电子政务实践教学信息化评价创新——基于信息服务协同网络模型

一、电子政务实践教学信息化评价创新的必要性

随着网络技术的发展，当前的电子政务实践教学已经进入了信息化教学模式。电子政务实践教学的重点和核心由通过信息系统互通有无、管理内部，逐渐向通过智慧网络管理城市的交通、流动人口分布、住房、环境和卫生的实时响应、热点舆情等方面发展。随着我国教育体制改革的进一步深化以及课程结构模式的调整，相应的评价方法也是多种多样。在以往的教学评价中，有些研究者依据学习时间和考试来划分学习参与者的学习类型。众所周知，实践教学质量的优劣决定着其培养应用型人才的质量[1]，如何通过调整教学评价来提升教学质量，成了势在必行的研究。

在当前信息化教学模式下，信息化评价对学习参与者的学习和教师的教学起到检验和激励的作用。但受到传统教学模式的影响，电子政务的评价体系仍具有本科课程评价体系的通病，即偏于教师教学与理论学习的检查[2-3]。对此，有学者提出，可对学习参与者行为进行建模，从而分析学习行为[4-5]，蒋卓轩等则对MOOC上的学习参与者行为数据进行了探索和定量[6]。

本文在这些研究基础上，首次运用成熟的信息服务协同模型，以其内置的Hits算法(又称行为的反复改进算法)和词频计算的TF算法对若干典型学习行为进行关系分析。基于该数据模型构建电子政务信息化评价体系，将计算机理论、电子政务实践教学、信息化评价三者紧密联系起来，尝试实现对公共管理专业的学习参与者在智慧城市管理、网络数据分析、认识等方面的潜在认真程度、学习效果来进行诊断，并据此划分学习者类型。

二、信息服务协同网络模型应用与实践教学信息化评价创新的相容性

克莱因伯格等提出了Watts-Strogatz-Kleinberg网络模型：节点在网格点上排布；同质性局部连接相同[7]。借助在线社会网络的实证检验，他们证实强链接与弱连接是社会网络的两种主导力量。在此模型基础上，目前不少地方政府都开发出包括样本空间的选取、服务事件特征的提取(同质性、流行性、节点聚集系数)、试错的迭代强度分析(反复改进)、设置目标参量、网页的收集以及数据的后处理与评估为内容的信息服务协同网络模型。由于Hits算法内置在信息服务协同网络模型中，这使得该模型的运行过程成为一个与现实紧密连接的数据、行为交互过程。当学习参与者学习时，不仅能很清楚地理解该模型，而且能马上学以致用。有学者评价这一改进和优化电子政务服务的做法是信息共享的合作博弈[8]。

最关键的是，当所有学习参与者在教师指导下，反复从网上提取相当数量的数据，并以数据支撑，针对某级政府面对的共同热点事件提供的服务信息进行全过程分析的时候，指导教师基于该模型内置的Hits算法的反复改进行为原理(即有效利用链接关系蕴含的信息，计算网页链接行为与链接效果的权威值和中枢值，分析这两个量的“反复改进”差异所在)、TF算法，所设计、搭载的网络习题解答、批改、随机点赞等功能，与该网络模型应用相互协同，则可较为系统地、更好地分析学习参与者的学习行为，挖掘其学习效果、潜在认真程度,评价其合理性，并据此刻画学习者类型。换言之，以所有学习参与者在每一部分积累的、有针对性的“从错误中学习正确”数据作为评价的基础，对每一部分数据给以适当加权，赋予分值，计算权威值、中枢值，按照“反复改进”原理使之不断比较对照，从而基于各个学习行为间的关系分析，对学习参与者学习效果、潜在认真程度进行诊断，了解其学习效能的一致性、差异性，进而划分学习者类型，达到信息化评价的全新构建。

1.4 统计学方法 应用SPSS 13.0统计软件将两组血压控制情况、高血压知识、技能掌握、年门诊输液或住院例次数情况进行统计学分析。计量资料以±s表示。两组间比较采用t检验;组间前后比较采用配对t检验;率的比较用χ2检验。

三、基于信息服务协同网络模型应用的电子政务实践教学信息化评价

从关系分析的角度，选取反复修改行为指标、随机点赞行为指标、加权平均指标这三个最基本的学习行为指标，基本就可以反映学习参与者的学习行为之间的内在关系。但鉴于有研究者把学习参与者访问网上信息数据次数、参与讨论次数的情况等作为辅助分析的数据源，故本研究也尝试收集学习参与者访问网上数据信息次数、参与讨论次数，结合学习参与者的反复修改、点赞等行为，初步综合分析判断学习参与者的学习类型。

