影響MOOCs退課的學(xué)習(xí)行為指標(biāo)分析

郭文鋒 樊 超

（1.山西農(nóng)業(yè)大學(xué) 基礎(chǔ)部，山西 晉中 030801；2.成都理工大學(xué) 管理科學(xué)學(xué)院，四川 成都610059）

一、研究背景

MOOCs學(xué)習(xí)具有學(xué)習(xí)泛在化以及學(xué)習(xí)資源豐富和知識結(jié)構(gòu)系統(tǒng)化等特點(diǎn)（樊超，宗利永，2016），為學(xué)習(xí)者提供了一種新的學(xué)習(xí)方式。盡管MOOCs為學(xué)習(xí)者在課程來源、內(nèi)容、時(shí)長、認(rèn)證等方面提供了更多選擇權(quán)，但較低的完成率仍是當(dāng)前MOOCs所面臨的主要問題之一。大量研究表明，MOOCs的完成率約為5%到10%（De Freitas, Morgan,& Gibson, 2015）。而影響MOOCs完成率的主要原因是學(xué)習(xí)者不能持續(xù)學(xué)習(xí)，即學(xué)習(xí)者學(xué)習(xí)一段時(shí)間后就放棄了學(xué)習(xí)，我們稱之為退課。如果能盡早發(fā)現(xiàn)可能退課的學(xué)習(xí)者，并對其給予激勵(lì)措施則可有效提高其學(xué)習(xí)積極性，進(jìn)而降低退課的可能性。為此，F(xiàn)eng、Tang和Liu（2019）基于學(xué)堂在線平臺的“小木”人工智能輔助系統(tǒng)針對可能退課的學(xué)習(xí)者進(jìn)行了在線干預(yù)，干預(yù)措施主要是向?qū)W習(xí)者推送激勵(lì)學(xué)習(xí)的提醒信息。通過一個(gè)對照組和三個(gè)實(shí)驗(yàn)組進(jìn)行對比分析，采取了激勵(lì)措施的實(shí)驗(yàn)組在觀看視頻時(shí)長、完成作業(yè)數(shù)量和作業(yè)正確率方面有顯著提升。這一實(shí)證研究表明對可能退課者實(shí)施干預(yù)可以促進(jìn)其持續(xù)學(xué)習(xí)。

隨著大數(shù)據(jù)技術(shù)的快速發(fā)展，MOOCs平臺記錄并存儲了海量的學(xué)習(xí)行為數(shù)據(jù)，為定量分析學(xué)習(xí)者的退課行為提供了基礎(chǔ)?，F(xiàn)有研究主要基于資源訪問度（學(xué)習(xí)行為時(shí)長和次數(shù)）構(gòu)建學(xué)習(xí)行為指標(biāo)來預(yù)測退課，而資源訪問規(guī)律對退課也具有重要影響，因此本研究將基于學(xué)堂在線MOOCs平臺記錄的37門計(jì)算機(jī)類課程的學(xué)習(xí)行為數(shù)據(jù)，綜合資源訪問度和資源訪問規(guī)律構(gòu)建學(xué)習(xí)行為指標(biāo)，探索能夠預(yù)測學(xué)習(xí)者退課行為的學(xué)習(xí)行為指標(biāo)。

二、文獻(xiàn)綜述

關(guān)于MOOCs的退課預(yù)測是目前教育大數(shù)據(jù)領(lǐng)域的一個(gè)研究熱點(diǎn)，其目的是發(fā)現(xiàn)潛在的退課者以便于課程設(shè)計(jì)者調(diào)整課程設(shè)計(jì)、改善學(xué)習(xí)者的學(xué)習(xí)體驗(yàn)，從而降低退課率并提高學(xué)習(xí)者的學(xué)習(xí)積極性和學(xué)習(xí)效果。關(guān)于MOOCs的退課研究的內(nèi)容主要包括基于不同數(shù)據(jù)源的退課影響指標(biāo)分析、退課預(yù)測模型的實(shí)證研究等。

