MOOC课程资源访问模式与学习绩效的关系研究

    张媛媛 李爽

    【摘要】本文基于一门典型MOOC课程10，598名学生学习行为数据，对MOOC课程的资源访问模式及其对学习绩效的影响进行了探索。文章从访问动机、资源类型、行为投入特征三个方面定义了12个在线学习行为变量作为挖掘MOOC学习者资源访问模式的特征变量，12个变量累计解释期末成绩65.7%的变异。研究采用二阶聚类方法基于12个特征变量最终聚类出六种资源访问模式：主动的系统学习型访问模式、全面探索型访问模式、绩效型访问模式、内容型访问模式、随机操练型访问模式和随机浏览型访问模式。研究发现，以目标动机和绩效动机双重驱动的主动的系统学习型访问模式的成绩最好，对绩效类资源的高投入访问将显著影响学习者的成绩。文章最后对MOOC课程的资源访问模式及其有效性、资源访问模式的评测指标、MOOC课程设计与学习支持以及研究本身进行了讨论与反思。期望能够为实践中MOOC课程教学设计与学习支持的改进提供依据。

    【关键词】? MOOC;资源访问模式;学习绩效;行为投入;访问动机;资源类型;学习分析;教学设计

    【中图分类号】? G420? ? ? ?【文献标识码】? A? ? ? ?【文章编号】? 1009-458x（2019）6-0022-11

    一、引言

    近几年来，在全球MOOC浪潮的推动下我国各类MOOC快速发展，逐渐成为正式和非正式学习的重要方式。MOOC课程为学生提供了优质的多样化教学资源，包括制作精良的教学微视频及其针对性练习、扩展性资源、学习社区、模拟试题、学习工具等。各类资源对于学生的学习认知具有不同的价值，学生通过不同的互动方式将这些资源用于他们的学习中。比如：视频、文本等教学课件属于阅读类资源，以传递知识为主要功能;习题、试题等属于练习类资源，以巩固知识、强化应用为主要功能;论坛、帖子属于生成类资源，以答疑解惑、促进协作知识建构为主要功能;笔记本属于认知工具类资源，以促进学习反思和知识内化为主要功能，等等。可见，学生对在线课程各类资源的访问度和访问模式隐含了他们与课程资源的互动模式，隐含了他们在线课程的学习方式。因此，可以将学生对资源的访问看作是在线课程学习的基本行为投入，学生在课程中的各种认知行为都可以看作是建立在对各类课程资源访问的基础上。学生对资源访问的程度体现了他们在线学习的投入度，而学生对资源访问的偏好在某种程度上体现出他们在线学习方式的偏好。已有研究表明，学生所访问资源的类型以及对资源的访问方式会影响学生的学习绩效。如Mayer和Moreno（1998）研究发现，访问动画与听觉资源的学生比只访问文本资源的学生学习效果更好一些。Kalyuga、Chandler和Sweller（1998）研究发现，学习资源由文本、图片和声音的组合形式呈现，其效果优于声音和图片或者文本和图片的呈现形式。Antonenko和Niederhauser（2010）的研究显示，资源采用超文本链接的形式呈现可以减轻学生的认知负荷，促进系统知识的获取。Murray等（Murray， Jorge， Geist， & Hedrick， 2012）发现学习者与在线学习资源的互动可能有助于使学生更容易学习，并加快他们的学习进度。Asarta和Schmidt（2013）指出学生基于在线课程资源学习的自律性将成为影响他们学业成功的重要因素。

    综上所述，MOOC学习者访问课程各类资源进行学习的方式将反映MOOC学习者的学习投入與学习偏好，并可能影响他们的MOOC受益程度以及课程学业绩效。了解MOOC学习者如何访问MOOC课程资源并探索各种资源访问模式与学习绩效的关系将为MOOC的学习设计和学习支持提供重要依据。MOOC课程记录的学习过程数据和快速兴起的学习分析技术为挖掘MOOC课程资源访问模式提供了有力支撑。鉴于此，本研究将基于MOOC课程数据采用学习分析方法探索MOOC课程中的资源访问模式，挖掘MOOC学习者访问课程资源的主要模式，发现MOOC学习者的学习偏好，并考察这些访问模式与学习绩效的关系，从而定义出较为高效的资源访问模型，以期为教学设计者和教师改善MOOC的学习设计和学习支持提供启示和依据。

    二、文献综述

    文献调查显示，尽管已有很多文献对在线课程学习行为模式进行了探索，但是专注考察资源访问模式的文献整体较少。大部分研究将资源访问行为变量与做练习、讨论、提交作业等行为变量一起用于探索学习模式。然而，在这些研究中对资源的访问与使用是其所构建学习模式的重要组成。

