張曉蕾 劉威童 黃振中

x[摘? ?要] 圍繞如何界定MOOCs學習完成率、哪些學習過程變量有效影響/預測學習者學完MOOCs兩個問題，文章對近五年發(fā)表的相關(guān)實證研究進行述評。分析發(fā)現(xiàn)，當前研究已逐漸正視MOOCs學習的特殊性，從不同角度對MOOCs完成率進行多元界定，反映出研究者對MOOCs學習過程及實效的重視。盡管諸多研究發(fā)現(xiàn)，影響學習者完成MOOCs的因素涉及學習者、學習環(huán)境、學習過程交互等多個方面，但這些研究大都側(cè)重對學習者外顯行為變量進行描述、觀察和歸納，疏于從教與學的角度將學習行為數(shù)據(jù)與學習效果及思維品質(zhì)的變化建立聯(lián)系。研究認為，深入理解MOOCs學習留存問題，應(yīng)充分考慮在線學習者學習需求和學習過程的復雜性。構(gòu)建行為數(shù)據(jù)分析與學習理論延展的聯(lián)結(jié)點，開展基于設(shè)計的研究，探索有效增進在線學習者的積極性、知識構(gòu)建品質(zhì)和深度理解水平的學習設(shè)計方案，或是未來的方向。

[關(guān)鍵詞] MOOCs; MOOCs完成率; 學習過程及效果; 學習留存問題

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

一、問題引入

MOOCs從2012年在全球范圍內(nèi)興起至今，一度引領(lǐng)教育變革之風潮[1]。短短幾年，包括美國“Coursera”“Edx”“Udacity”、英國“FutureLearn”、澳大利亞“Open2Study”、中國“學堂在線”與“中國大學MOOC”等MOOCs課程平臺已成規(guī)模。然而，大量研究顯示，MOOCs的完成率①約在5%～10%之間[2]。較低的完成率使MOOCs持續(xù)推進和發(fā)展面臨挑戰(zhàn)，受到課程開發(fā)者、管理者和教育研究者的關(guān)注。圍繞MOOCs學習完成率，當前研究著力探討學習者特征、學習動機、學習參與狀況等與完成率之間的關(guān)系，研究關(guān)注點從探尋“MOOCs完成率是多少”，逐漸轉(zhuǎn)向?qū)Α叭绾卫斫釳OOCs完成率”，以及“較低的完成率受什么影響”等議題的追問[3]，試圖在教育大數(shù)據(jù)視域下進一步揭示在線學習過程及效果的規(guī)律與實質(zhì)。

聚焦“如何界定MOOCs學習完成率，哪些學習過程變量（指標）有效影響/預測學習者學完MOOCs”兩個問題，本文嘗試對近五年發(fā)表的相關(guān)實證研究展開分析，旨在全面刻畫既有研究中關(guān)于MOOCs學習者學習留存問題的分歧與共識。為更好地展現(xiàn)MOOCs學習過程及結(jié)果的復雜性，我們借助伊列雷斯（Illeris）[4]的學習分析框架呈現(xiàn)有效影響/預測MOOCs學習完成率的學習過程變量或指標。在此基礎(chǔ)上，本文繼續(xù)探討MOOCs學習及其學習者留存問題的特性和目前研究的局限，為深入理解MOOCs學習完成率，進一步探索以MOOCs為代表的大數(shù)據(jù)教育實證研究的延展路徑與邊界等問題提供啟示。

二、文獻來源

本研究以Web of Science數(shù)據(jù)庫和中國知網(wǎng)數(shù)據(jù)庫為基礎(chǔ)，采用“MOOCs”“Dropout”“Completion”“慕課”“學業(yè)完成”“學業(yè)流失”等關(guān)鍵詞系統(tǒng)地進行文獻檢索。被檢索文獻為2014年至2018年間發(fā)表于主流國際期刊（含SSCI期刊）、國內(nèi)CSSCI刊、國際會議及論文集中的52份研究①。這些研究的數(shù)據(jù)來源于Coursera、FutureLearn、edx、Harvardx、Open2Study、Miríadax（西班牙文）、學堂在線（中文）和中國大學MOOC（中文）等MOOCs平臺學習者的在線行為數(shù)據(jù)與自陳報告數(shù)據(jù)。

為保證文獻研究的有效性，我們進一步對檢索文獻進行篩選。篩選標準包括：（1）文獻為實證研究（剔除非實證研究類文章，如研究綜述、觀點探討等）;（2）研究問題聚焦課程完成率或流失率（剔除如研究目標是改進某一種算法，或比較兩種算法效率的文章）;（3）明確說明了數(shù)據(jù)來源或分析的課程對象;（4）明確界定MOOCs完成率，且研究結(jié)論回應(yīng)MOOCs完成率等相關(guān)議題?；谝陨蠘藴剩疚膹乃鸭降?2份實證研究中選出了29份符合要求的文獻展開分析。這些文獻基本信息見表1，在本文所分析的問題上具有代表性。

三、研究發(fā)現(xiàn)

