慕课学习完成者的学习效率及其群体差异性研究

陈长胜 刘梅 沈书生 徐振国

【摘要】      慕课学习者的学习效率提升是保证学习成功率的关键，但以往研究对慕课学习完成者的学习效率和群体差异性还缺乏有效考察。文章以1，388名慕课学习完成者为研究对象，通过构建9个学习投入指标和3个学习产出指标，运用Kmeans聚类算法确立了学习者集群，选用数据包络分析法（Data Envelopment Analysis），并以输出导向的CCR模型、BCC模型和超效率模型测算了学习者的学习效率及群体差异性。研究结果表明：完成慕课的学习者可以分为勤奋收获者和打卡体验者;慕课学习完成者也普遍存在学习效率不佳的问题;两类学习者在学习效率和学习投入贡献率上均存在组间差异，论坛回帖频次对学习者的学习效率的贡献率最大。文章提出了改进慕课学习者学习效率的策略建议，以期激发慕课的潜在价值，提升慕课学习者的学习效率。

【关键词】  慕课;学习者;学习效率;数据包络分析法;学习体验;在线学习;学习行为分析;学习投入;学习产出

【中图分类号】   G434         【文献标识码】  A       【文章编号】  1009-458x（2021）10-0039-10

一、引言

如何让慕课学习者获得预期成果和良好的学习体验是终身教育必须面对的问题。然而，慕课所形成的高度开放自主的在线环境，极易在学习者中引发缺乏时间认知、交互行为滞后等学习危机（王改花， 等， 2019），对他们的时间管理和努力调节成为新的挑战（如认知迷航、认知超载、动机不足等），影响其在线学习效率的保持（de Barba， Malekian， Olivei ra， Bailey， Ryan， & Kennedy， 2020）。学习效率是学习过程实现的结果与获得这种结果的过程中学生所付出的时间和精力之间的对比关系，即产出与投入之间的对比关系（陈佑清， 2012）。已有研究表明，提高学习效率对强化学习者学习体验、发挥课堂潜在价值具有重要作用（Kolb， 2014）。高效的学习不仅能激发学习者个人的学习动机，强化其特定的学习风格和持续的参与行为（Eisenberger， Pierce， & Cameron， 1999），还能够为非成功者（如辍学者、低效者）提供可参考的学习经验和行为信息（Ramesh， Goldwasser， Huang， Daume， & Getoor， 2014; de Barba， Malekian， Olivei-ra， Bailey， Ryan， & Kennedy， 2020）。因此，学习效率分析可以激发在线课程的潜在价值，从而帮助学习者在学习过程中做出更好的决策（杨现民， 等， 2016）。

基于以上分析，本研究拟采用聚类和数据包络分析法（Data Envelopment Analysis，DEA）对慕课学习完成者的学习效率及其群体差异性进行探索，为激发慕课的潜在价值，提升学习者尤其是低效率学习者的学习效率提供参考。

二、文献综述

国内学者主要聚焦在线学习视域下学习效率的特征描述与教学应用。以在线学习效率的特征为视角，何善亮（2010）认为学习效率是增进学习结果和强化学习体验的基础。卢紫荆等（2019）以英国开放大学的学生为研究对象，分析了有效学习者和非有效学习者的分布与特征。以在线学习效率的影响因素为视角，鲍平平（2007）通过CCR模型测算成人学生的在线学习效率，发现学习动机、学习策略是影响网络学习效率的关键因素。杨等（Yang， et al.， 2019）采用关联规则方法研究情绪对学习效率的影响，发现积极的情绪更能促进学习效率提升。以在线学习效率的教学应用为视角，姚纯贞等（2009）对英语课程开展实验研究，发现对学生网络学习行为的优化能促进学生对认知策略和社交策略的积极使用，从而提高他们的自主学习能力和学习效率。

国外学者拓宽了在线学习效率研究的视域，更多关注不同学习模式下学习者的学习效率差异性，以及对学习效率影响因素的探讨。以在线学习效率的群体差异为视角，有研究者（Singh， et al.， 2012）探究了在线学生与线下学生的学习效率的差异，发现在线学生的课程得分、学习水平和满意度等学习产出显著高于线下学生。加尔布雷斯等（Galbraith， et al.， 2014）研究美國在职学生的职业倦怠与在线学习效率的关系，发现职业倦怠在一定程度上会降低在职人员的学习效率。斯米尔利斯等（Smirlis， et al.， 2019）基于贝茨（Bates）的ACTIONS模型和DEA方法，分析了混合式学习设计对学生学习效率的潜在影响，认为学习效率是一种教学设计的总体预期表现。以在线学习效率的影响因素为视角，约翰（John， et al.， 2016）认为在线学习效率很大程度上取决于课程内容的相关性和学习者的参与度，提出通过构建开放的社会学习系统实现学习者特征与学习内容匹配，促进学习者的互动和参与。克泽齐等（Kizilcec， et al.， 2017）的研究发现动机调节对在线学习效率具有重要价值，学生自主学习策略能够预测他们的学习行为和学习目标。

