基于RFL的MOOC學(xué)習(xí)者細(xì)分與忠誠(chéng)度研究*——以“怪誕行為學(xué)”課程為例

魏 玲 李 陽(yáng)

?

基于RFL的MOOC學(xué)習(xí)者細(xì)分與忠誠(chéng)度研究*——以“怪誕行為學(xué)”課程為例

魏 玲 李 陽(yáng)

（哈爾濱理工大學(xué)管理學(xué)院，黑龍江哈爾濱 150040）

MOOC在全球掀起應(yīng)用風(fēng)暴的同時(shí)，也面臨著巨大的挑戰(zhàn)，學(xué)習(xí)者課程完成率低或中途選擇放棄等用戶流失現(xiàn)象尤為嚴(yán)重。為了分析哪些類型的學(xué)習(xí)者可能中途選擇放棄、哪些類型的學(xué)習(xí)者能夠堅(jiān)持完成課程，需要對(duì)MOOC學(xué)習(xí)者進(jìn)行細(xì)分與忠誠(chéng)度研究。文章借鑒商業(yè)領(lǐng)域中的RFM（Recency+Frequency+Monetary，近度+頻度+值度）客戶分類思想，構(gòu)建了基于RFL（Recency+Frequency+Length，近度+頻度+值度）的MOOC學(xué)習(xí)者分類模型。在此基礎(chǔ)上，文章以“怪誕行為學(xué)”課程為例，對(duì)學(xué)習(xí)者進(jìn)行了聚類分析，并針對(duì)MOOC各級(jí)別學(xué)習(xí)者的行為特征提出相應(yīng)的教學(xué)策略，以期為更好地發(fā)展MOOC提供參考。

MOOC；學(xué)習(xí)者細(xì)分；忠誠(chéng)度；RFL

引言

隨著信息技術(shù)的發(fā)展，網(wǎng)絡(luò)教育發(fā)生了空前的變革，涌現(xiàn)出眾多的在線學(xué)習(xí)平臺(tái)。在線學(xué)習(xí)平臺(tái)具有的共享性和提供的個(gè)性化服務(wù)，改變著學(xué)習(xí)者的思維模式，便于學(xué)習(xí)者知識(shí)的構(gòu)建。MOOC（Massive Online Open Courses，大規(guī)模在線開(kāi)放課程）作為當(dāng)前在線學(xué)習(xí)平臺(tái)的典型代表，起源于加拿大，現(xiàn)已在全球教育領(lǐng)域大受熱捧并掀起了新一輪應(yīng)用風(fēng)暴[1]。MOOC在全球教育界被廣泛追捧的同時(shí)，也面臨著巨大的挑戰(zhàn)。有關(guān)調(diào)查顯示，當(dāng)前MOOC注冊(cè)者的實(shí)際課程完成平均率不足百分之十，注冊(cè)者在學(xué)習(xí)過(guò)程中選擇中途放棄的現(xiàn)象尤為嚴(yán)重[2]。面對(duì)這種較高的用戶流失率問(wèn)題，研究者正努力尋找原因，分析哪些因素會(huì)影響學(xué)習(xí)者的持續(xù)學(xué)習(xí)行為。如康葉欽[3]認(rèn)為，平臺(tái)注冊(cè)人數(shù)激增造成個(gè)性化學(xué)習(xí)質(zhì)量危機(jī)，同時(shí)學(xué)習(xí)者充分自治造成主動(dòng)學(xué)習(xí)缺乏，進(jìn)而引發(fā)了MOOC完成率不高的現(xiàn)象。