退課影響指標(biāo)分析指的是根據(jù)研究數(shù)據(jù)構(gòu)建學(xué)習(xí)行為指標(biāo)并分析對退課的影響。根據(jù)數(shù)據(jù)來源的不同，可分為兩類研究，一是基于調(diào)查問卷等小樣本數(shù)據(jù)，二是基于數(shù)據(jù)庫記錄的大數(shù)據(jù)。具體來說，一方面，采用問卷調(diào)查或文獻(xiàn)調(diào)研獲得研究數(shù)據(jù)從而構(gòu)建影響退課的指標(biāo)，包括持續(xù)時(shí)間投入、參與論壇討論（梁林梅，2015），學(xué)習(xí)者的感知有用性、滿意度、內(nèi)在動機(jī)（楊根福，2016），學(xué)習(xí)者自身、教學(xué)內(nèi)容與視頻、教師、MOOC教學(xué)支撐平臺（徐振國，張冠文，石林，安晶，2017），期望確認(rèn)、好奇心和態(tài)度（任巖，2021）等。另一方面，得益于網(wǎng)絡(luò)技術(shù)的發(fā)展，學(xué)習(xí)平臺記錄了大量的點(diǎn)擊流數(shù)據(jù)，可以通過對這些數(shù)據(jù)的處理獲得影響退課的行為指標(biāo)。大部分研究主要根據(jù)對學(xué)習(xí)資源（包括視頻、作業(yè)、頁面和論壇四類）的訪問度來構(gòu)建影響指標(biāo)，包括觀看視頻時(shí)長（牟智佳，武法提，2017；王改花，傅鋼善，2019；張媛媛，李爽，2019），觀看視頻次數(shù)（牟智佳，武法提，2017；Lemay & Doleck, 2020），提交作業(yè)次數(shù)、訪問頁面次數(shù)（李爽，鐘瑤，喻忱，程罡，魏順平，2017；張媛媛，李爽，2019），論壇參與程度（李爽 等，2017；王改花，傅鋼善，2019；張媛媛，李爽，2019）等。此外，也有學(xué)者考慮學(xué)習(xí)者的年齡、性別和教育背景對學(xué)習(xí)者持續(xù)學(xué)習(xí)的影響（Williams, Stafford, Corliss, & Reilly, 2018）。不難看出，基于調(diào)查問卷的研究優(yōu)點(diǎn)是能夠了解學(xué)習(xí)者的真實(shí)心理狀態(tài)和學(xué)習(xí)動機(jī)，而大數(shù)據(jù)的優(yōu)點(diǎn)是能夠記錄學(xué)習(xí)者的詳細(xì)行為，盡量減少樣本偏差。

關(guān)于退課預(yù)測模型的實(shí)證研究指的是利用機(jī)器學(xué)習(xí)算法對退課進(jìn)行預(yù)測，以及對退課預(yù)測算法進(jìn)行改進(jìn)并比較幾種不同算法的預(yù)測準(zhǔn)確率。一些研究者基于經(jīng)典的分類算法對退課進(jìn)行預(yù)測，它們的共同特點(diǎn)是需要人工提取學(xué)習(xí)行為特征。如Kloft、Stiehler、Zheng和Pinkwart（2014）基于MOOC的點(diǎn)擊流數(shù)據(jù)訓(xùn)練支持向量機(jī)（SVM）模型預(yù)測學(xué)習(xí)者在下一周是否退課。Sinha、Jermann、Li和Dillenbourg（2014）基于Coursra平臺學(xué)生播放視頻的交互數(shù)據(jù)使用邏輯回歸模型（LR）進(jìn)行了退課預(yù)測。Xing、Chen、Stein和Marcinkowski（2016）使用決策樹（C4.5）對MOOC交互數(shù)據(jù)建模，以便盡早發(fā)現(xiàn)退課者。還有部分學(xué)者采用如集成學(xué)習(xí)算法（Youssef, Mohammed, & Wafaa, 2019）、樸素貝葉斯（Xing, Tang, & Pei, 2019）等算法對退課進(jìn)行預(yù)測?？紤]到學(xué)習(xí)行為的時(shí)序特征，一些研究者采用時(shí)序預(yù)測模型預(yù)測退課。長短期記憶網(wǎng)絡(luò)（LSTM）（Qu, Li, Wu, Zhang, & Wang, 2019）作為一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，常用于對時(shí)間序列進(jìn)行預(yù)測。孫霞、吳楠楠、張蕾、陳靜和馮筠（2019）采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）從學(xué)習(xí)者學(xué)習(xí)活動日志中自動抽取一段時(shí)間內(nèi)的連續(xù)特征，以學(xué)習(xí)者行為特征為自變量，采用長短期記憶網(wǎng)絡(luò)（LSTM）建立MOOCs輟學(xué)率預(yù)測模型CNN_LSTM。為了克服輸入數(shù)據(jù)序列增長時(shí)導(dǎo)致數(shù)據(jù)丟失的問題，Chen和Wu（2021）通過引入注意力機(jī)制提出了一種時(shí)間序列模型CNN-LSTM-ATT來預(yù)測退課行為。盡管采用CNN自動提取特征可以減少工作量，而且對預(yù)測算法進(jìn)行改進(jìn)的主要目的在于提高預(yù)測退課的準(zhǔn)確率，但這些都不便于課程設(shè)計(jì)者理解退課的機(jī)制。