国内外学者的研究为理解学习者的在线学习状态和体验提供了理论参考。然而，既有研究多关注慕课参与者的行为表现和学习效率，且大多是针对学习者个体的描述和分析，缺少关于慕课学习完成者及其群体差异性的系统分析，致使高效学习者的学习经验无法有效提炼和示范应用，影响了以在线学习效率为视角评价学习质量和课程价值的效度。可见，研究慕课学习完成者的学习效率及其群体差异性，对深入理解完成者学习行为与动机、重构在线学习环境和提升在线学习体验具有重要的应用价值。

三、研究设计

（一）研究问题

本研究旨在归纳慕课学习完成者的群体特征，以此测算并评价他们的学习效率，挖掘不同学习者群体的学习效率差异性。基于此，本文提出以下3个研究问题：

1. 慕课学习完成者的学习表现和学习结果具有怎样的群体特征？

2. 慕课学习完成者的学习效率具有怎样的特征和分布？

3. 慕课学习完成者的不同群体在学习效率及其贡献率上具有怎样的差异性？

（二）研究对象与数据来源

本文研究对象是选修中国大学MOOC“信息化领导力”的学习者。之所以选择该课程，主要基于以下考虑：一是该课程的授课对象为学校管理者和教学人员，属于在职人员，以之为研究对象有利于为终身学习者提供有价值的结论;二是该课程的学习模块完善、数据字段丰富、行为数据全面。截至2017年11月，该课程的注册总人数为32，244，其中1，388人完成课程考核。为了获得更具推广价值的研究结论，本文选择完成课程并获得成绩的1，388名学习者为分析对象，以期通过对他们的学习效率进行测算和群组分析，为非成功者（如辍学者、低效者）提供可参考的学习经验和行为信息，为课程开发和学习服务提供参考。数据采集时间为2016年4月7日至2017年11月7日，研究数据主要是平台记录的学习者点击流日志记录和成绩表，包括注册数据表、行为日志表、成绩汇总表等3个数据表格，行为记录563，795条，人均406.2条。从性别结构来看，男性631人（45.5%），女性504人（36.3%），性别项缺失253人（18.2%）。从年龄结构来看，27人为18岁至24岁（1.9%），793人为25岁及以上（57.1%），568人年龄项缺失（40.9%）。从成绩分布来看，不及格748人（53.9%），及格与良好310人（22.3%），优秀330人（23.8%）。

（三）研究方法

首先，使用Kmeans聚类算法挖掘学习者的不同行为模式，并统计各群体的行为特征及组间效应量，以此回答研究问题1。然后，使用DEA方法测算学习者的整体学习效率及其差异，以此回答研究问题2和3。

DEA方法是1978年由美国著名运筹学家沙尔内（Charnes）和库珀（Cooper）提出，该方法的典型模型包括CCR模型和BCC模型（成刚， 2014）。由CCR模型计算得出的效率称为综合效率，若综合效率值为1，则称决策单元DEA有效;若综合效率值小于1，则称决策单元非DEA有效。而BCC模型排除了规模的影響，由此计算得出的效率值称为纯技术效率。针对DEA有效的决策单元的效率高低无法区分的问题，有研究者提出了超效率模型。此外，由于DEA方法是一种相对效率的评价，因此存在投入导向和产出导向两种类型（成刚， 2014）。

近年来，DEA方法被国内外学者用来研究教育机构的效率评价问题。在此语境下，学生的学习过程被视为一种“投入产出”系统（Galbraith & Merrill， 2014）。以慕课学习为例，一门慕课的所有学习者为一个同质组，每一名学习者可以视为一个决策单元;学习者的学习效率受到学习者个人属性、学习技术和努力调节等因素影响。技术效率主要源于学习者对学习技术的掌握和运用，包括学习策略、学习方法和时间管理技能等（Kizilcec， Pérez-Sanagustín， & Maldonado， 2017）。规模效率主要源于学习者的努力程度，包括在线学习的参与度和坚持性（John， Thavavel， Jayaraj， Muthukumar， & Jeevanandam， 2016）。本研究将利用产出导向的CCR模型、BBC模型和超效率模型，测算慕课学习完成者的综合效率、纯技术效率、规模效率、规模效率变化趋势及超效率值等。将DEA模型的输出指标意义映射到在线学习情境下，本文约定：若综合效率为1，则称学习效率有效;若综合效率小于1，则称学习效率非有效。规模效率不变（Constant）的学习者，按比例增加投入会保持效率值不变，其投入增加比例即超效率评价值;规模效率递增（Increasing）的学习者，适当增加投入能得到相对较高比例的产出效益增量;规模效率递减（Decreasing）的学习者，投入的增加只能得到相对较小的产出效益增量。若学习效率非有效且纯技术效率为1，则学习投入产出效率已经达到最佳，但努力程度不够;若学习效率非有效且纯技术效率不为1，则学习投入产出效率较差，并且努力程度也不够。

