常李艷，劉 婧，黃 崇

大規(guī)模開放式在線課程(MOOC)是一種在線學(xué)習(xí)環(huán)境，學(xué)習(xí)者可以免費訪問、注冊和在線學(xué)習(xí)。從2005年新的學(xué)習(xí)理論——連接主義的提出[1]，2008年MOOC的首次引入[2]，到2012年世界范圍內(nèi)的大流行，MOOC創(chuàng)建了一種新的教育范式。MOOC在高校得到廣泛應(yīng)用，尤其是2020年新冠肺炎全球蔓延期間，大量高校開展線上教學(xué)活動，MOOC也成為我國教育部在疫情期間主推的線上教學(xué)模式和各高校主要的線上教育方式。

MOOC突破地域、時間限制，也解決了與指數(shù)級學(xué)生數(shù)量有關(guān)的問題[3]；MOOC的完全開放性和大規(guī)模特征使MOOC對象可以低成本獲得課程視頻、學(xué)習(xí)資料、課程練習(xí)、軟件工具等資源[4-5]；精心的課程設(shè)計和MOOC平臺完善的學(xué)習(xí)支持服務(wù)體系使參與者可以根據(jù)自身要求實現(xiàn)個性化學(xué)習(xí)[6]。MOOC最初的目標(biāo)是希望為各領(lǐng)域?qū)W習(xí)者提供免費、高質(zhì)、開放的課程[7-8]。但是，MOOC一直存在一個問題：大量MOOC學(xué)習(xí)者中途輟學(xué)(退出學(xué)習(xí))，只有10%的注冊學(xué)習(xí)者能夠完成課程[9]。就輟學(xué)率而言，MOOC遠(yuǎn)遠(yuǎn)超過傳統(tǒng)的在線課程。研究者開展了許多研究，以確定學(xué)習(xí)者退出MOOC的原因，如從不同對象(大學(xué)生、研究生、教師)、課程類型(藝術(shù)人文、工科、理科)、MOOC平臺研究各種外部因素、課程因素、個人因素等對學(xué)習(xí)者課程完成度和輟學(xué)率的影響。

為了更好地了解MOOC輟學(xué)的綜合因素，有必要對近年MOOC學(xué)習(xí)者課程完成和輟學(xué)的研究文獻(xiàn)進(jìn)行系統(tǒng)分析，幫助政策制定者從戰(zhàn)略上規(guī)劃MOOC提供的教育機(jī)會，指導(dǎo)高校合理配置教學(xué)資源、教育者科學(xué)設(shè)計MOOC內(nèi)容以及平臺方合理規(guī)劃MOOC網(wǎng)站布局及功能。同時，對MOOC學(xué)生保留率的研究進(jìn)行全面的系統(tǒng)回顧可以幫助研究人員掌握現(xiàn)有研究中的關(guān)鍵問題、常用方法以及研究趨勢。文章對2008-2020年間發(fā)表的有關(guān)MOOC課程保留和輟學(xué)的文獻(xiàn)進(jìn)行了系統(tǒng)的綜述。

1 研究綜述

在現(xiàn)有文獻(xiàn)中，MOOC學(xué)生輟學(xué)的定義主要分為兩類：一是以學(xué)生是否最終完成課程并獲得證書作為判斷標(biāo)準(zhǔn)[10]；另一類是以學(xué)生是否有一段時間的學(xué)習(xí)行為為判斷的標(biāo)準(zhǔn)，也就是說，如果有一段時間沒有參加MOOC，那么該學(xué)生將被視為退出課程[11]。本文將兩種情境均作為輟學(xué)標(biāo)準(zhǔn)，以此進(jìn)行文獻(xiàn)收集。

自2008年MOOC出現(xiàn)，2014年左右出現(xiàn)研究熱潮，短短十幾年內(nèi)關(guān)于MOOC的研究文獻(xiàn)激增，因此，近年也有不少學(xué)者進(jìn)行MOOC研究方面的系統(tǒng)性綜述[12-13]。這些綜述多側(cè)重于MOOC的課程設(shè)計、課程評估、學(xué)習(xí)效果的分析[14-15]。綜述文獻(xiàn)均覆蓋有限的時間段[16]或者針對某一特定學(xué)科領(lǐng)域的MOOC進(jìn)行研究[17]。例如，Bertheau等在研究中重點關(guān)注病理學(xué)中MOOC的研究成果[18]，Paton等僅研究2013-2017年間的MOOC參與相關(guān)文獻(xiàn)[19]。2014-2020年的綜述研究展現(xiàn)了MOOC研究主題和趨勢的不斷變化，表1展示了先前重要的MOOC研究成果。

表1 2008-2020年間重要MOOC研究成果

鑒于以往MOOC的文獻(xiàn)綜述中涉及MOOC輟學(xué)的研究較少，且MOOC輟學(xué)研究綜述文獻(xiàn)的時間跨度一般為3-5年，主要側(cè)重探討輟學(xué)預(yù)測指標(biāo)的比較，缺少從2008年MOOC首次出現(xiàn)到2020年的全時間段，缺乏對MOOC輟學(xué)涉及的研究方法、影響因素、預(yù)測方法、技術(shù)發(fā)展等的綜合梳理。為此，本研究搜集2008-2020年間輟學(xué)方面的研究文獻(xiàn)，對MOOC輟學(xué)研究方法、影響因素、輟學(xué)率的預(yù)測方法、預(yù)測技術(shù)等提供全面的系統(tǒng)綜述，以幫助MOOC研究人員更好地理解典型的研究方法、MOOC輟學(xué)原因，并為MOOC的未來研究提供建議。

2 研究方法

系統(tǒng)評價是一種綜合的研究方法，能全面理解研究主題。本文使用的系統(tǒng)評價方法基于PRISMA原則[33]。本文遵循Cooper的程序進(jìn)行系統(tǒng)綜述：(1)形成研究問題；(2)收集數(shù)據(jù)；(3)評估數(shù)據(jù)；(4)分析數(shù)據(jù)；(5)展示結(jié)果。

