Knowledge Management Forum >

2015 , Vol. 2015 >Issue 3: 52 - 61

DOI: https://doi.org/10.13266/j.issn.2095-5472.2015.03.008

Research on the Behavior Analysis of MOOC Learners: Taking a MOOC on the iCourse Platform as an Example

  • Wu Jiang ,
  • Ma Panhao , *
Expand

Received date: 2015-10-30

  Online published: 2025-04-28

Fold

Cite this article

Wu Jiang , Ma Panhao . Research on the Behavior Analysis of MOOC Learners: Taking a MOOC on the iCourse Platform as an Example[J]. Knowledge Management Forum, 2015 , 2015(3) : 52 -61 . DOI: 10.13266/j.issn.2095-5472.2015.03.008

1 前言

随着互联网Web2.0和云计算等技术的成熟以及教育的日益全球化，MOOC（Massive Open Online Course，大规模在线开放课程）应运而生，成为一种新型的教育形式[1]。MOOC具有易于使用、免费、开放、大规模、学习资源丰富的特点，通过为学习者提供教学视频、习题、测试以及交互性的讨论区，可以让学习者不受时间和地域的限制，更加轻松地获取所需知识[2]。基于学习者自主地参与学习和讨论，建立创造性、自主性的社会知识网络，学习者之间彼此交流，传递知识，共同进步，这符合教育学中的关联主义理论，也得到了广泛的认可[3, 4]。MOOC不仅仅是互联网应用的一大创新，还是教育界的一场变革。
2012年为“MOOC元年”，麻省理工学院、斯坦福大学等美国著名教育机构通过在线学习平台开放了一系列的课程资源供公众学习，Coursera、edX、Udacity、P2PU等国外课程平台也随之兴起，开始面向全球的民众提供在线开放课程服务。2013年起，国内清华大学、北京大学等知名高校先后加入edX、Coursera，学堂在线、好大学在线、中国大学MOOC等国内MOOC平台的相继上线，标志着中国本土的“MOOC时代”正式到来。“互联网+教育”这种新型的模式必定会为教育带来深远的影响。
MOOC平台的建设目标不仅仅是为更多的学习者提供丰富的教育资源，还要提高学习者的学习质量。MOOC利用互联网技术，将MOOC平台上海量学习者的所有学习行为都以丰富的数据形式记录下来[5]。利用数据分析及数据挖掘方法对这些大数据进行分析，可以了解学习者的学习行为、学习效果，参透学习现象背后的本质，对课程设置进行改进，在适当的时候对学习者进行个性化指导以提高学习者的学习质量。这是传统课程无法做到的，也是MOOC最具价值的地方，同时，教育大数据分析和数据挖掘正成为一个新兴的研究方向。
本文将对中国大学MOOC平台上一门课程的学习者行为数据进行探索和分析，以了解学习者学习行为的特点，通过对选课、退课、课程参与行为及成绩4个方面进行统计分析，发现：①MOOC课程的选课人数虽然可观，但是也存在大量的中途退出者；②学习者在观看课程视频、提交随堂测验、完成单元测试和作业、参与讨论这4类行为上具有一些差异，后两者的参与人数要明显少于前两者；③从课程参与行为和成绩视角发现MOOC中的确存在P. Hill所分的5种学习者类型[6]。此外，着重分析了期末考试成绩及讨论成绩分别为优的学习者的特点。