    已有文献从不同视角对混合式教学和全在线教学情境下在线课程的资源访问模式进行了探索。如Cerezo等（Cerezo， Sánchez-Santillán， Paule-Ruiz， & Nú?ez， 2016）基于任务、理论内容、论坛上学生投入的时间、发帖的字数、与学习相关的操作的数量（如浏览资源、浏览论坛、论坛搜索等）以及提交任务的天数（提交时间距离任务发布的时间）等变量，从学生与课程任务、理论内容、论坛资源等交互的视角对在线课程资源访问模式进行了探索，定义出任务导向的群体学习者、任务导向的个人学习者、非任务导向的拖延者和非任务导向的非拖延者四类学生与课程的交互模式。Lust等（Lust， Elen， & Clarebout， 2013）从在线课程各类资源工具性的角度对学生在线课程资源的使用情况进行了探究。该研究将课程资源按照其工具属性进行了分类，如论坛中的他人消息代表通信工具，网络链接和练习测验代表探索和阐述课程内容的工具，教学大纲代表基本信息工具，支持学生加工课程内容的特定材料代表脚手架工具，等等。研究发现，在不同的学习阶段不同学生群体具有不同的资源工具使用模式。Chen等（Chen， Fan， Zhang， & Wang， 2017）基于学习者对课程资源的使用情况（如视频、PDF手册、论坛）定义出四种资源使用模式，并根据四类资源使用模式将学习者划分为视频观众、讲义收藏家、寻求者和其他人。Arora等（Arora， Goel， Sabitha， & Mehrotra， 2017）基于学生对课程材料、视频讲座、论坛和考核评价等资源的投入情况，识别出了五类不同投入模式的学习者：不感兴趣学习者、随意学习者、绩效偏爱者、探险家、成就者。Anderson等（Anderson， Huttenlocher， Kleinberg， & Leskovec， 2014）通过学习者提交作业数目和浏览视频数目这两个特征指标将学习者划分为五类，包括观看者、解决者、多面手、收集者、旁观者。Kizilcec等（Kizilcec， Piech， & Schneider， 2013）基于“准时”（按时完成测验）、“延迟”（在规定时间之后完成测验）、“旁观”（看视频但是不做测验）、“退出”（根本没有参与这门课程）四个指标，对Coursera平台上三门xMOOC课程学习者进行聚类，识别出四类具有不同参与特征的学生：完成者、试听者、旁观者、退出者。Rodrigues等（Rodrigues， et al.， 2016）基于论坛发帖、视频观看、测验等在内的共14个特征指标将MOOC学习者进行聚类，识别出参与者、偶尔参与者和不参与者三类参与特征模式。上述研究显示，无论是MOOC课程还是混合式课程，学生访问课程在线资源的模式都存在差异，且大部分学习者并没有充分、有效地利用课程提供的在线资源（Lust， et al.， 2013）。这意味着尽管很多学习者注册和学习在线课程，但是相当比例的学习者因为动机、适应性等因素未能从课程中充分受益。

    已有研究表明在线资源访问和使用模式会对学习者的学习绩效产生影响，如Lust等人（2013）发现规律使用课程工具的学生会取得更好的绩效。Asarta等人（2013）发现坚持访问课程中提供的额外在线材料的学生其课程分数更高。在Arora等（2017）得出的五类学习者中，绩效偏爱者与探险家在成绩上具有显著的差异，其中绩效偏爱者的成绩更好一些。有些资源访问模式是对学习绩效具有积极预测作用的有效模式。然而，已有研究也发现存在一些模式并没有在学习绩效上呈现出显著差异。如Cerezo等人（2016）发现采用任务导向的群体学习模式的学生和非任务导向的拖延模式的学生在学习绩效上的差异并不明显。

    在对资源访问模式的建构中，大部分研究主要根据各类资源的访问度来构建模式，定义模式的行为变量包括在线或者浏览视频的时长（Cerezo， et al.， 2016; 贾积有， 等， 2014; Macfadyen & Dawson， 2010; 王改花， 等， 2019; 杨娟， 等， 2017）、观看视频次数（贾积有， 等， 2014; 蒋卓轩， 等， 2015）、提交测验次数（蒋卓轩， 等， 2015; 宗阳， 等， 2016）、访问课程资料频次（Cerezo， et al.， 2016; 石磊， 等， 2017; 杨娟， 等， 2017; 宗阳， 等， 2016）、访问总数（Wilson， 2003; Wang & Newlin， 2000; Asarta， et al.， 2013）、观看视频数和学习章节数（王萍， 2015）、论坛参与程度（贾积有， 等， 2014; 蒋卓轩， 等， 2015; 石磊， 等， 2017; 朱珂， 2017; Macfadyen， et al.， 2010）、视频观看完整度（宗阳， 等， 2016）。相关变量从时间、频次、数量、完成度等方面表征学生对资源的访问度。这些变量在一些研究中被发现与学习绩效存在显著相关，如时长（Cerezo， et al.， 2016; 贾积有， 等， 2014; Macfadyen， et al.， 2010）、观看视频次数（贾积有， 等， 2014; 蒋卓轩， 等， 2015）、提交测验次数（蒋卓轩， 等， 2015; 宗阳， 等， 2016）等。但是在一些研究中，部分访问度的相关变量也被发现与学习绩效并不是显著相关，或者并不是绩效的关键预测变量，如学习者观看视频数和学习章节数（王萍， 2015）、总访问次数（Asarta， et al.， 2013）等。

