在线学习注意力投入特征与学习完成度的关系

李爽　郑勤华　杜君磊　王双

摘要：学生在线学习的注意力控制问题将成为制约高校学生在线学习质量与效率日益突出的问题。该文基于典型高等教育开放在线学习场景案例课程12463名注册学生的点击流数据，从多元需求视角考察了在线学习者的学习注意力投入与其学习方式和完成度的关系。研究首先从内容访问、任务参与和绩效表现三个维度定义出多元学习需求的五个学习完成度指标作为聚类特征，最终发现五种在线学习模式，即系统学习型、绩效驱动的测试型、全面视听型、选择视听型、访客型。之后，考察了各学习模式下学生的注意力投入基本特征、分配特征与转移模式，发现不同学习模式下学习注意力特征的共性与差异;最后，采用循环神经网络LSTM-RNN方法构建学习完成度相关预测模型，发现带有投入特征向量的学生注意力转移序列能较好预测学生多方面的学习完成度。相关结果为兼顾多元学习需求的在线学习服务体系设计和学生支持提供依据。该文最后讨论了研究结果并对“后疫情”时代高校在线教学改革与质量提升提出相关建议。

关键词：在线学习模式;多元学习需求;注意力投入;注意转移序列学习完成度预测

中图分类号：G434 文献标识码：A 文章编号：1006-9860（2021）02-0105-08

一、引言

2020年新冠病毒疫情引发了一场全球教育的大规模在线迁移，这场全覆盖的在线教学实践创新为师生和管理者积累了宝贵的在线教学经验，彰显了在线教学的优势，也暴露出在线教学的一些问题。其中，在开放灵活的网络环境下学生难以有效控制其学習注意力成为人们对在线学习的主要担忧之一。

注意力是心理活动或意识对一定对象的指向与集中，是人类一切活动取得成效的重要条件。注意力控制是影响学习的认知因素之一，包括注意力分配与注意力转移两种认知模式。注意力帮助个体将有限的认知资源分配到目标上，经过协调将认知资源重新定向到最需要它的地方，注意力转移则反映出个体在学习中的思维过程。大量文献讨论了互联网环境对人类注意力机制的影响，指出注意力在充斥各种资讯信息的网络时代成为一种稀缺资源，容易分散与耗散，引发新的认知问题。网络环境对学习注意力投人的影响也逐渐引起教育领域关注，并发现学生在线学习存在的一些注意力叠加与涣散问题。随着各种组织形态线上线下融合创新的教学成为“后疫情”时代高校教学新常态，学生在线学习的注意力控制问题将成为制约高校学生在线学习质量与效率日益突出的问题。鉴于此，考察各类在线教学情境下学习注意力的投入特征与规律，并基于此探索促进学生更好控制学习注意力的有效策略是高校推进疫情后教育改革亟待关注的重要课题。

学生点击页面产生的具有时序特征的点击流数据隐含了学生学习的页面序列、学习偏好与方式等丰富信息，揭示了学生在网络课程空间中注意力的指向、集中、耗散与流转路径，是探索在线课程学习注意力投人特征的重要依据。已有学者基于点击流数据对学生在线课程学习注意力的投入特征进行了有益探索。如CUO等人基于edX四门MOOC课程中的视频点击流数据分析了学生在视频学习的注意力分配规律。Li等人从关注活动多样性、学习持续性和内容覆盖性对MOOC学生的注意力分配特征进行了考察。Zhang等人探索了MOOC学生的集体注意力分配与流模式。还有些学者考察了点击流数据对学习绩效的预测作用，发现点击流数据能够较好预测在线课程学习的完成度、坚持性和学习成绩。然而，整体上点击流数据蕴藏的丰富信息仍然尚未被充分挖掘，尤其基于点击流数据对在线学习注意力投人特征的研究整体有限，不同在线学习场景下学生会如何分配、集中、转移他们的注意力，存在哪些注意力投人共同特征与差异，注意力投入特征揭示了学生的哪些在线需求与学习方式偏好等问题都亟待更多实证研究。

