他们会如何学习？——MOOC学习者特征及其行为分析

江 毅，王 炜，刘 艳

(新疆师范大学 教育科学学院，乌鲁木齐 830017)

一、引言

2019年，中国慕课大会召开，并发布了《中国慕课行动宣言》，受到了全世界的关注。越来越多的教育机构、教育工作者、研究者加入MOOC设计、开发和研究的行列，共同推动MOOC的可持续发展。同时，吸引了大量的学习者注册学习，他们往往兴趣不一、特征各异，表现出不同的学习偏好。通过对数据进行挖掘和分析，能够帮助理解MOOC的学习过程，为教师的教学决策和改进提供建议，也为学习者的自我调节和自我反思提供支持。[1]

以往的研究大多从人口学变量出发，结合学习者的注册、浏览、视频点击、发帖讨论、提交作业、在线考试、同伴互评、申请证书等学习行为进行分析。例如，王萍从性别、年龄、学历、国籍等方面分析了学习者的特征，并对注册人数、获取证书人数、视频点击次数、发帖次数等行为变量进行了描述统计。[2]刘三女牙等人则进一步分析了不同学习者浏览课程次数、活跃天数、点击视频次数等行为的差异。[3]也有研究采用聚类的方法来刻画学习者特征，结合具体学习行为，把学习者划分为特定的类别，[4]例如，Arora识别出了五类MOOC学习者，分别是不感兴趣者、临时学习者、执行者、探索者和完成者。[5]

通过这些分析，可以发现MOOC学习者的特征、学习行为，以及二者间的关系。这些研究更加关注人机交互和人际交互指标，对倾向性指标分析较少，例如，学习者参与MOOC的学习动机或目的。[6]也有研究指出，这些指标同样与学习者的学习表现密切相关，[7]在以往的研究中关注却并不多，有必要结合倾向性指标进行相关的分析和讨论，揭示不同的MOOC学习者如何开展学习。因此，本研究主要关注三个方面的问题：MOOC学习者的学习动机是什么？他们希望如何参与MOOC学习？又会有怎样的学习表现？

二、研究设计

1.数据来源

本研究使用的数据来自于美国的一个MOOC学习平台Canvas Network上传发布在Harvard Dataverse(哈佛数据库)上的信息，网址为https://dataverse.harvard.edu/。这些数据中包含十个学科门类，238门课程，共计325 199条信息，每条信息都代表着学习者的活动记录。[8]数据经过去身份识别(De-identification)处理，以保护用户个人隐私，最终保留24个有效列项。这些信息大致可以分为以下四类：

课程设置信息：包括课程ID、学科、用户ID、课程注册开始时间、课程学习开始时间、课程学习结束时间、课程最后访问时间、课程持续天数。

学习投入信息：包括注册、浏览、探索、成绩、成绩要求、完成度、课程要求。

学习者特征信息：包括选课原因、参与类型、预期每周学习时间、学历、年龄。

学习行为信息：包括浏览课程次数、浏览课程天数、访问模块数量、论坛发帖数量。

其中，学习者特征信息来源于问卷调查，由学习者在注册账号时或学习开始前填写，并与其在系统中产生的其他记录信息进行匹配。

2.相关变量说明

本研究用于分析的变量主要包括：选课原因、参与类型、浏览、探索、成绩、完成度、浏览课程次数、浏览课程天数、访问模块数量、论坛发帖数量。从数据字典可知，选课原因指的是学习者最初参与MOOC学习的原因或动机，参与类型指的是学习者预期自己参与的类型或方式。若学习者与课程互动至少一次，则“浏览”记录为1，否则为0；若学习者浏览课程模块(章节)超过50%，则“探索”记录为1，否则为0。成绩指的是学习者最终的课程得分，范围为0—1；完成度指的是课程要求的学习模块的完成程度，范围为0—1。浏览课程次数指学习者不同操作行为次数的累计，例如浏览页面；浏览课程天数指学习者当天浏览课程次数大于1的活跃天数；访问模块数量指学习者在课程学习中访问不同模块的数量；论坛发帖数量指学习者在论坛中发布帖子的总数。若学习者没有填写问卷信息，或没有发生某种行为，则相应地标记为缺失值，或记录为空值。