（四）研究过程

首先，采用系统点击流编码规则对研究数据进行编码，并进行编码有效性检查。有研究认为，视频讲座、论坛和评估是慕课的基础学习资源，分析学习者在这些组件中的活动能集中反映他们在学习过程中的行为（Kahan， Soffer， & Nachmias， 2017）。因此，本文选取学习者浏览微视频和课件的频次、参与测验和论坛的频次、论坛发帖频次5个变量，以及浏览微视频和课件的时长、参与测验和论坛的时长、论坛参与时长4个变量，作为在线学习的投入变量。鉴于本课程考核由课程讨论（30%）、单元测试（20%）和单元作业（50%）三个部分构成，因此选取过程考核分数、期末分数和论坛被赞次数3个变量作为产出变量，研究变量的编码方案如表1所示。然后，在数据预处理的基础上，采用Kmeans聚类算法对学习者的行为特征进行聚类分析，并结合分析结果定义慕课学习者的类型，阐述不同类型学习者的特征差异。最后，采用DEA方法中的CCR模型、BCC模型和超效率模型对学习者的学习效率进行系统测算，并在此基础上，研究不同学习者群体在学习效率及其贡献率上的差异性，提出改进策略。

四、研究结果与分析

（一）慕课学习完成者的聚类分析

本研究使用R语言及其开发环境RStudio运行聚类算法，结果表明样本特征的最佳聚类数目为2，算法的轮廓系数为0.32，说明聚类效果较好（根据：Kaufman & Rousseeuw， 2009），因此可以将慕课学习者分为两类。为评估行为投入和产出的组间差异，根据聚类变量的类型进行描述性统计和单因素方差分析，结果如表2所示。

两组学习者之间在各变量上均存在0.01水平上的显著差异，并且除参与论坛次数（0.04）和参与论坛的时长（0.03）具有小的效应量外，其他变量具有中等的效应量（0.07～0.51），说明聚类变量能够很好地解释两类学习者的显著差异。从学习行为投入来看，第一类学习者的各项投入指标均值都高于第二类学习者，并且前后两组在投入指标上的均值比达到2.3～6.3。例如，参与论坛频次为5.1，说明第一类学习者的整体参与度和坚持性更好。从学习产出来看，两组学习者在各产出指标的均值比达到了2.2～5.4。例如，论坛被赞频次是5.4，说明第一类学习者的学习收获更多。继续考察两类学习者的人口变量差异，发现两类学习者在性别和年龄结构上不存在差异。综合以上分析，本文将第一类学习者定义为勤奋收获者，将第二类学习者定义为打卡体验者。

（二）慕课学习完成者的学习效率分析

1. 测算指标构建

由于本研究中学习者的学习环境、学习投入方式和学习产出类型基本相同，符合DEA决策单元必须同质性的要求，因此将每个学习者视为一个决策单元。本文以前文表1所示编码方案来构建慕课学习完成者的学习效率测算指标体系。在此基础上，对数据进行预处理，以符合DEA方法的约束条件，包括：对课程数据进行筛选，删除输入或输出全部为零的指标;通过皮尔逊相关分析检验输入和输出指标的关联程度。分析发现：不存在输入或输出全部为零的指标，投入和产出指標存在正向相关（r值介于0.06至0.98之间），因而无须删除样本;被决策单元数量不少于投入和产出指标数量的乘积，并且决策单元数量不少于投入和产出指标数量的3倍。由此可见，本文构建的指标体系和数据特征均符合DEA方法的要求，可以进行慕课学习完成者的学习效率分析。

2. 测算结果解释

（1）学习效率分析

本研究利用DEA方法的产出导向的CCR模型、BBC模型和超效率模型，通过MaxDEA软件运算得到1，388名学习者的综合效率、纯技术效率、规模效率、规模效率变化趋势和超效率值等。部分慕课学习者学习效率如表3所示。综合效率为1的学习者133人，占总数的9.58%;综合效率低于1的学习者1，255人，占90.42%。这说明仅有少量的慕课学习完成者的学习效率达到了有效，这些学习者的学习产出增加的比率等于学习投入增加的比率，但大多数慕课学习完成者的学习效率未达到有效，还有很大提升空间。继续对133名学习效率有效的学习者进行超效率分析，可以发现他们的规模效率变化趋势和再排序。如表3所示，学习者DMU1273的综合效率为1，规模效率不变，超效率值为1.592，排序为2，表示该学习者即使学习投入再增加59.2%，仍然可以在所有学生中保持相对有效。整体来看，该部分学习者的超效率值的平均值为1.077，标准差为0.148，说明学习效率高的学习者在超效率值上波动性较小，该部分学习者若继续增加学习投入，仍然能够保持理想的学习效率。

