MOOC学习者在线学习行为和学习绩效评估模型研究

点击蓝字关注我们

精选学术内容，让阅读更有价值

【刊载信息】沈欣忆，刘美辰，吴健伟，董现垒. 2020. MOOC学习者在线学习行为和学习绩效评估模型研究[J]. 中国远程教育（10）:1-8.

【摘要】MOOC的自主性和灵活性特征，使得学习者具有多样化的学习行为模式，很多研究指出学习者在线学习行为模式与学习成果具有高度相关性。线上授课的教学方式因为其便捷等各种优点，广泛被学生群体所接受，虽然线上授课弥补了传统教学的不可重复性等缺陷，但是由于每个学生的在线学习行为不同，其教学效果也因人而异，本研究尝试从国内最早的MOOC平台“学堂在线”上获取学生的学习行为数据，建立学生在线学习行为与在线学习绩效评估模型，并进行抽样逐步回归，以了解学生在线学习行为对其学习成绩的影响。结果表明，学生某些在线学习行为，如作业完成比例、视频完成率等对其学习效果产生重要的正面影响，反之部分在线学习行为对学习效果会产生不良影响。因此，根据本研究结果对教师设计在线学习、对学生开展线上学习提供意见和建议，将有效提高在线学习的效率和效果。

【关键词】在线学习行为；学习绩效评估模型；在线学习者；教育大数据；数据挖掘；学堂在线；Python

一、

引言

“互联网+”时代，在线学习已经被应用于各个教育阶段，是学习者不可或缺的学习方式。在线学习因其不受时空分离的影响，学习方式变得更加灵活，信息化时代所具有的精细化、碎片化和去权威化的特征更加凸显（夏青, 2018）。MOOC(Massive Open Online Course，MOOC)的自主性和灵活性特征，使得学习者具有多样化的学习行为模式，很多研究指出学习者在线学习行为模式与学习成果具有高度相关性(Johnson & Sinatra, 2013; 高洁, 2016; 李爽, 2016）。在“互联网+”背景下，大数据迅速充斥着各行各业，教育领域也不例外，随着学习分析和人工智能技术等的发展，利用学生在线学习行为数据来评估学生的学习表现以为学生提供更好的服务已经成为不可阻挡的趋势（Francisco, García, Ángel, & María, 2018; Tsai, Lin, Hong, & Tai, 2018），数据挖掘成为深入探究在线学习行为以及行为数据背后隐藏的行为模式和学习绩效的关联性的重要方法(Jesús, Alejandro, & Manuel, 2017; Elena, Zhang, Cristina, & Francisco,2018; Manuela, Tiago, Fernando, & Marco, 2018)。

本研究选取“学堂在线”的一门课程，运用Python技术对学生在线学习行为数据进行整理加工，建立学生在线学习绩效评估模型，最后利用Stata进行抽样逐步回归，形成学生学习行为对学习绩效的贡献模型，分析和发掘有利于提高学生学习绩效的在线学习行为，助力在线学习过程性评估的研究，同时也为MOOC学习绩效提升提供实质性建议。

二、

MOOC在线学习行为和学习绩效研究现状

（一）在线学习行为和学习绩效的关系研究

随着现代信息技术的迅速发展，网络技术在教育中的应用日益广泛和深入，研究学生在线学习行为和学习绩效的关系成为新的研究热点。郎波等 （2019）利用学习向量化方法将在线学习行为数据分类，并通过遗传算法预测在线学习成绩。孙发勤等（2019）利用数据和模型，通过机器学习相关知识研究了影响在线学业成就的主要因素、次要因素以及无关因素。赵西粉等（2019）以北方民族大学为例研究了在线学习效果的主要影响因素。吴林静等（2018）提出了一种基于数据挖掘的网络学习行为分析模型，并根据分析结果为网络学习中的各类利益相关者提供了教学参考。郭芳侠等（2018）研究了学习者的在线学习行为与学习效果之间的相关性，以及男女生的在线学习行为与学习效果的差异。胡艺龄等（2014）建立了学习者在线学习行为模型并对学习数据进行了模式分类与解析。魏顺平等（2012）以江苏电大新生为研究对象，分析了某一课程的在线学习行为数据，研究了学生在线学习行为特点及其影响因素。陈圆圆等（2019）基于数据挖掘进一步分析了成人学习者的在线学习行为与学习效果之间的关系。