2.1 數(shù)據(jù)采集

本研究的中文數(shù)據(jù)來自CNKI數(shù)據(jù)庫，英文數(shù)據(jù)來自Web of Science和Scopus、CNKI數(shù)據(jù)庫。同時，數(shù)據(jù)的收集必須滿足以下條件：第一，文獻(xiàn)發(fā)表于2008-2020年間；第二，研究涉及MOOC輟學(xué)或是MOOC課程完成方面的內(nèi)容；第三，以學(xué)術(shù)期刊而不是書籍章節(jié)、博客、報紙文章等形式發(fā)表；第四，使用“MOOCs”“MOOC”“大規(guī)模在線公開課程(massive open online courses)”“輟學(xué)(dropout)”“課程完成率(course completion)”“課 程 保 留(MOOC retention)”等關(guān)鍵詞來篩選文獻(xiàn)；第五，每項研究最好是全文文獻(xiàn)，或者是至少可以獲得文章完整特征信息(作者、關(guān)鍵字、國家、年份、標(biāo)題、出版物類型和引用)和研究內(nèi)容信息(研究目的、研究方法、理論使用、信息收集方法、分析方法、影響因素、編碼結(jié)果等)的文獻(xiàn)。為增強(qiáng)本研究可信度，由常李艷，劉婧兩位作者對期刊來源進(jìn)行初步搜索。其中，一位研究人員直接利用主要的關(guān)鍵詞在3個數(shù)據(jù)庫進(jìn)行搜索，獲得相關(guān)文獻(xiàn)并下載；第二位研究人員搜查5個發(fā)布MOOC研究最多的關(guān)鍵刊物(Computers and Education，British Journal of Educational Technology，Computers in Human Behavior，Distance Education和Educational Media International)，將與研究相關(guān)的文獻(xiàn)資料整理出來。在初步搜索后，采用自動搜索和手動搜索來查找重復(fù)項，并剔除不相關(guān)文獻(xiàn)。為了提高有效性，由兩名研究人員分別使用納入和排除標(biāo)準(zhǔn)篩選文章的標(biāo)題和摘要，然后對數(shù)據(jù)進(jìn)行交叉檢查，討論各種差異，并就分析達(dá)成共識。圖1顯示了3個不同的選擇方面：識別，篩選和資格評估。2008-2020年間發(fā)表的符合要求的研究文章共有181篇。本文研究涵蓋MOOC從產(chǎn)生尤其是2013年至今(2013年前對MOOC的研究較少，對MOOC輟學(xué)的研究更少)關(guān)于MOOC輟學(xué)方面的研究方法、研究主題的發(fā)展變化。本文主要闡述4個方面的問題：有關(guān)MOOC高輟學(xué)率問題的研究方向是什么，MOOC輟學(xué)問題的研究方法有哪些，MOOC高輟學(xué)率的影響因素主要集中在哪些方面，MOOC輟學(xué)率預(yù)測的方法和技術(shù)的發(fā)展情況如何？

圖1 研究文獻(xiàn)選擇過程

2.2 數(shù)據(jù)分析

為了獲得MOOC輟學(xué)研究方面的研究現(xiàn)狀，需要對每項研究進(jìn)行編碼。每項研究記錄各種維度，如出版年份、標(biāo)題、期刊名稱、一般研究方法(如定性、定量或混合方法)，以及數(shù)據(jù)分析方法(結(jié)構(gòu)方程模型、簡單描述分析、質(zhì)性分析法、神經(jīng)網(wǎng)絡(luò)分析方法)，數(shù)據(jù)收集方法(調(diào)研問卷、訪談)，平臺數(shù)據(jù)收集(點擊流、日志、帖子抓取)、實驗法(對照實驗、隨機(jī)實驗)，研究重點(具體影響因素、評估指標(biāo)等)和文章網(wǎng)址。此外，收集的其他相關(guān)信息還包括作者姓名、機(jī)構(gòu)、地理位置等。編碼由兩位研究人員同時進(jìn)行，使用具有協(xié)議一致性的代碼總數(shù)除以代碼總數(shù)來計算評估者之間的可靠性。所有項目的評分者之間的協(xié)議一致率為0.96，表明編碼規(guī)則和結(jié)果良好。第三名研究人員對提取的不一致編碼發(fā)表見解，通過研究人員之間的討論解決分歧。

3 結(jié)論和討論

3.1 研究方向和研究方法

3.1.1 研究方向

為對收集到的研究進(jìn)行科學(xué)分析，將研究文獻(xiàn)歸類為MOOC輟學(xué)策略研究、輟學(xué)因素分析、輟學(xué)預(yù)測3個主要方面，以便根據(jù)研究目的對這些文獻(xiàn)的研究方向進(jìn)行分類(見圖2)。本文依據(jù)研究目標(biāo)側(cè)重點進(jìn)行準(zhǔn)確編碼，一般來說每篇研究文獻(xiàn)均有較為明確的研究目標(biāo)，因此一篇文獻(xiàn)給定一個研究目的編碼類別。如果兩個編碼人員編碼不一致，引入第三者，根據(jù)多數(shù)贊同原則確定最終編碼結(jié)果。從現(xiàn)有研究方向統(tǒng)計看到，近50%論文對MOOC的高輟學(xué)率的影響因素進(jìn)行了探索，約35%文獻(xiàn)立足通過各種點擊流數(shù)據(jù)和學(xué)習(xí)者學(xué)習(xí)行為數(shù)據(jù)對學(xué)習(xí)者輟學(xué)時間、輟學(xué)概率以及MOOC輟學(xué)率進(jìn)行預(yù)測，約15%研究從內(nèi)外部支持、課程設(shè)計、政府政策等方面探討促進(jìn)MOOC發(fā)展以及降低輟學(xué)率的策略。