研究MOOC學(xué)習(xí)者學(xué)習(xí)的影響因素及學(xué)習(xí)進(jìn)展，首先需要明確MOOC學(xué)習(xí)者的類別。Hill[4]利用數(shù)據(jù)挖掘技術(shù)，將MOOC學(xué)習(xí)者劃分為五種類型；Kitsiri[5]從學(xué)習(xí)者的職業(yè)背景與學(xué)習(xí)目的出發(fā)，對(duì)MOOC學(xué)習(xí)者進(jìn)行了類別劃分；Koutropoulos等[6]將用戶在課程中的參與程度作為用戶分類指標(biāo)；斯坦福大學(xué)利用學(xué)習(xí)分析技術(shù)，將MOOC學(xué)習(xí)者分為完成者、取樣學(xué)習(xí)者、觀眾與脫離式學(xué)習(xí)者[7]；Taylor等[8]根據(jù)學(xué)生在課程論壇與Wiki中的互動(dòng)程度，將MOOC學(xué)習(xí)者分為四類；蔣卓軒等[9]則從認(rèn)知規(guī)律的研究角度出發(fā)，對(duì)MOOC學(xué)習(xí)者進(jìn)行了劃分。由此可見(jiàn)，當(dāng)前關(guān)于MOOC學(xué)習(xí)者分類的標(biāo)準(zhǔn)尚未統(tǒng)一，分類角度與方法也不盡相同，大多依據(jù)學(xué)習(xí)者本身屬性進(jìn)行類別劃分，而沒(méi)有充分考慮學(xué)習(xí)者在線學(xué)習(xí)過(guò)程中的學(xué)習(xí)行為。此外，對(duì)MOOC學(xué)習(xí)者的分類大都基于某一個(gè)具體的MOOC平臺(tái)，可實(shí)際上同一個(gè)MOOC平臺(tái)上不同課程的學(xué)習(xí)者類型存在差別。因此，針對(duì)MOOC平臺(tái)上某門具體課程的學(xué)習(xí)者進(jìn)行分類，可為其它課程的組織者進(jìn)行學(xué)習(xí)者分類研究提供參考，并為動(dòng)態(tài)監(jiān)督學(xué)習(xí)者的學(xué)習(xí)進(jìn)程、加大學(xué)習(xí)者的課程參與度提供指導(dǎo)。根據(jù)MOOC在線學(xué)習(xí)平臺(tái)用戶學(xué)習(xí)的特點(diǎn)，本研究借鑒RFM分析法，提出了MOOC學(xué)習(xí)者細(xì)分RFL指標(biāo)體系，構(gòu)建了基于RFL的MOOC學(xué)習(xí)者分類模型，并以“怪誕行為學(xué)”課程為例，采用聚類方法對(duì)MOOC學(xué)習(xí)者進(jìn)行細(xì)分，同時(shí)分析了各類別學(xué)習(xí)者的課程忠誠(chéng)度。

一基于RFL的MOOC學(xué)習(xí)者分類模型

1 RFL指標(biāo)體系

RFM分析法是分析客戶行為特征的一種方法，由Hughes[10]于1994年提出，通過(guò)近度R（Recency）、頻度F（Frequency）、值度M（Monetary）等三個(gè)行為變量來(lái)區(qū)分客戶。其中，R指上次購(gòu)買至現(xiàn)在的時(shí)間間隔，F(xiàn)為某一期間內(nèi)的購(gòu)買總次數(shù)，M是某一期間內(nèi)的購(gòu)買總金額。不同于一般的基于客戶貢獻(xiàn)度的客戶分類方法，RFM分析法側(cè)重于以客戶的行為來(lái)對(duì)客戶進(jìn)行細(xì)分[11]。雖然RFM分析法是客戶細(xì)分的有效方法，但傳統(tǒng)的RFM分析法并不適用于在線學(xué)習(xí)平臺(tái)的學(xué)習(xí)者分類。在線學(xué)習(xí)平臺(tái)與普通的電子商務(wù)平臺(tái)應(yīng)用有所不同——除了少數(shù)想要獲取課程結(jié)業(yè)證書(shū)的學(xué)習(xí)者，大部分在線學(xué)習(xí)者并沒(méi)有進(jìn)行實(shí)際消費(fèi)。但是，在線學(xué)習(xí)平臺(tái)中學(xué)習(xí)者的學(xué)習(xí)行為與一般電子商務(wù)用戶的購(gòu)買行為也存在一定的相似性。因此，可以借鑒RFM分析法，設(shè)計(jì)出適用于MOOC學(xué)習(xí)者分類的指標(biāo)體系，以對(duì)MOOC學(xué)習(xí)者進(jìn)行有效細(xì)分。