2 文献综述

MOOC的迅速发展与壮大引来了学术界的广泛关注，有越来越多的学者开始从事MOOC的研究。缪静敏、汪琼对2008-2012年的外文文献进行收集分析，从MOOC形式辨析、课程提供者的现实问题、学习者体验探究、MOOC数据分析几个主题出发，梳理出MOOC研究国外发展的大致脉络[7]。目前国内有关MOOC的学术和非学术文献，其研究主题主要集中在以下几个方面：MOOC的发展历程及对我国传统（高等）教育的影响、MOOC的平台建设和技术环境、MOOC中的教与学、MOOC的质量监控、课程认证和学分认可、MOOC的商业运营模式和市场前景[8]。由此可见，如今国内外关于MOOC的研究多集中于教学模式、商业模式、MOOC形式辨析以及MOOC的未来发展等方向，而在学习者行为方面的研究成果还比较少。
2012年《科学》杂志上出现了对MOOC的介绍，并展望了MOOC的大好前景，认为MOOC将会改变未来的教育模式[9]。2013年《自然》杂志的一篇文章也详细介绍了MOOC的发展、现状和趋势[10]，同年，NIPS（neural information processing system）会议发起了一个专门针对MOOC数据研究的研讨会。随后，众多领域的学者纷纷投入到MOOC的研究中，不仅仅是教育学领域，还有社会科学、计算机科学领域的学者利用社会网络结构理论、数据分析和数据挖掘等理论，结合社会网络分析、机器学习等研究方法针对MOOC平台学习者的行为特征进行分析，旨在探索学习者学习行为背后的本质。2015年8月，在悉尼举办的SIGKDD大会就以知识发现和数据挖掘为主题，发起了预测MOOC退课行为的数据挖掘竞赛，该竞赛使用清华学堂（中国最大的MOOC平台之一）的学习数据。可见，如今MOOC教育及其平台上的大数据获得了学术界的极大关注。
目前利用MOOC平台的数据进行行为方面研究的成果大多来自国外，国内这方面的研究还较少，现有的研究可以分为以下3类：
（1）研究MOOC平台学习者的类型。P. Hill将学习者分为爽约者、观察者、顺便访问者、被动参与者和主动参与者5类[6]；R.F. Kizilcec等人运用聚类法将3门MOOC课程的注册学习者分为完成者、旁听者、脱离者、尝鲜者4类人群[11]；斯坦福大学和康奈尔大学的研究者根据Coursera平台的6门课程数据，将学习者分为观看者、答题者、全程参与者、搜集者和旁观者5类[12]。
（2）关于学习者背景和具体的学习行为的研究。S. Nesterko等人研究了学习者的地理分布等背景信息[13]；G.S. Stump等人对讨论区的内容数据进行分析，尝试开发了一个分类框架[14]；斯坦福大学和康奈尔大学的研究人员分析了活跃发帖人的行为特点及影响发帖的相关因素[15]；麻省理工学院的研究人员针对学习者提交的作业数据进行了分析[16]。
（3）研究学习者的课程完成和退课情况、学习成果等，建立模型进行预测。D. Yang等人研究了MOOC中的社交因素对学习者退课产生的影响[17]；C. Taylor等人使用大数据和机器学习的方法研究影响了学习者退出课程的因素[18]；文献[19-21]建立了学习者的课程完成率、退出率、是否能够获得证书等预测模型。

3 数据分析

MOOC学习者在MOOC学习过程中主要有选课、课程参与（包括观看视频、提交测验与作业、参与讨论、参加考试）、退课等行为。选课可以体现课程的受欢迎程度及学习者选课的特点；课程参与则更直接地展现出学习者的类型及学习行为特点；退课率高是MOOC面临的一个重要问题，研究退课行为可以发现退课原因，从而对学习者给予引导来降低退课率；而学习成绩是学习行为的直接体现。众多MOOC研究者主要从如上这几个维度研究MOOC学习者的行为，发现学习行为的特点和存在的问题，进而对学习者进行引导，改进MOOC平台的服务。
笔者以爱课程平台上的一门慕课的后台数据为依据，着重从选课、退课、课程参与、成绩等几个方面进行实证分析。

3.1 选课行为分析

学习者参与课程的时间是学习行为的一个重要反映维度，通过选课人数随时间的变化可以了解学习者选课的趋势。本文所选取为例的课程发布于2014年8月15日，整个课程的区间为2014年9月1日至2014年12月30日。图1显示了每天选课人数的变化情况（虚线表示开课时间，下同）。从图中可以看出，自课程发布之日起，就不断有学习者选课，至开课前日选课人数总体呈上升趋势，且开学时间段选课人数最多，这证明了MOOC课程时间段与传统教学期的时间是相吻合的，且大部分MOOC课程都会选择传统教学的学期作为课程时间段。开课一个半月至两个月时有一个选课小高峰。据访谈结果显示，有很大一部分学习者之前并未听说过此课程，但看到身边同学在学习或者得到同学推荐，自己也产生了学习兴趣，因此加入了该课程，即这些学习者受到了同侪影响。由此可见，MOOC平台上小团体之间的相互带动作用可以激发学习兴趣。
图1 选课人数变化趋势
图2显示了累计选课人数随时间的变化，共有3 709人注册本课程，开课前共有857人，占总选课人数的23.1%，而大部分学习者都为开课后加入的。与Coursera等国外MOOC平台的课程相比，中文MOOC平台的大多数学习者在开课时间前后和开课期间注册，并不像英文课程——约有60%的学习者在开课前注册， 18%的学习者在课程结束后注册[12]。由于本次数据获取较为困难，并未记录下课程结束后的选课人数变化，但是据笔者近期对MOOC的研究，发现大部分MOOC课程结束后仍会有大量学习者加入，其中部分原因是这些学习者之前并未了解到已开设这门课程，当课程结束后才得知。研究课程结束后的选课人数变化是有意义的，笔者今后将继续获取此部分数据做进一步研究。
图2 累计选课人数变化趋势
中英文课程的选课行为虽有不同，但其共同点是：均期望学习者能够尽可能在开课之前或开课前期注册，并希望有更多的学习者能够从始至终跟随课程学习，完整地学习一门课程，但实际情况是开课前期的注册率并不令人满意，且更多的学习者都是在课程的中后期加入学习的，这样会跟不上整个课程的进度，不利于整体性学习。