疫情后高校必然走向常态化的混合式教学，在传统面授课程的基础上，整合在线教学是教育改革创新的重要着力点，因此，本研究将通过挖掘高校开放在线学习课程数据，基于点击流数据探索学生在线学习的注意力投人特征与差异，检验在线学习注意投入特征对课程学习完成情况的预测作用，以期为相关在线学习服务体系设计和学生支持提供依据。

二、研究设计

（一）研究问题

本研究旨在以高等教育开放在线学习典型场景MOOC为例基于点击流数据考察在线学习注意力投人特征与课程学习方式和完成度的关系，具体研究问题如下：

（1）从多元学习需求视角，在线学习者具有几种学习模式，不同模式体现了学生怎样的学习需求定位？

（2）不同在线学习模式下，学生学习注意力投人特征是什么，主要分配在哪些资源与活动中，转移模式是什么，是否存在差异？

（3）在线学习者的学习注意力投人特征能否有效预测学生课程学习多方面的完成情况？

（二）研究思路与方法

已有研究表明，相当比重的MOOC学生只是对课程内容和资源感兴趣，而不是获得课程证书22。鉴于此，本研究综合内容资源兴趣和学习结果两类需求探索MOOC的学习模式。根据MOOC学习特征和数据可获得性，研究从内容访问、任务参与和绩效表现三个维度选取了五个在线学习完成度指标（如表1所示），即章节覆盖率、视频完成率、测试完成率、作业完成率、是否参加期末考试，以这五个指标作为特征变量，通过K-means聚类算法挖掘MOOC学习的典型模式。

在聚类分析基础上，本研究综合统计分析与滞后序列分析进一步对以上发现的不同课程学习模式下学生在各类课程页面的注意力分配与转移序列相关特征进行考察。最后，研究采用近几年较受欢迎的长短时记忆神经网络（LongShort-TermMemory，LSTM）3124，这是一种特殊的循环神经网络（RecurrentNeuralNetwork，RNN）模型。研究基于课程页面的点击流数据，以页面类型和页面停留时间构建课程页面的向量，通过该向量对点击序列的每个页面进行映射，形成LSTM的输人数据，进而分别构建五个学习完成度指标的预测模型，探索MOOC学生在线学习注意转移特征对课程学习多方面完成情况的预测作用。

（三）研究数据与处理

研究数据来自清华学堂在线平台（xuetangx.com）2018年3月发布的一门为期11周的MOOC课程。课程采用典型的xMOOC教学方法，课程教学按周推进，前10周每周学习一个章节并安排章节作业，最后1周组织课程期末考试。本课程成绩总分100分，作业成绩和期末考试成绩各占50%，课程成绩在50分以上即为合格，可获得课程证书。学生主要通过学习教学视频、做自测的方式进行学习，也可以查看教师在Wiki发布的资源，在论坛与师生互动、讨论问题。本研究分析的点击流数据来自该课程具有完整日志记录的12463名注册学生，共计9295704条日志记录。如表2所示，根据课程平台前端页面和课程日志记录分析，研究将学生点击的页面类型定义为九种。该页面分类是本研究考察学生注意力投入特征以及构建LSTM预测模型的依据。

三、研究结果

（一）在线学习模式

为挖掘课程学习的多元典型模式，研究将章节覆盖率、视频完成率、测试完成率、作业完成率、是否参加期末考试五个完成度指标作为特征指标，采用K-means聚类方法对12463名课程注册学生进行聚类，通过比较轮廓系数，研究最终选取五类的聚类结果（如表3所示），轮廓系数为0.667，分类效果较为理想。ANOVA检验显示五类学生群体在五个完成度指标上都呈现出显著差异（p《0.001），可知这五类能够体现在线学习者在五个完成度指标上的不同特征，如图1所示。

五类学习者中，第五类占比最多，达到75.2%，该类学生在五个完成度指标上都表现较差，平均访问章节内容只有5.9%，很少看視频，很少交作业，几乎不做测试，几乎无人参加期末考试。可见，该群体更像浏览课程的访客，故被定义为访客类学生。