根據(jù)MOOC在線學(xué)習(xí)平臺(tái)的特點(diǎn)，結(jié)合在線學(xué)習(xí)者的學(xué)習(xí)行為特征，本研究提出了MOOC學(xué)習(xí)者細(xì)分RFL指標(biāo)體系，如表1所示。其中，指標(biāo)R（Recency）代表近度，是學(xué)習(xí)者最近一次登錄平臺(tái)的時(shí)間點(diǎn)距離關(guān)注點(diǎn)的時(shí)間長(zhǎng)度，為便于進(jìn)行數(shù)據(jù)處理，本研究將指標(biāo)R定義為從關(guān)注點(diǎn)（年月日）到最近一次登錄平臺(tái)之間的天數(shù)；指標(biāo)F（Frequency）代表頻度，是學(xué)習(xí)者在某一期間內(nèi)的學(xué)習(xí)總次數(shù)，包括觀看課程視頻次數(shù)、做筆記與發(fā)帖互動(dòng)次數(shù)；指標(biāo)L（Length）代表長(zhǎng)度，是學(xué)習(xí)者在某一期間內(nèi)登錄平臺(tái)觀看課程視頻的總時(shí)長(zhǎng)（單位為分鐘），觀看時(shí)長(zhǎng)越長(zhǎng)，體現(xiàn)學(xué)習(xí)者對(duì)在線課程的依賴程度越高。

表1 MOOC學(xué)習(xí)者細(xì)分RFL指標(biāo)體系

2 基于RFL的MOOC學(xué)習(xí)者分類模型

根據(jù)MOOC學(xué)習(xí)者細(xì)分RFL指標(biāo)體系，本研究構(gòu)建了基于RFL的MOOC學(xué)習(xí)者分類模型，如圖1所示。該模型包括以下幾個(gè)模塊：

（1）數(shù)據(jù)歸一化

由于MOOC學(xué)習(xí)者分類指標(biāo)在數(shù)量級(jí)、量綱上存在較大差異，為消除量綱影響，需對(duì)學(xué)習(xí)者分類指標(biāo)的取值進(jìn)行歸一化處理[12]。本研究在提出MOOC學(xué)習(xí)者細(xì)分RFL指標(biāo)體系時(shí)發(fā)現(xiàn)：指標(biāo)F取值越大，說(shuō)明MOOC學(xué)習(xí)者在線學(xué)習(xí)頻率越高；指標(biāo)L取值越大，說(shuō)明MOOC學(xué)習(xí)者在線觀看課程視頻時(shí)間越長(zhǎng)。由此可以判斷，指標(biāo)F、L取值越大，說(shuō)明學(xué)習(xí)者在學(xué)習(xí)過(guò)程中注入的時(shí)間與精力越多，對(duì)MOOC在線課程的忠誠(chéng)度越高。指標(biāo)R代表學(xué)習(xí)者最近一次登錄MOOC平臺(tái)距離分析點(diǎn)的時(shí)間間隔，時(shí)間間隔越小，說(shuō)明學(xué)習(xí)者在這一期間內(nèi)退出現(xiàn)象不明顯，對(duì)課程的忠誠(chéng)度越高。由此得出，指標(biāo)F、L與學(xué)習(xí)者穩(wěn)定程度正相關(guān)，取值越大越好；而指標(biāo)R與學(xué)習(xí)者穩(wěn)定程度負(fù)相關(guān)，取值越小越好，在進(jìn)行歸一化時(shí)應(yīng)區(qū)別處理。