(一)应用的模型

如前所述，该模型是一个数据、行为交互过程的表达。它们之间的关系如图1所示。具体而言，信息服务协同网络模型应用包括：学习参与者参与下的样本空间选取。要考虑两方面因素：①样本空间的选取要和地方政府公共服务的服务对象相关；②本空间本身有“时间”和“空间”两方面的含义。所谓“时间”含义是指对一个服务的迭代强度研究要有一个时间区间；所谓“空间”含义是指不仅要考虑对哪些网站(如政务网、微博、微信)的选取，还要考虑对这些网站所反映的服务内容选取。

  

图1 基于模型的评价流程图

服务事件特征的提取(同质性、流行性、节点聚集系数)。在信息服务协同网络模型应用中，事件的特征分为两个层次，“流行性”和“同质性”。后者总是包含前者，前者、后者仅有强链接、弱关系内容。根据不同部门的层级，依据同质性(网络中两端点异色的概率分布)，计算同一单位的不同部门合作协同关系。把它们作为该事件的特征，进而人工将它们分成上述两个层次。这样形成的两个集合，“流行性”词组和流行性相关的“同质性”词组，就构成了后面判断的基础。并据此计算节点聚集系数(任意两个朋友之间也是朋友的概率)，反映各单位之间的协同关系强度。

新时代,我国把“美丽”作为建设现代化强国必须达到的目标。党的十八大把生态文明建设纳入“五位一体”总布局,“美丽中国”成为中华民族追求的新目标;中国共产党更是第一个将生态文明建设写入行动纲领的执政党;十八届五中全会,将绿色发展纳入新发展理念;十九大报告提到“美丽”8次,“生态文明”多达12次,“绿色”15次,首次提出要把我国建成富强民主文明和谐美丽的社会主义现代化强国,强调我们要建设的现代化是美丽的;全国生态环境保护大会上首次提出“构建生态文明体系”,其中就包括“以产业生态化和生态产业化为主体的生态经济体系”;强调“绿色发展是构建高质量现代化经济体系的必然要求,是解决污染问题的根本之策”。

根据蒋卓轩等学者的研究，潜在认真程度可以按照一定阈值进行分类，从而将学习参与者分群。为了更好地判别潜在认真程度，我们设计了加权平均指标来体现阈值。它是指针对频次表反映出来的升序、降序，分别求加权平均值，辨别得到学习者的差异。倍差的差异度显然可以视为学习参与者潜在认真程度的高低，同时也可将学习参与者分群。当使用内蕴的Hits算法和TF算法，得到学习参与者学习效果和潜在认真程度后，依据三个指标，划分学习参与者的学习类型。

评价报告。因为城市公共服务协同和迭代的表现强度只有针对它的服务对象才有意义，所以，在模型应用的最后，老师会引导学习参与者采用同质性、流行性、关系强度的迭代(或纳什议价解)、反应—响应时间指标与参与性指标的相关关系来评价地方政府各单位电子政务的服务协同水平的高低。其中，反应—响应时间按小时为单位；参与性则包含一个指标：再回应次数。

数据的后处理。当学习参与者用上述过程得到数据后,常会有两种现象出现：一是个别数据出现反常，这主要是非可预测的破坏因素，如网络故障、机器故障等；二是无法收集齐所需政务信息，主要是各个单位数据并未整合在同一个网络上，还是信息孤岛。对于这两个现象，常规思想、方法都无法解决问题，学习参与者会在老师的引导下打破常规，运用“工程”思维[9]去思考问题。

(二)信息化评价指标及其应用算法

公共产品供给实质上是如何分配社会公共资源的问题。随着我国经济的疾速发展和一系列惠农政策的积极推行，我国农村公共产品供给已经取得明显改进。但仍然不能忽略当前我国农村公共产品供给仍然存在着诸多问题。

潜在认真程度、学习效果主要是通过反复修改行为指标、随机点赞行为指标、加权平均指标这三个行为指标体现出来。前面两个是核心指标，加权平均指标是辅助指标。随机点赞是指学习参与者对于不同个人发布的模型应用进行点赞评分。全班同学都给予点赞评价后，随即利用链接关系的结构信息(有向图)、计算节点(学习参与者)的属性值，生成点赞结果排序。换言之，随机点赞行为指标是使用内蕴的Hits算法来计算学习效果的权威值和中枢值。这类似于推荐餐馆：请甲、乙、丙、丁推荐新辣道、海底捞、麦当劳、五方院、俏江南。首先让他们各自推荐打分，随后根据推荐人水平打分，最后加总评分排序。如图3所示，这样就能分清楚哪个餐馆更好吃，谁推荐水平更高，谁吃的地方更多。