进一步分析学习效率非有效的学习者的纯技术效率和规模效率趋势。在学习效率非有效的1，255人中，纯技术效率有效（纯技术效率=1）218人，占比17.37%，这些学习者的投入产出效率已经达到最佳，但规模效率并非最大，说明学习者的学习技术的掌握和应用很有效，但仍需要加强努力程度。既非纯技术效率有效也非规模效率有效的学习者共1，037人，占比82.63%，这些学习者的投入产出效率较差，并且规模效率也较小，说明他们需要进一步掌握并有效应用学习技术，同时加强努力程度。此外，从超效率模型测算结果来看，在学习效率非有效的1，255名学习者中，规模效率递增（Increasing）的学习者207人，占比16.49%;规模效率递减（Decreasing）的学习者933人，占比83.51%。

（2）学习效率非有效的学习者的目标改进

为定量评价学习效率非有效的学习者的改进空间，可以根据DEA方法的投影定理，得到从非有效状态转为有效状态的松弛改进值（目标值-实际值）。在内涵和表示方法上，投入和产出指标的松弛改进值有所不同，投入指标的改进值表示在保持现有产出的情况下应减少的投入值，用负号表示，即保持原有学习结果的情况下，将非有效学习者的学习投入消减到目标值后，学习者的学习效率将变为有效。如表4所示，DMU116学习者在论坛参与频次、微视频和课件浏览频次、论坛和测验参与时长等学习投入指标上存在过剩的现象（目标值<原始值），但测验参与频次、微视频和课件浏览时长、论坛回帖频次等学习投入指标相对较好（目标值=原始值）。产出指标的改进值表示在保持现有投入不变的情况下应增加的产出值，用正号表示，即在保持原有学习投入的情况下，将非有效学习者的学习结果增加到目标值后，学习者的学习效率将变为有效。如表4所示，DMU116学习者的过程考核成绩、期末成绩和论坛被赞频次等学习结果存在不足（目标值>原始值），说明还存在一定程度的提升空间。

（三）慕课学习完成者学习效率的组间差异分析

1. 学习效率的组间差异分析

学习效率的组间差异能够反映不同学习者群体面临的学习问题。为此，进一步对两组学习者的学习效率进行对比分析，以期为不同学习者群体精准施策提供参考依据。独立样本t检验结果显示，两组学习者（G1：勤奋收获者;G2：打卡体验者）在综合效率上存在统计学上的显著差异（t=9.245，p=0），并且勤奋收获者的效率均值（M=0.76，SD=0.426）高于打卡体验者（M=0.53，SD=0.499）;两组学习者在纯技术效率上也存在统计学上的显著差异（t=12.394，p=0），并且勤奋收获者的效率均值（M=0.886，SD=0.165）高于打卡体验者（M=0.734，SD=0.286）。两类学习者的综合学习效率比例分布如图1（上）所示，在勤奋收获者中，学习效率有效的占比7.8%，非有效的比例为92.2%;在打卡体验者中，学习效率有效的比例为10.9%，非有效的比例为89.1%。两类学习者在综合效率和纯技术效率的比例分布呈现以下特征：综合效率值低于0.1和介于0.6～0.9区间时，勤奋收获者所占比例高于打卡体验者;综合效率值介于0.2～0.5区间时，勤奋收获者所占比例低于打卡体验者。两类学习者的纯技术效率比例分布也呈现出类似的差异性，如图1（下）所示。以上说明，高行为投入、高学习产出的学习者在学习效率上并不都是最佳，也就是说即使一个学习者的学习结果较好，他也可能是一个低效的学习者。相反，低行为投入、低结果产出的学习者在学习效率上并不都是很差，他也可能是一个高效的学习者。以上发现可以为激发慕课学习者的学习潜力、有的放矢地实施个性化指导提供参考依据。

2. 学习效率非有效学习者的组间差异分析

为挖掘学习效率非有效学习者的发展潜力，本文尝试从学习效率有效的学习者的学习技术应用以及努力调节经验中获得启发，进一步对两类学习者中学习效率非有效的学习者对比分析。独立样本t检验结果显示，学习效率非有效的学习者之间存在显著的组间差异（t=20.392，p=0<0.01），并且勤奋收获者的效率均值（M=0.869，SD=0.17）高于打卡体验者（M=0.592，SD=0.259）。但在所有学习效率非有效的学习者中，打卡体验者的纯技术效率有效比例为27%，远远高于勤奋收获者4.9%。这说明在打卡体验者中有大量学习者的学习技术应用是非常有效的，只是他们努力不足因而无法实现综合效率有效，当他们达到一定的努力程度后就有望实现综合效率有效。