圖1 基于RFL的MOOC學(xué)習(xí)者分類模型

（2）確定指標(biāo)權(quán)重

確定指標(biāo)權(quán)重通常使用主觀法和客觀法——傳統(tǒng)的主觀法大多采用層次分析法、專家咨詢法等，這些方法由專家根據(jù)經(jīng)驗(yàn)進(jìn)行判斷，帶有強(qiáng)烈的主觀色彩，精確度較低，故不適用于本研究的權(quán)重確定；客觀法則能夠利用客觀數(shù)據(jù)獲得比較符合實(shí)際的權(quán)重，包括主成分分析法、變異系數(shù)法和熵值法等。其中，主成分分析法適用于多個(gè)指標(biāo)情形，而本研究構(gòu)建的MOOC學(xué)習(xí)者分類指標(biāo)個(gè)數(shù)較少；變異系數(shù)法適用于指標(biāo)取值差異較大的指標(biāo)體系，而本研究構(gòu)建的MOOC學(xué)習(xí)者分類指標(biāo)取值差異較小，因此這兩種方法均不適用于本研究的權(quán)重確定。綜合比較，本研究采用熵值法來(lái)確定學(xué)習(xí)者各分類指標(biāo)的權(quán)重。

（3）K-means聚類與刪除極端值

K-means聚類是用戶群細(xì)分的一種常用方法，是指利用距離公式將樣本中的數(shù)據(jù)分配到隨機(jī)選取的k個(gè)中心，再重新計(jì)算新的中心均值，迭代以上步驟直至獲得最小聚類[13]。具體來(lái)說(shuō)，首先對(duì)分類指標(biāo)進(jìn)行描述性統(tǒng)計(jì)，發(fā)現(xiàn)頻度和長(zhǎng)度存在極端偏大值，這些極端值會(huì)導(dǎo)致聚類分析時(shí)存在較大誤差，故在分類時(shí)應(yīng)對(duì)其進(jìn)行刪除處理。應(yīng)用K-means算法對(duì)MOOC學(xué)習(xí)者進(jìn)行分類前，需要確定聚類的個(gè)數(shù)m。根據(jù)生成的各類別中各指標(biāo)的均值與相對(duì)應(yīng)的各總體指標(biāo)均值進(jìn)行大小比較，將聚類個(gè)數(shù)m設(shè)定為2×2×2=8。同時(shí)定義：若一個(gè)類別中指標(biāo)R（或F或L）的均值大于相對(duì)應(yīng)的總體指標(biāo)均值，則該類別用R（或F或L）↑來(lái)表示；若一個(gè)類別中指標(biāo)R（或F或L）的均值小于相對(duì)應(yīng)的總體指標(biāo)均值，則該類別用R（或F或L）↓來(lái)表示。

（4）學(xué)習(xí)者忠誠(chéng)度分析

由于在客戶行為方面評(píng)價(jià)忠誠(chéng)度的指標(biāo)較易獲取，故在營(yíng)銷領(lǐng)域?qū)蛻糁艺\(chéng)度的研究主要傾向于評(píng)價(jià)客戶的購(gòu)買行為[14]。當(dāng)前，對(duì)零售行業(yè)中客戶行為忠誠(chéng)度指標(biāo)選取和評(píng)價(jià)方法的研究比較成熟，但針對(duì)MOOC學(xué)習(xí)者課程忠誠(chéng)度的研究尚未涉足。而通過(guò)分析學(xué)習(xí)者的在線學(xué)習(xí)行為，并通過(guò)對(duì)學(xué)習(xí)者R、F、L指標(biāo)及其所賦權(quán)重的確定，能夠分析出MOOC學(xué)習(xí)者的課程忠誠(chéng)度?；诖?，本研究設(shè)計(jì)了MOOC學(xué)習(xí)者忠誠(chéng)度計(jì)算公式，如公式（1）所示。其中，、、分別代表分類指標(biāo)R、F、L的權(quán)重，、、則代表每個(gè)類別中R、F、L指標(biāo)的均值。