在线学习行为已被证实与学习绩效有着紧密的联系，学习行为可以作为预测学生学习绩效的重要表征，通过对学习行为的监控引导学生进行有益的学习行为，从而提升学生的有效学习比率。

（二）学习行为指标研究

MOOC学习的自主性导致学生的学习行为多种多样，研究者从不同的视角对学习行为进行选取和分类。

有的研究从学生努力程度出发考察学生的时间管理情况，主要以时间投入长度、投入频率和投入规律为重要指标。Joo等人（2007）在研究中发现学生在在线学习中的表现受其对学习时间的分配和管理情况的影响。Kwon（2009）认为时间管理是在线学习成功的一个显著因素，并发现了学习者的行动水平、时间管理和学习结果之间的关系。Lin等人（2005）对影响在线学习的关键因素进行分析，最终得到八个影响因子，学习时间管理是其中的关键因素之一。Jo、Yoont和Ha（2013）指出学生的自我调节能力，特别是他们的时间管理策略，是驱动正常参与在线学习活动的隐性心理特征，会导致高绩效。Carver等人（2017）对167名研究生在9门在线课程中的学习数据进行分析，以了解学生的学习成绩与其在课程各个模块中所花时间之间是否存在关系，包括课程学习总时长、课件/教学视频学习时长、学习资源学习时长、同步在线会话时长四个方面。分析发现，学生在同步在线会话中所花时间越长，考试成绩获得A的可能性越大，但是学习总时长、课件/教学视频学习时长、学习资源学习时长与考试成绩之间不存在这样的关系。

有的研究从学生的学习积极性出发，以参与意识和互动程度为主要指标。Bolliger等人（2018）在研究中发现，在在线学习中学生的参与意识与其学习结果之间存在必然联系，参与意识越强，在参与学习活动中投入的时间越长，其获取较高学习成绩的可能性越大。Libby 等人（2005）提取345名学生的在线课程访问日志，将学生分成完全参与在线学习活动、不完全参与在线学习活动、成功学习者、不成功学习者四种类型，采用多元回归分析方法分析参与频率、参与持续时间等8个变量与学习成就之间的关系，发现完全参与在线学习活动的学习者和成功学习者在学习活动中的参与频率和参与持续时间明显多于其他两类学生。

有的研究从在线学习的某个要素出发，专门研究某个要素或者学生的某个学习行为与学习绩效的关系。在Watanabe（2011）的一项关于在线英语学习时间管理研究中，发现那些有在作业提交前临时突击学习倾向的学生往往比那些每周平均分配在线学习时间的学生在学习上投入的时间少得多，当然最终的考试成绩也是比每周平均分配学习时间的学生差得多。

有的研究从学习偏好出发了解不同学习习惯的学生行为模式。沈欣忆等（2019）对MOOC学习绩效评价指标进行梳理，构建了MOOCAP学习绩效评价指标模型，指出学习偏好可以分为时间偏好、投入偏好、节奏偏好、序列偏好和交流偏好几个类型。

也有一些研究关注学习过程的动态，研究不同的学习阶段学生的学习行为特征。Huei-Tse Hou等人（2011）对基于项目的学习环境中学生交互的时间管理模式进行了研究，研究发现在不同的学习阶段学生在不同的交互行为上投入的时间不同：学习初期，学生之间的交互更多的是收集和分享信息，学习中后期则以问题分析和讨论为主。这说明，学习初期学生会在信息的收集与分享上投入较多的时间，而随着时间的推移，学生在问题分析和讨论上投入的时间会逐渐增多。Laurie等人（2010）对学生在线开放式话题（没有教师规定的特定截止日期的话题）中的时间投入变化趋势进行了研究，研究发现学生在一个开放式话题中的时间投入集中爆发在21~28天之间，31天之后基本趋于稳定；一周中，学生在话题中的时间投入倾向于前半周；一天中学生在话题中的投入变化趋势不明显。

