林佳慧 周寶建 廈門大學(xué)嘉庚學(xué)院管理學(xué)院

引言

慕課即大型開放式網(wǎng)絡(luò)課程，是目前最熱門的線上學(xué)習(xí)方式之一。目前全球范圍內(nèi)的MOOC用戶已經(jīng)超過1億，全球有超過900所大學(xué)提供約有11 400個(gè)慕課課程。2020年是特許的一年，一場(chǎng)新冠疫情的來臨，讓所有人的生活都發(fā)生了巨大的變化，為了在這一特殊時(shí)期也可以順利完成教學(xué)任務(wù)，開啟了線上代替線下的教學(xué)模式，不少同學(xué)都開啟了“宅”在家中、網(wǎng)絡(luò)上課的模式，一時(shí)間在線教育用戶得到了快速增長(zhǎng)。

伴隨國(guó)內(nèi)疫情的逐漸好轉(zhuǎn)，國(guó)外的疫情狀況得到了強(qiáng)有力的控制，多地已有序組織開學(xué)復(fù)課。疫情之后，紅極一時(shí)的網(wǎng)上在線教育平臺(tái)，應(yīng)該怎樣定位自己呢？

中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心于2020年4月發(fā)布了《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》(第45次)，報(bào)告統(tǒng)計(jì)，截至2020年3月，我國(guó)已注冊(cè)在線教育用戶數(shù)量已達(dá)4.23億，與2019年相比，用戶量增長(zhǎng)了2.22億，在全部網(wǎng)民總量中占比46.8%。

MOOC (Massive Open Online Courses)，本文將稱之為慕課，是教學(xué)模式借助互聯(lián)網(wǎng)發(fā)展的一種新型教學(xué)模式，具有課程免費(fèi)、內(nèi)容豐富、學(xué)習(xí)自由等特點(diǎn)。在過去的六年里，MOOC平臺(tái)不斷涌現(xiàn)，國(guó)內(nèi)外著名高校紛紛在慕課在線學(xué)習(xí)平臺(tái)開設(shè)精品課程，越來越多的學(xué)生群體通過慕課在線平臺(tái)學(xué)習(xí)。[1]

在文獻(xiàn)調(diào)查前期，通過對(duì)慕課研究相關(guān)文獻(xiàn)調(diào)查分析發(fā)現(xiàn)，現(xiàn)今對(duì)于慕課在線學(xué)習(xí)平臺(tái)的相關(guān)國(guó)內(nèi)外研究概括起來大概為三個(gè)方面：首先，在分析用戶學(xué)習(xí)行為發(fā)現(xiàn)規(guī)律的基礎(chǔ)上，優(yōu)化慕課在線學(xué)習(xí)平臺(tái)的教學(xué)活動(dòng)；[2]其次，采用數(shù)理統(tǒng)計(jì)方法分析學(xué)習(xí)行為繼而對(duì)慕課在線學(xué)習(xí)平臺(tái)現(xiàn)有措施提出意見建議；[3]三是通過建立模型尋找學(xué)習(xí)行為與學(xué)習(xí)效果之間的關(guān)系并對(duì)學(xué)習(xí)效果進(jìn)行預(yù)測(cè)。但目前針對(duì)學(xué)習(xí)行為的退課預(yù)測(cè)研究較少，慕課較高的退課率嚴(yán)重影響了其作為在線學(xué)習(xí)平臺(tái)的持續(xù)發(fā)展，本文利用神經(jīng)網(wǎng)絡(luò)、C5.0決策樹、二元Logistic回歸模型對(duì)學(xué)員的退課進(jìn)行預(yù)測(cè)，助力慕課在線平臺(tái)的可持續(xù)發(fā)展。

一、數(shù)據(jù)來源與處理

本文的數(shù)據(jù)來源主要是“學(xué)堂在線”的MOOC平臺(tái)的2017年5月1日到2018年7月1日的大部分學(xué)習(xí)用戶的選課記錄和學(xué)習(xí)行為記錄。其中包括完成課后作業(yè)、觀看課程視頻、參與課程論壇討論、訪問課程內(nèi)容和訪問課程其它部分內(nèi)容。

針對(duì)數(shù)據(jù)集當(dāng)中出現(xiàn)的若干問題，進(jìn)行噪音處理。查找不規(guī)則的數(shù)值，例如空白、極端異常數(shù)值。對(duì)空白的數(shù)據(jù)進(jìn)行插補(bǔ)處理，對(duì)極端異常數(shù)值，采取刪除處理。

二、數(shù)據(jù)描述

為了更加直觀地了解已經(jīng)獲取的數(shù)據(jù)，首先將數(shù)據(jù)區(qū)分為退課者和未退課者兩種類型，并分別觀察他們的各種學(xué)習(xí)行為的平均次數(shù)，這五種學(xué)習(xí)行為分別是：完成課后作業(yè)(problem)、觀看課程視頻(video)、訪問課程內(nèi)容(wiki)、參與課程論壇討論(discussion)和訪問課程其他部分(navigation)完成課后作業(yè)。由表1可知，這五種學(xué)習(xí)行為都是未退課者比退課者的次數(shù)更多，說明學(xué)習(xí)行為與用戶是否選擇退課之間具有關(guān)聯(lián)性，利用這五個(gè)因素來進(jìn)行MOOC的退課預(yù)測(cè)是可行的。