（一）MOOCs學習完成率如何界定

本文分析的29篇相關(guān)文獻對MOOCs學習完成率的界定呈現(xiàn)出四種類型。

首先，超過一半的研究將課程成績或取得證書作為界定MOOCs學習者完成學業(yè)的主要依據(jù)。這些研究多將學習者參與課程過程中所有考試及成績作為學習者的最終成績[11，14，19，24，28]。也有研究將缺席最后考試的學習者視為棄課學習者[31]。

其次，部分研究者依據(jù)學習行為數(shù)據(jù)，根據(jù)MOOCs學習者的學習行為持續(xù)時間或活躍度判斷其是否棄課。例如，陳云帆等將“最近一周內(nèi)或三周內(nèi)沒有學習活動”視為棄課的標志[5];在申納（Sunar）等人的研究中，學習記錄超過六周的學習者被定義為完成課程，否則即為棄課[18];辛哈（Sinha）等人將最后一周沒有學習行為數(shù)據(jù)記錄的學習者視為棄課[6]。此外，還有研究從學習者群體的角度進行定義，將看過一門MOOC最后一個模塊的學習者數(shù)量與看過第一個模塊的學習者數(shù)量之比界定為完成率。

再次，約有超過10%的研究結(jié)合“課程成績或證書”和“學習活躍度”等指標對MOOCs學習者進行分類，并對不同類型學習者的學習完成情況加以界定。例如，霍恩（Hone）等用三方面指標來綜合界定學習者完成情況[21]：（1）是否獲得證書;（2）作業(yè)完成情況（全部完成、大部分完成、完成一半、完成一部分以及未完成）;（3）視頻觀看情況（完全看過、看過大部分、看過一半、看過一部分以及未看過）。伊文斯（Evans）等通過四個指標界定了四類MOOCs學習者及其留存情況[23]，即視頻觀看超過20%、視頻觀看超過80%、獲得證書、獲得證書且視頻觀看超過20%等。恩格爾（Engle）等人依據(jù)學業(yè)完成或考試參與情況對課程注冊學習者進行分類[15]，包括未完成任何考試、完成部分考試、完成全部考試但未通過、通過但未獲得好成績、通過且獲得好成績等五個類型。

最后，還有研究者指出，對于MOOCs學習來說，所謂“完成”是指學習者在課程中實現(xiàn)自己的學習目標，而非完成課程全部環(huán)節(jié)[7]。因而，尊重參與MOOCs學習者多元化與個性化的學習需求、意圖和動機，關(guān)注那些“有完成課程意愿/承諾”的學習者是否完成課程學習，才是討論完成率的合理范圍[16，30]。

綜上，已有諸多相關(guān)研究中，課程成績及證書仍是衡量MOOCs學習完成程度的主要指標。這種對MOOCs學習完成率的認識背后隱含的假設(shè)實則是將MOOCs學習視為“正式學習”的一種形式。有學者稱之為MOOCs學習者“完全完成（Full Completion）”課程學習[33]。無可否認，這種“一刀切”的概念界定操作直接、容易，便于開展研究。但若從學習環(huán)境的特殊性考慮，在MOOCs情境中，背景多元的學習者可能在學習過程的任意時間點放棄學習。而這一情況恰恰為多元化界定MOOCs完成率留下空間。為此，當前也有學者對“如何界定MOOCs完成率”提出不同觀點：如基于學習者學習行為數(shù)據(jù)記錄，或細分不同類型MOOCs學習者群體并界定其學習完成情況及其特征，或基于個體學習需求檢視其MOOCs學習的完成情況等。雖然目前尚未就這些界定方式達成共識，但對“完成率”的多元界定無疑映射出學界對MOOCs學習的認識正逐漸發(fā)生變化，即從依賴學習成績表象到逐漸深入到MOOCs學習過程中，重新認識MOOCs學習環(huán)境及學習者學習展開的實質(zhì)。

（二）哪些學習過程變量有效影響/預測學習者完成MOOCs

MOOCs學習過程怎樣？哪些學習過程變量影響學習者完成MOOCs？在本文聚焦的29篇相關(guān)文獻中，研究者們關(guān)注了學習者個人、學習交互行為及MOOCs課程等多個影響/預測MOOCs學習完成率的變量。為了更好地展現(xiàn)MOOCs學習過程及結(jié)果的復雜性，借助伊列雷斯學習分析框架[4]，從學習者個體、學習環(huán)境、學習者與學習環(huán)境交互三個維度，歸納有效影響/預測MOOCs學習完成率的變量或指標。

1. MOOCs學習者個體維度

MOOCs學習者個體既包括學習者參與MOOCs學習之前所具備的學習基礎(chǔ)和初始狀態(tài)，也包括學習過程中個體認知、能力和態(tài)度等因素的生長與變化，以及學習者情感（Affective）、動機（Motivation）、意志（Volition）及興趣（Interest）等因素的驅(qū)動和激勵[4]。

MOOCs學習者相關(guān)指標。學習者良好的初始知識及潛在學習能力往往在他們進入學習環(huán)境之前，就決定了他們能夠在課程結(jié)束時獲得較好的學習結(jié)果。不少研究發(fā)現(xiàn)，MOOCs課程的參與者更多地集中于受教育較好的群體[13，19]。擁有本科學歷的MOOCs學習者更有可能完成課程并獲得好成績[15，30]。研究者們進一步解釋認為，獲得學士學位或以上教育背景的學習者完成MOOCs學習的可能性較大，也間接反映出這些堅持學習的MOOCs學習者本身就具備較好的自主學習能力和自我監(jiān)控水平[14-15，19，31]。