占比第二的群体是第三类（17.8%），这类群体似乎对课程证书也不感兴趣，几乎不参加考试。可是，该群体相比访客类学生表现出对课程部分内容的兴趣，章节覆盖率达到40%，他们偏爱视频学习，视频完成率达到30%，但是测试和作业完成率仅在10%左右，故将其定义为选择视听型学生。

第四类学生人数占比第三（4%），呈现出对课程内容和视频资源的较大兴趣，他们访问了课程绝大部分章节，视频完成率在五类中最高，且期末考试参与率达到40%。从这类群体较低的测试和作业完成率来看，可知这类学生更偏爱基于视频的学习，故研究将其定义为全面视听型学生。

剩下两类学生学习绩效表现突出，属于强绩效型学生，可是他们在内容访问、任务参与和作业完成上呈现出差异。占比2.5%的第二类学生在五项指标上整体表现突出，他们较为全面地访问了课程内容（88%）与视频资源（92%），并完成了绝大部分测试题（88%），作业完成率高达95%，考试参与度为84%。研究将其定义为系统学习型学生。占比只有0.5%的第一类群体虽然具有五类中最高的考试参与率（97%），但是他们只选择完成了不足50%的测试和作业，章节访问率均值只有31%，且很少看视频资源（8.0%），据此推测这类群体具有较好学习基础，选择课程旨在高效获得课程证书，学习以做测试和作业为主，研究将其定义为绩效驱动的测试型学生。

根据五类群体在各项完成度指标的表现，可大致分析出课程学生的学习需求定位。章节覆盖率和视频完成率体现了学生对课程内容资源的兴趣，测试、作业和参加考试三个指标则主要体现了学生对课程绩效的重视程度。研究将绩效需求与内容资源兴趣作为课程需求象限的X轴和Y轴，根据五类学生的人数及其相应指标均值绘制出课程学生学习需求分布图，如下页图2所示。下页图2中五个圆代表了五类学生，圆的直径大小代表学生人数，圆在需求象限的位置体现了各类群体的学习需求定位。由下页图2可知，绝大部分在线学习者集中在课程需求象限的低需求空间，学生对内容资源的兴趣整体大于课程证书。

（二）不同在线学习模式下注意力投人特征

1.注意力投人基本特征

为考察注意力投入基本特征，研究定义了五个注意力投入特征指标：登录时长考察学生课程学习注意力的保持，由每次登录时长均值表征;点击序列长度体现了学习中注意力转移的频次，由每次学习点击频次均值表征;页面多样性考察学生每次学习关注的资源、信息、任务多样性，由学生每次登录访问的页面类型数均值表征;页面停留时长考察学生注意力在页面的保持，由每次登录时单个页面的停留时长均值表征;内容访问量考察注意力在章节内容上的分配，由学生每次登录访问的小节ID数均值表征。五类学生的上述指标及其登录次数和活跃周情况统计如表4所示。

结果显示绝大多数学生在有限的上线时间中会同时访问多个学习内容，单个页面停留平均时长不足半分钟，考虑到其中还包括视频播放时间，页面空间停留时间整体较短;系统学习型最为活跃，学习注意力保持时长与转移频次均最高，关注的内容和页面类型也最丰富，单个页面停留时长低于两类视听型学生;两类视听型学生注意力保持水平整体较高，在页面停留时长上也表现突出，尤其全面视听型学生的页面停留时长几乎是其他类型的两倍，这与其专注视频观看有关。选择视听型学生注意力转移较为频繁，且注意力会分配在更多类页面和内容上，这与其具有较强自主学习需求有关。为寻找感兴趣的内容或资源他们会浏览更多类页面和内容;测试型学生的活跃度指标和时长指标虽位居第四，但其页面多样性和内容访问量却较为突出，这可能因为该群体主要基于做试题学习，为寻找试题答案会访问更多页面和内容;访客型学生活跃度最低，五个指标分值也都最低，是注意力投人最低的学生群体。

