在线学习非母语学习者群体研究：类别画像与行为特征分析
| 全文共10601字，建议阅读时20分钟 |
本文由《现代远距离教育》杂志授权发布
作者：张雪 檀悦颖 罗恒
摘要
以慕课为代表的开放在线课程吸引了越来越多的非母语学习者参与，然而当前文献对该学生群体缺少深入的类别画像及学习行为分析。基于此研究需求，通过对中国学生学习一门国际全英文慕课的过程进行实证探索，结合问卷调查数据与在线平台的学习分析数据，对非母语学生群体进行基于聚类的画像。同时，采用LASOO回归的数据挖掘方法对影响在线学习表现和学习体验的关键学习行为变量进行判定和排序。研究结果表明，在线学习环境中非母语学生群体根据学习表现、浏览行为和论坛交互可以分为“成绩较好但不积极”“成绩较差且不积极”“成绩很好且积极”以及“旁观者“四大类别。查阅文档、浏览网页和论坛发帖行为在某种程度上对在线学习表现有积极影响，但缺少能显著预测在线学习体验的行为变量。该研究揭示了非母语学生群体在线学习的类别差异和关键行为特征，相关结论能指导全球受众的在线学习平台课程的教学设计与实施，进一步提升在线教学的质量和学习体验。
关键词：在线学习；学习者画像；学习表现；学习体验；LASOO回归
一、引言
近年来，作为教育信息化支持下开放教育运动的重要组成部分，慕课（MOOC）这种新兴的在线教学模式正在逐步推动高等教育的变革[1]。慕课有着开放的平台、开放的课程、开放的评价和开放的学习[2]，使高等教育变得更加开放。纵观全球，越来越多的高校加入到了国际慕课的行列。在全球的三大慕课平台Coursera、Udacity和EdX上，开放课程的种类及数量逐年递增[3]。相比较之下，中国的慕课起步较晚，且由于授课语言大多是中文，其国际影响力仍有待进一步增强。为了更好地与国际教育接轨，获取更多的优质资源，中国学生将越来越频繁地接触其他语言的课程环境和资源。然而，目前国内外文献中关于非母语环境下的开放在线学习研究尚处在探索阶段，语言能力、学习习惯和文化背景的差异在多大程度上影响非母语学生的在线学习表现和学习体验仍缺少基于实证的明确结论。非母语学生是慕课学生群体的重要组成部分，也是开放教育运动的重点服务对象，深入理解慕课中非母语学生群体的行为特征、学习表现和学习体验有助于进一步提升慕课的教学效果和全球影响力，是亟待解决的关键问题。
随着慕课运动的迅速开展，非母语学生群体的特殊性受到了越来越多的学者的关注。一些学者揭示出在线学习者语言的不同所带来的学习投入和行为模式等方面的差异[4-5]。然而，文献中对于非母语学生群体的认识仍比较泛化，仅将他们和母语学生群体进行了整体区分和比较，按照学习行为不同对非母语学生群体进行细分者并深入探究影响该群体学习模式和学习体验的潜在因素的研究较少。问卷仍然是文献中衡量在线学习者学习体验的最常用的量化工具，但由于问卷调查是基于学习者自我报告的主观测量，仅仅依赖于问卷结果容易导致诸如测量误差和抽样偏差等有效性问题，从而降低研究结果的可信度和准确性[6]。同时，问卷只能收集特定时间点学习者的态度与看法方面的数据，无法反映学习者参与在线学习过程的时间序列数据[7]。为了克服问卷调查的局限性，使研究结果更加全面客观，近年来一些研究者尝试应用学习分析技术对在线学习过程进行深入分析。