除了學歷、受教育背景和自主學習能力之外，學習者的先前知識基礎(chǔ)（Prior Knowledge）或語言情況也對完成MOOCs有較大影響[15，19]。對于特定學科MOOCs課程來說，有一定先前知識基礎(chǔ)或“先修課”的學習者更有可能堅持學完。相比英語作為母語的學習者，非英語母語但對自己英語水平有自信的學習者，更有可能完成英文MOOCs的學習[19];那些自認為英語水平較好的學習者多半取得好的學習成績[15]。

MOOCs學習者的知識能力變量。已有研究將MOOCs學習者課程作業(yè)或測驗得分視為衡量個體學習過程中知識能力變化狀況的指標。有研究發(fā)現(xiàn)，MOOCs學習者首次參與課程測驗得分即能較好預測其獲得證書的可能性[9]。

MOOCs學習者的學習驅(qū)動變量。在情感動力維度，大量研究發(fā)現(xiàn)，MOOCs學習者課前的內(nèi)部動機或意圖，如出于為純粹獲取知識、滿足個人興趣、自我境界提升等，一定程度上影響其參與及完成MOOCs學習的可能性[2，7，25，30，31]。此外，學習者對課程和學習的滿意度（Satisfaction）也被視為刻畫其學習過程中情緒體驗的主要指標。相關(guān)研究顯示，課程滿意度對學習者堅持學習MOOCs有正向影響[16，20]。

2. 學習者與MOOCs學習環(huán)境的交互維度

學習具有情境性。學習者與特定學習情境中人與事的交互，構(gòu)成了完整的學習過程[4]。在MOOCs學習環(huán)境中，已有研究呈現(xiàn)出的交互學習變量主要包括人機交互行為變量、人際交互行為變量、學習者學習行為持續(xù)時間變量等。

人機交互行為變量。有研究發(fā)現(xiàn)MOOCs學習者與課程界面的交互行為，如“訪問課程、頁面瀏覽次數(shù)”等與其流失情況直接相關(guān)[5]。還有大量研究用MOOCs學習者的視頻交互行為預測學習者的課程完成情況。例如：不少研究發(fā)現(xiàn)“復看視頻行為”對于課程完成率的預測效果較好[6，8]，“視頻觀看數(shù)量”和“視頻點擊數(shù)”也對課程完成率有較好預測[5，6，10，26，28]。如辛哈等人指出，視頻點擊行為某種程度上反映了學習者的認知加工水平[6]。換言之，那些視頻點擊量大、復看行為多的學習者，很可能在學習過程中投入了相對較多的認知加工思維活動，通常不輕易棄課。

MOOCs學習者參與測驗和提交作業(yè)等也是預測其留存的較好變量[5，10，26，28]。例如：巴爾博（Barba）等人的研究識別出學習者“點擊視頻”和“測驗”兩類學習行為[26]，研究結(jié)果顯示，參與測驗對于學習者最終成績的預測性較強。

人際交互行為變量。當前大量研究利用學習分析、社會網(wǎng)絡(luò)分析和自然語言分析等方法，揭示MOOCs學習者的社會性學習行為（如論壇發(fā)帖等）對其課程完成率具有顯著預測性[5，9-11，15，17，24，27]。克勞斯里（Crossley）等人還通過對比發(fā)現(xiàn)，提高社會性學習活動一個標準差所帶來的學習效果可能是僅僅觀看視頻或閱讀文本的學習效果的六倍[24]。有研究者還探索學習者的跟帖行為，如申納等人運用社會網(wǎng)絡(luò)分析技術(shù)分析了來自FutureLearn上MOOCs學習者中的“跟帖者（Followers）”①的社會性互動情況，發(fā)現(xiàn)超過40%的跟帖者會繼續(xù)下一步的學習，跟帖者的課程完成情況優(yōu)于所選MOOC全體注冊學習者的完成率。換句話說，跟帖行為在某種程度上對學習者完成MOOC學習具有預測性。

學習投入時間變量。當前還有研究發(fā)現(xiàn)，MOOCs學習者學習的持續(xù)投入時間對其留存有顯著的預測性[23，34]。例如：岡薩雷斯（González）等人發(fā)現(xiàn)[34]，那些留到MOOCs課程進程的第二個四分位數(shù)（Second Quantile）的學習者（MOOCs課程的第二或者第三個星期，或第二、第三個模塊），其學習行為對于其完成率的預測有較高的解釋力。換句話說，在MOOCs課程進程中“第二個四分位數(shù)”留下的學習者，完成課程的可能性大。這部分學習者也是MOOCs教師和課程設(shè)計者須重點關(guān)注的群體。