2.注意力分配特征

如表5所示，为进一步考察注意力分配特征，统计五类学生每次登录在九类页面的点击频次（F）、时长占比（P）与单个页面停留时长均值（T）。结果显示：五类学生在线学习的注意力都主要分配在视频页面。相比之下，两类强绩效型学生，尤其测试型学生，会将更多注意力分配在其他类页面，尤其在测试和作业页面的分配较为突出，体现了其较强的绩效需求。剩下三类，95%以上的注意力都分配在视频页面;五类学生在视频类页面的T，值显著高于其他类页面，而其他类页面的T，都不足1分钟。五类学生尽管在E、Q、F三类页面的整体注意力投入较低，但是三类页面的T，值却相对较高，表明五类学生在访问这三类页面时都消耗了更多认知资源，其中全面视听型学生在Q和E类页面的T，值最高，测试型学生在F类页面的T，值最高。

3.注意力转移模式

研究采用滞后序列分析挖掘五类学生的注意力转移模式。首先，分别统计五类群体每次登录课程在各类页面间的跳转频次，形成九类页面间的点击序列频次表。然后，在点击序列频次表的基础上计算每个序列发生频次的Z分数，获得残差表。选取Z分数大于+1.96的点击序列，这些序列就是相应类学生上线学习时出现概率达到显著性水平的页面点击序列，据此绘制五类学生的注意力转移模式，如图3一7所示。

结果显示，测试型学生的显著序列最多（p《0.05），共六个，即V-V、Q-Q、V-Q、Q-V、XP-V、V-XP。系统学习型学生除了Q-V之外，其他五个序列出现频次也都达到了显著性水平（p《0.05）。这两类群体的注意力流转模式较为相似，如图3和图4所示。其中，V类和0类页面的自我跳转Z值最高，表明两类群体都比较专注于视频和自测活动。V-XP和XP-V两个序列显著意味着两类学生都倾向于在有更多选择的学堂页面寻找视频资源。两类群体都出现了V-0的显著序列，不同的是测试类学生的Q-V序列也显著，再次印证了两类群体学习方式的差异，即系统学习型学生主要采用先学（看视频）后测（做自测方式学习，测试型学生则是基于测试的问题驱动式学习。

选择视听型和访客型学生的注意力转移模式较为相似，都存在三个显著序列，即V-V，V-XP，XP-V，且V-V的Z值最高，可见这两类群体也存在更专注于视频类页面以及在更开放的学堂空间而不是课程空间寻找和播放视频的注意力投人特征。这两类群体缺少V类与Q类页面相互转移的显著序列，可见他们缺乏解题训练对所学知识的巩固或迁移，并对是否掌握视频知识点并不十分在意。全面视听型群体的注意力转移模式较为单一，只存在V-V的显著序列，体现了该群体高度专注于视频观看这类输人性学习的特征。

（三）注意力转移序列对学习完成度的预测

研究将学生样本按照4：1的比例划分为训练集（9894人）和测试集（2569人），采用循环神经网络LSTM-RNN方法，将学生点击产生的页面序列以及初始化的两个页面特征向量一页面类型和页面停留时长，作为输人，分别构建五个学习完成度指标的预测模型。基于训练集200次迭代训练后，选取最好模型，获得五个学习完成度的预测模型，五个模型对测试集数据预测的R、MSE和AUC如表6所示。

由表6可知，学生在课程学习期间在各类页面的注意力投人特征与转移序列可以较好预测MOOC的多种学习完成度。預测变量为连续变量的前四个学习完成度预测模型的R2在0.413-0.768之间，趋于1，MSE在0.012-0.007之间，趋于0，预测效果较好。如果按照一个阈值（如》=0.5）将相关预测看作相应学习是否完成的分类问题，那么这些模型的AUC值也较为理想，在0.979-0.966之间，接近于1。此外，注意力转移时序数据对学生是否参加考试的预测力也较高，AUC达到0.905，如果将其看作一个回归问题，那么相应R2和MES值显示该模型也能较好解释测试数据。