学习分析提供了深入挖掘和理解学习者在线学习行为的方法和工具，其分析结果可用于优化学习过程，逐渐得到教育领域学者的关注[8]。一些研究者应用学习分析技术直观呈现关键的学习特征，发掘出学习者态度、能力方面的特点，刻画了在线学习环境下不同的学习者类型[9]，并通过探索特征行为变量与学习结果的复杂关系揭示了影响在线学习效果的关键指标，如注册课程时间、登录课程次数、模块访问频率等可以作为学习结果预测的关键指标[10-12]。然而，由于在线学习环境的复杂性，学习者的学习结果受到诸多因素的影响，即使是相似的研究所得出的结论也不尽相同[13]。同时，研究中较少考虑课程语言和学生母语不一致所带来的影响，未单独考察非母语学生群体的具体特征和学习行为。因此，非母语学生的学习模式及其学习行为特征值得进一步验证和调查。
针对上述研究需求，本研究结合问卷调查数据与在线学习平台的学习分析数据，对中国学生学习一门国际英文慕课的学习体验进行实证探索，旨在通过挖掘非母语学生的潜在变量如学习者特征、学习行为和学习结果，将学生以标签化的形式进行分类刻画，这种基于学习者关键特征的分类和描述也被称为学习者画像（Learner Profile）。此外，通过整体分析学习行为与学习结果之间的关系对关键在线学习行为进行判定和排序。具体来说，本研究旨在回答以下几个关键问题：
（1）非母语学习环境下学习者类别有哪些？学习者的主要特征是什么？
（2）非母语学习环境下学习者的哪些在线学习行为可以显著预测学习表现和学习体验？
二、文献综述
（一）慕课学习效果研究
慕课即大规模在线开放课程（Massive Open Online Course，MOOC），结合网络和信息技术实现了优质教育资源在线上的全球共享、减少了教育资源分配的不平等、突破了学习的局限性，使更多的人接触到更加前沿、完整且涵盖不同语言的课程[14]。但是与传统课程相比，对慕课的学习效果存在着很大争议，即学生学习的持续性不强，课程完成率较低[15]。一方面，由于慕课要求学习者具有高度的自觉性和自控能力。因此，如何提高学习者学习的持续性，进一步增进学习效果已经引起许多研究者的探索和思考。一些学者通过尝试探究出影响慕课学习效果的深层次原因来把握在线学习行为的规律。根据学习者的学习行为特点，分析其与学习绩效之间的关系，最终为提高学习效果提供了客观依据[16-17]。另一方面，尽管慕课语种具有多样性，包括法语、德语、意大利语、汉语等，但英语仍是无可争议的慕课教学主导语言[18]。课程教学语言和学习者母语的差异成为了全球大多数慕课学习者需要面对的挑战。一般认为，语言障碍会加大非母语学习者理解学习内容的难度，从而导致学习动机和自我效能感的降低，影响学习者的学习表现和学习体验[19]。然而，Pursel等通过分析宾州州立大学在Coursera平台上的五门不同学科慕课的完成情况后发现，非母语学生获得了比母语学生更高的课程完成率[4]。该结果表明语言是影响慕课学习效果的潜在因素，但对其影响学习效果的机制模式尚缺乏共识。同时，当前有关慕课的研究文献中较少区分母语学生和非母语学生在学习行为和学习模式上的差异[20-21]。因此，深入探究非母语学生群体在慕课中的学习行为和学习效果差异具有一定的研究价值。
（二）影响在线学习结果的关键指标
选择关键指标建立数据模型对学习者在线学习结果进行预测是学习分析研究的关键内容，依据预测结果及时开展有效的教学干预是改善课程学习效果的途径之一[22]。学习结果是学习者学习过程中的各种产出，是学习者认知和心理状态变化的结果[23]。它包括认知和情感两个层面，通常由学习者的学习成绩和学习态度来衡量[24]。文献中研究学习结果的常见方法是利用在线测试题和问卷分别对学习成绩和学习态度进行测量[25-26]。近年来，也有一些研究者开始利用学习分析技术对学习结果的关键指标进行基于行为数据的深入分析。