3.研究过程

采用Excel 2016对数据进行清洗，采用R 3.5.3进行可视化分析，采用SPSS 24.0对相关变量进行差异分析。由于原始数据中存在无效信息，需要进行数据预处理，获取有效的分析数据。

首先，排除仅注册但未参与课程学习的记录，即排除viewed=“0”(与课程没有任何互动)的记录，筛选后剩余79 475条信息。

其次，排除浏览课程天数为空值的记录，确保浏览课程天数至少为1，剩余73 696条信息。

最后，排除参与类型和选课原因为空值和缺失值的记录，最终获取12 602条数据信息。

三、结果分析

1.MOOC学习者特征分析

学习者的参与类型统计结果表明，四种参与类型的人数分别为：积极型(Active Participants)5 995人、消极型(Passive Participants)4 639人、偶尔型(Drop-Ins)1 106人、旁观型(Observers)862人。

积极型会主动参与课程学习，并完成规定的全部学习内容；消极型会按自己的计划参与课程学习，例如浏览页面、点击视频、参与考试，但不会严格按照教师的安排参与学习；偶尔型只学习他们感兴趣的课程，其他课程则不参与；旁观型会参与课程学习，浏览内容、点击视频、参与讨论等，但不会参与任何考试或评价。[9]

由此可见，约1/2的学习者认为自己能够主动完成课程要求的学习任务，约1/3的学习者希望根据自己的安排参与MOOC的学习，约1/10的学习者认为自己只会学习感兴趣的MOOC课程，另有少部分学习者认为自己只会参与学习，但不参与任何测验。

学习者的选课原因包括十种，主要可以划分为五类学习动机，分别是喜欢课程内容、工作技能需要、喜欢课程形式、满足好奇心、学校学习需要，详见表1。

表1 学习者选课原因的类别及人数

超过半数的学习者是出于对内容或话题的兴趣参与MOOC学习。这在以往的研究中也得到了验证，兴趣是学习者选修MOOC的基本动力。[10]其次，为了获取工作技能也是重要的学习动机，尤其是为了获得新的职业技能。再者，喜欢MOOC的学习形式以及满足好奇心也是部分学习者的学习动机，仅有少数学习者是为了升学或重返校园学习而选修MOOC课程。

整体而言，大部分的学习者最初参与MOOC学习都是自发的和兴趣驱动的，并且近乎半数的学习者认为自己能够积极地参与，完成课程要求的学习任务。尤其是希望通过学习感兴趣的内容，获取知识和技能。另一方面，学习者预期要达成的目的并不完全相同，参与类型也有所差异。部分学习者认为自己并不会全身心地参与学习，主要根据自己的时间和计划有选择地参与MOOC的学习。因此，同一门课程很难满足所有学习者的个性化需求，也很难保证他们的学习进度相同，这也成为教师有效设计和开展MOOC面临的难题。

2.MOOC学习投入分析

学习投入的信息来源于系统记录，通过数据的分析可以了解MOOC学习者的实际学习进度。首先，所有学习者都与课程进行了互动，但仅有209人的“探索”记录为1，访问课程模块的数量超过一半的人数极少，占比仅为1.66%。如图1所示，无论何种学习动机，记录为“0”的人数都远高于记录为“1”的人数。由此可知，几乎所有的MOOC学习者在实际学习过程中都只是有选择地学习内容模块。同时，这209人当中有94人的学习动机是学校学习需要，这说明有学历需要的学习者更倾向于按照教师的要求参与MOOC学习。另外，课程完成度大于0.5的记录仅有33条，记录为空值有10 548条。总体而言，MOOC学习者的实际投入度较低，大部分没有完成规定的学习任务。

其次，从成绩的得分情况来看，获得高分的学习者并不多，如表2所示。其中，共有2692个空值，也即没有获得成绩。约1/2的学习者成绩得分在0—0.5之间(不含0.5)，约1/6的学习者成绩得分在0.9以上(含满分1分)。综合来看，学习者的课程成绩与学习投入之间并没有必然的联系。其原因可能是学习者可以反复提交测验和考试结果，保留最佳的成绩，或者在考试时查阅相关资料，便能获得较好的成绩。因此，以MOOC学习者的成绩作为考核标准时需要考虑更多的问题，[11]例如，课程成绩直接来源于期末考试，或者来源于平时成绩、作业成绩、互评得分等综合测评，对研究的分析和结果会造成不同的影响。