四、总结和讨论

（一）基于高校MOOC的在线学习体现出多元学习需求

本研究综合内容资源兴趣和绩效需求发现五类在线学习模式，揭示了学习者的多元化学习需求与诉求。与已有研究相似[25][26]，本研究也发现在线学习者中有相当比重的视听型学习者，他们对课程内容与视频资源更感兴趣，主要通过看视频进行学习。这类人群在本研究中又进一步分为目的性较强的选择视听型和更依赖课程安排的全面视听型两类。两类群体虽然都更关注内容和资源，但后者存在一定程度的绩效需求，二者的注意力投人特征也存在差异。此外，旨在获得课程认证的强绩效型学生也存在两类群体：一类是根据教学安排循序渐进的系统学习型学生，另一类是以针对性刷题为主的测试型学生。后者具有更好学习基础，他们为高效获得课程证书，往往选取不熟悉章节，以测试和作业为抓手进行应试型学习。然而，课程绝大部分学习者属于尝鲜性访客型学生。他们对课程抱有好奇，却缺乏强烈或明确的学习动机，尚未做好学习准备，在浏览少量内容后便离开课程。

（二）在线学习注意力分配严重不均且存在涣散和失焦隐患

研究表明，学生在课程资源与活动的注意力分配上普遍存在分配不均的问题，较大比重的注意力被分配在视频页面中，只有少数绩效型学生会分配一定比重的注意力在其他类学习页面中。此外，绝大部分学生在单个课程页面空间的注意力保持整体有限，学生经常在有限时间内访问多章节内容，且喜欢在拥有更多选择的平台空间而不是课程空间寻找和访问视频资源。这些特征不禁令人担忧学生在线注意力失焦和专注力低下。学生倾向于在开放、非线性空间中不断跳转寻找资源，但可能缺乏专注度，并没有认真学习每个资源。开放、非线性的课程空间结构对学习可能是把双刃剑，虽提供丰富资源、支持灵活认知，但某种程度上也会消耗学生的认知资源并影响深度学习发生[27]。因此，如何优化课程空间与资源设计提升注意力投人质量、强化注意力管理等网络认知素养与自主学习能力培养是未来在线教学需要关注的重点。

（三）在线学习注意力投人强度和投入模式差异显著

研究发现不同需求与学习模式下学生学习注意力投人存在差异：系统学习型和全面视听型学生学习能够保持较长时间，平均达到40分钟左右。后者由于学习以观看视频为主，其平均页面停留时长表现更加突出;目的性较强的测试型和选择视听型学生为寻找所需资源会呈现出注意力更多元的分配和更频繁的跳转特征;与已有研究结果相似[28]，强绩效驱动的两类群体相比其他三类更关注课程其他资源和活动;注意力转移模式揭示出相较于弱绩效型学生，强绩效型学生在学习中普遍具有更深层次的认知加工活动，他们会利用测试题检测或驱动学习。相关结果为个性化在线学习设计与支持服务提供了启示和依据。

（四）注意力投人特征序列能够预测在线学习方式与完成度

学生对不同类页面的访问体现了他们对课程不同内容、资源和活动的兴趣与学习方式，而页面点击流数据隐含了学生注意力在各类课程页面的分配与流动信息。研究将学生点击产生的页面序列以及体现学习偏好与投人的两个页面特征向量作为输人，所构建的基于注意转移序列的五个学习完成度预测模型都具有较高的准确度。可见，学生注意力在课程页面的注意转移序列与投人特征不仅能够预警学生是否辍学，还能够细化预测学生在线学习的多方面完成情况，包括所访章节覆盖率、视频完成率、测试完成率、作业提交率、是否参加考试等，为教师提前识别学生多元学习兴趣和需求、预测学习方式与相关完成度提供依据。这为针对性引导和个性化支持提供了新思路。