現(xiàn)有的研究主要基于資源訪問度（包括學(xué)習(xí)行為時(shí)長和次數(shù)）探究影響退課的指標(biāo)，而對基于資源訪問規(guī)律的指標(biāo)探究較少，包括活躍天數(shù)、會話數(shù)、訪問間隔天數(shù)等。相關(guān)研究表明，會話數(shù)（Kloft et al., 2014）、活躍天數(shù)（Kloft et al.,2014）、訪問間隔天數(shù)（王改花，傅鋼善，2019）等對學(xué)習(xí)效果具有重要的影響。因此，本研究針對MOOCs平臺提供的數(shù)據(jù)，擬整合資源訪問度和資源訪問規(guī)律兩類因素構(gòu)建行為指標(biāo)，使用傳統(tǒng)的機(jī)器學(xué)習(xí)模型綜合分析其對退課的影響。研究問題具體包括：①通過對行為指標(biāo)分類，比較分析不同類型指標(biāo)對退課預(yù)測的效果；②探索哪些指標(biāo)組合對退課的預(yù)測效果最好。通過對這些問題的探索，試圖找出影響學(xué)習(xí)者退課的重要指標(biāo)，為MOOCs的設(shè)計(jì)者盡早發(fā)現(xiàn)準(zhǔn)備退課者提供幫助。

三、研究設(shè)計(jì)

（一）退課界定

不同的文獻(xiàn)對退課有不同的定義，為了便于驗(yàn)證和測試，本研究采用學(xué)堂在線開放數(shù)據(jù)集的定義，即學(xué)習(xí)者經(jīng)過連續(xù)35天學(xué)習(xí)，如果在之后的十天內(nèi)沒有學(xué)習(xí)行為，則被認(rèn)為退課，否則為非退課（或者持續(xù)學(xué)習(xí)）。

（二）數(shù)據(jù)描述

本研究采用的數(shù)據(jù)來源于學(xué)堂在線平臺的開放數(shù)據(jù)集①。學(xué)堂在線是目前中國最大的MOOC學(xué)習(xí)平臺，由清華大學(xué)于2013年創(chuàng)建，為全球?qū)W習(xí)者提供了12個(gè)類別的1 000多門課程，其中課程類別包括計(jì)算機(jī)科學(xué)、工程、物理學(xué)、外語等，選課次數(shù)累計(jì)達(dá)到1 000萬次。在學(xué)習(xí)者學(xué)習(xí)的過程中，系統(tǒng)平臺自動記錄了鼠標(biāo)點(diǎn)擊流日志信息，從中抽取用于描述學(xué)習(xí)者的行為記錄，記錄字段包括：注冊id、用戶名、課程id、會話id、學(xué)習(xí)行為類別、訪問對象和時(shí)間戳。其中，根據(jù)資源類型的不同，學(xué)習(xí)行為類別包括觀看視頻（播放、暫停、快進(jìn)等）、完成作業(yè)（正確、錯(cuò)誤等）、訪問頁面（訪問課件、課程信息等）和論壇討論（提問、回答問題等）四種。

研究主要針對學(xué)堂在線平臺的37門計(jì)算機(jī)類課程的學(xué)習(xí)行為日志記錄進(jìn)行分析，課程開設(shè)周期為2015年6月10日至2017年5月31日，開設(shè)周數(shù)為9到43周不等，詳細(xì)統(tǒng)計(jì)信息見表1。日志記錄包含了豐富的學(xué)習(xí)者學(xué)習(xí)行為信息，為深入理解學(xué)習(xí)者的退課機(jī)制提供了數(shù)據(jù)支撐。

表1 計(jì)算機(jī)類課程學(xué)習(xí)行為日志統(tǒng)計(jì)