很多关于在线学习参与的研究都将时间维度作为对学习者参与程度的详细描述，并报告说时间管理和分配对于描述学习者和预测学习效果具有重要意义（Macfadyen & Dawson, 2010; Wong, 2013; Hamane, 2014）。另外，在线学习的一些习惯和偏好也可以作为预测学习绩效的重要指标。本研究将结合学习形式（视频、作业、论坛）、时间偏好等重要指标，系统梳理在线学习的学习行为，以全面分析和挖掘哪些学习行为对绩效有正面影响，希望有助于探索学生学习投入的特点和规律，为MOOC课程的设计和支持提供依据，进一步降低MOOC课程的辍学率。

三、

研究设计

（一）数据来源

获取16,000多名学生在2018年于“学堂在线”网站学习课程“财务管理”的学习行为数据和本学期个人期末考试成绩，利用学生在线学习绩效评估模型分析学生在线行为对学习成绩的影响，并根据学生在线学习行为预测其学习成绩。

（二）构建学生在线学习绩效评估模型

梳理MOOC平台“学堂在线”网站上“财务管理”课程中的学生行为，将学生在线学习行为变量分成以下五类（如图1所示）：①视频（Video）学习行为：学生看视频总数、视频完成率、视频观看总时长、视频观看间隔、视频观看跳数、学生是否按顺序观看视频、视频复看率等；②作业（Classwork）学习行为：学生的作业得分率和作业完成比例等；③论坛（Forum）学习行为：学生在讨论区的活跃程度，如学生在讨论区的发帖数、回帖数、发帖字数以及发帖回复数；④学习时间偏好（Time preference）：学生习惯在凌晨、上午、下午、晚上四个时间段中的哪一个时间段进行在线视频学习，学习多长时间、多少次；⑤页面访问情况（Page visits）：学生在线访问与课程相关页面的次数，如课程公告访问次数、课件访问次数、其他页面访问次数。

图1 学生在线学习行为与学习绩效评估模型组成部分和子组成部分

构建学生在线学习绩效评估模型，如下所示：  

y = α + x₁ β₁ + x₂ β₂ + …… + x₂₅ β₂₅ + ε     (1)

式中：标量α表示截距；记X₁=（x₁,x₂,……，x₈），表示与视频（Video）相关的学生在线学习行为的度量；X₁=（x₉,x₁₀），表示与作业（Classwork）相关的学生在线学习行为的度量；X₃=（x₁₁,x₁₂,x₁₃,x₁₄），表示与论坛参与（Forum）相关的学生在线学习行为的度量；X₄=（x₁₅,x₁₆,……x₂₂），表示与学习时间偏好（TP）相关的学生在线学习行为的度量；X₅=（x₂₃,x₂₄,x₂₅），表示与页面浏览（PV）相关的学生在线学习行为的度量；ε表示误差。

表1列出了用于衡量学生在线学习绩效的每个子因素的25个具体数据项，每个数据项都表示学生在线学习绩效评估模型中的独立变量。

表1 学生在线学习绩效指标及变量含义

（三）抽样逐步回归

逐步回归的基本思想是将自变量逐个引入模型，每引入一个解释变量后都进行F检验，同时对已经选入的解释变量逐个进行t检验，当原有的解释变量由于后面的解释变量被引入后变得不显著时，将其删除。这样每次引入新的变量之前回归方程中只包含统计显著的变量。反复进行该过程，直到既没有显著的解释变量被选入回归方程，也没有不显著的解释变量从回归方程中被剔除为止。逐步回归常常被用来解决自变量间的多重共线性问题。