研究结果表明，在线开放课程条件下学习者的学习结果受到诸多因素的影响。预测学习结果的关键指标包括性别、以往的学科成绩等人口学特征及观看视频、浏览文本、上传作业、论坛主题发帖等在线学习活动的参与情况[27]。然而，不同研究得出的关键指标并不一致。例如，贾积有等通过相关分析发现，视频、网页的观看次数和讲义的下载次数与学习结果呈显著正相关[28]；而宗阳等通过逻辑回归分析发现，浏览页面和观看视频行为对学习成绩提升并没有显著影响[13]。此外，几乎没有学者从学习分析的视角有针对性地评估非母语环境下的影响非母语学习者学习结果的指标，其中语言水平的差异性可能就会导致不同的学习结果。因此，本研究在已有学习分析研究的基础上，针对非母语学生群体进一步探索在线学习结果预测指标。
（三）学习者画像的构建
学习者画像，即学习者的标签化，是依据学习者的基本属性和学习过程特征而抽象出的标签化的学习者模型[29]。该模型能反映学习者的行为倾向，在评估过程和改进在线学习过程的建议中起着至关重要的作用，比如辅助教学决策、提供有效的支持服务、灵活地设计教学形式等[30]。此外学习者画像使教师和管理者能够有效地报告学习者的学习行为，理解和优化学习过程[31]。早期用于描述学习者特征的数据具有一定的片面性，主要基于学习管理系统中的一些基本信息，如人口特征、考试成绩等，而非学习平台上的行为数据[32]。但基本信息不足以全面呈现学习者的关键特征。学习者画像的构建可以弥补这一不足，通过整合学习者的基本信息和行为数据，对学习者进行可视化的标记和分类，从而高度概括个性化特征[33]。学习者画像可以对在线学习者进行评价，为教师和管理者调整在线学习系统的内容和结构提供指导。
近年来，一些学者基于开放学习环境中的行为数据开展了学习者画像的研究。张驰等使用ＥＭ算法对学习者的个人信息、学习偏好两个维度进行聚类分析，参考学习动机的分类标准将学习者分成应试考证类、培养兴趣类和充电拓展类三种类型[34]。王改花等根据在线积极性、参与度、自我调控能力等刻画学习特征，利用Microsoft聚类分析算法将学习者分为高沉浸性型、较高沉浸性型、中沉浸性型、低沉浸性型四种群体[35]。然而这些研究并未区分母语学生和非母语学生群体，未将语言能力差异纳入画像分类指标中。因此，本研究借鉴已有的学习者画像研究成果对在线课程中非母语学生群体的特征信息进行进一步探究，旨在深入了解该群体中各种类型的学习者的学习过程与习惯差异，为开放学习环境下的课程设计与管理提供支持。
三、研究方法
（一）研究背景
本研究中的数据来源于Wolearn在线学习平台（www.wolearn.org），该平台为中国数所大学本科生和研究生提供国际知名大学的慕课课程。本研究选取一门名为E-learning and Digital Cultures（数字学习与数字文化）的全英文在线课程。该课程由英国爱丁堡大学设计开发，由慕课平台移植到Moodle平台上，保留了英文慕课的特征，提供完整的慕课学习体验，包括课程详情介绍、单元视频介绍、资源模块、论坛讨论、测试和作业等学习活动。选课学生为中国一所研究型大学2017年秋季入学的87名研一学生，其中男生10人，女生77人，所有学生之前都未曾学习过与课程主题相关的内容且从未参加过完整的英文在线课程。在该研究中，安排这87名中国学生集体注册学习该门课程以针对性地考察该群体在非母语学习环境下的行为表现。在正式开始学习前，参与者需要完成一份调查问卷。该问卷收集学习者的个人基本信息，包括英语水平和学习英文在线课程的动机。两周学习时间结束后，参与者需要提交两篇满分为100分的作业报告，包括案例问题分析题和课程主题反思题。此外，学习者还需完成一个针对该慕课学习体验的课后调查问卷。本研究中使用的问卷和作业题目均由中国教师设计开发，在线学习方式主要以自学为主，期间来自爱丁堡大学的教师在第一周学习结束后通过视频会议进行了一次90分钟的远程授课，对课程内容进行了讲解并在线回答了中国学生提出的关于课程的问题。