圖2 MOOC輟學(xué)研究方向分布

降低MOOC輟學(xué)率的方法措施的文獻(xiàn)主要從整體措施和課程設(shè)計等方面進(jìn)行研究。針對提升MOOC保留率的研究主要是中文文獻(xiàn)，時間集中在2015-2016年，通過對輟學(xué)現(xiàn)象的分析，從學(xué)習(xí)者、平臺、MOOC課程設(shè)計、教師以及社會角度提出改善MOOC高輟學(xué)率的措施[34-35]。王甜提出利用微信排名、獎勵學(xué)分、學(xué)習(xí)積分等激勵措施，以及MOOC網(wǎng)站體系的專業(yè)培養(yǎng)計劃，避免學(xué)生盲目選課等平臺措施[36]。更多研究通過設(shè)計更加符合學(xué)習(xí)者需求的MOOC課程體系、平臺交互服務(wù)(課程論壇、師生互動功能)、游戲化等具體措施來探索降低輟學(xué)率[37-38]。例如，Goel等的研究專注于通過增強(qiáng)現(xiàn)實(AR)、自適應(yīng)學(xué)習(xí)(AL)和游戲化改進(jìn)MOOC的內(nèi)容，提升MOOC對學(xué)習(xí)者的吸引力[39]。為驗證設(shè)計方案的優(yōu)勢，研究中常用對照實驗或隨機(jī)實驗的方法，通過比較分析和驗證分析來驗證。例如，Bin等為提高課程保留率，提出一種根據(jù)MOOC課程的學(xué)習(xí)內(nèi)容和社交網(wǎng)絡(luò)信息為學(xué)生推薦學(xué)習(xí)伙伴的模型，通過驗證分析發(fā)現(xiàn)該模型的使用顯著降低課程的輟學(xué)率[40]。同時，從表2可看出，MOOC策略研究中有34.78%的研究通過實驗法進(jìn)行數(shù)據(jù)收集，定性分析比例達(dá)到約19.23%，簡單描述性分析比例為29.63%。

MOOC高輟學(xué)率的因素一直是學(xué)者研究的重點，尤其是2016年后研究從簡單的定性分析、實驗分析發(fā)展到通過科學(xué)量表調(diào)研進(jìn)行結(jié)構(gòu)模型分析或回歸因果分析。在MOOC輟學(xué)因素分析中涉及最多的理論是期望價值理論、自我調(diào)節(jié)理論、自決理論(SDT)以及動機(jī)理論，這些理論從參與MOOC動機(jī)、價值收益等方面解釋了學(xué)習(xí)者持續(xù)或放棄MOOC的原因[41]。通過表2看到，輟學(xué)因素分析中主要使用結(jié)構(gòu)方程模型(16.47%)、回歸分析(17.65%)和簡單描述性分析(23.53%)等定量分析方法，希望從因果分析中發(fā)現(xiàn)影響MOOC保留或輟學(xué)的真實原因。Jordan對221門MOOC課程進(jìn)行研究后發(fā)現(xiàn)，課程長度、課程設(shè)計(評估)以及反饋方面的時間因素是MOOC中學(xué)生輟學(xué)的主要原因[42]。Sun等通過擴(kuò)展自決理論構(gòu)建了學(xué)生參與MOOC的模型，通過PLS分析驗證滿足學(xué)生的能力需求、自主性需求、交互需求，并提供高質(zhì)量的人際關(guān)系可以有效提升學(xué)習(xí)者的心理參與和行為參與，從而減少中途輟學(xué)[43]。

表2 MOOC輟學(xué)研究文獻(xiàn)的分析方法和數(shù)據(jù)收集分類匯總

2015年以后，很多學(xué)者開始專注輟學(xué)時間、高危輟學(xué)學(xué)生、MOOC輟學(xué)率的預(yù)測，希望通過提前預(yù)測輟學(xué)時間節(jié)點和有退出風(fēng)險的學(xué)生，使MOOC領(lǐng)導(dǎo)者和輔導(dǎo)者能夠采取有針對性的課程設(shè)計和向此類學(xué)習(xí)者提供個性化的干預(yù)措施來提升MOOC保留率。為了開發(fā)強(qiáng)大而準(zhǔn)確的預(yù)測模型，研究人員通常會參考學(xué)習(xí)者的導(dǎo)航點擊以及他們與平臺的交互數(shù)據(jù)流來提取MOOC學(xué)習(xí)者的特征[33]。點擊流數(shù)據(jù)(63.64%)反映了學(xué)習(xí)者在MOOC平臺上觀看視頻的點擊、時長、轉(zhuǎn)換等各種行為，是研究者最常用的數(shù)據(jù)來源。然而，輟學(xué)現(xiàn)象需要更多的預(yù)測因素和廣泛的具體變量才能獲得更可靠的結(jié)果。因此，后來的研究者將學(xué)生的論壇交互數(shù)據(jù)、完成課題測驗的頻次、正確率等學(xué)習(xí)行為數(shù)據(jù)、人口信息數(shù)據(jù)以及個人態(tài)度情感數(shù)據(jù)(通過調(diào)研問卷或訪談收集)等變量加入預(yù)測模型，并通過機(jī)器學(xué)習(xí)、生存分析等方法獲得預(yù)測結(jié)果。根據(jù)表2統(tǒng)計結(jié)果，超69%的文章使用各種機(jī)器學(xué)習(xí)方法進(jìn)行預(yù)測，此外，定量分析是主要的分析策略，基本沒有單純定性分析的研究。

