郭文锋 樊 超

（1.山西农业大学 基础部，山西 晋中 030801；2.成都理工大学 管理科学学院，四川 成都610059）

一、研究背景

MOOCs学习具有学习泛在化以及学习资源丰富和知识结构系统化等特点（樊超，宗利永，2016），为学习者提供了一种新的学习方式。尽管MOOCs为学习者在课程来源、内容、时长、认证等方面提供了更多选择权，但较低的完成率仍是当前MOOCs所面临的主要问题之一。大量研究表明，MOOCs的完成率约为5%到10%（De Freitas, Morgan,& Gibson, 2015）。而影响MOOCs完成率的主要原因是学习者不能持续学习，即学习者学习一段时间后就放弃了学习，我们称之为退课。如果能尽早发现可能退课的学习者，并对其给予激励措施则可有效提高其学习积极性，进而降低退课的可能性。为此，Feng、Tang和Liu（2019）基于学堂在线平台的“小木”人工智能辅助系统针对可能退课的学习者进行了在线干预，干预措施主要是向学习者推送激励学习的提醒信息。通过一个对照组和三个实验组进行对比分析，采取了激励措施的实验组在观看视频时长、完成作业数量和作业正确率方面有显著提升。这一实证研究表明对可能退课者实施干预可以促进其持续学习。

随着大数据技术的快速发展，MOOCs平台记录并存储了海量的学习行为数据，为定量分析学习者的退课行为提供了基础。现有研究主要基于资源访问度（学习行为时长和次数）构建学习行为指标来预测退课，而资源访问规律对退课也具有重要影响，因此本研究将基于学堂在线MOOCs平台记录的37门计算机类课程的学习行为数据，综合资源访问度和资源访问规律构建学习行为指标，探索能够预测学习者退课行为的学习行为指标。……