（二）数据收集
通过对数据的采集、清洗和预处理，本研究剔除了一些缺失样例和缺失数据较多的变量，最终收集了三类数据。第一类数据是学习者在线学习行为信息，主要集中在慕课的课程页面和讨论区模块。课程页面的学习行为包括观看视频、查阅文档和浏览网页等。讨论区的学习行为包括读帖、发帖、回教师帖和回学生贴四种。Wolearn平台的数据库记录和日志文件记录了上述各类学习行为信息。第二类数据是通过调查问卷收集的学生自我报告数据，其中包括英语水平及学生对课程学习体验的评分。为考察潜在干扰因素的影响，研究中也加入了学习者年龄和性别等特征变量。第三类数据是教师对学习者作业的评分结果，从“理论引用”“分析广度与深度”和“反思质量”三个维度进行综合评价。提交作业的质量反映了学生对课程内容的理解程度以及高阶思维能力水平，因此被用来衡量该生在课程中的学习表现。本研究中不同数据类别中的关键变量、变量描述和数据来源等信息如表1所示。
（三）数据分析
本研究利用数据挖掘工具对Moodle平台数据库和日志文件的数据信息进行处理，采用两类数据分析方法：（1）通过聚类分析将非母语学生群体进行归类并以标签化的形式进行刻画；（2）LASOO回归模型对非母语学习环境下学习者学习表现和学习体验的影响因素进行筛选与分析。
聚类分析是一种对事物对象进行定量分类的探索性多元统计分析方法。K-means聚类算法是其中一种基本的划分方法。该算法简便易懂，有着较快的计算速度，通常被作为聚类分析的首选算法，事先确定聚类数目是该算法的关键。本研究首先使用层次聚类分析方法的一种——Ward’s方法科学地确定数据集中合适的类数目，随后使用K-means聚类算法对该慕课课程下的不同类型的学习者进行分类。具体做法为：分别从课程页面、讨论区的在线学习行为及学习效果三个维度对非母语学习者进行分类，包括观看视频、查阅文档、浏览网页、读帖、发帖、回教师帖、回学生帖和学习成绩八个变量。学习成绩是学习表现的一个重要衡量指标，学习行为是考察学习者学习投入和学习态度的重要指标[27]。在该研究中通过对这八个变量的聚类来分析每一类学习者的关键特征。随后，考虑到课程语言环境的差异，使用雷达图来呈现每一类非母语学习者的画像时添加了英语水平这一变量。根据学习者英语四、六级考试成绩将英语水平分为四个等级（0-3），其中没过四级的学习者英语水平等级为0，过四级但没过500分的学习者英语水平等级为1，过四级且过六级但分数分别没超过550和500的学习者英语水平等级为2，过六级且分数大于500分或过四级分数过550的学习者英语水平等级为3。在本研究中通过SPSS（版本20）统计分析软件对学生进行聚类分析。
LASOO回归也被称为线性回归的L1正则化，在拟合广义线性模型的同时进行变量筛选和复杂度调整。通过在残差平方和最小化的计算中加入一个惩罚约束λ（lambda），当λ充分大时可以把某些待估系数较精确地收缩到0，以此调整回归模型的复杂度，最终获得一个较少特征变量构造的模型。LASOO回归适用于样本偏态分布的情况，能有效消除自变量之间的共线性问题并压缩特征变量，进而改善模型解释能力、提高预测精度。相比一般线性回归模型，LASOO回归能更好地应对本研究中学习行为变量种类繁多、分布多样且彼此关联的情况，同时避免模型的过度拟合。在本研究中，Moodle平台中提取的7个在线学习行为变量（观看视频、查阅文档、浏览网页、读帖、发帖、回教师贴、回学生贴）、学习者的3个特征变量（性别、年龄、英语水平）以及1个学习者的考勤变量（是否参加了视频会议）是LASOO回归模型的自变量（预测变量），而学习者的学习表现和学习体验是回归模型的两个因变量（结果变量），针对不同因变量分别建立LASOO回归模型。LASOO回归的具体建模运算可以通过在Ｒ语言中调用glmnet函数包实现。