求解该模型需要估计26个参数：表1中25个自变量的参数（β_25*1）和截距项（α）。除了完全对学习绩效不产生影响的变量以及完全共线性的变量，我们希望所有其余变量均被包含在模型中。本研究尝试通过结合逐步回归和基于大数定律的抽样来进行建模。

使用spike-and-slab变量选择模型对学生在线行为变量进行抽样（Dong, et al., 2016; 董现垒, 2015）。这种贝叶斯变量选择方法适用于观测值相对较少且变量较多的回归情况。首先，利用“Spike and slab prior”对方程中的25个学生在线学习行为变量进行稀疏化，即抽取样本γ=（γ_k）（k=1,2,……，25）：当β_k≠0时，令γ_k=1；β_k=0时，γ_k=0。记β_γ是β_25*1中β_k≠0的子集。通常，可以利用伯努利分布来获得γ：

一般地，可以主观先验设置π_k。例如，对于模型中每次逐步回归的迭代，如果希望包含大约个在线学习行为变量，可以初始化。其中，k=25表示在线学习行为变量的总数，M表示在每次逐步回归中期望的抽样个数。

接下来，基于所获得的γ，选择对应于γ_K=1时自变量X^T的子集X_γ作为每次回归迭代获取在线学习行为的随机变量（子集）。使用逐步回归估计模型参数，估计方程中的一组α和β。逐步回归保证模型中包含的变量是显著的，并且没有多重共线性。重复上面的抽样和逐步回归过程，直到模型收敛，将第i次回归迭代的结果记录为φⁱ=(α，β)ⁱ。用方程式（3）计算（φⁱ）的平均值（即）：

最后，估算该模型的拟合值（记为）  

四、

结果分析与讨论

使用 Stata/MP 14.0，运行程序10,000次获得收敛的运算结果。模型估计的拟合优度R²为0.398，说明模型拟合效果较好。将每位学生拟合得到的期末成绩与其真实期末成绩进行比较，如图2所示，可以发现，通过模型得到的期末成绩曲线与真实期末成绩曲线趋势走向一致，该模型精确度相对较高。也就是说，学生的在线学习行为能够在一定程度上预测学生的学习绩效。

图2 模型预测结果与真实结果的对比

（一）总体变量影响情况

估计的模型系数如表2所示，正的、较大的拟合参数说明该变量对在线学习成绩具有较高的正向影响；负的、较大的拟合参数表示该变量对在线学习成绩具有较高的负向影响。当变量的拟合参数较小时，该变量对在线学习成绩的影响力也相对较小。

表2 模型的参数估计和系数

根据拟合参数从大到小对表2中所有行为变量排序，结果如表3所示。

表3 学生在线行为变量对在线学习绩效的贡献值排序

可以发现完成作业比例、视频观看率、视频观看有序、积极参与发帖回帖等行为对学生在线学习绩效的影响较大；较高的视频观看间隔及视频复看率、过多地将精力投入其他网页、偏好凌晨时间学习等行为不利于学生的学习绩效。

（二）指标内变量影响情况

如表4所示，对于视频来说，视频完成率、视频观看有序对在线学习绩效有较大影响，而视频观看总时长、视频观看间隔均值、视频复看率均值对在线学习绩效有负面影响。在这个指标内的分析，有一个有趣的现象，我们往往认为学习的时间对学习绩效是有正面影响的（Jez & Wassmer, 2015; Marcotte, 2007; Lavy, 2010），但是从视频观看总时长的影响系数（-0.0963）可以发现，并不是视频学习时长越长越好；从视频观看拖拽数（0.0087）可以发现，并不是说拖拽会对绩效起到负面效应。可以得出初步的结论：对于成绩好的学生来说，往往是通过认真观看视频就较好地掌握了知识，并不需要反复观看视频来提升知识掌握度，如果视频讲解过于细致甚至可以有拖拽视频的行为，视频学习是有序的，并且视频之间的学习间隔时间不会很长。