（三）指標(biāo)描述

基于學(xué)習(xí)行為記錄探索反映學(xué)習(xí)效果的行為指標(biāo)，有助于理解學(xué)習(xí)者退課原因、提高學(xué)習(xí)者的參與度。學(xué)習(xí)行為次數(shù)和學(xué)習(xí)行為時(shí)長是基于資源訪問度的兩種重要的指標(biāo)（牟智佳，武法提，2017），反映了學(xué)習(xí)者訪問資源、參與學(xué)習(xí)的程度。每種學(xué)習(xí)行為類別包括多種動作，例如：觀看視頻包括播放、暫停、快進(jìn)等動作，如果連續(xù)多條行為記錄屬于觀看視頻的行為類型，即算作一次觀看視頻，且最后一條記錄的發(fā)生時(shí)間減去第一條記錄的發(fā)生時(shí)間即為此次觀看視頻的時(shí)長（以秒為單位）。將學(xué)習(xí)者在35天內(nèi)觀看視頻的次數(shù)、時(shí)長分別匯總即得到其觀看視頻次數(shù)和觀看視頻時(shí)長。針對四種學(xué)習(xí)行為類別，學(xué)習(xí)行為次數(shù)指標(biāo)包括觀看視頻次數(shù)、完成作業(yè)次數(shù)、訪問頁面次數(shù)和論壇討論次數(shù)。學(xué)習(xí)行為時(shí)長按照四種學(xué)習(xí)行為類別劃分為：觀看視頻時(shí)長、完成作業(yè)時(shí)長、瀏覽網(wǎng)頁時(shí)長和論壇討論時(shí)長。

資源訪問規(guī)律指標(biāo)反映了學(xué)習(xí)者的學(xué)習(xí)規(guī)律性，本研究只考慮會話數(shù)、活躍天數(shù)和訪問間隔天數(shù)三個(gè)因素。一個(gè)會話（session）指的是學(xué)習(xí)者在學(xué)堂在線平臺學(xué)習(xí)時(shí)，從進(jìn)入網(wǎng)站到關(guān)閉網(wǎng)站經(jīng)過的時(shí)間，在這段時(shí)間內(nèi)學(xué)習(xí)者產(chǎn)生了一系列的學(xué)習(xí)行為，如觀看視頻、完成作業(yè)等。會話數(shù)反映了學(xué)習(xí)者在35天內(nèi)使用瀏覽器登錄平臺學(xué)習(xí)的次數(shù)。學(xué)習(xí)者學(xué)習(xí)一門課程的活躍天數(shù)反映了學(xué)習(xí)者學(xué)習(xí)的持續(xù)性，只要學(xué)習(xí)者在某一天產(chǎn)生了一次學(xué)習(xí)行為，則活躍天數(shù)計(jì)為1（Kloft et al., 2014）。學(xué)習(xí)者第一次學(xué)習(xí)到最后一次學(xué)習(xí)的訪問間隔天數(shù)，反映了學(xué)習(xí)者的學(xué)習(xí)周期（王改花，傅鋼善，2019）。使用間隔天數(shù)除以活躍天數(shù)可以得到平均活躍間隔天數(shù)。

綜合考慮資源訪問規(guī)律和資源訪問度兩類因素，根據(jù)會話總數(shù)以及學(xué)習(xí)行為次數(shù)和學(xué)習(xí)行為時(shí)長，可以計(jì)算得到每個(gè)會話的平均學(xué)習(xí)行為次數(shù)和時(shí)長，基于活躍天數(shù)以及學(xué)習(xí)行為次數(shù)和學(xué)習(xí)行為時(shí)長，可以計(jì)算得到平均每天的學(xué)習(xí)行為次數(shù)和平均每天的學(xué)習(xí)行為時(shí)長。

綜上所述，本文一共提取了28個(gè)學(xué)習(xí)行為指標(biāo)，具體指標(biāo)的描述及編碼見下頁表2。

表2 學(xué)習(xí)行為指標(biāo)、編碼及類別

（四）數(shù)據(jù)預(yù)處理

1. 數(shù)據(jù)清洗與篩選

采用Python工具對學(xué)習(xí)平臺中的37門計(jì)算機(jī)課程的學(xué)習(xí)日志進(jìn)行格式化處理，選取各個(gè)學(xué)習(xí)模塊中都有學(xué)習(xí)者參與的數(shù)據(jù)樣本，最終抽取得到8 827條記錄、28個(gè)行為指標(biāo)。