3. MOOCs學習環(huán)境維度

伊列雷斯認為，學習環(huán)境分為“系統(tǒng)化環(huán)境”和“社會化環(huán)境”兩個層面[4]。前者是結(jié)構(gòu)化的學習環(huán)境，后者關(guān)注學習過程中營造的人際互動、社會聯(lián)結(jié)、文化氛圍等“軟”環(huán)境。對于MOOCs學習環(huán)境來說，結(jié)構(gòu)化的課程學習硬件環(huán)境包含課程設(shè)計、課程內(nèi)容、內(nèi)容長度、測驗系統(tǒng)、考試評分系統(tǒng)、反饋系統(tǒng)甚至學習干預系統(tǒng)等。而教師（或助教）的支持即為MOOCs社會化學習環(huán)境的重要元素。

MOOCs結(jié)構(gòu)化學習環(huán)境變量。已有研究中，MOOCs課程的公眾口碑（該門課是否出自名校）和課程的開放性（該門課的課程資源是否可以隨時獲?。┚鶎W習者持續(xù)學習亦或棄課有較高的預測價值[16，23，30]。對于那些來自欠發(fā)達地區(qū)（例如非洲）的學習者來說，資源的缺乏（包括資金、基礎(chǔ)建設(shè)、網(wǎng)絡(luò)等）對其參與和完成MOOCs學習的阻礙較大[23]。

值得注意的是，MOOCs學習環(huán)境設(shè)計形式很大程度上影響學習者的去留[12，20，23]。伊文斯等人發(fā)現(xiàn)，課程內(nèi)容按先后邏輯順序排列，并在每個講座視頻中增加標題或相應(yīng)的提示性文字，對留住學習者有一定的幫助[23]。如果MOOCs課程講座視頻能夠包含生動的動畫設(shè)計、主題富于故事性、貼近生活、短小簡潔、音效好、插入簡短介紹或能體現(xiàn)一定的實用性等，本身就是留住學習者的有效策略[23]。喬丹發(fā)現(xiàn)，課程長度、發(fā)布時間及評分方式對MOOCs完成率有重要影響;其中，課程越短完成率越高，課程發(fā)布時間越近完成率越高[12]。

課程內(nèi)容、授課質(zhì)量、測驗難度等也在很大程度上影響著MOOCs完成率[2，20-21，30]。如弗雷塔斯指出，測驗難度對構(gòu)建和維系學習者心流（Flow）經(jīng)驗具有重要作用[2]。這在很大程度上體現(xiàn)了學習者心流經(jīng)驗對驅(qū)動其持續(xù)學習的重要性[35]。此外，MOOCs學習情境中自動化學習行為（或作業(yè)）反饋，如學生測驗的自動批改、成績反饋、學習診斷報告等，給予學習者及時反饋和學習干預，對提升其完成率有較大影響[12，17，32]。

MOOCs社會化學習環(huán)境變量。在MOOCs學習環(huán)境中，教師支持是營造社會化學習環(huán)境的重要變量[8，28，32]。格雷戈里（Gregori）研究發(fā)現(xiàn)，“教師在場性（Teacher Presence）”即MOOCs教師（助教）與學生的互動，包括每個模塊開始之前進行點評、持續(xù)提供必要的學習資源、鼓勵論壇中的社會性參與等，對學習者能否成功學完MOOCs具有重要的預測作用[32]。

另外，同伴支持的在線學習共同體環(huán)境創(chuàng)設(shè)也有助于提升課程完成率。當前有不少研究者開展以“改良”MOOCs社會化學習環(huán)境的準實驗研究或設(shè)計研究，有意識將富媒體資源開發(fā)、移動界面應(yīng)用、游戲化等整合到MOOCs教學設(shè)計中，增強MOOCs學習的社會交互性，進而提升課程完成率[2，22]。

綜上，本文分析的29篇相關(guān)文獻中呈現(xiàn)了各類影響/預測MOOCs完成率的變量，展現(xiàn)出MOOCs學習過程及學習者留存問題的復雜性（如圖1所示）。同時，從圖1可以看出，研究者識別和提取的MOOCs學習過程變量集中于外顯化的表層學習行為類數(shù)據(jù)。在學習者與MOOCs學習環(huán)境的交互維度，研究者普遍識別的交互學習變量集中于“視頻點擊、觀看、復看的數(shù)量”和“論壇發(fā)帖數(shù)”等學習行為。在學習者的個體學習維度，與學習者個人相關(guān)的背景信息和能力準備等指標，如學歷（或教育背景、先前知識）、課前自主學習能力等，備受關(guān)注。在MOOCs學習環(huán)境維度中，當前絕大多數(shù)研究者將關(guān)注點集中于結(jié)構(gòu)化的MOOCs學習環(huán)境變量，考慮如視頻剪輯制作、課程測驗難度、自動化評分反饋等課程和學習環(huán)境設(shè)計的微觀變量對學習者留存的影響。這種趨勢與MOOCs學習平臺大規(guī)模在線行為數(shù)據(jù)特點或數(shù)據(jù)采集存儲技術(shù)有關(guān)，也反映出MOOCs學習情境區(qū)別于傳統(tǒng)高等教育及遠程教育的特別之處。

四、討論：如何理解MOOCs學習完成率

（一）對MOOCs學習完成率的界定：從關(guān)注“完成的結(jié)果”到重視“學習的實質(zhì)”

