徐彤，于正永

摘要：基于MOOC平台的在线课程在我国得到了迅速发展，大量的学习者在使用MOOC平台教学资源时积累了庞大的学习行为数据，该文通过对中国大学MOOC平台《LTE无线网络优化》课程学习行为的大数据挖掘、统计与分析，找出了影响学习成效的因素，对高质量建设在线开放课程，发挥MOOC平台受益面，满足个性化学习具有一定参考价值。

关键词：大数据;学习分析;在线课程

中图分类号：G343      文献标识码：A

文章编号：1009-3044（2021）34-0037-03

1引言

随着信息技术与教育的深度融合，基于MOOC平台的在线课程在我国得到了迅速发展，经过近十年的建设和发展，中国MOOC数量和应用规模已跃居世界第一。基于MOOC平台的线上、线下教学，为我国教育教学改革提供新的范式，特别在人类经历了百年来最严重的新冠病毒传染病大流行的当下，MOOC平台在“停课不停教、停课不停学”，实施线上教学发挥了巨大的作用。

在MOOC使用过程中，大量的学习者和海量的教学资源积累了庞大的学习行为数据，基于MOOC平台的大数据分析成为一个新兴的研究热点，通过对学习者在学习过程中生成的数据进行分析，可以判断学习者的学习行为情况，预测他们将来的学习成效。通过研究学习行为与学习成效之间关系，可以找出影响学习成效的因素，帮助学习者提高学习成效，为学习者提供针对性的学习指导，满足学习者个性化学习要求。

2 《LTE无线网络优化》开课概况

《LTE无线网络优化》课程自2017年9月在中国大学MOOC平台上线，对国内所有高校和社会学习者共享开放，截至2021年7月，《LTE无线网络优化》课程已在中国大学MOOC平台开设9个学期，课程内容选取对接中国移动LTE无线网络优化岗位技能要求，并将华为、中兴、大唐等知名企业的ICT技能认证内容融入课程。本课程内容包括LTE无线网络技术、LTE无线网络信号测试和LTE无线网络优化实践三个模块内容，每个模块的知识点和点如表1所示。

本课程属于高职高专通信类专业课程，相对于计算机类、英语等普适性强的课程，开设该课程的学校比较少，为了使样本数据尽量大些，本研究主要选取课程上线以来的所有数据进行分析，表2列出了参加选课和参加考核的学习者人数情况，从表2中可以看出，参与MOOC考核人数只占选课人数的5.7%，考核比例比较低，主要原因是MOOC是一种开放式教育资源，加入MOOC几乎没有个人基本条件的限制，对课程的学习和考核也没有强制性的约束力。

3 课程学习情况数据分析

通过对学习者学习行为的数据搜集和数据分析，更好地了解学习者的学习过程，分析学习者学习效果，便于课程建设方不断完善课程的功能，提升课程的影响力，从而不断提升课程的覆盖面和受益面。下面从课程学习中“课程考核数据”“课程互动数据”和“课程完课率”三个维度进行数据的搜集，并进行简要地分析学习者学习过程和学习效果，其中课程考核数据体现了学习者对本课程的重视程度，课程互动数据反映了学习者遇到重难點问题时主动解决的愿望，课程完课率一定程度上表明课程资源对学习者的吸引力。

3.1课程考核数据统计与分析

《LTE无线网络优化》课程8个学期累计参与考核的总人数为610人，通过人数为416人，通过率为68.2%。在参与考核人数中，成绩优秀（80≤成绩≤100）73人，优秀比例为11.9%;成绩合格（60≤成绩<80）354人，合格率为58.2%;成绩不合格（0≤成绩<;60）183人，不合格比例为29.8%，如下图1所示。

通过对8个学期参与课程学习的学习者终期成绩统计可以看出，有近90%的课程学习者并没有通过本课程的线上考核，究其原因，主要有如下两个方面：一是参加考核的学习者大都是开设相关课程的在校大学生，他们有较强的通过课程考核的意愿，一般会在教师的统一安排下参加考核，并且大都能顺利通过考核;二是由于MOOC本身的开放性特点，社会工作人员通过课程学习获取相关的知识、提升自己的专业技能，他们并没有参与考核的强烈意愿。