表2 学习者得分情况分布

最后，为了进一步了解学习动机与成绩之间的关系，利用R语言制作学习者得分的概率密度图，如图2所示。其中，x轴表示得分情况(从0到1)，y轴表示得分出现的概率，由此，可以了解在高分或低分段，哪类动机的学习者出现的可能性更大。从中可知，喜欢课程内容的学习者在0.9—1.0得分段出现的可能性最大，也即是他们更容易获得高分；工作技能需要的学习者在0.5—0.8得分段出现的可能性最大，也即他们的成绩较为良好；学校学习需要的学习者在0.4以下得分段出现的可能性最大，也即他们的成绩往往不够理想。综合分析来看，喜欢课程内容和工作技能需要的学习者对MOOC课程的内容感兴趣，或者已有一定的基础，因此，理解和掌握学习内容的更加容易，考试成绩也更加理想。而学校学习需要的学习者，尤其是即将步入大学的高中生，往往是学习新的知识，因此，即便他们在浏览课程模块方面表现较好，也按要求完成了规定的学习任务，但成绩并不见得理想。

3.MOOC学习行为分析

从表3的数据来看，MOOC学习者浏览课程的行为出现最为频繁，最高达到72 013次；参与课程学习的天数较少，均值仅有4—7天；访问不同模块和论坛发帖的行为也较少，平均每天访问的模块在1—3个左右，平均每天发帖的数量不到1条。这说明MOOC学习者主要表现出浏览页面或点击视频等个人的学习行为，较少与他人进行互动。这显然不利于学习者的知识建构，也难以提高学习者的学习效果。[12]因此，教师在设计和开展MOOC时需要引导学习者参与论坛的互动交流和讨论。

表3 不同类型学习者的学习行为信息

从参与类型来看，在四种行为上表现最好的都是积极型，其次是消极型和偶尔型，最后是旁观型，这也符合对学习者类型的界定和描述。

利用R语言制作学习行为的散点图，可视化呈现不同类型学习者学习行为的分布情况。由于访问课程次数存在极值，不利于图形的呈现，因此，采用scale函数对y轴坐标进行标准化处理，并对四种行为的散点图进行叠加，如图3所示。从中可知，在浏览课程次数上，除偶尔型外，其余三种类型的学习者都出现了极大值，尤其是消极型，甚至高于积极型。但从散点的分布来看，基本呈现积极型>消极型>偶尔型>旁观型的趋势。在其他三种行为上，也基本符合这一趋势。不过，结合表3来看，消极型和偶尔型之间的差别并不明显，偶尔型甚至在某些方面表现更好。

为了分析学习者学习行为的差异，以及验证其差异是否显著，采用SPSS对四种行为分别进行单因素方差分析。首先，进行方差齐性检验，判断不同类型的学习者之间是否存在差异，检验结果见表4。从中可知，浏览课程次数的显著性大于0.05，未达到显著水平。因此，对浏览课程次数进行Tamhanes检验，对其余三种行为进行LSD检验。

表4 不同类型学习者学习行为的方差齐性检验

通过事后多重比较，对差异检验结果进行整理归类，结果如表5所示。从中可知，在浏览课程次数上，积极型>消极型>偶尔型>旁观型，但仅积极型和偶尔型、积极型和旁观型之间存在显著差异。在浏览课程天数上，积极型>消极型>偶尔型>旁观型，除消极型和偶尔型之间不存在显著差异外，其余各种类型之间都存在显著差异。在访问模块数量上，积极型>偶尔型>消极型>旁观型，除消极型和偶尔型之间不存在显著差异外，其余各种类型之间都存在显著差异。在论坛发帖数量上，积极型>消极型>偶尔型>旁观型，但仅积极型和其他三种类型之间存在显著差异。

总体而言，积极型的行为表现明显优于其他类型的学习者。消极型和偶尔型在任何行为上都不具有显著差异。甚至在访问模块上，偶尔型的表现更好。因此，可以认为二者之间并不存在实质性的差异，这种差异产生的原因可能只是来源于学习者的数量(前者是后者的四倍)。相较而言，旁观型在各方面表现都不够理想，尤其是在访问课程天数和访问模块数量上，与其他三种类型的学习者都具有显著差异。