通過分析已有研究發(fā)現(xiàn)，盡管“課程成績及證書”依舊是衡量MOOCs學習完成與否的主要指標，但當前學者紛紛從MOOCs學習的特殊性出發(fā)，對學習完成率進行多元界定，如基于學習者學習活躍情況預測其是否棄課;分不同類型MOOCs學習者界定其學習完成狀況;或基于個體學習需求檢視其MOOCs學習完成情況，甚至讓學習者來制定評估標準，評估自己的學習效果等。簡言之，當前學界對于MOOCs完成率的界定尚未達成普遍共識。

深入分析，無論基于學習行為活躍度，還是分類界定MOOCs學習者群體的學習完成情況，或從個體學習需求出發(fā)檢視MOOCs學習的結(jié)果，不同學者提出的對于MOOCs完成率理解的多種“版本”，反映出當前諸多研究者都意識到，有必要超越以“課程成績及證書”等單維指標界定MOOCs完成率，轉(zhuǎn)為從學習者“實質(zhì)參與（Engagement）”MOOCs學習的角度，構(gòu)建我們對多樣化MOOCs學習者的學習過程及結(jié)果的理解。

事實上，MOOCs作為一種區(qū)別于正式學習場域、以大數(shù)據(jù)作為支撐系統(tǒng)的、獨特的教育和學習環(huán)境，充滿了過往正式教育中難以想象的多樣化學習者及其多元的學習需求、意圖和動機[33]。正如德波爾（Deboer）等人研究所展現(xiàn)的（如圖2所示），由于大量學習者可在學習進程中的任何時候進入或退出課程，MOOCs學習者事實上創(chuàng)生了數(shù)量巨大的非線性、非程序化的學習過程路徑。而正視MOOCs學習過程的復雜性，意味著審慎合理地認識MOOCs學習結(jié)果（完成情況）須突破單維度分析的視角。具體來講，構(gòu)建包含多種過程性指標為依據(jù)的MOOCs學習者個人學習檔案、學習問題診斷報告及學習建議，綜合宏觀和微觀等多類指標對其加以展現(xiàn)，是對MOOCs學習者留存問題探究的基點。

（二）影響/預測MOOCs學習結(jié)果的因素：以外顯學習行為變量為主導及其利弊

進一步分析發(fā)現(xiàn)，已有研究識別和提取的有效影響/預測學習者完成MOOCs的學習過程變量顯現(xiàn)出一定的偏好和集中趨勢。諸多研究關(guān)注并驗證了學習者個體維度、學習者與學習環(huán)境交互以及學習環(huán)境等維度中外顯的行為類變量對MOOCs學習完成有預測作用。如在學習者的個體學習維度，諸多研究者關(guān)注與學習者個人相關(guān)的背景信息和能力準備等指標，如學歷（或教育背景與先前知識）、課前自主學習能力等。相比之下，與學習者學習過程中知識能力、思維品質(zhì)、情緒體驗（如積極、或厭倦情緒等）的動態(tài)變化及其與MOOCs學習留存的關(guān)系，研究探討則較少。在學習者與MOOCs學習環(huán)境的交互維度，研究者普遍識別出大量交互學習變量，如“視頻點擊、觀看、復看數(shù)量”和“論壇發(fā)帖數(shù)”等學習行為對MOOCs學習結(jié)果的預測性。而對于交互學習過程中學習者如何感知、參與和投入多樣化的學習活動，通過參與這些學習活動，學習者在交互學習過程中知識構(gòu)建的質(zhì)量、深度理解水平及身份意識建構(gòu)等對于其學習結(jié)果的影響，都缺乏深入探討。在MOOCs學習環(huán)境維度，當前絕大多數(shù)研究者將關(guān)注點集中于結(jié)構(gòu)化的MOOCs學習環(huán)境變量，考慮如視頻剪輯制作、課程測驗難度、自動化評分反饋等課程和學習環(huán)境設(shè)計等客觀變量對學習者留存的影響。相比之下，MOOCs社會化學習環(huán)境中教師支持、同伴合作以及學習共同體培育等變量對學習者持續(xù)學習的影響，相關(guān)研究較少。

概括來說，已有研究展現(xiàn)的圖景喜憂參半?！跋病痹谟冢@些研究基于大規(guī)模學習平臺數(shù)據(jù)，或結(jié)合部分學習者調(diào)查數(shù)據(jù)，運用學習分析工具或教育數(shù)據(jù)挖掘（Educational Data Mining）技術(shù)，通過爬取、識別和分析顯性學習行為變量（如視頻點擊、討論區(qū)跟發(fā)帖、作業(yè)提交、平臺自動化測評反饋等）有效預測了MOOCs學習完成率。進一步離析學習者學習過程中外顯性學習行為大數(shù)據(jù)，也讓我們清晰地認識到MOOCs學習者學習過程的空前多樣性和復雜性?！皯n”在于，當前MOOCs學習及其學習者留存問題研究大都依賴“數(shù)據(jù)驅(qū)動”的思路，研究發(fā)現(xiàn)多停留于對“行為數(shù)據(jù)”的描述、觀察和歸納。但事實上，無論數(shù)據(jù)描述和歸納，還是數(shù)據(jù)挖掘或機器學習算法，由于缺乏對MOOCs教學情境的認識，部分數(shù)據(jù)分析結(jié)果并無教育學意義或價值[37]。不乏存在研究設(shè)計及研究發(fā)現(xiàn)趨同的問題。不僅如此，所謂“用數(shù)據(jù)說話”的思路，基于平臺“點擊類”學習行為數(shù)據(jù)的分析或計算，很難推及對MOOCs學習者高水平（高階）的學習效果及學習品質(zhì)的深入認識[38]。換句話說，這些研究的設(shè)計并未較好地與已有學習理論建立聯(lián)系（無論驗證理論、拓展理論或構(gòu)建理論）。這些研究發(fā)現(xiàn)與結(jié)論也很難層層深入、持續(xù)增進我們對MOOCs學習環(huán)境中“學習如何發(fā)生”這一問題的理解。