2. 數(shù)據(jù)歸一化

不同行為指標(biāo)在數(shù)量級上存在顯著差異，為了消除指標(biāo)的數(shù)量級對預(yù)測模型的影響，采用基于python的機(jī)器學(xué)習(xí)工具scikit-learn的離差標(biāo)準(zhǔn)化（min-max標(biāo)準(zhǔn)化）將各個(gè)指標(biāo)值限定在[0, 1]。

（五）模型介紹

本文將采用三種分類算法（支持向量機(jī)、邏輯回歸和樸素貝葉斯）分析各類學(xué)習(xí)行為指標(biāo)對退課的預(yù)測準(zhǔn)確率，采用屬性選擇算法（基于遞歸特征消除的特征排序算法）對學(xué)習(xí)行為指標(biāo)的重要性進(jìn)行排序，進(jìn)而選取能夠獲得最高預(yù)測準(zhǔn)確率的最優(yōu)指標(biāo)組合。模型具體包括以下幾種。

1. 支持向量機(jī)（SVM）

通過優(yōu)化尋找超平面將數(shù)據(jù)樣本分為兩類，使得位于超平面兩側(cè)的樣本距離最大化。本文采用了機(jī)器學(xué)習(xí)工具scikit-learn的線性分類支持向量機(jī)（LinearSVC）。

2. 邏輯回歸（LR）

通過將數(shù)據(jù)樣本的線性回歸問題通過sigmoid函數(shù)映射轉(zhuǎn)換為非線性回歸。本研究采用了機(jī)器學(xué)習(xí)工具scikit-learn的線性模型的邏輯回歸（LogisticRegression）。

3. 樸素貝葉斯（NB）

以貝葉斯定理為基礎(chǔ)，通過數(shù)據(jù)樣本學(xué)習(xí)從輸入到輸出的概率分布，最后輸出使得后驗(yàn)概率最大的類別。本文采用了機(jī)器學(xué)習(xí)工具scikit-learn的基于高斯的貝葉斯分類算法（GaussianNB）。

4. 基于遞歸特征消除（RFE）的特征排序算法

首先在學(xué)習(xí)行為指標(biāo)全集上訓(xùn)練模型并得到每個(gè)指標(biāo)的重要性，然后從指標(biāo)全集中刪除重要性最低的一個(gè)指標(biāo)，再在剩余的指標(biāo)集合上訓(xùn)練，不斷循環(huán)此過程直到剩余一個(gè)指標(biāo)，按照此順序依次得到重要性由低到高的行為指標(biāo)。本研究評估器仍然采用基于線性分類的支持向量機(jī)（LinearSVC）。

（六）評估指標(biāo)

本文主要對學(xué)習(xí)者是否退課進(jìn)行預(yù)測，本質(zhì)上屬于二分類問題。評價(jià)二分類性能的常見指標(biāo)有：①準(zhǔn)確率（Accuracy），反映了預(yù)測準(zhǔn)確的樣本數(shù)占樣本總數(shù)的比例；②精確率（Precision），又稱查準(zhǔn)率，反映了在預(yù)測為退課的樣本中，真正退課的樣本所占的比例；③召回率（Recall），又稱查全率，反映了在真正退課的樣本中，被預(yù)測為退課的樣本所占的比例；④F1分?jǐn)?shù)，是基于精確率和召回率的調(diào)和平均數(shù)，同時(shí)兼顧了分類算法的精確率和召回率，是一類綜合性評估指標(biāo)，在類別不平衡的評估中占有重要的地位。

（七）研究過程

首先將28個(gè)學(xué)習(xí)行為指標(biāo)分為七個(gè)類別（見表2），包括：①學(xué)習(xí)行為次數(shù)；②學(xué)習(xí)行為時(shí)長；③每個(gè)會話的平均學(xué)習(xí)行為次數(shù)；④每個(gè)會話的平均學(xué)習(xí)行為時(shí)長；⑤平均每天的學(xué)習(xí)行為次數(shù)；⑥平均每天的學(xué)習(xí)行為時(shí)長；⑦資源訪問規(guī)律指標(biāo)。采用支持向量機(jī)（SVM）、邏輯回歸（LR）和樸素貝葉斯（NB）等三種具有代表性的分類算法，比較不同類別的學(xué)習(xí)行為指標(biāo)對退課預(yù)測的準(zhǔn)確率，并分析不同分類算法的效果。

接著采用基于遞歸特征消除（RFE）的特征排序算法，分析不同學(xué)習(xí)行為指標(biāo)對退課預(yù)測的權(quán)重順序以及預(yù)測準(zhǔn)確率最高的最優(yōu)指標(biāo)組合。