公式（1）

二以“怪誕行為學(xué)”課程為例的實(shí)證分析

本研究選取MOOC學(xué)院的“怪誕行為學(xué)”課程作為研究對(duì)象。MOOC學(xué)院是果殼網(wǎng)旗下的一個(gè)在線學(xué)習(xí)社區(qū)，截止到2016年6月，該平臺(tái)已收錄4462門精品課程，超過(guò)上千萬(wàn)人次在該平臺(tái)上進(jìn)行注冊(cè)并參與課程學(xué)習(xí)。本研究利用網(wǎng)絡(luò)抓包工具，獲取從課程開(kāi)始（2014年3月11日）至課程結(jié)束（2014年5月6日）這段時(shí)間內(nèi)全部學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)。然后，隨機(jī)抽取3000名學(xué)習(xí)者數(shù)據(jù)作為樣本，根據(jù)學(xué)習(xí)社區(qū)的歷史記錄，分別統(tǒng)計(jì)出每位學(xué)習(xí)者“最后一次學(xué)習(xí)本課程至課程結(jié)束時(shí)的時(shí)間間隔（R，以天為計(jì)算單位）”、“本次課程的總體學(xué)習(xí)次數(shù)（F，以次數(shù)為計(jì)算單位）：包括觀看課程視頻次數(shù)、做筆記與發(fā)帖互動(dòng)次數(shù)”、“本次課程中觀看課程視頻的總時(shí)長(zhǎng)（L，以分鐘為計(jì)算單位）”等三項(xiàng)指標(biāo)作為學(xué)習(xí)者分類的依據(jù)，統(tǒng)計(jì)結(jié)果如表2所示。

表2 研究樣本信息收集

由于每種指標(biāo)的數(shù)據(jù)類型與格式存在較大差異，故本研究采用Max-Min方法，對(duì)獲取到的學(xué)習(xí)者分類指標(biāo)取值進(jìn)行了歸一化處理。然后，本研究采用熵值法確定課程學(xué)習(xí)者R、F、L指標(biāo)的權(quán)重，最終得到指標(biāo)R的權(quán)重為0.225、指標(biāo)F的權(quán)重為0.564、指標(biāo)L的權(quán)重為0.211。

學(xué)習(xí)者分類是通過(guò)比較每個(gè)用戶類別的RFL均值與總體RFL均值的大小來(lái)決定的，故單個(gè)指標(biāo)比較只可能存在兩種情形：大于等于或小于總體均值，其可能類別數(shù)有2×2×2=8個(gè)。設(shè)置好聚類類別數(shù)后，本研究利用SPSS統(tǒng)計(jì)軟件中的K-means算法，對(duì)“怪誕行為學(xué)”課程的在線學(xué)習(xí)者進(jìn)行了聚類分析，得到8種學(xué)習(xí)者類別，如表3所示。

表3 聚類分析后產(chǎn)生的學(xué)習(xí)者類別

根據(jù)聚類分析結(jié)果，8種學(xué)習(xí)者類別的RFL均值有顯著差異，將其與總體RFL均值進(jìn)行比較，會(huì)產(chǎn)生7種級(jí)別的學(xué)習(xí)者：重要發(fā)展學(xué)習(xí)者、一般重要學(xué)習(xí)者、一般學(xué)習(xí)者、重要保持學(xué)習(xí)者、重要挽留學(xué)習(xí)者、無(wú)價(jià)值學(xué)習(xí)者以及觀望者。各級(jí)別學(xué)習(xí)者所占的人數(shù)比例如圖2所示。

圖2 各級(jí)別學(xué)習(xí)者所占的人數(shù)比例

圖3 各級(jí)別學(xué)習(xí)者的忠誠(chéng)度排名

為分析不同級(jí)別學(xué)習(xí)者的課程完成率是否有差異以及差異如何，需進(jìn)行學(xué)習(xí)者課程忠誠(chéng)度分析。運(yùn)用如前文公式（1）所示的MOOC學(xué)習(xí)者忠誠(chéng)度計(jì)算公式，可得各級(jí)別學(xué)習(xí)者的忠誠(chéng)度得分，根據(jù)得分對(duì)各級(jí)別學(xué)習(xí)者的忠誠(chéng)度進(jìn)行排名，所得結(jié)果如圖3所示。

三基于MOOC學(xué)習(xí)者行為特征的教學(xué)策略

根據(jù)MOOC學(xué)習(xí)者分類及忠誠(chéng)度排名結(jié)果，本研究分析了MOOC中各級(jí)別學(xué)習(xí)者的行為特征，并提出了相應(yīng)的教學(xué)策略。