3.1.2 MOOC輟學(xué)研究的整體分析方法

MOOC輟學(xué)研究從前期的策略研究到最近的影響因素分析和輟學(xué)類別預(yù)測、輟學(xué)時間預(yù)測，研究方法從MOOC初期的現(xiàn)象介紹、簡單描述分析到通過結(jié)構(gòu)方程模型進(jìn)行輟學(xué)機(jī)制研究，通過MOOC平臺的用戶日志及平臺數(shù)據(jù)進(jìn)行輟學(xué)可能性預(yù)測，到通過多維數(shù)據(jù)(日志數(shù)據(jù)、過程數(shù)據(jù)以及調(diào)研數(shù)據(jù))進(jìn)行學(xué)生輟學(xué)的持續(xù)預(yù)測模型研究，MOOC輟學(xué)研究中數(shù)據(jù)來源和研究方法隨著研究發(fā)展持續(xù)更新。本節(jié)對181篇文獻(xiàn)的研究方法和數(shù)據(jù)來源進(jìn)行統(tǒng)計，展示MOOC輟學(xué)研究中研究方法的整體分布(見圖3)?；诳陀^數(shù)據(jù)的分析是MOOC輟學(xué)研究的特色。常用的數(shù)據(jù)收集方法有：(1)調(diào)研問卷，問卷內(nèi)容包括一般基本信息和測量量表，一般通過網(wǎng)絡(luò)發(fā)放問卷。(2)用戶日志或網(wǎng)站的用戶點擊流數(shù)據(jù)，點擊流數(shù)據(jù)詳細(xì)記載了用戶的登錄、退出、點擊、視頻中斷等信息，是分析用戶行為特征，進(jìn)行用戶輟學(xué)預(yù)測的主要數(shù)據(jù)源。(3)通過MOOC平臺收集用戶的測試數(shù)據(jù)以及通過程序抓取用戶的論壇數(shù)據(jù)信息，這些數(shù)據(jù)是總結(jié)輟學(xué)學(xué)習(xí)者特征、發(fā)現(xiàn)輟學(xué)原因以及進(jìn)行輟學(xué)預(yù)測的數(shù)據(jù)源[44]；(4)訪談和實驗數(shù)據(jù)，二者也是研究中常用的數(shù)據(jù)來源，訪談主要用來進(jìn)行影響因素提取，實驗法主要通過對照和隨機(jī)實驗驗證MOOC平臺設(shè)計、課程內(nèi)容等在提升MOOC參與度、降低MOOC輟學(xué)率方面的效果。對分析方法按照定性、定性定量、定量等類別劃分，發(fā)現(xiàn)當(dāng)前MOOC輟學(xué)研究的主流分析法是定量分析。從主要分析方法來看，由于預(yù)測分析對機(jī)器學(xué)習(xí)方法的側(cè)重，使其成為使用最多的分析方法；其后是簡單描述分析和因果分析中常用的回歸分析；再次是探索影響因素中常用的結(jié)構(gòu)方程模型，以及訪談、文獻(xiàn)調(diào)研采用的人種學(xué)、內(nèi)容分析等質(zhì)性分析方法。此外，一些學(xué)者還使用聚類分析、關(guān)聯(lián)分析、仿真分析、可視化分析等方法進(jìn)行研究。

圖3 研究中的主要分析方法和數(shù)據(jù)收集方法

3.2 MOOC輟學(xué)主要影響因素

對探尋MOOC輟學(xué)影響因素為主要目的的88篇研究資料以及策略研究中明確涉及影響因素探討的26篇文獻(xiàn)進(jìn)行影響因素編碼，對編碼標(biāo)準(zhǔn)化并匯總后發(fā)現(xiàn)，共有23個因素在MOOC輟學(xué)研究中反復(fù)出現(xiàn)(見表3)。根據(jù)Henderik、Josek等對影響因素的總結(jié)研究，本研究提取了23個因素，經(jīng)3位研究人員討論可分為3個一級類目5個二級類目：用戶因素(個人因素33.65%，心理因素41.35%)，課程環(huán)境因素(課程因素70.19%，平臺因素12.50%，教學(xué)過程因素14.42%)，社會環(huán)境因素(49.04%)。由于下一節(jié)將對輟學(xué)預(yù)測進(jìn)行詳細(xì)分析，并且輟學(xué)預(yù)測主體并不在影響因素里探討，因此本研究中MOOC輟學(xué)因素的抽取并未統(tǒng)計MOOC輟學(xué)預(yù)測類文獻(xiàn)中的預(yù)測因子和指標(biāo)。預(yù)測MOOC輟學(xué)類研究使用的指標(biāo)和因子主要是點擊流以及學(xué)習(xí)者網(wǎng)絡(luò)學(xué)習(xí)行為數(shù)據(jù)，這些指標(biāo)應(yīng)屬于個人因素中的MOOC參與度和學(xué)術(shù)能力。如果添加這類文獻(xiàn)資料，那么個人因素將成為最有影響力的因素，其次是課程因素和社會環(huán)境因素。

表3 MOOC輟學(xué)主要影響因素匯總

3.2.1 用戶因素

(1)個人因素。退出MOOC大多與個人特征、環(huán)境、社會狀況、學(xué)習(xí)中缺乏互動等有關(guān)[45]。個人特征是影響MOOC完成的關(guān)鍵因素。某些個人因素，如學(xué)術(shù)能力、MOOC的先前經(jīng)驗、性別、年齡、自主性、自我調(diào)節(jié)與個人輟學(xué)有關(guān)。Chen等發(fā)現(xiàn)在天文學(xué)MOOC中年齡較大的學(xué)生輟學(xué)率較低[46]。Lee等發(fā)現(xiàn)最明顯的輟學(xué)因素可能與個人學(xué)術(shù)和學(xué)習(xí)技能、先前的經(jīng)驗有關(guān)[47]。Labrador等通過對15種MOOC的輟學(xué)情況進(jìn)行研究，發(fā)現(xiàn)個人特征因素，如性別、年齡、受教育水平與MOOC輟學(xué)緊密相關(guān)[48]。Khalil等發(fā)現(xiàn)，個人因素中學(xué)習(xí)者的先前經(jīng)驗以及學(xué)術(shù)能力(在線技能、教育水平)是導(dǎo)致MOOC損耗率高的最重要指標(biāo)[49]。Hone等研究證實個人的MOOC學(xué)習(xí)經(jīng)驗對其保留水平有影響[50]。