那么，如何認識MOOCs研究中“點擊類”學習行為變量的利與弊？事實上，就目前可獲取的學習者外顯學習行為數(shù)據(jù)，結(jié)合學習理論拓展數(shù)據(jù)挖掘或數(shù)據(jù)建模，皆是未來探究MOOCs學習過程及留存問題的可能路徑[33]。具體來說，研究者或者研究團隊在正視MOOCs教學過程復雜性基礎(chǔ)上，可通過設(shè)計或調(diào)整教學技術(shù)系統(tǒng)，提取教學不同環(huán)節(jié)的學習數(shù)據(jù)，讓數(shù)據(jù)的收集、分析和解讀扎根到已有對人的學習的研討中，或許更具啟示[38]。但這也意味著，基于大數(shù)據(jù)的MOOCs學習留存問題研究須集合交叉學科學者開展較為深入的合作探索。學科背景單一、合作程度表淺的研究團隊或很難獲得突破性的研究成果。此外，反思目前基于大數(shù)據(jù)的在線學習研究存在的局限，某種程度上，當前以MOOCs為代表的教育大數(shù)據(jù)，其數(shù)據(jù)庫構(gòu)建、管理、運用和監(jiān)督，尚有完善的空間。如何處理MOOCs學習者個人學習歷程檔案數(shù)據(jù)庫建立，如何規(guī)范化MOOCs平臺管理和運營，如何對MOOCs學習者個人隱私數(shù)據(jù)進行監(jiān)管，以及研究倫理問題等，皆是未來的政策制定者、實踐者和研究者需要審慎處理的議題。

（三）增進MOOCs學習留存問題的研究：向基于設(shè)計的學習研究拓展

在前述研究中，大多數(shù)研究者將關(guān)注點集中在MOOCs學習者參與課程學習的外顯自然行為數(shù)據(jù)，或關(guān)注結(jié)構(gòu)化的MOOCs學習環(huán)境變量（如視頻剪輯制作、課程測驗難度等），以及學習者與課程內(nèi)容的交互情況。對于MOOCs社會化學習環(huán)境中的教師支持、同伴合作及學習共同體培育等變量對學習者持續(xù)學習的影響等問題關(guān)注相對較少。甚至有研究者認為，當前的MOOCs在某種程度上更接近一種“去教學化”的學習環(huán)境，課程設(shè)計者與教師等都不夠重視社會化學習情境及教師干預在MOOCs課程與教學設(shè)計中的作用[17]。這一研究現(xiàn)狀也提醒研究者和在線課程實踐者，有必要開展一系列基于學習設(shè)計的研究，通過設(shè)計和反復迭代，推進我們對于MOOCs學習留存問題的認識。

已有部分研究從持續(xù)增進MOOCs學習留存的角度展開，提出了不同的干預方案。例如，為調(diào)動在線學習過程中學習者的積極性，博拉斯-基茵（Borras-Gene）等人將游戲元素植入課程設(shè)計中，形成游戲化合作型慕課（gcMOOCs）的模式，有39.9%學生完成了課程，這一數(shù)字遠高于同類MOOCs大約7%的平均完成率[25]。萬海鵬等提出構(gòu)建用于表征學習過程中學習者認知狀態(tài)變化的學習認知地圖（Cognitive Map），即通過表征學習者學習過程數(shù)據(jù)，對過程中知識學習狀態(tài)進行可視化處理，預測學習狀態(tài)，并據(jù)此形成符合認知特征的學習資源和人際網(wǎng)絡(luò)推薦，構(gòu)建出個性化的自適應(yīng)學習系統(tǒng)，有效提升在線學習者的學習動機和成效[39]。有研究者運用指導性機器學習算法（Supervised Machine Learning Algorithms）建構(gòu)時間性的預測模型，在課程不同階段識別出“可能退課”的學生，以便教師能夠適時對他們進行教學干預，提升MOOCs學習留存率[17]。此外，還有研究者試圖設(shè)計更多結(jié)合MOOCs在線學習外的混合式教學活動，試圖通過拓展學習者學習空間（如移動界面運用、學習干預、線下學習等），建構(gòu)多樣化的人際交互網(wǎng)絡(luò)和學習共同體，增進其學習參與性和投入度。以上這些研究，一方面通過對MOOCs學習過程進行不同方式和不同程度的學習設(shè)計，揭示學習者MOOCs學習過程中學習動力、知識能力、思維品質(zhì)等的動態(tài)變化;另一方面也從教與學的角度，探索有效增進學習者在線學習過程中學習積極性、知識構(gòu)建品質(zhì)和深度理解水平的學習設(shè)計方案。上述思路都不失為有益的嘗試，為今后拓展大數(shù)據(jù)背景下以MOOCs為代表的在線學習留存問題研究提供了不同的可能方向。