3.2 退课行为分析

近几年，国内外MOOC快速发展，虽然一门课程的注册人数动辄数千，甚至上万，但真正完成学习并获得结业证书的人数非常少，有很多学习者中途退出。据统计，Coursera总体上的课程完成率只有7％-9％[22]；目前主流MOOC平台上的课程完成率有达到40%的情况，但大部分课程完成率不到10%[23]。MOOC自开始大规模应用以来，以平均5位数的注册量吸引着众多学习者的加入，但在个位数徘徊的通过率与注册人数相比就显得相形见绌。因此研究MOOC的退课行为，探寻退课的原因具有很大的理论意义。
退课的原因有很多，具体有以下几点：时间有限、课程难度太大、缺乏毅力、学习过程中兴趣丧失、课程枯燥无趣、跟不上课程的进度、不适应网络学习的方式等[19]。图3表示的是该课程退选人数随时间的变化，从图中可以看出8月31日退选的人数最多， 9月9日至9月20日这一时间段退选人数有一个小高峰。
图3 退选人数变化趋势
结合本课程的退课行为进行分析，在课程刚刚开始的半个月左右就有很大一批学习者退选，访谈结果显示有如下原因：选课时对课程并不了解，只是认为课程名字比较有趣或较为吸引人而选课，当进入课程试听或学习一段时间后，发现课程并不是自己喜欢的课程而退选；所选课程与自己所学专业有所出入、难度较大或枯燥无味而退选。
针对上述两个原因，可以从MOOC平台信息发布的角度进行改进。课程团队在发布信息时，应尽量在课程简介中详细介绍课程内容、课程安排、课程特点、课程截图等相关信息，让选课者更清楚地了解课程，避免因为对课程了解不充分而退选。MOOC平台可以设置课程评分，MOOC学院就设置了类似的评分机制，有对课程的整体评分，还有对知识量、教师参与、趣味性、课程设计、难度的评分，评分机制既可以结合课程团队的评分，也可以结合学习者实际参与课程的感受进行评分。选课者可以根据这些信息对课程有更加深入的了解，避免造成选课人数虚高而退选行为严重的现象发生。