3.2课程互动数据统计与分析

学习者在学习课程过程中遇到的问题或者想法，可以通过平台的互动功能实现师生间或者学习者间的互动，本课程发帖和回帖数量累计4671条，通过对图2中学习者发帖和回帖数量与主题帖的序号关系的分析可以得出，学习者在学习早期发帖或回帖相对比较踊跃，随后的几周内发帖或回帖数量下降并趋于稳定，总体来说学习者对每个讨论主题的发帖和回帖数量偏低。

学习者的主动学习意愿影响他们的互动性，有强烈学习愿望的学习者完成微课视频等学习资源的学习或者在进行单元测试答题之后，一般会发现、总结自己学习过程中遇到的问题，大都会向授课教师提问，或者通过发帖和回帖的形式与同批次的学习者分享学习心得，主动与大家开展知识点的讨论，积极地参与到课程互动中。发帖和回帖数量偏低，说明了学习者对学习中遇到的问题解决愿望不够强烈，这直接影响学习者学习本课程的学习效果以及对本课程的持续关注度。

3.3课程完课率统计与分析

通过对8个学期参与课程学习的学习者对各种学习资源的参与总人数和完成情况可以初步看出，各种资源的总体完成率都比较低，最高的文档资源学习也只有6.7%，如表3所示。

在线课程完课率偏低一直是困扰MOOC持续发展的一个重要问题。MOOC学习者低完课率不但关乎MOOC的可持续发展，更关乎教育公平与扩大教育参与的理念与实践，导致高注册率低完课率主要原因有：

（1）学习动机的多样性

EdX副总裁在一次采访中曾说过，MOOC完成率取决于学习者选课初衷，即学习动机。MOOC的学习群体可分为积极参与者、消极参与者与中途辍学者、听众与好奇的观察者，大部分的MOOC学习者注册MOOC并非想要学完这门课程。可以说，学习动机的多样化，是造成MOOC的完课率低下的根源。

（2）课程实用性缺失、社会认可度不高

首先，学科本位的通识教育课程在线学习内容中占比重较大，无法完全适应个人求职就业、自主创新创业等需求，其次，MOOC平台颁发的课程证书对学员的毕业和工作方面并没有过多切实帮助，导致社会不太认可MOOC的证书含金量。

（3）课程服务的缺失

MOOC课程服务不到位，课程开发者与学习者之间无尚未构建快速有效的沟通机制，认证、积累转换、监督、交互、激励等机制尚不完善。

4 MOOC平台学习资源的数据统计与分析

4.1总体学习资源分布

课程团队针对课程特点制作了丰富灵活的学习资源，有微课视频、教学课件、文档资料、课外学习视频及动画等，同时设置了测验、作业、讨论等资源可以进行自主学习效果的检测，如图3所示。根据国家在线开放课程建设标准和课程教学实际情况，遵循线上教学内容“精、短、细”的原则，内容和数量均基本符合成人学习强度，其中视频资源的数量占有较大比例。

4.2学习者对学习资源的偏好分析

表4为8个学期的学习者参与不同类型资源学习的有效人数统计表，从表4可以看出，在各类学习资源中，视频资源平均学习人数最多，相对于文本资源，视频资源更受欢迎，同时说明学习者更愿意从简单易学的视频资源学习行为开始，在一定程度上可以看出学习者对学习资源的偏好，文档和富文本的学习人数相差不大。在学习检测资源中，学习者更注重随堂测验、单元测验等客观题，这与课程的客观题更易入手、总体难度不大有关，而主观题更多的是考察学习者综合利用知识能力，需要对知识点有着深层次认知和理解。