五、結(jié)論與展望

本文對近五年聚焦MOOCs學習者留存問題的文獻展開分析發(fā)現(xiàn)，關(guān)于這一問題的研究在較短時間內(nèi)取得了豐富成果。作為一種非正式教育和數(shù)字化學習環(huán)境，MOOCs承載了多元化的學習者和他們多樣的學習需求、意圖與動機。對MOOCs學習者學習結(jié)果單維度的界定，容易以偏概全，無助于我們從學習者多樣化的學習參與過程來揭示MOOCs學習的復雜性。當前基于MOOCs學習行為大數(shù)據(jù)，研究者們通過爬取、識別和分析顯性學習行為變量較好地預測了學習完成率，但是，由于缺乏對MOOCs教學情境的認識，這些研究的設(shè)計并未與已有學習理論建立很好的聯(lián)系，難以持續(xù)推進我們對MOOCs學習環(huán)境及學習者留存問題的深入認識。為增進對MOOCs學習留存問題的理解，從教與學的角度開展學習設(shè)計，進而探索有效增進在線學習過程中學習者的積極性、知識構(gòu)建品質(zhì)和深度理解水平的學習設(shè)計方案，或許是今后研究的方向。

值得注意的是，已有學習理論和學習分析領(lǐng)域關(guān)于學習者認知、元認知、情感和動機等的相關(guān)理論及數(shù)據(jù)獲取方式，幫助我們從多個方向了解學習者及學習的發(fā)生，或許能夠?qū)Χ嗑S度理解MOOCs學習及留存問題提供重要啟示[33]。在此意義上，本文結(jié)合伊列雷斯的學習分析框架對影響MOOCs學習完成率的過程變量進行概念化分析亦是一次有益嘗試。此外，開展以MOOCs為代表的教育大數(shù)據(jù)實證研究的基礎(chǔ)是數(shù)據(jù)庫建設(shè)。如何更好地構(gòu)建數(shù)據(jù)庫，完善數(shù)據(jù)的管理、運用和監(jiān)督機制，皆是未來該領(lǐng)域研究展開的前提條件，尚有待教育學、心理學、法學、計算機科學等多學科領(lǐng)域研究者及政策制定者和MOOCs平臺實踐者之間深入合作，共謀解決方案。

（致謝：本研究得到清華大學（THU）李曼麗教授、美國威斯康星大學麥迪遜分校（UW-Madison）張正軍教授、美國佛羅里達灣岸大學（FGCU）張京順教授的悉心指導和大力支持，特此致謝?。?/p>

[參考文獻]

[1] PAPPANO L. The year of the MOOC[J]. The New York times， 2012-11-04（26）.

[2] FREITAS S I， MORGAN J， GIBSON D. Will MOOCs transform learning and teaching in higher education？ Engagement and course retention in online learning provision [J]. British journal of educational technology， 2015， 46（3）： 455-471.

[3] 范逸洲，劉敏，歐陽嘉煜，汪瓊.MOOCs中學習者流失問題的預測分析——基于24篇中英文文獻的綜述[J].中國遠程教育，2018（4）：5-14.

[4] ILLERIS K. How we learn： learning and non-learning in school and beyond[M]. London & New York： Routledge，2007.

[5] 陳云帆，張銘.MOOCs課程學生流失現(xiàn)象分析與預警[J].工業(yè)和信息化教育，2014（9）：30-36.

[6] SINHA T， JERMANN P， LI N， et al. Your click decides your fate： inferring information processing and attrition behavior from MOOC video clickstream interactions[DB/OL].（2014-09-16）[2018-11-20]. http：//arxiv.org/abs/1407.7131.

[7] LIYANAGUNAWARDENA T R， PARSLOW P， WILLIAMS S. Dropout： Mooc participants' perspective[C]// Proceedings of the Second MOOC European Stakeholders Summit. Lausanne： EMOOCs， 2014.

[8] KIM J， GUO P J， SEATON D T， et al. Understanding in-video dropouts and interaction peaks in online lecture videos[C]// Proceedings of the First ACM Conference on Learning@ Scale Conference. New York： ACM，2014.

[9] JIANG S， WILLIAMS A， SCHENKE K， et al. Predicting mooc performance with week 1 behavior[C]// Proceedings of the 7th International Conference on Educational Data Mining. London：EDM， 2014.

[10] 蔣卓軒，張巖，李曉明.基于MOOC數(shù)據(jù)的學習行為分析與預測[J].計算機研究與發(fā)展，2015（3）：614-628.

[11] KOEDINGER K R， KIM J， JIA J Z， et al. Learning is not a spectator sport： doing is better than watching for learning from a MOOC[C]// Proceedings of the second ACM conference on learning@ scale. New York：ACM，2015.

[12] JORDAN K. Massive open online course completion rates revisited： assessment， length and attrition[J]. The international review of research in open and distributed learning， 2015， 16（3）：341-358.