此外，两组学习者中既非纯技术效率有效也非规模效率有效的人数众多，这些学习者的学习效率很差，并且规模效率也较小，这可能与他们的学习技术掌握和应用不当、努力程度较差均有关。即便如此，从规模效率变化趋势看，这些学习者的学习效率仍然存在改进空间。对两组中此类学习者的规模效率进行卡方检验结果显示，χ2=93.886，p=0<0.01，表明规模效率与分组显著相关，结果如表5所示。其中，有0.6%的勤奋收获者和5.4%的打卡体验者呈现规模效率递增，说明这些学习者存在較好的发展潜力，适当增加学习投入量能够得到相对较高比例的学习结果增量。但是，还有96.3%的勤奋收获者和75.4%的打卡体验者呈现规模效率递减，说明这些学习者存在一定的学习困难，他们学习投入的增加只能得到相对较小的学习结果增量，教师需要重点关注该群体。概而论之，上述学习者都需要从掌握和应用学习技术、增加学习参与度和坚持性上下功夫。

3. 学习投入贡献率的组间差异分析

为探究各项学习投入对学习效率的重要程度，以此判断学习者对课程资源和学习任务的偏好，进一步分析投入指标权重的组间差异。对学习投入的指标权重进行独立样本t检验，结果表明，除参与测验时长和浏览微视频的频次2项指标权重不存在组间差异外（t=0.204，p=0.838;t=-1.652，p=0.099），参与论坛频次（t=-2.605，p=0.009）、参与测验频次（t=-4.5，p=0）、参与论坛时长（t=-5.031，p=0）、浏览课件频次（t=-4.632，p=0）、浏览微视频时长（t=-12.895，p=0）、浏览课件时长（t=-14.388，p=0）和论坛回帖频次（t=-19.287，p=0）7项指标权重存在显著的组间差异。投入变量的权重曲线如图2（上）所示，除了参与测验时长外，打卡体验者的其他各项指标权重均显著高于勤奋收获者，并且论坛回帖频次在两组指标的权重最大。这说明，勤奋收获者更加倾向于通过参与测验的时间投入（如深入思考题目、重复提交等）来提升自身的学习效率;相比勤奋收获者，慕课中的各类课程资源和学习任务对打卡体验者学习效率的价值更加突出，综合该类学习者普遍较低的行为频次和时长，这似乎验证了他们倾向于“体验”慕课的偏好。

五、研究结论与建议

（一）研究结论

本研究获得的主要结论如下：

1. 勤奋收获者与打卡体验者的行为模式具有明显差异

在行为模式方面，有学者（de Barba， et al.， 2020）的研究证实，成功的学习者在整个课程中会更频繁、花更长时间学习课程。与该结论相对应的是，本研究的勤奋收获者在课程各项资源和任务上的表现都很突出，他们行为的频次和累积时长的学习投入都高于打卡体验者，可以认为他们的学习积极性比较高、愿意持续努力的学习课程，具有“学有所成”的倾向。这与哈利勒等（Khalil， et al.， 2016）提出的优秀者也比较相似。与之相比，打卡体验者在课程各项资源和任务上的学习投入明显不足，他们行为的频次和累积时长都比较低，可以认为他们的学习积极性不高，不愿意持续努力地学习课程，具有“尝试体验”倾向。这与波尔胡伯等（Poellhuber， et al.， 2019）提出的阅读者类似，即他们会浏览较多的课程材料，但每次行为的停留时间有限。

2. 大多数慕课学习完成者的学习效率尚未达到最佳

本研究发现，90.42%的慕课学习完成者的学习效率未达到有效，学习投入增加比例不等于学习产出的比例。这一结论与加尔布雷斯等（Galbraith， et al.， 2014）对在职学习者学习效率的研究基本吻合。这说明即使学习者完成了课程学习并获得了最终成绩，他们的学习效率也不都是理想的，这其中隐藏的潜在问题可能会抑制学习者的能力发展和学习情绪，需要给予关注。从超效率规模来看，学习效率有效的学习者的超效率值波动较小，这与富恩特斯等（Fuentes， et al.， 2016）对西班牙大学生研究的结论不一致。这可能跟学习者的文化差异和职业状态有关，诸如此类的结论已经得到证实（Tsai & Huang， 2011）。学习效率非有效的学习者中处于规模效率递减的比例较大（83.51%）。这种情况可能跟学习者动机不足和低临场感有关，慕课构建的自由灵活、半监督的学习环境，容易导致缺乏师生承诺和对学习自由不正确的理解（Kolari， Savander-Ranne， & Viskari， 2008），进而出现认知迷航、动机不足等问题行为，使得他们的学习效率暂时处于非有效状态。