自主性使學(xué)生能根據(jù)需要和愿望來決定他們選擇MOOC中關(guān)注的內(nèi)容。具備自主性的學(xué)生更有可能參與課程活動(行為參與)，在理解材料方面投入更多精力(認(rèn)知參與)[51]。而參與是學(xué)習(xí)動機(jī)的體現(xiàn)，意味著學(xué)習(xí)者將精力投入學(xué)習(xí)過程中以實現(xiàn)期望的學(xué)習(xí)目標(biāo)，MOOC參與包括行為參與(自愿參與學(xué)術(shù)/課外活動、論壇討論)、認(rèn)知參與(概念化為學(xué)生對所教授主題內(nèi)容的理解)[43]。行為參與尤其是課程觀看、測試完成等是預(yù)測MOOC輟學(xué)的關(guān)鍵個人因素[52]。Lan等研究發(fā)現(xiàn)，具備認(rèn)知能力的MOOC參與者完成MOOC的可能性比那些沒有認(rèn)知能力的MOOC參與者高出1.2倍[53]。此外，缺乏自我調(diào)節(jié)學(xué)習(xí)(SRL)技能會使學(xué)習(xí)者在無向?qū)?、給予充分自主性的MOOC學(xué)習(xí)環(huán)境中難以成功[54]。自我調(diào)節(jié)是學(xué)習(xí)者控制自己的學(xué)習(xí)過程以實現(xiàn)擬定學(xué)習(xí)目標(biāo)的過程，Rostaminezhad等對223名學(xué)習(xí)者的研究結(jié)果表明自我調(diào)節(jié)與學(xué)習(xí)者輟學(xué)之間存在關(guān)聯(lián)[55]，缺乏SRL技能可能是導(dǎo)致MOOC輟學(xué)的重要因素[56]。

(2)心理因素。心理因素是學(xué)習(xí)者進(jìn)行MOOC學(xué)習(xí)的動機(jī)、情感以及選擇MOOC的感知預(yù)期。在在線學(xué)習(xí)環(huán)境中，動機(jī)起著至關(guān)重要的作用。在MOOC環(huán)境下同樣發(fā)現(xiàn)，如果學(xué)生有學(xué)習(xí)的動力，那么更有可能完成課程[42，57]。在MOOC中，關(guān)于內(nèi)在動機(jī)、持續(xù)性以及成就的積極作用的研究已經(jīng)達(dá)成共識[58]。MOOC學(xué)習(xí)者具備獨特的動機(jī)，如參與終身學(xué)習(xí)、娛樂、便利或體驗[59]、獲得MOOC證書[38]等。如果學(xué)習(xí)者認(rèn)為MOOC內(nèi)容將對未來職業(yè)或研究有所幫助(功利性動機(jī))，那么往往會傾向于完成MOOC[60]。情感是指學(xué)生與機(jī)構(gòu)、教師、同伴和MOOC內(nèi)容之間的情感聯(lián)系，包括學(xué)習(xí)MOOC的享受、興趣、滿意度、樂趣、好奇心、成就感等，積極的情感可以提升學(xué)習(xí)者的學(xué)習(xí)動力，提升MOOC保留率。Dai等從期望確認(rèn)模型的視角展開研究，發(fā)現(xiàn)學(xué)習(xí)者的態(tài)度、好奇心與滿意度顯著影響MOOC學(xué)習(xí)的持續(xù)性[61]。

3.2.2 課程環(huán)境因素

(1)課程因素。與課程因素相關(guān)的課程設(shè)計、內(nèi)容難度、課程資源、時間以及承諾被視為導(dǎo)致學(xué)生輟學(xué)的關(guān)鍵因素[62]。Tang等發(fā)現(xiàn)良好的課程設(shè)計可以幫助學(xué)習(xí)者制定合適的學(xué)習(xí)策略，從而提高M(jìn)OOC的完成率[63]。在課程設(shè)計時引入增強(qiáng)現(xiàn)實、游戲化、協(xié)作學(xué)習(xí)等技術(shù)，可以有效提升學(xué)習(xí)者興趣，提升MOOC的保留率[64，53]。而學(xué)習(xí)內(nèi)容的難度和課程持續(xù)時間則對學(xué)生完成在線課程產(chǎn)生負(fù)面影響[65]，較長的課程時間可能會使學(xué)習(xí)更加困難，從而導(dǎo)致較低的完成率[32]。同時，課程資源的靈活性[38]、豐富性、高質(zhì)量會對降低課程輟學(xué)率有積極作用[66]。多個研究表明內(nèi)容的質(zhì)量對學(xué)生的動機(jī)和整體參與度產(chǎn)生了積極的影響[67]。Feng等發(fā)現(xiàn)某些課程因素(如課程設(shè)計、時間和課程難度)是MOOC學(xué)生輟學(xué)率高的關(guān)鍵因素[68]。Greene發(fā)現(xiàn)學(xué)生的投入水平與高輟學(xué)率密切相關(guān)，不確定自己對課程投入的學(xué)生比打算完成課程的學(xué)生更有可能退出課程[69]。此外，MOOC的費用低部分導(dǎo)致了學(xué)生的高輟學(xué)率，當(dāng)學(xué)生發(fā)現(xiàn)課程既不具挑戰(zhàn)性又浪費時間，而入門課程低成本或零成本時，可能會從一門課程轉(zhuǎn)向另一門課程。學(xué)生對課程的低投入可能是因為該課程是免費的[70]。

(2)教學(xué)過程因素。教學(xué)過程環(huán)境主要從學(xué)習(xí)者外部探尋影響其輟學(xué)的因素，包括學(xué)習(xí)者學(xué)習(xí)中收到的教學(xué)干預(yù)、教師的及時反饋、教師個人特征(如授課質(zhì)量、教學(xué)偏好、獨特的教學(xué)設(shè)計)等。Barak等指出MOOC開發(fā)人員可以設(shè)計獨特的學(xué)習(xí)環(huán)境，并為學(xué)習(xí)者實現(xiàn)目標(biāo)提供必要的手段[71]。對MOOC課程的學(xué)生進(jìn)行調(diào)查發(fā)現(xiàn)，由于動機(jī)低、反饋差、時間不足和內(nèi)容復(fù)雜，部分學(xué)生無法完成學(xué)習(xí)。Halawa等指出，教師提供的反饋較差是MOOC課程中學(xué)生輟學(xué)的重要預(yù)測因素[72]，從教師處獲得的反饋與學(xué)生完成在線課程緊密相關(guān)。Hone構(gòu)建MOOC輟學(xué)的影響因素模型，證實MOOC的保留情況受MOOC的教師效應(yīng)(如教師與學(xué)習(xí)者互動、教師支持、教師反饋以及教師的積極態(tài)度)的影響[50]。徐振國等提出教師與學(xué)習(xí)者缺乏互動、講課枯燥、解答問題不及時等因素影響學(xué)生的輟學(xué)行為[73]。Yeomans等在課前調(diào)查中實施了一項干預(yù)措施，并測量了干預(yù)對課程完成的影響[74]，而Davis等通過將干預(yù)措施整合到課程環(huán)境中，而不是整合到課前調(diào)查中，使課程內(nèi)容與干預(yù)措施之間的聯(lián)系更加緊密，對MOOC完成產(chǎn)生顯著影響[75]。