[13] HANSEN J D， REICH J. Democratizing education？ Examining access and usage patterns in massive open online courses[J]. Science， 2015， 350（6265）：1245-1248.

[14] GREENE J A， OSWALD C A， POMERANTZ J. Predictors of retention and achievement in a massive open online course[J]. American educational research journal，2015，52（5）：925-955.

[15] ENGLE D， MANKOFF C， CARBREY J. Courseras introductory human physiology course： factors that characterize successful completion of a MOOC[J]. The international review of research in open and distributed learning， 2015， 16（2）：46-68.

[16] ALRAIMI K M， ZO H， CIGANEK A P. Understanding the MOOCs continuance： the role of openness and reputation[J]. Computers & education， 2015（80）：28-38.

[17] XING W， CHEN X， STEIN J， et al. Temporal predication of dropouts in MOOCs： reaching the low hanging fruit through stacking generalization[J]. Computers in human behavior， 2016（58）：119-129.

[18] SUNAR A， WHITE S， ABDULLAH N，et al. How learners' interactions sustain engagement： a? mooc case study[J].IEEE transactions on learning technologies， 2016，10（1）：475-487.

[19] PURSEL B K， ZHANG L， JABLOKOW K W， et al. Understanding MOOC students： motivations and behaviours indicative of MOOC completion[J]. Journal of computer assisted learning， 2016， 32（3）： 202-217.

[20] OAKLEY B， POOLE D， NESTOR M. Creating a sticky MOOC[J]. Online learning， 2016， 20（1）：13-24.

[21] HONE K S， EL SAID G R. Exploring the factors affecting MOOC retention： a survey study[J]. Computers & education， 2016，98（c）：157-168.

[22] FIDALGO-BLANCO ？譧， SEIN-ECHALUCE M L， GARC？魱A-PE？譙ALVO F J. From massive access to cooperation： lessons learned and proven results of a hybrid xmooc/cmooc pedagogical approach to moocs[J]. International journal of educational technology in higher education， 2016， 13：24. https：//doi.org/10.1186/s41239-016-0024-z.

[23] EVANS B J， BAKER R B， DEE T S. Persistence patterns in massive open online courses（MOOCs）[J]. The journal of higher education，2016， 87（2）：206-242.

[24] CROSSLEY S， PAQUETTE L， DASCALU M， et al. Combining click-stream data with NLP tools to better understand MOOC completion[C]// Proceedings of the Sixth International Conference on Learning Analytics & Knowledge， New York： ACM， 2016：6-14.

[25] BORRAS-GENE O， MARTINEZ-NUNEZ M， FIDALGO-BLANCO ？譧. New challenges for the motivation and learning in engineering education using gamification in MOOC[J]. International journal of engineering education， 2016， 32（1）：501-512.

[26] BARBA P D， KENNEDY G E， AINLEY M. The role of students' motivation and participation in predicting performance in a MOOC[J]. Journal of computer assisted learning， 2016， 32（3）： 218-231.

[27] 牟智佳，武法提.MOOCs學習結(jié)果預測指標探索與學習群體特征分析[J].現(xiàn)代遠程教育研究，2017（3）：58-66.

[28] 王雪宇，鄒剛，李驍.基于MOOC數(shù)據(jù)的學習者輟課預測研究[J].現(xiàn)代教育技術(shù)，2017，27（6）：94-100.

[29] CHEN Y，ZHANG M. MOOC student dropout： pattern and prevention[C]// Proceedings of the ACM Turing 50th Celebration Conference.Shanghai：ACM，2017.

[30] SHAPIRO H B， LEE C H， ROTH N E W， et al. Understanding the massive open online course （MOOCs） student experience： An examination of attitudes， motivations， and barriers[J]. Computers & education，2017（110）：35-50.

[31] 張剛要，李紫衣.基于質(zhì)性分析的MOOCs高退學率歸因研究[J].電化教育研究，2018，39（1）：29-35.

[32] GREGORI E B， ZHANG J， GALV？譧N-FERN？譧NDEZ C， et al. Learner support in MOOCs： identifying variables linked to completion[J]. Computers & education， 2018，122（7）：153-168.

[33] JOKSIMOVIC S， POQUET O， KOVANOVIC V， et al. How do we model learning at scale？ a systematic review of research on MOOCs[J]. Review of educational research， 2018， 88（1）：43-86.

[34] GONZ？譧LEZ G， SKULTETY L. Teacher learning in a combined professional development intervention[J].Teaching and teacher education， 2018（71）：341-354.

[35] CSIKSZENTMIHALYI M. Finding flow： the psychology of engagement with everyday life[M]. New York：Basic Books，1997.

[36] DEBOER J， HO A D， STUMP G S， et al. Changing “course”： reconceptualizing educational variables for massive open online courses[J]. Educatioanl researchera， 2014， 43（2）：74-84.

[37] 李曼麗，黃振中.MOOCs平臺大數(shù)據(jù)的教育實證[J].科學通報，2015（1）：570-580.

[38] 陳伯棟，黃天慧.解析學習分析學：一次撬動冰山的嘗試[J].開放教育研究，2017，22（4）：1-9.

[39] 萬海鵬，余勝泉.基于學習元平臺的學習認知地圖構(gòu)建[J].電化教育研究，2017（9）：83-88.