表4 视频在线行为变量及影响系数

如表5所示，对于作业来说，作业得分率和作业完成比例均对学习绩效有正向作用，尤其是作业完成比例，是取得良好成绩的重要条件。

表5 作业在线行为变量及影响系数

如表6所示，对于论坛来说，论坛发帖数、论坛回帖数、论坛发帖字数、发帖回复数均对绩效产生正向作用，尤其是论坛发帖数和论坛回帖数对成绩影响较大。基本可以判定，论坛是学习绩效的重要影响要素，论坛中的积极表现对学习绩效有重要影响作用。

表6 论坛在线行为变量及影响系数

一般我们说学习次数多有正影响，暗含的条件是“其他条件不变的情况下”，以凌晨学习为例实际上对比的是一个凌晨学习了6个小时（凌晨学习时间长）和6个凌晨每次学习1个小时（凌晨学习次数多），哪个更好。如表7所示，从学习时间偏好看，可以发现凌晨学习时间长对成绩有负面作用，凌晨学习次数多对成绩有正面作用；上午学习时间长对成绩有负面作用，上午学习次数多对成绩有正面作用；下午学习时间长对成绩有负面作用，下午学习次数多对成绩有正面作用；晚上学习时间长对成绩有正面作用，晚上学习次数多对成绩有负面作用。简单来说，在凌晨、上午和下午不适合进行长时间突击学习，更适合有规律的适量时间的学习，而晚上是适合长时间进行学习的时间段。

表7 学习时间偏好在线行为变量及影响系数

如表8所示，对于页面浏览来说，课程公告访问次数和课件访问次数对学习绩效有正面影响；其他页面访问次数越多，势必占用学生学习时间，从而对学习绩效产生负面影响。

表8 页面浏览在线行为变量及影响系数

五、

促进MOOC学习绩效提升的教学策略建议

（一）视频学习：引导学生按顺序、有规律地进行视频学习

视频学习有多种类型，有顺序学习的、有逆序学习的、有乱序学习的。分析发现，顺序学习视频的影响系数是4.6528，位列影响系数第三，仅次于作业完成率和视频完成率。一般来说视频课程的讲解顺序有一定的逻辑性，按顺序学习课程视频会提高学生对知识的掌握程度，提升学习效果。另外，视频的学习应该是一个持续的过程，根据人类遗忘曲线，学习过程中间隔太长时间会影响学习效果。分析发现，学习间隔较长的学习行为往往会伴随着较高的复看率，从复看率影响系数（-0.7297）可以看出，其并不是对学习有正向影响的行为。

2013版关于MOOC教学视频评价指标的《网络课程评价指标》（教育部, 2013）文件中提及视频及内容组织结构、顺序合理，强调学习者在视频学习过程中视频学习顺序的重要性。因此，教师在开展MOOC教学的时候设计好视频学习的先后顺序，并按顺序、有规律地依次开通视频学习，给予学生有限的视频学习时间，确保学生按照一定的节奏在固定的时间内按顺序、有规律地进行视频学习，有助于学生用较少的时间高效完成知识的学习。

（二）作业设计：关注作业设计，提高学习者作业完成率与完成质量

作业部分的作业完成比例对学生在线学习绩效的正向影响（56.8133）最大，且与其他四部分差距显著，完成在线作业明显有利于期末成绩的提高。视频、论坛和页面浏览三部分对学生在线学习绩效的正向影响依次减弱且均不显著，表明进行上述三部分在线学习行为对于提高在线学习绩效并无明显影响。

已有研究将MOOC学习者课程作业得分视为衡量个体学习过程中知识能力变化状况的指标（张晓蕾, 2019）。这也充分说明作业的完成率与完成质量很大程度上决定了真正的学习是否发生。因此，在教育教学过程中应该抓住影响学习效果的关键因素，即作业完成比例与完成质量。这一影响因素与其他因素之间存在显著差距，甚至可以说比其他影响因素重要得多。在开展MOOC学习的过程中，教师应尤其重视作业部分的设计、提交、评价等环节，督促、保障学习者按时、高效地完成作业。