四、研究結(jié)果分析

（一）不同類型的學(xué)習(xí)行為指標(biāo)的預(yù)測比較分析

在學(xué)習(xí)行為指標(biāo)的提取上，主要針對學(xué)習(xí)行為次數(shù)和學(xué)習(xí)行為時(shí)長，在考慮會話數(shù)和活躍天數(shù)的基礎(chǔ)上，將學(xué)習(xí)行為指標(biāo)劃分為七個(gè)類別。本部分主要分析哪種類型的學(xué)習(xí)行為指標(biāo)更能有效地預(yù)測學(xué)習(xí)者的退課行為以及比較不同預(yù)測分類算法的預(yù)測效果。為了了解不同類型學(xué)習(xí)行為指標(biāo)獨(dú)立和綜合的預(yù)測效果，以對學(xué)習(xí)行為指標(biāo)全集進(jìn)行的預(yù)測分析作為參照。為了評估各個(gè)預(yù)測分類算法的預(yù)測效果，采用五折交叉驗(yàn)證的策略，分析結(jié)果見表3。

通過表3發(fā)現(xiàn)：①從四類分類評估指標(biāo)來看，由于學(xué)習(xí)者退課比例較高，使得樣本數(shù)據(jù)類別不平衡，導(dǎo)致召回率較高（0.840～0.999，除0.247外），因此在對比分析時(shí)應(yīng)重點(diǎn)考慮準(zhǔn)確率、精確率和F1分?jǐn)?shù)。②資源訪問規(guī)律指標(biāo)對退課行為預(yù)測效果最高（從準(zhǔn)確率和F1分?jǐn)?shù)看），甚至高于指標(biāo)全集的預(yù)測結(jié)果。這表明會話數(shù)（SN）、活躍天數(shù)（AD）、訪問間隔天數(shù)（ID）等指標(biāo)更能反映學(xué)習(xí)者的學(xué)習(xí)狀況。③學(xué)習(xí)行為次數(shù)較學(xué)習(xí)行為時(shí)長對退課行為的預(yù)測效果更好，即學(xué)習(xí)行為次數(shù)更能有效預(yù)測學(xué)習(xí)者的退課行為。④從學(xué)習(xí)行為次數(shù)、每個(gè)會話的平均學(xué)習(xí)行為次數(shù)和平均每天的學(xué)習(xí)行為次數(shù)三類指標(biāo)分析發(fā)現(xiàn)，學(xué)習(xí)行為次數(shù)對退課行為預(yù)測效果最好，每個(gè)會話的平均學(xué)習(xí)行為次數(shù)預(yù)測效果次之，平均每天的學(xué)習(xí)行為次數(shù)預(yù)測效果最差。除了NB算法，從學(xué)習(xí)行為時(shí)長、每個(gè)會話的平均學(xué)習(xí)行為時(shí)長和平均每天的學(xué)習(xí)行為時(shí)長三類指標(biāo)分析發(fā)現(xiàn)，預(yù)測準(zhǔn)確率和F1由好到差依次為：平均每天的學(xué)習(xí)行為時(shí)長、每個(gè)會話的平均學(xué)習(xí)行為時(shí)長、學(xué)習(xí)行為時(shí)長。這表明會話數(shù)和活躍天數(shù)對學(xué)習(xí)行為次數(shù)和學(xué)習(xí)行為時(shí)長影響不同。⑤綜合分析發(fā)現(xiàn)，支持向量機(jī)（SVM）預(yù)測準(zhǔn)確率最高，邏輯回歸（LR）預(yù)測效果要好于樸素貝葉斯（NB）。