表5 不同类型学习者学习行为的差异检验

四、结论与建议

1.主要发现

第一，从学习动机来看，大部分学习者出于对MOOC内容的喜欢而参与学习，希望获取感兴趣的知识或工作技能。这些学习者更加容易获得高分，但他们并没有按要求参与课程学习。学校学习需要的学习者只占极少数，学习投入度也较高，但学习成绩却不够理想。

这种矛盾背后的原因可能来源于两个方面：其一，MOOC考试的形式较为自由，可以多次提交考试结果，也可以在考试时查找答案，因此，成绩不能直接反映学习投入。其二，喜欢MOOC内容的学习者已经具备相关的知识，容易获得高分；而学校学习需要的学习者缺乏一定知识基础，需要得到更多的学习支持服务，否则很难得到高分。

第二，从参与类型来看，大部分学习者认为自己会积极参与学习，只有少数学习者认为自己是旁观者。积极型在MOOC中表现更好，其参与度显著高于其他类型的学习者。无论是访问课程次数、访问模块数量、论坛发帖数量，还是课程学习天数，积极型都表现得更好。消极型和偶尔型的学习行为没有呈现显著差异，二者的参与度基本相同，都是根据自己的兴趣和计划参与课程学习。而旁观型在各方面的表现都不够理想，尤其是访问模块数量和访问课程天数，明显低于其他类型的学习者，学习投入度偏低。

第三，从学习行为来看，学习者主要发生了浏览课程的行为，在其他方面表现不够理想。学习者在课程开始前的对自己的预期投入和实际的学习过程并不相符，他们并没有按照课程要求参与其中，完成不同模块的内容学习。对于大多数的MOOC学习者而言，学习投入度并不理想，课程完成度非常低，主要是根据兴趣有选择地浏览课程，并不会参与所有课程模块的学习。尤其是论坛发帖方面，学习者很少参与其中，几乎不与他人进行交互。

2.反思建议

第一，重视课程内容，提供个性化学习支持服务。尽管成绩、完成率、作业、测验、评价等功能十分重要，但更多的是帮助教师检验学生的学习效果，对学习者的帮助可能并不大。而论坛能够给学习者提供更多的帮助，但由于使用率过低，并没有发挥其应有的作用。MOOC学习者更多的是出于对课程内容和主题的兴趣，或者技能提升的需要而参与学习。因此，课程内容本身的质量尤为重要，直接关系到学习者是否继续参与学习。[13]另一方面，一旦课程内容不足以留住学习者，例如，内容太难，而学习者又无法获得更多相关的信息，便容易发生辍学的现象。此时，提供个性化的支持，例如，借助微信、QQ等社交媒体进行实时交流，可以更好地吸引学习者，改善MOOC高辍学率的问题。

第二，提前了解学习者特征，有针对性地开展分流教学。MOOC学习者参与学习的目的多样，表现出的行为也各不相同。例如，单纯出于兴趣的旁观浏览者并不会考试，也就不适合参与需要获取证书的MOOC课程。[14]同时，MOOC学习具有自发性和短期性，不适合进行单一的计划和预期。教师可以在课程开始前进行初步的调查，了解学习者参与MOOC的动机和原因，以及预期的时间和精力投入等，根据学习者的不同特征，对其进行差异化教学。例如，旨在提升工作技能的学习者并不一定需要参与MOOC课程的测验和考试，只需要完成视频观看即可。而对于有学历认证需求的学习者，尤其是学习过程可能存在困难的学习者，教师则需要详细规定学习的内容和要求，甚至还需要进行一定的督促和干预。通过分流教学的方式，教师便可以集中精力关注特定的学习者。

第三，平台设计综合考虑教与学的需要。MOOC更多的是以一种非正式学习的形式呈现，学习者参与其中最主要的目的大多是获得快感和满足于兴趣。目前而言，平台功能在支持教的方面做得越来越好，例如，视频学习中嵌入随堂测试、推送课程公告和订阅提醒等。MOOC教学越来越倾向于班级化管理，有助于教师推进教学进度。但值得反思的是，平台功能在支持学的层面却进展缓慢。尤其是论坛未能很好地发挥作用，大部分学习者只能通过学习视频来发现自己感兴趣的内容。但要了解更多相关的内容时，平台相关的功能却不够完善。因此，可以考虑附加弹幕功能来增强用户的体验，激发学习者参与学习的动机。[15]还可以设计推荐功能，向学习者推送相关的课程内容。由此，综合满足教师教与学生学的需要。