(3)平臺因素。MOOC平臺的設(shè)計和服務(wù)、可訪問性，以及對最新技術(shù)的應(yīng)用也是影響輟學(xué)的因素。MOOC平臺設(shè)計的易用性、內(nèi)容的個性化等提升了MOOC保留率。很多低速寬帶國家學(xué)生經(jīng)常抱怨上網(wǎng)困難[60]，隨著技術(shù)的發(fā)展，學(xué)習(xí)者是否可以通過Internet以及移動設(shè)備便捷訪問課程[76]，MOOC是否集成其他媒體格式(如超鏈接、文本、圖像、圖表和動畫等)影響到學(xué)習(xí)者的MOOC保留率。Yousef將MOOC界面設(shè)計以及是否有社交功能作為評價MOOC是否成功的質(zhì)量指標(biāo)[77]，Kaabi提出MOOC提供戰(zhàn)略性的個性化設(shè)置，有助于成功學(xué)習(xí)[78]。

3.2.3 社會環(huán)境因素

與內(nèi)容、同伴和導(dǎo)師同步或異步地進(jìn)行互動能幫助學(xué)生加深對學(xué)習(xí)主題的理解，因此學(xué)生社交互動/溝通不足可能會觸發(fā)他們退出學(xué)習(xí)活動的意圖[79]。MOOC一些研究強(qiáng)調(diào)協(xié)作、社會學(xué)習(xí)的重要性[80]。在MOOC背景下，學(xué)生與課程的互動水平可以用來預(yù)測他們從在線課程中輟學(xué)的意愿[71]。Kizilcec等發(fā)現(xiàn)與朋友一起注冊的學(xué)生比同齡人參加課程的可能性更低[81]。Santos等發(fā)現(xiàn)當(dāng)向?qū)W生提供互動工具時，他們會更頻繁地參與交流并與他人更好地協(xié)作，增強(qiáng)學(xué)生的學(xué)習(xí)動機(jī)[82]。Appiah-Kubi等認(rèn)為社交對學(xué)生學(xué)習(xí)體驗存在影響[83]，從家人、朋友或同事獲得的社會支持會直接影響學(xué)生完成在線課程的可能性，導(dǎo)致MOOC中的輟學(xué)現(xiàn)象。

綜上所述，個人、課程、社會等因素是影響學(xué)習(xí)者輟學(xué)的主要因素。一些學(xué)者也探討MOOC平臺、網(wǎng)絡(luò)收益、用戶偏好、感知稀缺性等因素。比如，Hone證實學(xué)習(xí)者對MOOC的感知有效性積極影響MOOC的保留率[50]，Chen等發(fā)現(xiàn)學(xué)生MOOC學(xué)習(xí)和測試中的錯誤率與MOOC輟學(xué)率正相關(guān)，錯誤率越高的學(xué)生越容易輟學(xué)[46]。Kim等基于心理反應(yīng)理論，提出限制在線課程的可訪問性和可重復(fù)性的措施可能有助于降低輟學(xué)率[84]。Li等研究發(fā)現(xiàn)，網(wǎng)絡(luò)外部性(網(wǎng)絡(luò)規(guī)模、感知的互補(bǔ)性、網(wǎng)絡(luò)收益等)對MOOC完成的影響隨MOOC使用時間的長短而變化[85]。

3.3 輟學(xué)的預(yù)測

MOOC平臺生成了足夠的數(shù)據(jù)，其分析可以返回有關(guān)學(xué)生輟學(xué)的相關(guān)指標(biāo)，因此是預(yù)測輟學(xué)的晴雨表。研究人員利用不同的數(shù)據(jù)分析方法對數(shù)據(jù)進(jìn)行分析研究，找出規(guī)律或輟學(xué)學(xué)生特征。分析方法和數(shù)據(jù)源的選擇(預(yù)測指標(biāo)/變量)是預(yù)測研究的主要關(guān)注點。下面通過數(shù)據(jù)源和預(yù)測模型算法對MOOC輟學(xué)的研究進(jìn)行闡述。

3.3.1 數(shù)據(jù)源

MOOC平臺擁有大量的注冊學(xué)生以及來自高校和各種社會機(jī)構(gòu)的豐富課程信息。學(xué)習(xí)者注冊后可以自由選擇不同的課程和學(xué)習(xí)時間，以及決定是否參與課后和課間測驗。因此，課程持續(xù)一段時間后，MOOC會留下學(xué)生學(xué)習(xí)的大量活動信息，如注冊時間、個人特征、訪問的課程、視頻觀看的中斷、觀看時長、參加測試、參與論壇、課程評估、參與調(diào)研、課堂互動等。整體上來說用來進(jìn)行輟學(xué)預(yù)測的數(shù)據(jù)大致可以分為3類：點擊流數(shù)據(jù)、MOOC平臺上的其他學(xué)習(xí)行為數(shù)據(jù)、外部調(diào)研數(shù)據(jù)。