四、研究结果
（一）非母语学习环境下学习者类别
本研究采用K-means聚类分析对学习者进行分类。首先根据层次聚类Ward’s方法将所有可能的聚类解全部输出，随后利用碎石图这个辅助工具确定最终的聚类数目。碎石图的横轴为各类的距离（从凝聚状态表中获得），纵轴为类数目，如图1所示。
观察图1碎石图可知，当类数目减少到4以后，类间的距离迅速增大。因此，以它作为确定分类的参考，通过多次重新启动K-means聚类，最终确定最佳的类别个数为4。如表2所示，在该门国际英文在线课程的87名学习者中，34名学习者被归到第一类，该类学习者最终的学习成绩较高（82.57分），在课程页面浏览区中查看课程网页的次数最多（16次），但在论坛讨论区中参与度较差（1次）。有24名学习者在第二类，该类学习者的学习成绩较低（68.17分），浏览过的课程网页次数偏少（10次），与其他学生没有任何互动（0次）。有13名学习者在第三类，该类学习者只是注册了该门课程，但并未参与任何论坛活动也未提交课程作业（0分）。最后16名学习者被归到第四类，该类学习者的课程作业获得最高的测试成绩（87.94），通过经常浏览网页（20次），多次阅览其他学习者的帖子（30次），及时回复老师发的主题帖（4次），而且也尝试主动发帖（4次）来积极参与课程。根据上述四种类型的学习者在学习成绩和学习投入两方面的表现差异，将这四种类型的学习者命名为成绩较好但不积极的学习者（第一类）、成绩较差且不积极的学习者（第二类）、旁观者（第三类）以及成绩很好且积极的学习者（第四类）。
随后，本研究采用雷达图的方式，从英语水平等级（0-3），课程页面、讨论区的在线学习行为表现和学习成绩四个维度呈现学习者画像。课程页面中学习行为的维度包括观看视频、查阅文档和浏览网页三个变量。讨论区中学习行为的维度包括读帖、回教师帖、回学生贴和发帖四个变量。学习成绩是课程结束后提交的两篇论述性作业的平均分数。由于不同维度的数据有很大差异，因此本研究使用SPSS对数据进行了0-1标准化处理，也称离差标准化，通过对原始数据进行线性变换（
（二）非母语学习环境下影响学习表现和学习体验的行为指标
学习成绩可以衡量在线学习环境下非母语学习者客观的学习表现，而学习体验则有针对性地描述了学习者经过两周在线学习所产生的主观学习感受。因此，本研究将学习表现和学习体验作为LASOO回归的因变量分别进行建模分析，旨在比较不同LASOO回归模型对这两个因变量的预测能力（由决定系数%dev求得），并对潜在的预测变量进行筛选和重要性排序（由标准回归系数β求得）。