《删除:大数据取舍之道》一书阐述了“信息隐私财产”模型。保罗·施瓦茨(Paul Schwartz)认为，美国人应该拥有一种描述个人信息的产权——决定个人信息去向和使用方式的专有权。⑱该模型体现出一种更加动态的财产利益捆绑，体系构建主要集中在对信息二次使用或传播的限制上，具体包含信息的不可剥夺性、违约、权利退出、赔偿金等内容。⑲

  

图2 基于时间轴的行为特征指标图

  

图3 餐馆推荐

反复修改指标，是指对同一个模型应用，反复让学习参与者修改，并针对性批改、发布问题集。它们是与随机点赞指标密切联系的。在使用随机点赞之前，必须要学习参与者多次完成对同一模型的自主设计、面向问题的反复修改。这就如同请人推荐餐馆之前，请来的人必须是经常去各个餐馆吃的人，不然没法做餐馆推荐。但如何弄明白哪些人的确是到餐馆去吃过饭呢？基于TF算法的词频计算部分，我们就设计了反复修改指标，旨在找出那些花了时间去分析、琢磨自己的应用模型的学习者。这个指标包括算法主体和运用方式两部分。他的算法主体是TF算法的词频计算和迭代，前者的计算公式是：指问题集内的某个词出现的次数，一般是模型应用的某个概念词出现的次数；d指所学习论文、资料的所有词。这个公式一般计算词频，分析在三次问题集中，每位同学的模型应用中n在d的出现频率；运用方式就是对频次进行排序列表。由于老师对同一个模型应用，连续三次修改，并每次都放置新的问题集，这样就可以形成三次对所有学习参与者修改的频次表。学习参与者的潜在认真程度可从频次表的降序、升序中反映出来。若某学习参与者的tf(t,d)加权值呈现降序排列，则可推定该学习参与者潜在认真程度高；反之，则可推定学习潜在认真程度低。

关系强度的迭代分析(或纳什议价解分析)。在本信息服务协同网络模型应用中，老师会引导学习参与者使用Pagerank算法，即立足通过“流行性”词组和流行性相关的“同质性”词组筛选的事件及相关服务，计算各单位对服务对象的服务内容的迭代强度，比较强链接、弱关系不同的迭代强度，尽可能量化分析协同结构。

在传统课堂中，学习者参与课程的时间被视为分析学习参与者努力程度的另一个很重要的评价指标，但无论视频播放学习还是随堂学习，都难以考量其潜在的认真程度。借助信息技术，采用TF算法，从学习参与者对同一模型的自主设计、面向问题的多次反复修改中提取关键词，结合加权平均指标，并借助关系分析数学公式A∩B∩C可进行求交集。交集反映的数据一方面可看清潜在认真程度，另一方面可比较区分学习参与者类型。图6是基于关系分析数学公式A∩B∩C得出的反复修改行为与点赞行为的交集数据。数据表明：A4、A6、D2、D9，这些学习参与者的潜在认真程度和学习效果佳。图7的数据则表明：C2、C4、D1、A1、C8、A2、A9、A8、D6、D11，这些学习参与者的的潜在认真程度和学习效果次之。图8的数据则表明：C3、B6、B2、B5、B3、B4、B7、D4、D8、B1、A7、D5、C1、C6、C5，这些学习参与者的潜在认真程度和学习效果再次之。

在ANSYS软件中用来分析流体运动的是Fluent模块，对直通式截止阀的结构分析不是运用其几何模型，而是需要对其几何模型进行网格划分。首先根据机械结构尺寸利用SolidWorks三维软件绘制出该结构的三维模型。然后由几何模型的外观形状来看，在该分析中的网格划分应采用Gambit模块网格的划分方式，因为Gambit模块网格常用在圆或圆弧模型，同时Gambit模块根据自己的运算可生成复杂流道[1]。在网格划分时，因阀体底部区域受力较大则需要对底部局部地方进行网格细化，故在该区域的网格划分相对要密集一些，划分后的内部流场如图3。