(1)點擊流數(shù)據(jù)。點擊流數(shù)據(jù)涵蓋廣泛的學(xué)習(xí)活動日志信息，也是預(yù)測分析中使用最多的數(shù)據(jù)類型。這些數(shù)據(jù)包括：訪問次數(shù)、用戶上課的時間段數(shù)、學(xué)生在課程上花費的周數(shù)、上次訪問時間、注冊時間、總點擊次數(shù)、課程訪問間隔、不同類別資源(視頻、練習(xí)、課程提綱等)的訪問間隔、總參與時間或每個會話的平均參與時間、訪問了哪些頁面等[86-87]。

(2)MOOC平臺上的其他學(xué)習(xí)行為數(shù)據(jù)。這些數(shù)據(jù)基本可以從MOOC平臺后臺或者用戶日志中獲得，主要包括前面表2中的學(xué)習(xí)活動數(shù)據(jù)、論壇數(shù)據(jù)、平臺數(shù)據(jù)、日志數(shù)據(jù)以及注冊數(shù)據(jù)。其中，注冊數(shù)據(jù)中可以獲得人口統(tǒng)計學(xué)的特征變量(如年齡、受教育程度、地理位置、職業(yè))。AI-Shabandar等開發(fā)的預(yù)測模型中，預(yù)測指標(biāo)涵蓋年齡、性別等，用以預(yù)測學(xué)生的MOOC保留情況[88]。當(dāng)然，人口統(tǒng)計學(xué)數(shù)據(jù)也可以通過調(diào)查問卷獲得，Greene等就使用調(diào)研的個人特征數(shù)據(jù)進(jìn)行輟學(xué)率預(yù)測[69]。學(xué)習(xí)活動數(shù)據(jù)包括學(xué)習(xí)者與MOOC進(jìn)行交互時的各種數(shù)據(jù)，如回答課中提問數(shù)量、回答正確的數(shù)據(jù)、參與和嘗試參與課堂和課后測試的次數(shù)、測試的試題數(shù)量/類型/正確率以及課后作業(yè)的提交情況、課堂綜合表現(xiàn)等[72]。論壇數(shù)據(jù)也是一種常用的數(shù)據(jù)類型，學(xué)者在論壇的參與(如學(xué)習(xí)者在論壇中的交互頻率、發(fā)布帖子的情感、收到的評論質(zhì)量、情感、帖子的內(nèi)容構(gòu)成、學(xué)習(xí)者在課程論壇中的網(wǎng)絡(luò)地位等)是MOOC學(xué)生輟學(xué)預(yù)測的有效指標(biāo)。David通過學(xué)習(xí)者帖子的好評、對課程的評估、嘗試測試頻率、未通過測試數(shù)量等數(shù)據(jù)進(jìn)行輟學(xué)風(fēng)險分析[89]。平臺數(shù)據(jù)涉及MOOC整個平臺，而不僅僅是某個MOOC課程的數(shù)據(jù)，如學(xué)習(xí)者在不同課程間的轉(zhuǎn)換信息、班級輟學(xué)的人數(shù)、用戶退出課程的數(shù)量(比例)、登錄/退出數(shù)據(jù)、在MOOC平臺上的時間等。Xing等利用輟學(xué)周、討論帖數(shù)量、論壇瀏覽次數(shù)、社交網(wǎng)絡(luò)度、活動天數(shù)等數(shù)據(jù)作為MOOC學(xué)生輟學(xué)預(yù)測的變量[86]。

(3)外部調(diào)研數(shù)據(jù)。為了更加精確地預(yù)測，研究者在網(wǎng)絡(luò)日志數(shù)據(jù)的基礎(chǔ)添加其他影響MOOC輟學(xué)的變量，這些變量通常與用戶的興趣、動機(jī)、態(tài)度、滿意度、期望、完成課程或獲得證書的投入有關(guān)，需要通過調(diào)研獲得相關(guān)數(shù)據(jù)。

3.3.2 預(yù)測模型

MOOC學(xué)生輟學(xué)預(yù)測是MOOC研究的一個趨勢，在過去的幾年中，一些研究人員通過采用有監(jiān)督[79]、無監(jiān)督和半監(jiān)督的機(jī)器學(xué)習(xí)架構(gòu)和算法[90]，開發(fā)了各種預(yù)測模型。從表2的統(tǒng)計顯示，提高M(jìn)OOC完成率最常用方法是使用機(jī)器學(xué)習(xí)算法構(gòu)建輟學(xué)預(yù)測模型，以根據(jù)學(xué)生的先前行為來預(yù)測學(xué)生何時停止上課或者那些學(xué)生輟學(xué)風(fēng)險最大。由于各種模型采用的數(shù)據(jù)源和分析目的不同(風(fēng)險學(xué)生識別、學(xué)生MOOC行為預(yù)測、輟學(xué)時間預(yù)測)，因此采用不同的機(jī)器學(xué)習(xí)算法來進(jìn)行預(yù)測。有些研究為了發(fā)現(xiàn)最優(yōu)算法，在一個研究中會同時使用幾種模型進(jìn)行預(yù)測能力比較。對文章中機(jī)器學(xué)習(xí)算法匯總(見圖4)，發(fā)現(xiàn)截至目前神經(jīng)網(wǎng)絡(luò)方法已經(jīng)成為主要的預(yù)測算法，其次是回歸分析、隨機(jī)森林以及支持向量機(jī)。不同的算法在預(yù)測應(yīng)用中有所差別。大多數(shù)預(yù)測研究使用點擊流數(shù)據(jù)作為處理對象，將學(xué)習(xí)者分為“輟學(xué)”和“沒有輟學(xué)”兩類。