（三）学习共同体：提升论坛活跃度，促进教师和学习者形成学习共同体

论坛的发帖数（2.2105）、回帖数（1.7798）对学习绩效的影响要明显高于论坛发帖字数（0.6208），论坛中学习者之间的交互属性显得尤为重要，甚至超越了帖子内容字数。

由此可见，通过论坛帮助教师和学习者形成学习共同体，促进学习共同体成员间的交流与思考，可以有效提升学习者的学习效果。只有教师和学生在网络上形成虚拟网络学习共同体，达到教学相互督促、相互提高，方能对学生的学习质量起到充分的保障作用（马晓春, 2014）。教师在MOOC教学过程中应有意识地提升论坛的活跃度，即增加论坛的发帖数、回帖数，同时形成学习共同体，让学习者养成参与论坛发帖、同伴讨论的习惯，将有助于课程教学效果的有效提升。

（四）学习习惯：引导学习者制定学习计划，避免考前突击，养成良好的在线学习习惯

通过数据分析发现，有四分之一的学习者观看视频间隔天数的方差较大，这表示有四分之一的学习者在观看视频过程中喜欢考前突击，在临近期末考试时观看视频更为频繁。进行抽样逐步回归之后发现，观看视频间隔天数的方差对学生在线学习绩效几乎没有影响，这表示大部分情况下选择考前突击的方式对于提高学习成绩并不会有太大影响。

考前突击现已成为部分学习者应对考试的常态，但通过分析得知在线学习考前突击的学习效果并不明显，反而容易因为熬夜学习，使得精神状况不佳，学习效率低下。因此，教师在开展MOOC学习中，应充分利用已有的优质教育资源，让学习者有充足的时间自主学习（郝连科, 2016），在此过程中关注学习者的学习持续性、连续性，帮助学习者制定学习计划，采用半监督的学习模式，即在学习者自主学习的过程中通过安排视频、作业互评、讨论答疑等手段进行适当干预，使得学生学习时间分布相对均衡，缓解考前突击现象（魏迎梅, 2018）。

六、

结语

随着在线学习的应用推广，如何提升在线学习效果成为研究热点。本研究采用爬虫相关技术手段，从在线学习平台中获取每个学员的学习行为数据，运用Python技术对所得数据进行加工整理，再建立相关模型，其模型涵盖的变量较为全面，最后进行抽样逐步回归得出结论，直观地发现对学生在线学习成绩有较大影响的在线学习行为变量。本研究在每次迭代求解过程中，首先利用spike-and-slab先验函数进行变量选择，然后使用逐步回归模型对所选择的自变量参数进行估计。上述迭代过程可以保证参数估计不会受到自变量之间多重共线性的影响，且拟合的参数均在指定的显著性水平下（本文设定p = 0.05）通过检验。同时，进行多次迭代并对估计参数取均值保证了参数拟合收敛，进而保证25种在线学习行为对学生在线学习绩效的影响效应的精确估计。这种方法除了能够避免多重共线性的同时给出各参数的精准估计，还能最大限度地保留各自变量（25种学习行为）对因变量（学习绩效）的影响力。

通过对在线学习行为的分析发现，作业完成比例、视频完成率、视频观看有序等行为对最终在线学习效果产生重要的正面影响；部分在线学习行为会严重影响在线学习效果，产生负面效果。因此，在开展MOOC学习的过程中，教师如何引导学习者产生良性的在线学习行为，避免或减少不良的在线学习行为将对整门课程的教学效果发挥至关重要的作用。未来，关注并培养教师在线学习的整体设计及对学习者的过程性引导将具有重要意义。

参考文献

向上滑动阅览

夏青. 2018. 技术时代下儿童时间的教育阐释[J]. 中国教育学刊（04）：52-56.