1 重要保持學(xué)習(xí)者（也稱為黃金學(xué)習(xí)者）

重要保持學(xué)習(xí)者最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較近，學(xué)習(xí)總次數(shù)較多，觀看在線課程視頻的總時(shí)間較長(zhǎng)。而忠誠(chéng)度排名結(jié)果顯示，該類學(xué)習(xí)者的忠誠(chéng)度最高，屬于高端學(xué)習(xí)者。針對(duì)該類學(xué)習(xí)者，教師應(yīng)采取長(zhǎng)期教學(xué)策略，及時(shí)了解其個(gè)性化學(xué)習(xí)需求；平臺(tái)管理者則可以借助先進(jìn)技術(shù)手段對(duì)海量學(xué)習(xí)數(shù)據(jù)進(jìn)行整合分析，及時(shí)發(fā)現(xiàn)學(xué)習(xí)者行為與心態(tài)的變化，并針對(duì)其學(xué)習(xí)需求設(shè)計(jì)個(gè)性化的學(xué)習(xí)服務(wù)路徑、提供實(shí)時(shí)的個(gè)性化學(xué)習(xí)服務(wù)，以提升該類學(xué)習(xí)者的在線學(xué)習(xí)滿意度。

2 重要挽留學(xué)習(xí)者

重要挽留學(xué)習(xí)者最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較長(zhǎng)，但在之前的學(xué)習(xí)過(guò)程中，其學(xué)習(xí)總體次數(shù)較為頻繁、觀看在線課程視頻的總時(shí)間較長(zhǎng)。而忠誠(chéng)度排名結(jié)果顯示，該類學(xué)習(xí)者在學(xué)習(xí)開(kāi)始階段的課程忠誠(chéng)度較高，但根據(jù)指標(biāo)R可推斷出其在課程后期階段可能會(huì)出現(xiàn)流失的跡象。針對(duì)該類學(xué)習(xí)者，教師與平臺(tái)管理者應(yīng)采取即時(shí)補(bǔ)救策略，在設(shè)計(jì)課程時(shí)強(qiáng)調(diào)把知識(shí)嵌入到實(shí)踐運(yùn)用中，讓學(xué)習(xí)者真正獲益；同時(shí)，采取有效激勵(lì)措施，培養(yǎng)并增加學(xué)習(xí)者對(duì)MOOC的認(rèn)同感與依賴度，降低該類學(xué)習(xí)者流失的可能性。

3 重要發(fā)展學(xué)習(xí)者

重要發(fā)展學(xué)習(xí)者最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較近，但與師生發(fā)帖互動(dòng)交流的次數(shù)較少，觀看在線課程視頻的總時(shí)間較長(zhǎng)。而忠誠(chéng)度排名結(jié)果顯示，該類學(xué)習(xí)者的忠誠(chéng)度一般，屬于中端學(xué)習(xí)者。針對(duì)這類學(xué)習(xí)者，教師可以在討論區(qū)適時(shí)發(fā)布問(wèn)題，來(lái)引導(dǎo)學(xué)習(xí)者交流、分享學(xué)習(xí)經(jīng)驗(yàn)和學(xué)習(xí)成果，形成學(xué)習(xí)共同體；同時(shí)，通過(guò)加大討論在課程評(píng)價(jià)中的比重，來(lái)激發(fā)學(xué)習(xí)者的內(nèi)在學(xué)習(xí)動(dòng)機(jī)。當(dāng)學(xué)習(xí)者在線發(fā)帖提問(wèn)時(shí)，教師或助教應(yīng)及時(shí)回應(yīng)，以降低其流失率、提高其在線學(xué)習(xí)滿意度與忠誠(chéng)度，將該類學(xué)習(xí)者發(fā)展為重要保持學(xué)習(xí)者。