表3 不同類型學(xué)習(xí)行為指標(biāo)預(yù)測比較分析結(jié)果

（二）預(yù)測退課指標(biāo)的重要性排序及最優(yōu)指標(biāo)組合

盡管學(xué)習(xí)行為活動的類型有多種，但不同的行為指標(biāo)對退課行為的預(yù)測重要性可能存在差異。本研究采用基于遞歸特征消除（RFE）的特征排序算法，對學(xué)習(xí)行為指標(biāo)的重要性進(jìn)行排序，評估器仍然采用基于線性分類的支持向量機(jī)（LinearSVC）。退課行為預(yù)測指標(biāo)的重要性排序（由高到低）結(jié)果見表4。會話數(shù)（SN）和活躍天數(shù)（AD）兩個(gè)學(xué)習(xí)行為指標(biāo)的重要性排名位列前二，訪問間隔天數(shù)（ID）和平均活躍間隔天數(shù)排名比較靠前（位列第7、8），這與第1步驟中分析不同類型學(xué)習(xí)行為指標(biāo)預(yù)測一致，表明SN和AD這兩個(gè)指標(biāo)對退課行為預(yù)測影響最大。會話數(shù)越多意味著學(xué)習(xí)者登錄學(xué)習(xí)平臺越頻繁，學(xué)習(xí)積極性越高，則學(xué)習(xí)者發(fā)生退課的可能性越小。

表4 指標(biāo)重要性排序結(jié)果（由高到低）

為了進(jìn)一步提取有效預(yù)測退課行為的指標(biāo)組合，按照學(xué)習(xí)行為指標(biāo)的重要性排序依次添加指標(biāo)構(gòu)成集合，然后采用支持向量機(jī)分類算法對各個(gè)指標(biāo)集合進(jìn)行預(yù)測，預(yù)測準(zhǔn)確率（評估指標(biāo)采用F1分?jǐn)?shù)）見圖1。圖中橫坐標(biāo)的數(shù)字代表學(xué)習(xí)行為指標(biāo)集合，如“7”代表按照指標(biāo)重要性排序后的前7個(gè)指標(biāo)構(gòu)成的集合，“28”代表指標(biāo)全集。從圖1可以看出，隨著指標(biāo)的增加，前7個(gè)行為指標(biāo)構(gòu)成的集合（SN、AD、TD、DD、DDPD、WFPD和ID）對退課行為預(yù)測的準(zhǔn)確率最高（F1=0.836），即構(gòu)成預(yù)測退課的最優(yōu)指標(biāo)組合。隨著指標(biāo)的繼續(xù)增加，預(yù)測的準(zhǔn)確率逐漸下降，一直到指標(biāo)全集時(shí)F1分?jǐn)?shù)到達(dá)0.832。

圖1 學(xué)習(xí)行為指標(biāo)組合的預(yù)測準(zhǔn)確率比較分析

五、研究總結(jié)

本研究以學(xué)堂在線的37門計(jì)算機(jī)課程的學(xué)習(xí)行為數(shù)據(jù)為研究對象，整合資源訪問度和資源訪問規(guī)律兩類因素構(gòu)建學(xué)習(xí)行為指標(biāo)，采用三種機(jī)器學(xué)習(xí)分類模型分析了學(xué)習(xí)行為指標(biāo)對學(xué)習(xí)者退課的影響問題。首先抽取得到28個(gè)學(xué)習(xí)行為指標(biāo)，然后從不同類型的學(xué)習(xí)行為指標(biāo)以及學(xué)習(xí)行為指標(biāo)的最優(yōu)組合兩方面，對影響學(xué)習(xí)者退課的指標(biāo)進(jìn)行了探索分析，得出如下結(jié)論：第一，與以往研究不同之處在于，本研究綜合考慮了資源訪問度和資源訪問規(guī)律兩類因素構(gòu)建學(xué)習(xí)行為指標(biāo)，而且經(jīng)過實(shí)證研究表明資源訪問規(guī)律指標(biāo)對退課的預(yù)測效果最好。這些指標(biāo)包括：會話數(shù)、活躍天數(shù)等，反映了學(xué)習(xí)者的真實(shí)學(xué)習(xí)規(guī)律。在不同類型的學(xué)習(xí)行為指標(biāo)的預(yù)測對比分析中，發(fā)現(xiàn)學(xué)習(xí)行為次數(shù)相對于學(xué)習(xí)行為時(shí)長預(yù)測準(zhǔn)確率更高，這與牟智佳與武法提（2017）使用這些行為指標(biāo)預(yù)測學(xué)習(xí)成績的結(jié)論一致，反映了這些學(xué)習(xí)行為指標(biāo)不僅可以用于預(yù)測學(xué)習(xí)成績，也可以用于預(yù)測退課。第二，綜合考慮28個(gè)行為指標(biāo)，通過遞歸特征消除（RFE）的特征排序算法得到其重要性排序，發(fā)現(xiàn)排序后的前7個(gè)行為指標(biāo)構(gòu)成了預(yù)測退課的最優(yōu)指標(biāo)組合，而且這7個(gè)指標(biāo)中包括了資源訪問規(guī)律指標(biāo)中的3個(gè)（會話數(shù)、活躍天數(shù)和訪問間隔天數(shù)），再次驗(yàn)證了資源訪問規(guī)律指標(biāo)對預(yù)測退課的重要性。