以“学习表现”为因变量构建LASOO回归模型，此时，进入回归模型的自变量一共有11个，其中包含7个在线学习行为变量、3个学习者特征变量和1个学习者的考勤变量。如图3所示，随着惩罚系数λ变大，11个自变量的回归系数迅速向零收敛，同时模型的均方误差（MSE）逐渐减小并在logλ略小于-2时达到最小。此时LASOO回归模型中非零回归系数的自变量个数为3个。表3列出了LASOO回归模型的标准回归系数和模型决定系数。由表3可知该LASOO回归模型筛选出的3个自变量分别是“查阅文档”（标准回归系数β＝0.023）、“浏览网页”（β＝0.180）和“发帖”（β＝0.085），此时回归模型在模型复杂度和预测精确度上达到了最佳平衡，通过三个关键行为变量能够解释在线学习表现约30％的方差变异数（模型决定系数%dev＝0.301）。相比较而言，“浏览网页”是最重要的预测变量，具有高于其他变量的标准回归系数。而“查阅文档”和“发帖”两种预测变量因其偏小的标准回归系数，对学习表现的影响十分有限。而人口特征变量和考勤变量这4个变量不是影响学习者在线学习表现的因素。有趣的是，“观看视频”这种学习行为变量并没有被保留为学习表现的预测变量，表明尽管几乎所有学习者都偏爱视频这种以更加具有视觉冲击力和有趣的方式呈现的资源，但更多的观看视频的行为并没有带来更高的学习成绩。而且非母语环境下学习者的“英语水平”对学习一门国际英文在线课程的学习表现影响不大，这也和学习者画像分析揭示的结果一致。
当以“学习体验”为因变量构建LASOO回归模型时，因变量为学习体验问卷得分的平均值，而自变量与前一个LASOO回归模型的11个自变量保持一致。令人意外的是，“观看视频”“查阅文档”“论坛发帖”等在线学习行为变量和“性别”“年龄”等特征变量均不是影响非母语学习环境下学习体验的关键行为指标。因此，以“学习体验”作为LASOO回归的因变量并没有建立一个预测回归模型。
五、总结与讨论
为了探究在线学习环境中非母语学生群体的行为特征、学习表现和学习体验，本研究通过聚类分析探索非母语学生群体的潜在类别及特点，并构建LASOO回归模型以判定非母语学习环境下影响学习者学习表现和学习体验的关键行为指标。研究结果可以初步回答本文之前提出的研究问题：（1）在线学习环境中非母语学生群体按照学习成绩和学习投入两方面的差异表现大致可以分为四种类型；（2）查阅文档、浏览网页和发帖次数能够在某种程度上预测在线学习表现，但缺少能显著预测在线学习体验的行为变量。
一方面，研究通过聚类分析刻画非母语学习者群体特征，将其分为“成绩很好且积极的学习者”“成绩较好但不积极的学习者”“成绩较差且不积极的学习者”以及“旁观者”四个类别。通过对该四类学生群体的特征解读揭示了以下两种观点：
第一，语言水平不是影响慕课学习表现的决定性因素。在一门全英文在线课程学习环境中，“成绩较差且不积极的学习者”在此研究范围内的所有非母语学生群体中拥有最高的英语水平，但高英语水平的这一学生群体并没有取得最好的学习成绩，这一发现与Pursel等人的研究结论一致[4]。在本研究中得到这种结论的原因可能是影响在线学习表现的因素有很多，如学业动机、专业基础及自我调控能力等[36-37]，学习者语言能力的差异并不会显著影响学习者的学习表现，并且该研究中对英语能力的衡量是采用学生自我报告中的四、六级成绩，只能反映学习者过去而不是当前实际的英语水平。另外，四、六级考试考察的是学习者英语听说读写方面的能力，而学习者学习在线英文课程较多运用到的是学习者的英语学术阅读技能。
第二，在线平台中记录的学习投入对学习成绩并不一定具有显著的影响。“成绩较好但不积极的学习者”在学习过程中学习参与度较低，学习积极性较差，但仍获得了不错的学习成绩。这与部分文献中揭示的在线学习投入和学习绩效之间不具有正相关性的观点一致[38]。在本研究中，出现这种现象可能的原因是在自由的学习环境中部分学习者具有较高的自我调控能力，能够通过自我调节合理分配学习行为，虽然期间与其他学习者的互动很少，但偏向于自己独立思考的学习方式，因此也可能获得较好的学习表现。这也反映了慕课学习的特点，学习者自主选择学习内容和学习方式，不一定要全程按照规定的步调进行学习。