3. 勤奋收获者和打卡体验者在学习效率及投入贡献率上存在明显差异

本研究发现勤奋收获者在学习效率上并不都是最佳的，打卡体验者的学习者在学习效率上并不都是很差的，学习勤奋和高学习效率之间并不是对等关系。这很可能跟学习者的努力倦怠、社会关系特征和人口特征差异有关（Galbraith & Merrill， 2014），不过，本文的研究再次证实时间管理和努力调节是高效学习的关键要素。通过对学习效率非有效的学习者的对比分析，发现打卡体验者的纯技术效率有效比例为27%，显著高于勤奋收获者。这与南等（Non， et al.， 2016）的研究结论相一致，即缺乏耐心、努力不足的学习者往往成绩较差。这可能跟打卡体验者的学习技术应用非常有效而努力不足有关，他们不按照课程计划学习或者学习参与度低，因此可能影响其最终的学习结果。

从学习投入权重来看，论坛回帖频次在两类学习者行为投入中所占的权重最高，并且显著高于其他投入指标，这说明在论坛中积极回帖和参与讨论能够提高慕课学习的效率。这一结论与沃森等（Watson， et al.， 2017）对慕课中态度学习的观点相一致，即慕课的交互情境所构建的社会存在和教学存在能够促进学习者的目标实现。库克等（Cook， et al.， 2010）的研究也表明，提高反馈和互动性的教学策略通常会延长学习时间，并且也会提高学习效果。本研究还发现学习者浏览微视频和课件所占权重不高，这可能跟课件设计（刘智， 等， 2017）和讲解难度（高瑜珊， 等， 2017）不能适应教学培养机制或者不能激发学习者的学习兴趣有关。

（二）建议

1. 提高慕课学习者的学情监控能力

正如人类行为存在幂律分布现象一样（樊超， 等， 2011），慕课学习者的认知行为往往是非结构式存在的，认知序列模式往往是“渐进式”和“突发性”并存（刘智， 等， 2019）。为了使教师掌握学习者个体及群体的行为模式，加强学习者学情监控并深入理解学习动态成为未来学习分析研究的趋势（Ramesh， Goldwasser， Huang， Daumé， & Getoor， 2013）。对学习者来说，学情信息能够帮助他们了解自己和同伴的学习表现和潜在问题，并以此调整个人学习进度和时间分配;对教师来说，探索学习者个体和群体的学习效率及其概率分布，能够及时甄别影响学习者学习体验的要素，便于提供个性化的教学策略和学习支持。已有研究表明，学习者及时查看课程进度和评价结果的行为，可以促进学习者调整学习步调。因此，建议在教学中引入“学习仪表盘”和“进展视图”等学情可视化工具，让学习者能够清晰了解自身学习进度和学习结果，并且能够从同伴的学习表现中获得“外部激励”。例如，根据同伴的学习路径和学习日程表调整优化个人的学习节奏（王丽萍， 等， 2015; 王改花， 等， 2019）。

2. 增强慕课学习者时间管理技能和努力调节能力

慕课构建了高度开放自主的在线学习环境，实现自主学习需要学习者掌握一定的时间管理技能和努力调节能力（Broadbent， 2017）。良好的时间管理技能能够让学习者拥有合理的学习节奏，减少认知迷航等失调行为和负面情绪，将有限的精力投入到最具价值的学习资源和任务上。然而，由于学习惯性和网络经验的个体差异，学习者形成这种能力需要一个过程。有研究表明，教师引导、智能化导学或激励机制可以帮助学习者培养自我监控技能（Cho & Heron， 2015）。因此，教师可以在课前通过相关量表收集学习者时间管理风格的数据，对学习者的时间管理技能进行分析和归类，在此基础上借助平台设计课程章节、课程资源的参考学习时间。当学习者出现拖延行为和“突发性”行为后及时提醒，引导其合理分配学习时间;当学习者对某个资源或任务的学习时间超过设定阈值时，通过激发情境敏感的学习资源与学习路径推荐引擎，以有效降低学习者在线学习的时间成本，并且帮助其提高学习效率、增强学习兴趣、优化学习效果（吴笛， 等， 2017）。此外，建议平台增强个性化自适应学习支持，通过学习者自我反思和系统引导，促进其学习决策的科学性，从而促进知识意义的主动建构和高效学习。