图4分别给出了8个学期对不同视频资源观看人数的分布情况，其中视频总个数为60，平均每个视频观看人数587人次。从图4可见，选课初期参与观看视频的人数较多，尤其是观看首个视频的学习者人数为所有观看视频学习者数的最大值，人数达到3451，约占总观看视频资源次数的9.8%。而随着课程内容的不断发布，观看视频的学习者人数呈下降趋势，从图4可以看出，当在线课程发布量约在25%之后的时间内，坚持学习的人数也逐渐趋于平稳，尽管有小幅波动，但总体变化不大。可以看出，初期选课学习者很多抱着试选试看的心理参与课程，但随着课程内容的深入，尤其对于专业课是否适合自己已经有了清晰的认知，因此出现相对固定学习人群，这体现了学习者初期对在线课程不太了解，到了一定学习阶段之后对学习在线课程的心态趋于稳定，这也符合MOOC自由选课退课的开放特点。

5 MOOC平台课程建设的建议

MOOC的生态环境中包括学习者、教师、大学、平台以及不可或缺的市场和就业机会，提升平台课程的影响力、覆盖面和受益面需要相关各方共同的努力。

从生态链的前端环节来看，市场要为MOOC 的发展提供技术、资金、应用，从后端环节来看，需要承认MOOC 的学习者并且能为他们提供就业机会的公司，从而完成一个教育过程的闭环。

对于MOOC平台建设者或运营者，应该增强MOOC平台课程认证工作，提升课程认证的社会认可度。只有当学习者得到相应的认证并且被授予学位和学分，并在社会中获得就业机会它才能成为真正的正规教育。但目前MOOC认证的影响力和权威性还非常有限，证书还不被主流社会认可。因此，推动MOOC的认证工作有利于学习者对MOOC课程学习的完课率。另外平台应保证大规模在线教育的网络质量，充分发挥技术优势，包括机器发现、信息推送、大数据研究等，将这些技术更好地应用于MOOC 中，以便不断提升教学质量。

大学应提升在线课程的资源建设质量。通过上述观看视频学习行为数据的一些特征，也揭示了一些在线学习行为规律，可以帮助MOOC视频制作者改进视频设计，使其更具吸引力，特别是提高最先发布的几个视频和文档资源的质量，激发学习者对本在线课程学习的兴趣，提升本课程的黏性。

授课教师应加强网络社区建设。通过网络社区进行互动交流，设置讨论问题，对讨论次数设置课程分数值，这样不仅可以激励学习者参与讨论积极性，提高学习者的学习兴趣和动力，而且还可以解决学习者遇到的学习問题，让学习者互相帮助解决学习困难。通过实时互动来随时掌控学习者的注意力，比如点名、协同浏览、在线问答等。通过随堂测验或由助教提供更多的个性化学习指导，以便学习者能更好、更快地完成学习任务，增加学习兴趣和信心。

6结束语

MOOC的出现给世界各地的学习者和教育者带来了新的机遇，然而从现有MOOC平台学习者的学习情况来看，学习成效不尽相同。本文基于中国大学MOOC平台提供的学习者课程数据，对学习者的学习行为进行了统计和分析，旨在通过平台提供的大数据，分析学习者的学习行为，预测他们将来的学习成果，为学习者提高学习效果进行初步的分析和研究。鉴于目前中国大学MOOC平台公开的数据相对有限，还没能提供学习者学习每个资源的时长，特别是观看视频的观看时长，是否回退，是否快进等数据，也没有学习者学习资源的时间、地点信息，使用何种学习终端工具等信息。因此，全面地获取学习行为数据，充分利用学习者在线课程学习过程中的数据，构建大数据时代学习者在线课程学习分析架构，评估、预测、干预学习者的学习，促进自适应学习系统的建设和个性化学习的发展，从而实现因材施教，还需要进一步深入研究。

参考文献：

[1] 王艳玲，刘晓峰.基于MOOC平台数据的学习行为统计及分析——以“航海气象观测与分析”课程为例[J].航海教育研究，2020，37（3）：83-89.

[2] 于龙.MOOC低完课率的原因及对策分析[J].青年与社会，2019（22）：78-79.

[3] 姜强，赵蔚，李勇帆，等.基于大数据的学习分析仪表盘研究[J].中国电化教育，2017（1）：112-120.

[4] 周玲.多维视角下MOOC学习分析发展机制与分析框架建构[J].电化教育研究，2017，38（4）：41-46.

【通联编辑：朱宝贵】