高洁. 2016. 在线学业情绪对学习投入的影响——社会认知理论的视角[J]. 开放教育研究（02）：89-95.

李爽，王增贤，喻忱，宗阳. 2016. 在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J]. 开放教育研究，22（02）：77-88.

郎波，樊一娜. 2015. 利用学习向量化样本分类的在线学习成绩预测[J]. 计算机系统应用（03）：215-222.

孙发勤，冯锐. 2019. 基于学习分析的在线学业成就影响因素研究[J]. 中国电化教育（03）：48-54.

赵西粉，李秋琳，梁春茉. 2019. 在线学习平台学习效果影响因素分析——以北方民族大学为例在线学习平台学习效果的影响因素原因分析[J]. 智库时代（03）：165，172.

吴林静，劳传媛，刘清堂，等. 2018. 网络学习空间中的在线学习行为分析模型及应用研究[J]. 现代教育技术，28（06）：46-53.

郭芳侠，刘琦. 2018. 在线学习行为与学习效果的相关性研究——基于Blackboard的翻转课堂教学实践[J]. 高等理科教育（01）：8-13.

董现垒，Bollen Johan，胡蓓蓓. 2015. 贝叶斯视角下社交媒体数据的挖掘与应用研究[J]. 软科学，29（9）：96-101.

胡艺龄，顾小清，赵春. 2014. 在线学习行为分析建模及挖掘[J]. 开放教育研究，20（02）：102-110.

魏顺平. 2012. 在线学习行为特点及其影响因素分析研究[J]. 开放教育研究，18（04）：81-90，17.

陈圆圆，刘盛峰，董克. 2019. 基于数据挖掘的成人学习者在线学习行为与学习效果分析[J]. 安徽广播电视大学学报（01）：38-42.

沈欣忆，吴健伟，张艳霞，等. 2019. MOOCAP学习者在线学习行为和学习效果评价模型研究[J]. 中国远程教育（07）：38-46.

教育部. 2013-09-02. 关于印发《国家教育资源公共服务平台教育资源审查办法（暂行）》的通知[EB\OL]. [2020-05-11]. http：//www.moe.gov.cn/s78/A16/s5886/s5892/201310/t20131014_158327.html

张晓蕾，刘威童，黄振中. 2019. 如何理解 MOOCs 学习完成率——对MOOCs学习者留存问题研究的评析[J]. 电化教育研究（04）：44-52.

马晓春. 2014. 学习共同体：MOOC实现有效学习的关键[J]. 计算机教育（21）：33-37.

郝连科，刘帅，王悦. 2016. MOOC与传统课堂教学优势互补研究[J]. 通化师范学院学报（06）：81-85.

魏迎梅，谢毓湘，蒋杰. 2018. 应用普及型SPOC课程半监督混合式教学模式与实践[J]. 计算机工程与科学（01）：51-55.

Johnson, M. L., & Sinatra, G. M. (2013). Use of task-value instructional inductions for facilitating engagement and conceptual change. Contemporary Educational Psychology, 38(1), 51-63.

Francisco, J., García, P., Ángel, F. B., & María, L. S. E.. (2018). An adaptive hybrid MOOC model: Disrupting the MOOC concept in higher education. Telematics and Informatics, 35(4), 1018-1030.

Tsai, Y. H., Lin, C. H., Hong, J. C., & Tai, K. H.. (2018). The effects of metacognition on online learning interest and continuance to learn with MOOCs. Computers & Education, 121, 18-29.

Jesús, P., Alejandro, M., & Manuel, M.. (2017). Application of Data Mining techniques to identify relevant Key Performance Indicators. Computer Standards & Interfaces, 50(2), 76-85.

Elena, B. G., Zhang, J. J., Cristina, G. F., & Francisco, A. F.. (2018). Learner support in MOOCs: Identifying variables linked to completion. Computers & Education, 122(5), 153-168.

Manuela, A., Tiago, O., Fernando, B., & Marco, P.. (2018). Gamification: a key determinant of massive open online course (mooc) success. Information & Management, 56(1), 39-54.