五、启示与建议

本研究以高等教育典型开放在线学习场景MOOC课程为例从多元需求视角考察了在线学习者的学习注意力投人与其学习方式和完成度的关系。研究定义出多元学习需求的完成度指标，通过案例课程的数据挖掘发现MOOC学习存在系统学习型、绩效驱动的测试型、全面视听型、选择视听型、访客型等五类学习模式。之后，进一步考察了各学习模式下学生的注意力投人基本特征、分配特征与转移模式，发现不同模式下学习注意力特征的共性与差异，在此基础上，构建出学习完成度的预测模型。研究虽只是对一门课程数据的深人探索，但数据挖掘结果有足够的现实意义，为下一阶段高校MOOC建设、在线教学改革和质量提升提供了启示。

（一）强化在线学习质量标准建设，以投人指标为核心建设微观可监测标准体系

目前关于在线课程的质量标准存在着较为泛化、主观性较强、可操作性和及时反馈性较弱等问题。本研究发现基于点击流数据挖掘的注意投人特征能够较好评估学生的学习状态，并预测学习绩效。我们建议在进一步研究的基础上，提取以多层次、多维度学习投入为核心的学习过程关键特征，表征学生在宏观课程空间、中观活动空间和微观页面空间的学习状态及其动态演变，形成可实时监测、反馈与干预的在线学习质量标准体系，在不断的实际应用迭代中予以优化，从而为在线学习的状态和结果监测提供全方位科学高效的支撑。

（二）加强学生自主学习能力与相关网络认知素养培养，促进在线学习有效发生

本研究发现学生的在线学习注意力投人特征揭示出学生自主学习能力与相关网络认知素养的缺失。作为影响在线学习发生的关键因素，自主学习能力和相关网络认知素养的培养和提升是下一阶段高等教育在线学习变革的重要着力点。我们建议改变完全意义的“视频+练习”的通用学习模式，强化学习情境、学习活动与学习反馈的设计，将自主学习能力和良好网络接触习惯、注意力管理等網络认知素养培养作为重要因素，在课程各环节渗透相关支持策略，关注并支持学生对学习时间、内容、活动和结果的自我调节，通过促进学生与课程环境的充分互动、提供及时反馈，引导其逐步提高其网络素养与自主学习能力，以适应这种新型学习方式，提升在线学习质量。

（三）强化智能技术应用，以适应性的学习服务应对多元化学习需求

高等教育中对在线课程的学习需求存在多样化特点，正如本文所发现的，在线学习者不仅是目标需求的多元化，还有学习时间、学习投人、学习方式、学习评价等各类需求的多元化。单靠大规模的教师资源投人解决适应性学习服务和学习支持，自然难以满足此类诉求，而需要强化数据挖掘等智能技术的应用。在线学习与传统学习发生在不同的环境中，基于学习发生的场景，可以利用平台记录的客观行为数据和状态数据构建相关算法模型，从教育学规律和数据聚合两个角度相向而行，构建具有科学性和可行性的技术模型支撑对在线学习的评价、诊断、预测、干预，形成适应性、智能化学习服务体系，以应对多元化学习需求。

总之，新冠肺炎疫情下，中国大规模在线教育已经成为全民参与的新时代学习模式的社会实

践。正如教育部高等教育司司长吴岩在2020年5月14日教育部新闻发布会上所说：“我们再也不可能、也不应该退回到疫情发生之前的教与学状态。”“互联网+”教育将成为我国下一个阶段教育变革的核心着力点，也是学习方式变革的重心。因此，挖掘在线学习的基础规律促进有质量的学习发生就有了极高的理论和现实意义。本研究期望能够为兼顾多元学习需求的在线学习服务体系设计提供依据和支持。

参考文献：

[1]彭聃龄.普通心理学（修订版）[M].北京：北京师范大学出版社，2001.[2][4]严薇薇，旷小芳等.基于深度学习技术的注意力转移模式的挖掘——以二语学习者的眼动数据为例[J].电化教育研究，2019，40（8）：30-36.

[3] Miller，M.D.Minds online：Teaching effectively with technology [M]. Cambridge，MA：Harvard University Press，2014.

[5] Athreya B H，Mouza C.Thinking skills for the digital generation：The development of thinking and learning inthe age of information [MJ.Swi tzerland：Springer，2017.97-98.