4 一般重要學(xué)習(xí)者

一般重要學(xué)習(xí)者在很長(zhǎng)的一段時(shí)間內(nèi)不再登陸平臺(tái)進(jìn)行學(xué)習(xí)，或者說(shuō)中途放棄了學(xué)習(xí)；觀看在線課程視頻、與師生發(fā)帖互動(dòng)交流等學(xué)習(xí)行為的發(fā)生次數(shù)比較頻繁，但學(xué)習(xí)總時(shí)長(zhǎng)較短，投入的時(shí)間與精力成本較低。而忠誠(chéng)度排名結(jié)果顯示，該類學(xué)習(xí)者的忠誠(chéng)度較低。該類學(xué)習(xí)者雖然積極地參與了課程互動(dòng)話題討論，卻沒(méi)有堅(jiān)持完成課程學(xué)習(xí)，平臺(tái)管理者與教師應(yīng)對(duì)其進(jìn)行監(jiān)督幫助，即通過(guò)定時(shí)發(fā)送郵件提醒其及時(shí)登錄平臺(tái)學(xué)習(xí)課程、在學(xué)習(xí)過(guò)程中對(duì)其行為進(jìn)行實(shí)時(shí)、動(dòng)態(tài)的分析評(píng)價(jià)，以建立起學(xué)習(xí)監(jiān)督引導(dǎo)機(jī)制，來(lái)提升該類學(xué)習(xí)者的課程忠誠(chéng)度。

5 一般學(xué)習(xí)者

一般學(xué)習(xí)者最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較長(zhǎng)、學(xué)習(xí)次數(shù)很少、觀看在線課程視頻花費(fèi)時(shí)間較多。而忠誠(chéng)度排名結(jié)果顯示，該類學(xué)習(xí)者的忠誠(chéng)度很低。該類學(xué)習(xí)者偏好在某一期間內(nèi)長(zhǎng)時(shí)間地觀看課程視頻，來(lái)滿足其特定的學(xué)習(xí)需求及學(xué)習(xí)愛(ài)好，但之后成為課程脫離者。針對(duì)該類學(xué)習(xí)者，平臺(tái)管理者應(yīng)實(shí)時(shí)分析其學(xué)習(xí)需求及愛(ài)好，以推薦相應(yīng)的課程，使之成為其它課程的重要保持者。

6 觀望者和無(wú)價(jià)值學(xué)習(xí)者

觀望者最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較近，但觀看在線課程視頻、與師生發(fā)帖互動(dòng)交流等的學(xué)習(xí)行為較少，處于學(xué)習(xí)觀望狀態(tài)；無(wú)價(jià)值用戶最近一次登錄平臺(tái)進(jìn)行課程學(xué)習(xí)距離課程結(jié)束時(shí)間較長(zhǎng)、學(xué)習(xí)次數(shù)很少或者不學(xué)習(xí)、觀看在線課程視頻花費(fèi)的時(shí)間較少或者不觀看——這兩類學(xué)習(xí)者都屬于脫離者。而忠誠(chéng)度排名結(jié)果顯示，這兩類學(xué)習(xí)者的忠誠(chéng)度非常低。針對(duì)這兩類學(xué)習(xí)者，MOOC機(jī)構(gòu)應(yīng)加大宣傳力度，如定期舉辦宣傳講座普及MOOC個(gè)性化學(xué)習(xí)模式，以吸引更多的學(xué)習(xí)者深入了解MOOC平臺(tái)及在線課程，將這兩類學(xué)習(xí)者發(fā)展為MOOC長(zhǎng)期學(xué)習(xí)者。

四小結(jié)

文章提出了一種新的MOOC學(xué)習(xí)者細(xì)分研究思路，構(gòu)建了基于RFL的MOOC學(xué)習(xí)者細(xì)分模型。與現(xiàn)有的學(xué)習(xí)者分類方法相比，該模型能夠利用在線學(xué)習(xí)平臺(tái)中學(xué)習(xí)者的大量學(xué)習(xí)行為數(shù)據(jù)進(jìn)行分析，其分類結(jié)果更加標(biāo)準(zhǔn)化、合理化。文章以“怪誕行為學(xué)”課程為例，通過(guò)實(shí)證分析，證明該模型可以從學(xué)習(xí)者的學(xué)習(xí)行為角度出發(fā)，有效地對(duì)在線學(xué)習(xí)者進(jìn)行精細(xì)分類、劃分用戶級(jí)別并分析各類別學(xué)習(xí)者的忠誠(chéng)度。因此，將該模型應(yīng)用于在線學(xué)習(xí)平臺(tái)，可以及時(shí)發(fā)現(xiàn)問(wèn)題學(xué)習(xí)者，為教師與平臺(tái)管理者制定有效合理的教學(xué)策略提供指導(dǎo)與支持。

[1]李亮.MOOC發(fā)展的國(guó)家政策支持研究[J].現(xiàn)代教育技術(shù),2014,(5):65-72.