Joo, Y., Jang, M., & Lee, H. (2007). An in-depth analysis of dropout factors based on cyber university student’s dropout experiences. The Journal of Educational Information Media, 13(3), 209-234.

Kwon, S. (2009). The Analysis of differences of learners’ participation, procrastination, learning time and achievement by adult learners’ adherence of learning time schedule in e-Learning environments. Journal of Learner-Centered Curriculum and Instruction, 9(3), 61-86.

Lin Y. Muilenburg, & Zane L. Berge. (2005). Berge. Student barriers to online learning: A factor analytic study. Distance Education, 26(1), 29-48.

Jo, I., Yoon, M., & Ha, K. (2013). Analysis of relations between learner’s time management strategy, regularity of learning interval, and learning performance: A learning analytics approach. Paper presented at the E-learning Korea 2013, Seoul, Korea.

Carver, Lin B., Mukherjee, Keya., & Lucio, Robert.. (2017). Relationship between Grades Earned and Time in Online Courses. Online Learning, 21(4).

Bolliger, D. U., & Halupa, C.. (2018) Online student perceptions of Engagement, transactional distance, and outcomes. Distance Education, 39(3), 299-316.

Morris, L. V., Finnegan, C., & Wu, S. S.. (2005). Tracking student behavior, persistence, and achievement in online courses. Internet & Higher Education, 8(3), 221-231.

Watanabe, T., & Aoki, N.. Time on task and time management in an english e-learning program. Iated, 2011.

Hou, H. T., Chang, K. E., & Sung, Y. T.. Analysis of Time-Management Pattern of Interactive Behaviors during Online Project-Based Learning[C] IEEE International Conference on Advanced Learning Technologies. IEEE, 2011.

Dringus, L. P., & Ellis, T.. (2010). Temporal transitions in participation flow in an asynchronous discussion forum. Computers & Education, 54(2),0-349.

Macfadyen, L. P., & Dawson, S.. (2010). Mining lms data to develop an “early warning system” for educators: a proof of concept. Computers & Education, 54(2), 588-599.

Wong, L. (2013). Student Engagement with Online Resources and Its Impact on Learning Outcomes. Journal of Information Technology Education Innovations in Practice, 12(1), 129-146.

Hamane, A. C. (2014). Student engagement in an online course and its impact on student success. Dissertations & Theses-Gradworks.

Jez, Su Jin, & Wassmer, Robert W. (2015). The Impact of Learning Time on Academic Achievement.. Education and Urban Society, 47(3), 284-306.

Marcotte, D. E. (2007). Schooling and test scores: A mother-natural experiment.Economics of Education Review, 26, 629-640.

Lavy, V.. (2010). Do differences in school’s instruction time explain international achievement gaps in math, science, and reading? Evidence from developed and developing countries (NBER Working Paper No. 16227). Cambridge, MA:National Bureau of Economic Research.

Dong, X. L., Xu, J., Ding, Y., Zhang, C. W., Zhang, K. P., & Song, M. (2016). Understanding the Correlations between Social Attention and Topic Trends of Scientific Publications. Journal of Data & Information Science, 1(1), 28-49.

作者简介

董现垒，本文通讯作者，博士，副教授，硕士生导师，山东师范大学商学院信息管理与信息系统系（250014）。

责任编辑：张志祯　刘莉

中国期刊方阵双效期刊

中文核心期刊   

中文社会科学引文索引（CSSCI）来源期刊

AMI综合评价（A刊）核心期刊

人大复印报刊资料重要转载来源期刊

中国科学评价研究中心（RCCSE）核心期刊

邮发代号2-353，全国各地邮局均可订阅。

本社亦办理征订，联系电话：010-68182513

更多精彩内容，尽在阅读原文

我知道你在看哟

欢迎您留言，反馈意见建议

电话：（010）68182514

邮箱：zzs@ouchn.edu.cn