概而言之，通过这些指标对学习参与者行为数据的三维聚焦，基本就可以量化展现出学习参与者的潜在认真程度、学习效果，据此划分学习者类型，进而有针对性地进行教学调整。

如前所述，所谓信息化评价是基于Hits算法和词频计算的TF算法对若干典型学习行为进行关系分析。由此，模型应用所对应的电子政务实践教学信息化评价指标分解为反复修改行为指标、随机点赞行为指标、加权平均指标，以反映学习参与者的学习行为之间的内在关系。若假定反复修改行为指标为A，随机点赞行为指标为B，加权平均指标为C，三者间关系的数学表达式就是：A∩B∩C，交集就是基于学习行为的关系分析的数学表达。基于此，对学习参与者学习效果、潜在认真程度进行诊断并据此区分学习者类型。它们之间的关系如图2所示。模型应用的每一部分都完整对应一个评价周期，即：第一周周六提出应用要求；第二周周一学习参与者网上提交作业；第二周周四发布问题集，学习参与者进行修改；第二周周六发布第二次问题集，学习参与者再次修改；第三周周一学习参与者课堂讲述模型的相关模块设计及应用特色、思路、数据，并随机点赞。下面分别说明这些算法如何对指标之间的内在关系开展分析，及如何反映学习参与者潜在认真程度、学习效果：

四、一个基于网络模型应用实验的评价分析案例

杭州市在城市公共服务方面一直采用信息服务技术，打造城市管理服务，走在各省前列。笔者依据电子政务发展要求，指导某班的38位学生参与者们选择了杭州来进行信息服务协同网络模型应用实验，绘制网络结构图(图4)、流行性分布图(图5)。在此实验基础上，将所需的Hits算法及TF算法应用于学习参与者的若干典型学习行为的关系分析中。其中分析数据来自于电子政务教学过程中某章节的慕课。

  

图4 绘制网络结构图

  

图5 流行性分布图

传统的教育信息化评价主要是偏向于教师教学与理论学习的检查，而基于信息服务协同网络模型应用的信息化评价，则偏向于对若干典型学习行为进行关系分析，进而对学习参与者学习效果、潜在认真程度，进行诊断，并据此刻画学习者类型，从而理解其学习速度、领悟能力、与其他学习者的互动与合作，以及问题求解能力的具体差异，并尽可能满足学习参与者自主学习和个性化要求。

(一)点赞行为分析

信息技术的使用和学习参与者对模型的反复修改并全员展示，大家可以清楚了解操作、设计的尺度，哪些是比较好的。这样，通过随机点赞功能，将评价权力交由学习参与者，由他们扮演评价者角色，自主评价其他学习者。学习参与者对于不同个人发布的模型应用进行点赞。之后，利用链接关系的结构，就能判断学习参与者的个人学习效果。

该班上有29位学习参与者进行了点赞评分。表1列示点赞排名。可知，点赞评分的参与率为76%，未参与率为24%。这29位学习参与者可分为三类，一类排序值超过92 000，包括A1、A2、A4、A6、A8、A9、D2、D6、D11；第二类排序值低于92 000，高于90 800，包括C2、C3、C4、C5、C8、D1；第三类排序值低于90 800，包括B2、B3、B4、B5、B6、B7、B1、D8、A7、D4、D5、C1、C6、C5。根据点赞评分情况，可初步判断第一类学习参与者的个人学习效果最佳；第二类学习参与者的个人学习效果次之；第三类学习参与者的学习效果再次之。

 

表1 点赞排名

  