3.3 课程参与行为分析

此课程包括观看课程视频、参加随堂测验、参与随堂讨论、完成单元测试和作业、参加期末考试这几类学习行为。图4-图7为课程各参与行为的人数统计，从图中可以清楚地看出，各参与行为的参与人数均随时间递减，且在课程前半段人数下降较快，坚持到最后的学习者较少，再次证明了MOOC退选问题的严重性。
图4 观看课程视频的人数
图5 参加随堂测验的人数
图6 参与随堂讨论的人数
图7 完成单元测试和作业的人数
教育技术咨询专家P. Hill将MOOC上的学习者分成5种类型[6]：
（1）爽约者(No-Shows)。这类学习者往往是最大的一个群体，他们注册了课程，但是从未参与到这门课程的学习中。
（2）旁观者(Observers)。这类学习者登录了课程账号，学习过某些视频，有可能还浏览了讨论区中的内容，但除了完成视频中的一些弹出式测试，他们不会参与其他任何形式的测验或考试。
（3）顺便访问者(Drop-Ins)。这类学习者有学习课程的行为记录（观看视频、提交作业、浏览或参与讨论），但是他们不会去努力完成整个课程，学习行为总是断断续续。
（4）被动参与者(Passive Participants)。这些学习者被动地学习课程，他们会观看视频、参加随堂测试，但是通常不会主动完成课程作业或参与讨论。
（5）主动参与者(Active Participants)。这些学习者主动参与到MOOC课程学习中，不仅完整地跟随课程，完成绝大多数作业和测验，还参加课程讨论和期末考试。这部分学习者所占比例很小，且随着课程的开展不断减少。
对比图4-图7，可以看出观看视频、参加课堂测验的人数在同时期要远远多于参与讨论和完成单元作业的人数，随堂测验紧随课程视频之后，但是参与测验的人数也远少于观看视频的人数，说明MOOC学习者的学习行为仍旧以观看视频为主，其他类型的学习参与率较低。间接证明了此课程中同样存在着“爽约者”、“顺便访问者”和“被动参与者”：以人数最多的视频1为例，观看总人数为2 161人，远远少于总注册人数，因此存在一些学习者仅仅注册了账号后来就不再有学习记录的情况；观看视频的人数远高于参与讨论和提交作业的人数，说明一些学习者仅仅观看视频，却不参与讨论和提交作业。针对每类不同的学习者，应该结合其学习行为分析其各自的行为特点，探寻行为背后的本质原因，在适当的时间给予提醒以提升学习效果。

3.4 成绩分析

学习成绩是学习效果的直接反映，可以根据学习者的行为来分析其学习效果，结合成绩分析可以更好地揭示学习者的参与程度和努力程度。图8是此门课程的总成绩人数统计图，从图中可以看出基本服从幂律分布，低分以及零分人群占据了绝大部分。图9更加清楚地展示了成绩分布人群的比例，不合格的人数高达87%，而获得优秀的只有19人，仅仅占3%，说明课程的整体完成率很低，课程通过率也只有13%，大部分选课者都没有完整的完成课程。
图8 总成绩人数统计
研究总成绩不足以揭示出深层的信息，下面研究参与期末考试的学习者的特点。这部分人群往往是“主动参与者”，他们观看视频、提交作业、参与讨论，各项成绩都较高，并努力通过期末考试以获得结业证书或优秀证书。期末考试成绩分布如图10所示：
图10 期末考试成绩分布
有期末考试成绩的86人中，92%以上的学习者都通过了期末考试，但这并不意味着这部分人的总成绩也为合格及以上。其中有期末考试成绩但总成绩为不合格的有13人，他们的行为值得探讨，分析如下：
（1）“panjun”和“lgjss”2人没有参加过测试和讨论，也没有提交过作业（即没有任何MOOC行为信息），仅仅参加了期末考试，属于“旁观者”，且考试成绩为不合格，说明没有参与过课程学习或没有学习行为的人是很难直接通过期末考试的。
（2）“wangdunguo”和“MoocSven”2人有MOOC行为记录，但未提交过作业（代表着此项成绩为0），其他成绩及考试成绩也比较低，说明这两个人虽然参与了课程，但整个过程中都并未努力参与，属于“顺便访问者”。
（3）“YandB”、“yzbgreen”、“8XXX2qqcom”、“miffydaisy”、“ABJ”、“SHY”6个人均有一项没有成绩，且其他项目的成绩也较低，说明其课程参与度不高，虽然考试成绩均处于60分以上，但是总成绩仍为不合格，属于“被动参与者”，同时也说明想要获得合格证书需要各方面都参与，间接证明了证书可以对学习者具有一定的激励和督促作用。
（4）“erhui”和“孤行1”2人的期末考试成绩很高，也完成了单元测试和作业，并参与了讨论，但是其他三项成绩比较低，总成绩为不合格，这说明想要总成绩达到合格、获得证书也并非易事，各方面都要参与且参与度较高才能获得证书。这从侧面证明了课程的分数体系设置比较好，可以激励学习者充分地参与各项学习。
（5）比较特殊的是“ZCH”，其单元测试与作业成绩较低，期末测试也没有通过，但是其参与讨论十分频繁，讨论分数为90分，说明他是讨论区中的活跃者。这类人群并非为获得证书才去学习课程，观看视频、提交作业的行为只能衡量一个人对显性知识的渴求度，但参与讨论更容易获取到隐性知识，说明“ZCH”更看重与人交流时获得的额外知识及隐性知识，而不仅仅局限于课堂知识。笔者同时观察了“ZCH”在讨论区的行为数据，发现他积极地回复帖子，并在他人的问题下留言，与其他学习者互动讨论，说明他是学习中的“积极主动者”，虽然考试成绩为不合格，但并不能代表其学习不努力，相反，他主动获取知识，并乐于帮助他人解决问题。在MOOC当中，应该主动发现这类人群，他们有助于调动讨论区的活跃度，促进知识的流动。
再研究参与讨论区的学习者的特点：选课者中有讨论成绩的共452人，占课程总人数的12.2%，说明讨论区的参与情况并不尽人意。图11为讨论成绩的分布图，讨论区成绩为5、10、15分的共有263人，占有成绩人数的58.2%，而60分以上的只有68人，仅占15%。
图11 讨论成绩分布
在此，将讨论区参与记录数为10以上的学习者定义为讨论区的活跃者，活跃者共有89人，占讨论区参与人数的19.7%。这些活跃者中有19人的总成绩为优秀，19人的总成绩为合格，共占42.6%。结合以上数据，可以看出：
（1）讨论区的整体参与度很低，大部分学员参与了MOOC的其他学习活动，但并未参与到讨论区中去。
（2）就参与了讨论的学习者而言，活跃者的人数也较少，证明了讨论区的参与度低，且活跃程度也不高。
（3）讨论区中表现活跃的学习者，接近一半的人其成绩为合格以上并获得了证书，说明用心学习MOOC的学习者，会认真地参与到讨论区中与他人互动，解决学习中遇到的问题，也会帮助他人排除疑惑，彼此共同进步。
（4）结合总成绩进行分析，总成绩为优秀的人，其讨论成绩只有1人为50分，其余均在65分以上，且有63.2%的人成绩在85分以上，说明想要获得优秀证书，参与讨论是必要的，且讨论分数较高的学习者其期末考试成绩也较高，因为参与讨论有助于对知识的掌握和理解。