表1 2017—2018年MOOC用戶學(xué)習(xí)行為退課與未退課者平均次數(shù)比較

三、因子分析

對(duì)用戶使用慕課學(xué)習(xí)行為的五個(gè)維度數(shù)據(jù)進(jìn)行置信效度分析和因子分析，并對(duì)相關(guān)數(shù)據(jù)進(jìn)行精簡(jiǎn)和降維。

計(jì)算得到KMO值為0.946，Bartlett值為2445.352，自由度為45，P值為0.000，說明問卷總體效度居于較高且可接受范圍內(nèi)，也就是說數(shù)據(jù)適合做因子分析。同時(shí)，根據(jù)總方差解釋圖，當(dāng)取到三個(gè)因子的時(shí)候，累計(jì)方差已經(jīng)達(dá)到85.727%>85%，可以認(rèn)為該解釋程度已經(jīng)達(dá)到所需的標(biāo)準(zhǔn)，參見表2。

表2 KMO和巴特利特檢驗(yàn)

綜上所述，將五項(xiàng)測(cè)量指標(biāo)轉(zhuǎn)化為得分均值，以因子載荷為權(quán)重，選擇“最大方差法”，縮減成三個(gè)因子影響程度指數(shù)，得到以下成分矩陣：

表3 旋轉(zhuǎn)后的因子成分矩陣

四、慕課退課行為預(yù)測(cè)研究

為了探究利用慕課學(xué)習(xí)因素的重要程度，在了解用戶日后是否繼續(xù)上課的基礎(chǔ)上，對(duì)其進(jìn)行分析?？紤]到用戶是否愿意繼續(xù)上課是一個(gè)定性二分變量，如果直接套用回歸方程模型，則可能出現(xiàn)許多不嚴(yán)謹(jǐn)?shù)慕Y(jié)論。通過線性回歸分析，可以使得對(duì)P值的回歸預(yù)測(cè)具有實(shí)際意義。為確保模型的準(zhǔn)確率，使用神經(jīng)網(wǎng)絡(luò)、C5.0決策樹、二元Logistic回歸三個(gè)模型對(duì)預(yù)測(cè)正確率進(jìn)行比較，從而挑選出預(yù)測(cè)率最高的模型，對(duì)其因素的重要程度進(jìn)行分析。利用SPSSModeler軟件進(jìn)行分析，分析方法如下圖所示。

圖1 模型比較方法

(一)神經(jīng)網(wǎng)絡(luò)法

BP神經(jīng)網(wǎng)絡(luò)模型主要由三層組成，分別是輸入層、隱藏層及輸出層。隨著網(wǎng)絡(luò)層次的增加，會(huì)降低誤差，加強(qiáng)網(wǎng)絡(luò)的表現(xiàn)力，但網(wǎng)絡(luò)結(jié)構(gòu)的龐大也會(huì)增加訓(xùn)練的時(shí)長(zhǎng)。一般情況下，三個(gè)層級(jí)的神經(jīng)網(wǎng)絡(luò)模型能夠獲得較好的結(jié)果。

對(duì)于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及測(cè)試同樣將進(jìn)行因子分析篩選以后得到的因子作為分析的樣本。其中選取80%的數(shù)據(jù)部分作為訓(xùn)練基，用來訓(xùn)練模型。另外的20%則作為檢測(cè)基用來對(duì)該模型的樣本進(jìn)行檢測(cè)。

最后得出各因子的重要程度如表4所示，可以看到，在神經(jīng)網(wǎng)絡(luò)模型中，信息因子相較于其他兩個(gè)因子的重要程度較高，達(dá)到了0.3667。

表4 神經(jīng)網(wǎng)絡(luò)模型各變量重要度

(二)C5.0決策樹

C5.0決策樹是一種經(jīng)典的預(yù)測(cè)模型，是決策樹模型中的經(jīng)典算法。它是一種映射關(guān)系主要針對(duì)于對(duì)象屬性和對(duì)象值，決策樹的分支代表著對(duì)象并且是符合節(jié)點(diǎn)條件的，而葉子節(jié)點(diǎn)則代表則代表對(duì)象所屬的一些預(yù)測(cè)結(jié)果，模型的建立需要特征選擇、決策樹的生成和修剪三個(gè)步驟。[5]

C5.0算法對(duì)C4.5算法的進(jìn)一步完善，在大數(shù)據(jù)相關(guān)問題處理中C5.0更為合適，而且它能增加強(qiáng)大的Boosting算法提升分類精度。[6]