A1A2A4A6A7A8A9B1B2B3B4B5B6B7C1C2C3C4C5C6C8D1D2D4D5D6D8D9D11A15.04.04.53.74.04.74.03.94.04.72.04.04.04.04.74.64.24.03.04.03.84.04.24.54.03.14.04.84.0117.492687.4A24.84.04.34.33.04.54.03.54.54.52.73.54.14.04.54.64.12.03.12.33.54.04.04.64.03.03.04.83.8111.092687.4A44.74.04.33.94.04.54.03.04.44.62.43.94.34.34.54.34.03.03.53.03.64.14.04.54.03.23.54.73.8114.092687.4A64.74.54.44.54.04.54.03.54.64.83.74.54.34.14.44.34.43.03.93.04.04.04.24.34.03.03.74.24.5119.092687.4A84.34.34.03.93.04.54.03.05.04.64.63.54.24.34.04.44.52.02.92.02.84.24.14.54.02.04.04.34.0110.992687.4A94.64.24.13.94.04.55.03.94.94.52.94.04.34.14.34.54.54.04.23.53.64.04.04.54.03.04.04.54.5120.092687.4D24.44.34.24.04.04.04.03.44.24.73.54.54.24.54.04.44.23.03.53.03.84.14.44.24.03.03.44.63.5115.092687.4D64.64.04.14.04.04.24.03.64.84.65.04.04.14.54.14.24.43.55.02.05.04.14.24.14.05.03.64.34.0121.092687.4D94.74.24.04.24.04.34.03.44.94.43.74.24.14.24.04.54.43.03.53.03.64.04.24.24.03.13.54.84.3116.492687.4D114.44.34.04.14.04.24.03.14.54.63.94.24.24.54.04.54.23.03.53.03.64.04.14.24.53.03.44.34.5115.892687.4C24.14.24.04.14.04.54.03.04.73.54.04.44.04.24.84.23.54.23.23.64.04.24.64.03.33.54.94.8113.590852.6C34.44.34.14.14.04.04.04.14.73.54.24.34.34.34.44.24.04.04.03.54.04.14.34.53.04.04.64.0114.990852.6C44.24.04.14.04.04.44.03.84.64.04.04.44.24.24.44.13.54.23.53.74.24.24.54.53.23.44.44.6114.390852.6C84.34.34.04.04.04.44.03.54.85.04.24.34.34.24.54.43.25.03.05.04.04.24.24.55.03.54.54.8119.190852.6D14.54.64.14.14.04.04.03.84.64.14.24.54.34.04.54.13.24.53.24.04.14.14.54.03.03.44.74.0114.190852.6B24.44.54.04.04.04.54.04.04.94.73.04.54.64.44.04.44.03.73.03.64.14.14.14.64.03.84.34.3115.590056.5B34.34.04.03.94.04.54.03.04.83.23.94.34.34.44.84.33.53.53.53.74.14.34.64.03.84.84.5110.090056.5B44.74.34.04.24.04.54.03.84.75.04.24.24.34.54.44.23.65.03.25.04.24.14.64.03.94.44.6115.690056.5B54.34.14.04.04.04.54.03.14.63.34.54.24.44.54.44.33.22.93.23.64.04.44.54.03.74.94.0108.690056.5B64.44.54.04.04.04.44.02.84.53.24.24.64.24.24.54.23.03.13.03.64.14.24.54.03.84.54.5108.090056.5B74.54.24.04.14.04.64.03.44.63.54.24.74.44.44.84.13.44.03.43.94.14.14.54.03.74.94.5112.090056.5B14.54.23.84.04.54.04.04.54.63.14.04.24.24.64.54.33.23.03.54.34.04.24.64.03.13.64.64.0113.189833.1D84.64.04.14.04.34.03.94.54.83.74.24.24.24.04.44.53.03.93.03.74.04.14.14.52.83.54.64.2112.889833.1A74.04.24.04.04.54.03.24.84.72.83.94.24.04.54.34.43.04.03.03.64.04.24.64.03.13.94.64.5112.089614.1D44.64.24.14.04.04.24.03.74.34.93.84.24.34.44.04.44.24.04.24.03.54.04.34.44.53.03.54.2114.989607.7D54.34.34.04.13.04.24.02.84.64.52.03.94.44.34.14.54.32.03.02.83.64.04.14.24.03.83.43.8106.089607.7C14.74.24.04.04.54.03.84.83.74.24.34.24.24.34.13.04.83.04.04.24.14.34.03.24.04.54.8110.987998.3C64.54.04.14.04.44.03.64.63.64.24.44.14.24.34.33.53.83.53.64.24.34.44.03.43.84.54.2109.587998.3C54.24.04.14.04.34.03.64.55.04.24.34.34.44.24.23.65.03.55.04.34.24.64.05.03.64.74.5115.387779.33073.32854.33300.63300.63300.63300.63300.63300.61834.83300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.63300.62630.93300.63079.73300.6

说明：无数据部分表示没有点赞数据。

(二)反复修改行为分析

治疗后对照组平均空腹血糖为（8.36±1.42）mmol/L；观察组为（6.21±1.09）mmol/L，差异有统计学意义（P＜0.05）。

  

图6 频次排序列表

  

图7 频次排序列表

  

图8 频次排序列表

图9是3个群体的加权平均数比较，可以看出，倍差的差异度显然可以反映学习参与者潜在认真程度的高低。越认真、学习效果越好，则体现错误率越低，反复修改频次的倍差也越小。

  