4 结论与展望

MOOC平台上积累的学习者的海量行为数据具有巨大的价值，对这些数据进行分析以了解学习者学习行为的特点及学习现象背后的原因具有重要的理论意义和实践意义。本文利用中国大学MOOC平台上一门课程的学习者行为数据进行统计和分析，主要从选课、退课、课程参与行为及成绩4个方面研究MOOC学习者的行为特点，利用相关分析和回归分析探索了讨论区行为与学习成绩的关系，得到以下几点结论：
（1）MOOC课程的选课人数虽然很多，但中途退课现象比较严重，且大部分学习者不能完成整个课程的学习；在开课前期的选课人数比例较低，应提高开课前选课人数的比例；课程团队在发布课程时应尽可能多地提供课程的相关信息，避免选课者因误选而退课；MOOC平台可以为课程设置打分机制。
（2）MOOC课程的学习者观看视频、提交课堂测验的人数要远多于完成单元作业和参与讨论的人数；总成绩获得合格及以上的学习者比例很低，能够完整参加MOOC各项教学环节的学习者较少；若想获得MOOC证书，各个教学环节都要有一定的参与度。
（3）讨论区的整体参与度很低，参与者也不够活跃，但参与讨论区有助于学习者之间对知识的交流和掌握，应该挖掘出讨论区表现活跃的学习者，激励其带动起整个讨论区良好交流氛围的形成；应该针对学习者的各项成绩进行综合分析，发现不同类型学习者的行为特点，给予个性化的指导。
囿于MOOC数据的获取比较困难，本文主要从MOOC的宏观数据着手进行分析，今后还将从个人层面着手，结合每位学习者的个人学习行为数据，利用数据挖掘和机器学习的方法对学习者的行为进行更为深入的分析，探索其行为背后隐藏的更多深层原因，进而对MOOC平台的发展及学习者的学习行为给予一定的建议。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
McAuley A, Stewart B, Siemens G, et al. The MOOC Model for Digital Practice[EB/OL].[2015-10-20].http://www.eleam space.org/Articles/MOOC_Final.pdf.

[2]
马秀麟,毛荷,岳超群,等. 从实证分析的视角看MOOC的利与弊[J].中国教育信息化,2014(11):3-6.

[3]
Downes S.New technology supporting informal learning[J].Journal of Emerging Technologies in Web Intelligence, 2010，2(1):27-33.

