基于MOOCs的学习行为分析与研究

包佃清 苏 文

（1．连云港师范高等专科学校，江苏 连云港 222006；2．连云港职业技术学院，江苏 连云港 222006）

1 引言

大规模开放在线课程（Massive Open Online Courses，MOOCs）是加拿大教育学家George Siemens和Stephen Downes最先提出的，之后快速风靡全球。MOOC将优质的教育资源通过网络传递到全世界。Coursera是全球最大的MOOC提供商之一，目前已经开设了1100多门课程，在全球拥有1500万用户[1]。除了Coursera平台，还有很多的优秀平台，如edX、Canvas、Udacity等，这些平台的快速崛起，掀起了在线教育的热潮。

在我国也有很多优质的教学平台，如中国大学MOOC、超星泛雅、学堂在线、智慧树、MOOC学院等，极大地促进了我国在线教育的发展。截至2020年9月，我国在线MOOC人数已超过3.4万人，学习人数达到5.4亿人，大部分高校承认MOOC平台的学分。中国MOOC学习的学生人数为1.5亿人，居世界第一[2]。

2 MOOCs学习方式的缺点

在线教育方式与传统教育方式在很多方面是不同的。比如，教育对象不同、教育目的不同、教育方式不同等等。传统教育方式下，教师实地教学，可以直观地观察学生的学习状态、各种行为、面部表情包括动作等。教师通过自身教学经验，就可以对学生状态进行综合分析评估，识别出学生存在的学习风险，并且及时做出有效干预。而在线教育方式下，老师、学生、场景、时间等各种不确定的因素，导致在线学习具有非实时交互的特征。在这种教学环境下，教师不能及时观察到学生的实时状态，这样学生就会产生不一样的学习行为，其学习情感也不一样，最终的学习效果自然也不一样。未来研究MOOCs学习行为与情感将是在线教育一个热点。

虽然在线开放课程吸引了众多的用户，但是不可否认的是其存在三个方面的问题：课程的辍学率高、学习效果不理想、学习目标完成度不高[3]。在线开放课程环境下的学习，对部分学生来说是比较宽松、和谐的。这就导致这部分同学课程学业不能按时完成，学习效果也不理想，有些课程只有少部分学生完成教学内容。比如，斯坦福大学在Coursera平台上开设的机器学习课程，有效用户数约为6万名学生，但是最终只有约0.5万名学生的课程成绩为理想，仅有到10%的用户完成目标，约4万名学生的成绩为零分，最后剩下的学生只有成绩，效果不理想[4]。所以，研究在线开放课程学生的学习行为和情感倾向显得尤为重要。本文将对作者主持的在线开放课程，利用平台统计分析学生行为和情感倾向，最终目的是改善学习效果，提高学习效率。

3 MOOCs的学习行为分析

通过采集中国大学MOOC（爱课程）和超星泛雅（学习通）这两个在线开放课程平台中的样本，进行分析、计算得到用户学习行为数据。在这两个学习平台中获取内容包括：用户注册基本信息、用户使用平台记录、用户选课信息、用户课程成绩、用户课程学习记录、用户测试记录、用户参与讨论记录等情况，这些样本经过计算机处理，得到课程用户学习行为数据。数据处理工具采用Python，数据获取来自爱课程、学习通后台导出内容。

利用中国大学MOOC这个网络教学平台，面向全国学生开展线上教学，在线用户数达到5546余人，这个用户数不包含我校在校学生，学生学习数据分析如表1所示。

表1 中国大学MOOC（爱课程）数据分析

同时也利用超星泛雅这个网络教学平台，开展线上教学，在线用户数达到12102余人，如表2所示。

表2 超星泛雅（学习通）数据分析

选课人数含退选数量，累计参加指学习人次，视频、文档、富文本均指累计学习人次，单元测验、单元作业、考试指每位学生参加一次。

研究在线开放用户学习行为特征，要从获取的用户基本信息入手，分析用户选课时间、在线学习时间、视频浏览时间、参与讨论时间等方面，如表3所示。

表3 学习行为数据分析

从用户选课时间可以看出用户参与课程学习的积极性和活跃度。通过数据分析得出，选择该课程的用户人数从注册到主动学习时间比较接近，说明用户活跃度很高。活跃度也和上下学期有一定的关系，还和课程考核的要求密不可分。从数据分析可以看出，用户为了最后课程的考核，参与学习的状态。

课程用户在线时间为15周，每周5课时，每课时40分钟，学完课程共需75课时，含测试时间。从统计的数据可以看出，用户学习该课程花费时间的平均时间为1252分钟，最长学习时间为3000分钟。大部分用户每节课在线学习时间30分钟，没有达到规定的学习时长，这里也可以认为大部分用户都没有将课程学习完整。

在线开放课程中视频学习时间占据大部分，所以研究视频学习数据，对于研究学习行为至关重要。通过对用户在线学习观看视频的数据进行计算机处理，得到有效数据。用户视频学习数据分析包括观看次数、平均观看时长、最长观看时长、最短观看时长等方面。通过总体视频数据分析得到了，用户观看平均次数为51次，最大观看次数为294次，最小观看次数为0。这个数据表明，大部分用户视频学习基本完成，有少部分用户在反复学习，极少部分用户没有参加视频学习，对这些视频学习效果很差的用户，要找出原因，帮助其有效学习。

在参与课程讨论数量方面，从统计的数据中提取用户参与讨论有效内容，包括发布的主题数量、参与主题的数量、标记精品主题数量等方面，可以看出，主动发帖的均值为0.31，参与发帖的均值为12.42，发帖精品量为0.02。这些说明在线开放课程学习过程中，大多数用户不会主动发帖，也不会参与其他用户的发帖，发帖精品率更是少得可怜。在线开放课程用户对于学习的课程相关的帖子，一定程度上对课程内容学习有着很大的促进作用。参与其他用户帖子，也能够加强学习内容的巩固，参与发帖的数量能表明课程内容的热度，对于课程建设者强化课程教学内容有着重要的意义[5]。

从上述分析得出，影响学生持续学习因素主要有两个方面：（1）课程考核机制及学分认定制度；（2）在线开放课程视频质量认可度。在考核机制中影响持续学习的主要因素是学习时长，其次是对在线课程的重视程度也会影响持续学习的状态。在线学习过程中学习者对于学习内容也会影响其持续学习的体验感，其中学习视频的认可度最为关键，其次是从众现象也会主导一部分学生的学习状态。

4 对策建议

在线开放课程能够有效弥补传统课堂的不足，并与传统课堂结合形成线上线下混合式教学模式。通过以上分析在线开放课程中影响学习者持续学习的因素，有利于帮助在线开放课程的研究者和建设者优化在线开放课程的设计内容，提升在线学习效率。基于上述分析，提出以下策略：（1）在网络教育体制下优化教学内容，设计与之相对应的考核机制，通过多元化的教学内容匹配多元化的激励措施，保证学习者能够保持学习的持续性。（2）加强网络环境下学习者的人文修养建设，提高学习者对社会热点问题的关注度，加强在线学习者的文化素养交流、专业知识交流，提高学习持久性。

5 结语

随着在线开放课程在全世界的高速发展，深入研究用户的学习行为、情感倾向内容显得尤为重要，用户的学习特征将会影响其课程学习的最终效果，也是提高其学习成绩的有效手段之一。本文通过分析在线开放课程中的部分数据，研究在线课程学习过程中辍学率高、学习效果不理想、学习目标完成度不高等原因，得出在线开放课程中影响用户学习的行为特征，并给出合理化的建议，这对在线开放课程后续的建设有着重要的意义。