另一方面，研究通过LASOO回归分析揭示的重要学习行为指标有些令人意外。研究预计观看视频是在线课程学习表现的强有力预测指标，因为大部分在线学习平台通常以视频的形式作为内容传输的核心媒介。但本研究中观看视频这一行为变量并不能积极预测最终的学习表现，反而是查阅文档和浏览网页等行为能更好地预测在线学习成绩，这种现象与宗阳等人的研究结论一致[13]，文本内容是学习者面向的在线学习模式中最常见的教学方式，学习者更加熟悉这种方式。此外，虽然论坛不以任何强制性的方式作为完成课程的标准的一部分，但论坛上的交流互动行为却是学习表现的重要预测因素，特别是创建帖子的数量是促进有效学习的关键因素之一。这与Macfadyen等人的研究结果一致[39]，即当学习过程中出现学习群体之间的交流互动时，学习表现往往更加优秀。这也支持已有的一些关于学生参与在线课程的研究结论[40-41]，特别强调论坛互动是优质慕课的重要组成部分。
值得注意的是，在本研究考察的变量指标中，不管是人口特征变量，还是课程页面学习行为变量或论坛交互行为变量都未能显著预测学习者的在线学习体验。原因可能是影响学习者学习体验的因素众多，而本研究仅通过有限的问卷题项来衡量学习体验，数据来源较为单一、主观、缺少互证，因此该构念效度存在一定局限性。另外考察的自变量仅仅是学习者的学习行为变量、人口特征变量，真正影响学习体验的因素反而可能是在线教学资源本身的设计、教学活动和资源的感知重要性和感知质量等，这在管珏琪等人的研究中有所阐述[42]。另外Elliot等研究发现学习动机也是学习体验的一个重要预测因素[43]。因此，在未来的研究中有待在行为交互、学习风格、学习动机等多方作用下，对非母语学习环境中学习者表现出的感知体验进行进一步深入挖掘分析。
本研究的结果对了解在线环境中非母语学生群体有一定启发作用，也能为慕课的设计和实施提供有用建议。（1）在非母语学习环境下，不应该简单地期望具有良好语言学习水平的学生成为优秀的在线学习者，而是需要提供必要的脚手架和指导来使这些学习者主动参与学习过程。（2）慕课学习活动仍不应被强制执行，而是提供有针对性的个性化学习支持服务由学习者自由选择，学习者有权以自己喜欢的方式学习课程。（3）学习者的浏览活动对他们的学习表现有积极的影响，这表明了慕课课程内容设置及其质量的重要性。保证课程内容质量是在线课程存在与发展的根本，也是提升在线教学效果和体验的重要手段。
基金项目：2016年度教育部人文社会科学青年基金项目“面向大规模在线教育的众包评测模型研究”（编号：16JYC880054）；2018年华中师范大学基本科研业务费自然科学类专项资金项目“学习分析视域下社交临场感对在线学习效果的影响机制研究”（编号：CCNU18QN023）。
作者简介：张雪，硕士研究生，华中师范大学教育信息技术学院；檀悦颖，硕士研究生华中师范大学教育信息技术学院；罗恒（通信作者），博士，讲师，硕士生导师，华中师范大学教育信息技术学院。
转载自：《现代远距离教育》2019年第1期
排版、插图来自公众号：MOOC（微信号：openonline）
新维空间站相关业务联系：
刘老师 13901311878
孙老师 17316022016
邓老师 17801126118
微信公众号又双叒叕改版啦
快把“MOOC”设为星标
不错过每日好文☟
喜欢我们就多一次点赞多一次分享吧~
有缘的人终会相聚，慕客君想了想，要是不分享出来，怕我们会擦肩而过~
相关内容
微信扫码咨询专知VIP会员