3. 以奖励机制激发慕课学习者的学习动机

奖励策略可以作为激励学生进步和目标完成的要素，鼓励他们跟踪自己的学习过程和结果表现（Hamari， 2017）。当前，慕课已经形成了直接奖励和间接奖励为基础的奖励机制。大多数慕课采用徽章和积分等直接奖励对学习者的行为和结果进行强化，这为学习者感知个人进步、反思学习表现并以此调整自我学习节奏提供了有效信息。然而，有研究发现，延长作业提交的期限和优先获得教师的反馈等特权是学习者最看重的奖励形式（ODonovan， Gain， & Marais， 2013）。这种奖励具有间接性特征，其奖励形式结合了学习活动本身，更能满足学习者的学习需要。因此，建议教师在用好徽章、积分等直接奖励之余，在教学设计中重视依据学习进度设置拓展性资源、重复提交次数、延长提交期限、优先反馈权等间接性奖励机制。此外，建议慕课平台强化评价反馈机制，搭建功能完备的奖励信息推送与可视化模块。

4. 以论坛活动促进慕课学习者的高层次认知行为

研究发现，论坛话语行为能够促进学习者思维表达和知识加工，高层次认知行为多出现在积极参与者的互动话语中，消极参与者往往缺乏高层次的认知交互（刘智， 等， 2019）。本研究的权重分析也得到了类似的结论，即论坛回帖频次比其他学习投入对学习效率的贡献度更大。因此，在慕课教学中团队应重视辅导教师主持讨论并及时答疑解惑，既要满足打卡体验者的需要，还要更多引入开放式问题讨论，以问题为导向激发勤奋收获者自主探讨意识、反思性学习和高阶思维能力。

六、结语

本研究为慕课学习辍学者和低效者提供了可参考的学习经验和行为信息。研究中还存在一些不足。其一，本文研究数据采集于中国大学MOOC平台的一门课程，并且采集时间节点为2017年以前，在案例典型性和數据的新鲜程度上似有不足。但从外观数据上看，2016年至2017年的数据研究结果与2018年后慕课学习完成者的学习效率外观表象基本一致，说明研究结论同样适用，在以后的研究中还可以对此进一步验证。其二，本文提出的策略建议仅与课程团队进行了沟通与确认，并没有在慕课教学中实际使用，在后续研究中需要通过教学实践进一步验证。

[参考文献]

鲍平平. 2007. DEA在网络学习相对有效性评价中的应用[J]. 现代远程教育研究（6）：65-68.

陈佑清. 2012. 论有效教学的分析模型[J]. 课程·教材·教法（11）：3-9.

成刚. 数据包络分析方法与MAXDEA软件[M]. 北京：知识产权出版社：2014.

樊超，郭进利，韩筱璞，等. 2011. 人类行为动力学研究综述[J]. 复杂系统与复杂性科学（2）：5-21.

馮佳昕. 2014. 基于DEA的高校实验教学中心建设绩效评价[J]. 实验技术与管理（10）：156-160.

高瑜珊，汪琼. 2017. 教师教学能力提升类MOOC的探索与实践[J]. 电化教育研究（10）：124-128.

何善亮. 2010. 论有效教学的实践建构[J]. 课程·教材·教法（5）：22-28.

刘智，王亚妮，郑年亨，等. 2017. 高校 SPOC 环境下学习者行为序列的差异性分析研究[J]. 中国电化教育（7）：88-94.

刘智，杨重阳，柴唤友，等. 2019. SPOC学习者认知行为及序列模式的差异性分析[J]. 开放教育研究（2）：44-52.

卢紫荆，刘紫荆，郑勤华. 2019. 基于DEA的在线学习者学习效率评价[J]. 开放学习研究（2）：30-38.

王改花，傅钢善. 2019. 网络学习行为与成绩的预测及学习干预模型的设计[J]. 中国远程教育（2）：39-48.

王丽萍，赵蔚，魏久鸿，等. 2015. 开放性社会学习者模型的研究进展视图[J]. 现代远程教育研究（2）：104-112.

吴笛，李保强. 2017. 基于情境感知的学习资源关联分析与推荐模型研究[J]. 中国远程教育（2）：59-65，80.

杨现民，王怀波，李冀红. 2016. 滞后序列分析法在学习行为分析中的应用[J]. 中国电化教育（2）：17-23

姚纯贞，王红成，赵惠. 2009. 网络环境下学习行为优化与学习效率——一项基于大学英语网络教学的实证研究[J]. 教育研究与实验（3）：68-70.

Broadbent， J. （2017）. Comparing online and blended learners self-regulated learning strategies and academic performance. The Internet and Higher Education，33： 24-32.