[2]袁松鶴,劉選.中國(guó)大學(xué)MOOC實(shí)踐現(xiàn)狀及共有問(wèn)題——來(lái)自中國(guó)大學(xué)MOOC實(shí)踐報(bào)告[J].現(xiàn)代遠(yuǎn)程教育研究,2014,(4):3-12、22.

[3]康葉欽.在線教育的“后MOOC時(shí)代”——SPOC解析[J].清華大學(xué)教育研究,2014,(1):85-93.

[4]Hill P. Combining MOOC student patterns graphic with stanford analysis[OL].

[5]Kitsiri R. Who should take a MOOC?: 9 Types of lifelong learners who can benefit[OL].

[6]Koutropoulos A, Gallagher M S, Abajian S C, et al. Emotive vocabulary in MOOCs: Context & participant retention[J]. European Journal of Open, Distance and E-learning, 2012,(1):1-23.

[7]Kizilcec R F, Piech C, Schneider E. Deconstructing disengagement: Analyzing learner subpopulations in massive open online courses[OL].

[8]Taylor C, Veeramachaneni K, O’Reilly U M. Likely to stop? Predicting stopout in massive open online courses[J]. Computer Science, 2014,(1):1-25.

[9]蔣卓軒,張巖,李曉明.基于MOOC數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測(cè)[J].計(jì)算機(jī)研究與發(fā)展,2015,(3):614-628.

[10]Hughes A M. Strategic database marketing[M]. Chicago: Probus Publishing, 1994:23-28.

[11]楊彬.一種基于RFM模型數(shù)據(jù)挖掘處理雙階段客戶關(guān)聯(lián)分類方法[J].統(tǒng)計(jì)與決策,2015,(7):77-79.

[12]劉勘,朱懷萍,劉秀芹.基于支持向量機(jī)的網(wǎng)絡(luò)偽輿情識(shí)別研究[J].現(xiàn)代圖書(shū)情報(bào)技術(shù),2013,(11):75-80.

[13]葉海智,程清杰,黃宏濤.K-均值算法支持的優(yōu)質(zhì)網(wǎng)絡(luò)學(xué)習(xí)資源篩選方法研究[J].中國(guó)遠(yuǎn)程教育,2014,(10):62-66.

[14]王文賢,金陽(yáng),陳道斌.基于RFM模型的個(gè)人客戶忠誠(chéng)度研究[J].金融論壇,2012,(3):75-80.

編輯：小米

Research on Segmentation and Loyalty of MOOC Learners based on RFL——A Case Study on the Course of “Predictably Irrational”

WEI Ling LI Yang

MOOC faces a great challenge when it creats an application storm worldwide. The phenomenon of customer losing, such as the low course completion rate or learners’ choice to give up halfway, is particularly serious. In order to analyze what types of learners may give up halfway and what types of learners may insist on completing the course, it needs to segment MOOC learners and study the loyalty of these learners. Based on the idea of Recency + Frequency + Monetary (RFM) customer classification in commercial field, this paper constructed a classification model of MOOC learners based on Recency + Frequency + Length (RFL). This paper took the course of “predictably irrational” as an example, made clustering analysis of MOOC learners, and proposed corresponding teaching strategies based on the behavior characteristics of various MOOC learners, excepting to provide reference for the better development of MOOC.

MOOC; learners segmentation; loyalty; RFL

G40-057

A

1009—8097（2016）11—0067—07

10.3969/j.issn.1009-8097.2016.11.010

本文受黑龍江省高等教育教學(xué)改革項(xiàng)目“信息管理與信息系統(tǒng)專業(yè)立體化實(shí)踐教學(xué)體系的研究”（項(xiàng)目編號(hào)：JG2013010317）資助。

魏玲，教授，博士，研究方向?yàn)楣芾硇畔⑾到y(tǒng)，郵箱為245460112@qq.com。

2016年4月10日