一門計(jì)算機(jī)類課程的開設(shè)周數(shù)一般為9到16周，MOOCs開發(fā)人員可以通過學(xué)習(xí)平臺分析學(xué)習(xí)者連續(xù)5周（35天）的學(xué)習(xí)記錄，并計(jì)算資源訪問規(guī)律指標(biāo)或者最優(yōu)指標(biāo)組合（包含7個(gè)指標(biāo)），然后采用機(jī)器學(xué)習(xí)分類算法（如支持向量機(jī)）對其后兩周的退課情況進(jìn)行預(yù)測，從而發(fā)現(xiàn)可能的退課者，進(jìn)而通過平臺向?qū)W習(xí)者推送鼓勵(lì)其持續(xù)學(xué)習(xí)的提醒信息，可以提高其學(xué)習(xí)的動力和積極性，降低退課率。此外，目前大部分計(jì)算機(jī)類MOOCs面向社會開放，學(xué)習(xí)者在教育水平、職業(yè)等方面呈現(xiàn)多樣化，他們?yōu)榱藵M足自己某方面的需求注冊并學(xué)習(xí)MOOCs。由于能否持續(xù)學(xué)習(xí)全靠自主選擇，為了提高他們學(xué)習(xí)的積極性，降低退課率，提高M(jìn)OOCs資源的利用率，MOOCs開發(fā)人員在設(shè)計(jì)教學(xué)內(nèi)容時(shí)應(yīng)注意理論聯(lián)系實(shí)際。計(jì)算機(jī)類課程本身就具有實(shí)踐性強(qiáng)的特點(diǎn)，比較容易將枯燥乏味的理論知識與真實(shí)有趣的實(shí)際應(yīng)用緊密結(jié)合（通過視頻內(nèi)容呈現(xiàn)），讓學(xué)習(xí)者體會到學(xué)習(xí)的實(shí)用性，提高他們的學(xué)習(xí)積極性（會話數(shù)、活躍天數(shù)也會隨之增加）。設(shè)計(jì)者可以在學(xué)習(xí)完一節(jié)內(nèi)容后，設(shè)置一些難度適中且與實(shí)際應(yīng)用結(jié)合的作業(yè)供學(xué)習(xí)者鞏固知識并檢驗(yàn)學(xué)習(xí)效果，當(dāng)學(xué)習(xí)完一門MOOC后可以為其頒發(fā)結(jié)業(yè)證書，從而提高其學(xué)習(xí)的滿意度。

本研究雖然分析了有效預(yù)測學(xué)習(xí)者退課的學(xué)習(xí)行為指標(biāo)，但仍存在如下兩方面的不足：第一，本文主要基于計(jì)算機(jī)類課程展開研究，今后將選取多個(gè)不同學(xué)科的學(xué)習(xí)者行為數(shù)據(jù)進(jìn)行對比分析，探索不同學(xué)科的學(xué)習(xí)行為數(shù)據(jù)在預(yù)測退課指標(biāo)的選取上是否具有顯著差異。第二，本研究主要基于資源訪問度和資源訪問規(guī)律兩類因素構(gòu)建影響退課的行為指標(biāo)，為學(xué)習(xí)平臺盡早發(fā)現(xiàn)退課者提供了判斷依據(jù)，以便及時(shí)提醒學(xué)習(xí)者持續(xù)學(xué)習(xí)，但并不能針對課程設(shè)計(jì)者在教學(xué)內(nèi)容、教學(xué)設(shè)計(jì)等方面給出改進(jìn)建議。今后將深入分析一些具體類型的數(shù)據(jù)，如觀看視頻的數(shù)據(jù)，包括播放、暫停、快進(jìn)、停止等更微觀的學(xué)習(xí)動作，以期發(fā)現(xiàn)在視頻內(nèi)容學(xué)習(xí)方面影響退課的深層機(jī)理，進(jìn)一步幫助MOOCs教師盡早發(fā)現(xiàn)退課行為并采取適當(dāng)?shù)慕虒W(xué)干預(yù)，切實(shí)改善學(xué)習(xí)者的在線學(xué)習(xí)效果。

注釋

① http:// moocdata.cn/data/ user-activity