圖2 決策樹模型結(jié)果

在C5.0決策樹模型中，信息因子仍然是重要性最高的變量，達(dá)到了0.39。

(三)二元線性回歸分析

對(duì)于Logistic回歸分析，要關(guān)注回歸系數(shù)。一般來說，50%—80%的決定系數(shù)為相當(dāng)高的回歸決定系數(shù)。[4]模型中的回歸系數(shù)達(dá)到了47.2%與64.6%，因而可認(rèn)為該模型的預(yù)測(cè)效果較好。

表5 回歸系數(shù)

表6為各個(gè)變量的偏回歸系數(shù)及其標(biāo)準(zhǔn)誤差、Wald卡方、自由度和P值與OR值。一般來說，P值小于0.05可以認(rèn)為對(duì)因變量有影響?？梢钥吹?，三個(gè)因子的顯著性均為0.000，遠(yuǎn)小于0.05，說明三個(gè)因子對(duì)因變量均有顯著影響。同時(shí)根據(jù)B與Exp(B)的數(shù)值來看，信息因子相較于其他兩個(gè)因子來看更為重要一些。其回歸方程為：

表6 二元Logistic模型各變量重要度

Logit(P)=0.538+2.125x1+2.086x2+2.041x3

(四)三個(gè)模型對(duì)比

如表7所示，神經(jīng)網(wǎng)絡(luò)模型(即$N)的預(yù)測(cè)正確率為83.37%，C5.0決策樹模型(即$C)的預(yù)測(cè)正確率為86.63%，二元Logistic回歸(即$L)的模型正確率為86.14%。由此可以看到，C5.0決策樹模型的預(yù)測(cè)效果相對(duì)來說最好。

表7 各模型預(yù)測(cè)正確率比較

由于三個(gè)模型間的差異性較小，因此依舊分別對(duì)三個(gè)變量進(jìn)行分析。

總的來說，通過三個(gè)模型的分析與對(duì)比可以發(fā)現(xiàn)，信息因子相比于其他兩個(gè)因子，對(duì)是否繼續(xù)選課影響更大。

五、建議

通過研究用戶使用慕課學(xué)習(xí)時(shí)的五種學(xué)習(xí)行為，利用因子分析將其降維成信息因子，功能因子和社交因子。根據(jù)這個(gè)結(jié)果，采用預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，結(jié)果顯示信息因子對(duì)慕課用戶是否退課影響最大。

經(jīng)過模型數(shù)據(jù)分析發(fā)現(xiàn)，三個(gè)因子重，信息因子對(duì)于慕課在線學(xué)習(xí)平臺(tái)用戶的退課行為影響是最大的，從降低慕課在線學(xué)習(xí)平臺(tái)用戶退課行為的角度來看，應(yīng)該重點(diǎn)關(guān)注觀看課程視頻和完成課后作業(yè)這兩種行為?？梢园l(fā)現(xiàn)，若想完整的完成一門課程的學(xué)習(xí)，不僅要觀看課程視頻，還需要完成課后作業(yè)，及相關(guān)參考科目的學(xué)習(xí)。為了有效降低課程的退課率，有效完成課程學(xué)習(xí)，慕課在線學(xué)習(xí)平臺(tái)可以針對(duì)這對(duì)這兩種學(xué)習(xí)行為重點(diǎn)展開措施，例如針對(duì)一些學(xué)員要開展教學(xué)干預(yù)，如學(xué)生觀看課程視頻次數(shù)少，完成作業(yè)次數(shù)不達(dá)標(biāo)等都可以成為干預(yù)對(duì)象。[7]

當(dāng)教師設(shè)置MOOC課程時(shí)，應(yīng)著重考慮視頻的設(shè)置、組織，以及作業(yè)集布置、評(píng)分等環(huán)節(jié)。

針對(duì)于高校與慕課在線平臺(tái)合作課程的狀況，則可以適當(dāng)建設(shè)相關(guān)制度規(guī)范進(jìn)行干預(yù)，例如建立相關(guān)學(xué)生管理誠(chéng)信檔案，對(duì)于有過于頻繁以及惡意退課的同學(xué)進(jìn)行警告處理。

修改慕課在線學(xué)習(xí)平臺(tái)的評(píng)價(jià)體系，提高觀看課程時(shí)評(píng)以及完成課后作業(yè)行為次數(shù)對(duì)于最終評(píng)價(jià)的影響程度，激勵(lì)更多同學(xué)提高積極學(xué)習(xí)行為，降低退課頻率。

六、結(jié)語(yǔ)

對(duì)慕課用戶的五種學(xué)習(xí)行為進(jìn)行因子分析，降維得到信息因子、功能因子和社交因子三個(gè)公共因子。在此基礎(chǔ)上，通過利用神經(jīng)網(wǎng)絡(luò)算法、C5.0決策樹、二元線性回歸模型進(jìn)行模型的建立以及預(yù)測(cè)研究，得到信息因子對(duì)慕課退課行為影響最大。因此，如何提高學(xué)生觀看課程視頻和完成課后作業(yè)的次數(shù)，成為慕課改進(jìn)措施的重要切入點(diǎn)。■