Cook， D. A.， Levinson， A. J.， Garside， S. （2010）. Time and learning efficiency in Internet-based learning： a systematic review and meta-analysis. Advances in Health Sciences Education，15（5）：755-770.

de Barba， P. G.， Malekian， D.， Oliveira， E. A.， et al. （2020）. The importance and meaning of session behaviour in a MOOC. Computers & Education， 146： 1-18.

Eisenberger， R.， Pierce， W. D.， Cameron， J. （1999）. Effects of reward on intrinsic motivation - Negative， neutral， and positive： Comment on Deci， Koestner， and Ryan . Psychological Bulletin，125（6）： 692-700.

Fuentes， R.， Fuster， B.， Lillo-Ba?uls， A. （2016）. A three-stage DEA model to evaluate learning-teaching technical efficiency： Key performance indicators and contextual variables. Expert Systems with Applications， 48： 89-99.

Galbraith， C. S.， Merrill， G. B. （2014）. Academic performance and burnout： an efficient frontier analysis of resource use efficiency among employed university students. Journal of Further and Higher Education， 39（2）：255-277.

Hamari， J. （2017）. Do badges increase user activity？ A field experiment on the effects of gamification. Computers in human behavior， 71： 469-478.

John， B.， Thavavel， V.， Jayaraj， J.， et al. （2016）. Design of Open Content Social Learning That Increases Learning Efficiency and Engagement Based on Open Pedagogy. Turkish Online Journal of Educational Technology-TOJET， 15（1）： 20-32.

Kahan， T.， Soffer， T.， Nachmias， R. （2017）. Types of participant behavior in a massive open online course. International Review of Research in Open and Distributed Learning： IRRODL， 18（6）： 1-18.

Kaufman， l.， Rousseeuw， P. J. （2009）. Finding groups in data： an introduction to cluster analysis. John Wiley & Sons.

Khalil， M.， Ebner， M. （2016）. Clustering patterns of engagement in Massive Open Online Courses （MOOCs）： the use of learning analytics to reveal student categories. Journal of Computing in Higher Education， 29（1）：1-19.

Kizilcec， R. F.， Pérez-Sanagustín， M.， Maldonado， J. J. （2017）. Self -regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & education，104： 18-33.

Kolari， S.， Savander-Ranne， C.， Viskari， E. L. （2008）. Learning needs time and effort： a time-use study of engineering students. European Journal of Engineering Education，33（5-6）： 483-498.

Kolb， D. A. （2014）. Experiential learning： Experience as the source of learning and development. New Jersey：FT press.

Non， A.， Tempelaar， D. （2016）. Time preferences， study effort， and academic performance. Economics of Education Review，54： 36-61.

ODonovan， S.， Gain， J.， & Marais， P. （2013， October）. A case study in the gamification of a university-level games development course. In Proceedings of the South African Institute for Computer Scientists and Information Technologists Conference （pp. 242-251）.

Poellhuber， B.， Roy， N.， Bouchoucha， I. （2019）. Understanding Participants Behaviour in Massively Open Online Courses. International Review of Research in Open and Distributed Learning，20（1）：221-242.

Ramesh， A.， Goldwasser， D.， Huang， B.， Daumé III， H.， & Getoor， L. （2013， December）. Modeling learner engagement in MOOCs using probabilistic soft logic. In NIPS workshop on data driven education （Vol. 21， p. 62）.

Singh， S.， Rylander， D. H.， Mims， T. C. （2012）. Efficiency of online vs. offline learning： A comparison of inputs and outcomes. International Journal of Business， Humanities and Technology， 2（1）： 93-98.

Smirlis， Y; & Ioakimidis， M. （2019）. Evaluating the performance of alternative blended learning designs using DEA. Review of Economic and Business Studies，12（2）： 79-92.

Tsai， K. C， Huang， Y. T. （2011）. Using data envelopment analysis DEA method to establish the grading framework in college English composition class. Education Technology Letters， 1（1）： 15-21.

Watson， S. L.， Watson， W. R.， Yu， J. H.， et al. （2017）. Learner profiles of attitudinal learning in a MOOC： An explanatory sequential mixed methods study. Computers & Education， 114： 274-285.

Yang， H.， Loghej， H. （2019）. Modelling and analysis of the influence of affective factors on students learning efficiency improvement based on big data. International Journal of Continuing Engineering Education and Life Long Learning， 29（4）： 362-373.

收稿日期：2020-05-21

定稿日期：2020-09-11

作者簡介：陈长胜，博士，副教授，山东青年政治学院现代服务管理学院（250103）。

刘梅，硕士，副教授，本文通讯作者，临沂大学教育学院（276005）。

沈书生，教授，博士生导师，南京师范大学教育科学学院（210023）。

徐振国，博士，讲师，曲阜师范大学传媒学院（276826）。

责任编辑 郝 丹