[4]
Siemens G.Connectivism: A learning theory for the digital age[J].Instructional Technology and Distance Learning,2005，(1):3-10.

[5]
Breslow L,Pritchard D E, DeBoer J.Studying learning in the worldwide classroom: Research into edX’s first MOOC[J]. Research & Practice in Assessment,2013，8(1):13-25.

[6]
Hill P.Emerging Student Patterns in MOOCs: A (Revised) Graphical View[EB/OL].[2013-03-10].http://mfeldstein.com/emerging-studentpatterns-in-moocs-a-revised-graphical-view/.

[7]
缪静敏,汪琼.MOOC研究国外发展概述[J].工业和信息化教育,2014(11):3-10.

[8]
郝丹.国内MOOC研究现状的文献分析[J].中国远程教育,2013(11):42-50.

[9]
Stein L A. Casting a wider net[J].Science,2012，338(6113): 1422-1423.

[10]
Waldrop M M.Online learning: Campus 2.0[J].Nature,2013，495(7440): 160-163.

[11]
Kizilcec R F, Piech C, Schneider E. Deconstructing disengagement: Analyzing learner subpopulations in mas-sive open online courses[C] // Proceedings of the Third International Conference on Learning Analytics and Knowledge. New York: ACM, 2013:170-179.

[12]
Anderson A, Huttnocher D, Kleinberg J,et al. Engaging with massive online courses[C] // Proceedings of the 23rd International Conference on World Wide Web. Republic and Canton of Geneva, Seoul: IW3C2,2014:687-698.

[13]
Nesterko S, Dotsenko S, Hu Q, et al. Evaluating the geographic data in MOOCs[C/OL]// Neural Information Processing System Workshop on Data Driven Education .[2014-06-01]. http://nesterko.com/files/papers/nips2013-nestero.pdf.

[14]
Stump G S, DeBoer J, Whittinghill J, et al. Development of a framework to classify MOOC discussion forum posts: Methodology and challenges[C/OL]// Neural Information Processing System Workshop on Data Driven Education .[2014-06-01].http://tll.mit.edu/sites/default/files/library/Coding_a_MOOC_Discussion_Forum.pdf.

[15]
Huang J,Dasgupta A, Ghosh A, et al. Superposter behavior in MOOC forums[C]//Proceedings of the First ACM Conference on Learning @ Scale Conference. New York: Association for Computing Machinery, 2014:117-126.

[16]
Han F, Veeramachaneni K, O’Reilly U. Analyzing Millions of Submissions to Help MOOC Instructors Understand Problem Solving[C/OL] // Neural Information Processing System Workshop on Data Driven Education .[2014-06-01].http://groups.csailmit.edu/EVO-DesignOpt/groupWebSite/uploads/Site/ProblemAnalytics.pdf.

[17]
Yang D, Sinha T, Adamson D, et al.Turn on,tune in,drop out: Anticipating student dropouts in massive open online courses[C/OL]// Neural Information Processing System Workshop on Data Driven Education .[2014-06-01].http://lytics.standford.ed u/datadriveneducation/papers/yangetal.pdf.

[18]
Taylor C, Veeramachaneni K, O'Reilly U M. Likely to stop? Predicting Stopout in Massive Open Online Courses[J/OL].[2015-10-20]. Arxiv: 1408.3382v1[cs.CY],2014. http://arxiv.org/pdf/1408.3382v1.pdf.

[19]
Balakrishnan,G. Predicting student retention in massive open online courses using hidden Markov models. UCB/EECS-2013-109[R/OL].Berkeley: University of California,Berkeley, 2013.

[20]
Ramesh A, Goldwasser D, Huang B, et al. Modeling learner engagement in MOOCs using probabilistic soft logic[C/OL]// Neural Information Processing System Workshop on Data Driven Education .[2014-06-01].http://lytics.standford.edu/datadriveneducation/papers/rameshetal.pdf.

[21]
蒋卓轩,张岩,李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展,2015,52（3）：1-14.

[22]
维基百科(Wikipedia).MOOCs词条[EB/OL].[2013-08-03].http://en.wikipedia.org/wiki/MOOCs.

[23]
Jordan K. MOOC completion rates: The data[EB/OL].[2013-09-22].http://www.katyjordan.com/MOOCproject.html.

Options
Outlines

/

〈 〉