图9 加权平均数比较表

(3)学习参与者类型。

如前所述，为更好推断学习参与者类型，研究中尝试收集学习参与者访问网上学习数据信息的次数。详见表2(缺少A3,D10,C7,B8,A5,B9,C9,D3,D7数据)。比较遗憾，几乎没有参与网络讨论的数据。

 

表2 次数表

  

编号登陆次数编号登陆次数编号登陆次数A42819C21492C3972A62796C41453B62017D2927D1783B21396D91388A11090B513171982.5C8790B3918A21411B41523A91274B71177A8411D4529D61338D81279D11824B117221086.6A71907D52555C11409

 

续表2

  

编号登陆次数编号登陆次数编号登陆次数C62888C518041560.9

对比后发现，大多数学习参与者访问网上学习数据信息的次数非常多，但A4、A6、D5、B6、C6，这些学习参与者的访问次数最高；D2、D1、C8、A8、D11、C3、B3、D4的访问次数低于D9、C2、C4、A1、A2、A9、D6、B6、B2、B5、B4、B7、D8、B1、A7、C1、C5的访问次数。这一结果与前述三项分析指标得出的结果不一样。口头询问学生，有的告知视频等资料看过几遍，已熟悉，不必频繁登陆。由此，可以说前述三项指标与访问网上数据信息次数之间并没有形成内蕴关联。据此，还是依据已有三项分析指标得出的结果，划分学习参与者类型：学习参与者潜在认真程度高、个人学习效果好，可归为“有效完成者”类型；学习参与者潜在认真程度次之、个人学习效果次之，可归为“认真跟随者”类型；其他学习参与者归为“有待指导者”类型。

水库管理单位尝试采取征地的方式对土地进行确权划界，但近年由于国家实行最严格的土地保护制度，土地资源紧缺，征地补偿标准越来越高。

在本研究中，学习参与者的学习类型划分是在关系数据分析、计算中自然呈现出来的。如在点赞行为分析和反复修改行为分析中，均不依赖于教师的个人判断，而是通过学习参与者自身的学习行为，抓取数据进行分析，利用信息服务协同网络模型及其算法，直接求交集将学习参与者的潜在认真程度和学习效果分为不同类型。得出的分析结论更可靠，能够成为有效的参考依据。

结 论

本研究首次将信息服务协同网络模型引入电子政务实践教学信息化评价中，基于互联网上行为数据和信息，将学习参与者学习的“踪迹”进行记录，依据模型应用成功所需的Hits算法和DF算法，努力将学习参与者学习过程的若干典型学习行为的结构化和非结构化数据整合，并依据关系分析数学公式A∩B∩C求交集，对其进行关系分析，进而对学习参与者学习效果、潜在认真程度，进行诊断、反馈。这一对行为数据的多侧面分析，构成了教学的信息化评价，在评价过程中还发现一些具有普遍意义的学习行为特点和规律。这将有助于推动电子政务教学评价体系改革，进而为课程教学的改革提供参考意见。

【参考文献】

[1] 褚淑娟. 信息化教学模式下的高职公共英语评价体系的构建[J]. 课程教育研究,2016(7):37.

[2] 仇壮丽,何振,陈艳红,等. “电子政务基础”课程改革与电子政务应用型人才培养研究[J]. 档案学通讯,2011(3):55-58.

[3] 马小娟. 高校公共管理类专业电子政务课程教学改革探讨[J]. 山西经济管理干部学院学报,2015(3):83-86.

[4] Yang D，Sinha T，Adamson D，et al. “Turn on,turn in,drop out”：Anticipating student dropouts in massive open online courses[C/OL]. [2017-06-16]. http://lytics.stanford.edu/datadriveneducation/paper/yangetal.pdf.

[5] Ramesh A，Goldwasser D，Huang B，et al. Modeling learner engagement in Moocs using probabilistic soft logic[C/OL]. [2017-06-19]. http://lytics.stanford.edu/datadriveneducation/paper/rameshetal.pdf.

[6] 蒋卓轩，张岩，李晓明. 基于MOOC数据的学习行为分析与预测[J]. 计算机研究与发展,2015(3):614-628.

[7] (美)大卫·伊斯利，(美)克莱因伯格. 网络、群体与市场[M]. 李晓明,王卫红,杨韫利，译. 北京：清华大学出版社,2011:382-389.

[8] 龙怡. “互联网+政务”视域下G2C电子政务中信息共享的合作博弈研究[J]. 情报科学,2017(5):34-41.

[9] 钟柏昌. 计算思维的科学涵义与社会价值解析[J]. 江汉学术,2016(2):88-97.