圖4 預(yù)測所用機(jī)器學(xué)習(xí)算法匯總

這類預(yù)測一種是將問題視為一般的二元分類問題，然后使用邏輯回歸(LR)，支持向量機(jī)(SVM)[91]、決策樹等傳統(tǒng)機(jī)器學(xué)習(xí)算法預(yù)測[92]。早期的這些預(yù)測使用固定時間段內(nèi)可用的數(shù)據(jù)來構(gòu)建預(yù)測模，可以預(yù)測某個學(xué)習(xí)者輟學(xué)的可能性，但無法在早期識別出那些需要立即干預(yù)的學(xué)生，也不支持針對這些高危學(xué)生的個性化干預(yù)，無法滿足MOOC這種逐步退出的學(xué)習(xí)環(huán)境[88]。隨后隨機(jī)森林算法、貝葉斯算法等多種算法的不斷涌現(xiàn)，一些學(xué)者開始比較多種算法模型或使用算法重疊來獲得較好輟學(xué)預(yù)測結(jié)果。Ye等將隨機(jī)森林與其他算法(如邏輯回歸、支持向量機(jī)和決策樹)進(jìn)行了比較，以預(yù)測輟學(xué)情況，發(fā)現(xiàn)隨機(jī)森林始終比其他算法表現(xiàn)更好[93]。Feng等提出通過與神經(jīng)網(wǎng)絡(luò)等幾種模型相比，發(fā)現(xiàn)非線性狀態(tài)空間模型(NSSM)可以取得卓越的性能[94]。而后來的梯度提升樹模型就是使用一組弱預(yù)測模型來生成一個強(qiáng)預(yù)測模型的集成學(xué)習(xí)算法，典型的用法是決策樹和回歸分析。

另一種是基于點擊流數(shù)據(jù)探索建立時間預(yù)測-輟學(xué)模型，以適應(yīng)MOOC更好的干預(yù)設(shè)計。它將問題視為時間序列分類問題，并使用隱馬爾可夫模型(HMM)、神經(jīng)網(wǎng)絡(luò)模型等序列方法來進(jìn)行預(yù)測。這些臨時輟學(xué)預(yù)測模型不是使用固定期限的數(shù)據(jù)一次性識別所有風(fēng)險的學(xué)生，而是使用前幾周收集的數(shù)據(jù)來檢測下一周的高危學(xué)生。

在多個領(lǐng)域取得比以往更好的效果后，深度學(xué)習(xí)也開始應(yīng)用于MOOC中的輟學(xué)預(yù)測，而且成為近年來使用最多的方法。為了提升預(yù)測精度，一些學(xué)者使用更加復(fù)雜的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)、并行神經(jīng)網(wǎng)絡(luò)以及深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，同時在數(shù)據(jù)源選擇上使用多源數(shù)據(jù)，如利用用戶日志結(jié)合調(diào)研問卷數(shù)據(jù)或者利用注冊信息結(jié)合MOOC學(xué)習(xí)行為數(shù)據(jù)等。Qiu等利用DP-CNN(端到端的卷積神經(jīng)網(wǎng)絡(luò))進(jìn)行預(yù)測，實驗證明在數(shù)據(jù)足夠的條件下，該預(yù)測模型比相關(guān)的基線方法取得更好的效果[95]。CNN的最大優(yōu)點之一是可以從原始數(shù)據(jù)中自動學(xué)習(xí)各種不可見的特征，而無需進(jìn)行過多的手動處理。Moreno等研究發(fā)現(xiàn)，在預(yù)測中引入點擊流數(shù)據(jù)以外的其他與學(xué)習(xí)者練習(xí)互動相關(guān)數(shù)據(jù)，如自我調(diào)節(jié)學(xué)習(xí)序列等數(shù)據(jù)會獲得很好的預(yù)測效果[96]。此外，一些研究者將不同的算法進(jìn)行疊加，獲得更加準(zhǔn)確的預(yù)測。Chen等提出了一種新的決策樹和極限學(xué)習(xí)機(jī)(ELM)相結(jié)合的混合算法DT-ELM，該算法不需要迭代訓(xùn)練，并且兼具決策樹選擇分類能力強(qiáng)的特征[90]。Xing等構(gòu)建兩種算法—樸素貝葉斯網(wǎng)絡(luò)和決策樹堆疊的時間序列模型來預(yù)測未來幾周可能輟學(xué)的學(xué)生[86]。

4 結(jié)語

在線課程尤其是MOOC，在疫情期間為全球?qū)W生提供優(yōu)質(zhì)的教育，幫助數(shù)以千萬計的學(xué)生在線完成學(xué)業(yè)。然而，MOOC的高輟學(xué)率一直是一個重要問題。本文通過對2008-2020年涉及MOOC輟學(xué)研究的相關(guān)文獻(xiàn)進(jìn)行系統(tǒng)綜述，揭示MOOC輟學(xué)的影響因素和預(yù)測輟學(xué)的主要數(shù)據(jù)源和算法模型。通過文獻(xiàn)分析發(fā)現(xiàn)：輟學(xué)因素主要集中在用戶因素、課程環(huán)境因素、社會環(huán)境因素等方面。其中研究最多的是課程因素和個人因素，因此在提升MOOC保留率、降低輟學(xué)率的策略研究中，研究者提供的策略和措施集中于提升學(xué)習(xí)者交互、改進(jìn)課程設(shè)計(如增強(qiáng)現(xiàn)實、課程反饋、視頻時長設(shè)計等)。MOOC輟學(xué)的研究方法主要是各種定量分析方法，如探索輟學(xué)因素的結(jié)構(gòu)方程模型、描述統(tǒng)計分析等方法以及預(yù)測輟學(xué)概率的各種機(jī)器學(xué)習(xí)算法。預(yù)測算法經(jīng)歷從簡單的單一算法(邏輯回歸、支持向量機(jī)、決策樹)向動態(tài)的包含時間序列的算法(隱馬爾科夫模型、神經(jīng)網(wǎng)絡(luò))以及多重疊加算法(如決策樹和極限學(xué)習(xí)機(jī)相結(jié)合的混合算法DT-ELM等)轉(zhuǎn)變。同時，算法的數(shù)據(jù)源也經(jīng)歷了從最初僅采用單一點擊流數(shù)據(jù)到后來采用多種數(shù)據(jù)源(點擊流數(shù)據(jù)、課程測試數(shù)據(jù)、人口統(tǒng)計學(xué)數(shù)據(jù)、外部調(diào)研數(shù)據(jù)等)共同進(jìn)行預(yù)測的轉(zhuǎn)變。