有錯誤等因素有關。針對這些不足，教學者可以在精品慕課建設過程中著重改進細節(jié)問題，避免知識上的錯誤，完善題目及解析，改進考核方式和過程，更好地服務于廣大慕課的學習者。

參考文獻：

［1］黃斌，吳成龍.MOOC的研究現狀、熱點領域與發(fā)展建議：基于CNKI期刊論文的可視化分析［J］.成人教育，2021，41（7）：20-26.

［2］錢小龍，楊茜茜，顧天翼.義務教育均衡發(fā)展視野下MOOC商業(yè)化運作的整體性分析［J］.現代遠距離教育，2018（5）：3-10.

［3］劉清堂，賀黎鳴，吳林靜，等.智能時代的教育文本挖掘模型與應用［J］.現代遠程教育研究，2020，32（5）：95-103.

［4］王洪鑫，閆志明，陳效玉，等.面向MOOC課程評論的主題挖掘與情感分析研究［J］.開放學習研究，2021，26（4）：16-23.

［5］中華人民共和國教育部.教育部關于一流本科課程建設的實施意見［A/OL］.（2019-10-30）［2023-05-21］.http：∥www.moe.gov.cn/srcsite/A08/s7056/201910/t201910

31_406269.html.

［6］董偉，張美，高晨璐，等.基于用戶體驗的在線教育平臺學習效果影響因素研究［J］.中國遠程教育，2020（11）：68-75.

［7］徐曉青，趙蔚，劉紅霞.大學生在線學習滿意度影響因素研究［J］.中國遠程教育，2017（5）：43- 50.

［8］劉清堂，尹興翰，吳林靜，等. 基于學習者評論數據挖掘的 MOOC 課程質量影響因素研究［J］.遠程教育雜志，2023，41（1）：80-90.

［9］朱茂然，王奕磊，高松，等.基于LDA模型的主題演化分析：以情報學文獻為例［J］.北京工業(yè)大學學報，2018，44（7）：1047-1053.

［10］高慧穎，劉嘉唯，楊淑昕.基于改進LDA的在線醫(yī)療評論主題挖掘［J］.北京理工大學學報， 2019，39（4）：427-434.

［11］譚春輝，熊夢媛.基于LDA模型的國內外數據挖掘研究熱點主題演化對比分析［J］.情報科學，2021，39（4）：174-185.

［12］肖明，商慧語，肖毅，等.基于LDA模型的統(tǒng)計學熱門主題挖掘及知識圖譜分析［J］.華中師范大學學報（自然科學版），2022，56（5）：781-788.

［13］賴顯靜.基于LDA主題模型的MOOC課程評論文本分析［J］.現代信息科技，2023，7（4）：43-46.

［14］Li L，Johnson J，Aarhus W，et al. Key factors in MOOC pedagogy based on NLP sentiment analysis of learner reviews：What makes a hit［J］. Computers amp; Education，2022，176（1）：1-18.

［15］張新香，段燕紅.基于學習者在線評論文本的MOOC質量評判：以“中國大學 MOOC”網的在線評論文本為例［J］.現代教育技術，2020，30（9）：56-63.

［16］吳華君，何聚厚，陳其鐵，等.面向職業(yè)教育在線精品課程評價的情感分析與主題挖掘［J］.中國職業(yè)技術教育，2022（2）：55-63.

［17］肖婉，盧鋒，季一木.什么樣的在線課程受學習者歡迎？：基于15門在線課程評論的文本挖掘與組態(tài)分析［J］.電化教育研究，2023，44（5）：60-66.

［18］武永亮，趙書良，李長鏡，等.基于TF-IDF和余弦相似度的文本分類方法［J］.中文信息學報，2017，31（5）：138-145.

［19］Blei D M，Ng A Y，Jordan M I. Latent dirichlet allocation［J］. Journal of Machine Learning Research，2003（3）：993-1022.

［20］Steyvers M，Griffiths T. Probabilistic topic models［J］. Handbook of Latent Semantic Analysis， 2007，427（7）：424-440.

［21］Marley K A，Collier D A，Goldstein S M. The role of clinical and process quality in achieving patient satisfaction in hospitals［J］. Decision Sciences，2004，35（3）：349-369.

（責任編輯：陳麗瓊）