[6] Greenfield，S.Minds change：How digital technologies are leaving their mark on our brains [M].New York：Random House，2015.

[7]马秀麟，苏幼园等.移动学习环境中注意力保持及学习行为控制模型的研究[J].远程教育杂志，2018，36（2）：56-66.

[8] Brown S G，Tenbrink A P，LaMarre G.Performance while distracted： The effect of cognitive styles and working memory [J Personality and Individual Differences，2019，138（Feb）：380-384.

[9] Xiao，X ，& Wang，J.Understanding and detecting divided attention in mobile mooc learning [A].ACM.Proceedings of the 2017 CHl Conference on Human Factors in Computing Systems [C].New York： Association for Computing Machinery，2017.2411-2415.

[10] Kop R..The Challenges to Connectivist Learning on Open Online Networks：Learning Experiences during a Massive Open Online Course [J].International Review of Research in Open & Distance Learning，2011，12（3）：19-38.

[11] Li S，Tang Q Zhang Y.A Case Study on Learning Difficulties and Corresponding Supports for Learning in cMoocs [J.Canadian Journal of Learning and Technology，2016，42（2）：1-25.

[12]楊斌.充分释放“抗疫红利”推进教育改革创新[J].清华大学教育研究，2020，41（3）：1-5+33.

[13][21] Montgomery A L，Li S，Srinivasan K，et al.Modeling online browsing and path analysis using clickstream data [J].Marketing sience，00404.4）：579-595.

[14] cU0，Philip J：KIMJuho;RUBIN，Rob.How video production affects student engagement：An empirical study of Mooc videos [AJ.ACM. Proceedings of the Ist ACM Conference on Learning at Scale [CJ.New York：Association for Computing Machinery，2014.41-50.

[15[8][23] Li S，Wang SJei Du J，et al.The Characteristics of Attention Flow of MoOC Students and Their Prediction of Academic Persistence [A.Lin L.Proceedings of 2019 8th International Conference of Educational Innovation through Technology [C].New York：Institute of Electrical and Electronics Engineers Inc，2019.91-98.

[16][27] Zhang JJLou X，Zhang H，et alModeling collective attention in online and flexibleleamingenvironments [J-DistanceEducation，2019.40（2）：278-301. [17] S.Crossley，L.Paquette，M.Dascalu，D.S.MeNamara，and R.S.Baker. Combining click-stream data with NLP tools to better understand mooc completion [A].ACM.Proceedings of the sixth intermational conference on learning analytics & knowledge [C].New York：Association for Computing Machinery，2016.6-14.

[19][24] Okubo F， Yamashita T，Shimada A，et alA neural network approach for students' performance prediction [A].ACM.Proceedings of the Seventh International Learning Analytics & Knowledge Conference [C].New York：Association for Computing Machinery，2017.598-599.

[20] Waheed H，Hassan S U，Aljohani N R，et al.Predicting academic performance of students fomn VlLE big data using deep leaming models J.Computers in Human Behavior，2020，104（Mar）：1-13.

[22] Kizilcec R FPiech CSchneider E.Deconstructing disengagement：analyzing leamer subpopulations in massive open online courses [AJ.ACMProceedings ofthe third intemational conference on leaming analytics and knowledge [CJNew Yok：ssociation for Computing Machinery，2013.170-179.

[25]王梦倩，范逸洲等.MOOC学习者特征聚类分析研究综述[J].中国远程教育，2018，（7）：9-19+79.

[26]张媛媛，李爽.MOOC课程资源访问模式与学习绩效的关系研究[J].中国远程教育，2019，（6）：22-32+93.

[28] de BarbaP.G.，Malekian D..Oliveira E.A.Baile J，Ryan T.& Kennedy G.The importance and meaning of session behaviour in a massive open online course [J].Computers & Education，2020，146（Mar）：1-18.

作者简介：

李爽：副教授，博士，研究方向为在线学习投入、在线学习支持。

郑勤华：教授，博士生导师，研究方向为教育大数据与学习分析技术。

收稿日期：2020年5月20日

责任编辑：赵云建