    然而，越来越多的研究者发现资源访问的规律性对于学习的重要性，并尝试从访问时间特征探索资源的访问模式（Baugher， Varanelli， & Weisbord， 2010; Asarta， et al.， 2013; You， 2016; 朱珂， 2017）。其中，體现学生自我调节失败的学习拖延是资源访问规律性中最受关注的行为特征，学习拖延对成绩的负面影响已经得到了相当多实证研究的支持（Howell & Watson， 2007），如Asarta等（2013）探索了资源访问的及时性、规律性、临时抱佛脚模式对学习绩效的影响。You（2015）通过分析在线学习者材料学习和作业提交的延误，研究了学业拖延对在线学习课程成绩的影响，发现它们在预测课程成绩方面具有负面影响。Tuckman（2005）不仅发现在线学习中的拖延者往往比非拖延者表现得更差，而且在在线学习环境中拖延与成就之间的负面关系要强于传统学习环境。此外，有研究者从访问资源的时间间隔这个角度来表示资源访问的规律性，如朱珂（2017）通过计算学习者登录时间间隔的方差来表示其学习的规律性。在上述研究中，无论是从资源访问的及时或拖延还是从资源访问的时间间隔来表示规律性，都被发现对学习绩效具有显著的预测作用。资源访问的规律性体现了学生对学习的自我管理与调节水平，是认知投入的表现，对在线学习投入的很多实证研究已经表明学生在学习自主管理方面的投入对学习绩效具有显著的影响（You， 2015; 李爽， 等， 2016）。

    除此之外，一些研究发现学习动机是影响资源访问模式的重要因素。如Arora等人（2017）和李爽等人（2017）的研究均发现存在相当比例的学生采用绩效驱动的资源访问模式，这些学生以访问与考试密切相关的资源为主，如试题、练习资源。也有一些学生的资源访问是兴趣驱动的，而对于课程成绩或认证并不十分感兴趣（Kizilcec， et al.， 2013），表现为主要选择性地看一些教学视频，而并不太访问课程习题资源。相关研究也发现绩效驱动的资源访问模式相比其他资源访问模式可能对学习绩效具有更稳定的积极预测作用（Baugher， et al.， 2010; 李爽， 等， 2017; Cerezo， et al.， 2016）。在MOOC课程资源访问模式的研究中考虑学习动机因素显得更加重要，因为MOOC的开放性使具有不同动机的学习者都有机会注册课程，这些不同的学习动机成为资源访问模式的重要影响因素。

    综上所述，相关文献表明资源类型、访问度、访问规律性、访问动机等因素都会影响在线课程学习者的资源访问模式。然而，已有关于资源访问模式的研究主要基于访问时长、访问频次、访问量等访问度变量来探索资源访问模式，缺乏综合多种访问特征对资源访问模式的考察，因此难以发现真实有效的资源访问模式。事实上，访问时长、访问频次、访问量、访问规律等实质上都体现了学生对课程资源访问的行为投入特征（李爽， 等， 2016）。学生对MOOC课程各类资源的访问投入受不同访问动机的影响，并最终呈现出不同的访问模式。本研究计划整合访问动机、资源类型、访问行为投入特征这三个方面，探索MOOC课程中存在的资源访问模型，并检验相应模型与学习绩效的关系。

    三、研究问题与方法

    （一）研究问题

    本研究旨在基于对MOOC课程学习数据的挖掘，探索MOOC课程的资源访问模式及其与学习绩效的关系，主要聚焦如下三个研究问题：

    1. 哪些在线课程资源访问行为变量可以作为定义MOOC资源访问模式的特征变量？

    2. 基于MOOC学习者的资源访问特征是否会挖掘出多种MOOC资源访问模式，各访问模式的特征是什么？

    3. 学习者在MOOC课程中的不同资源访问模式是否会影响其学习绩效？

    （二）研究案例与变量选择

    本研究以我国主要MOOC课程平台之一学堂在线正在开设的一门英语MOOC课程学习数据作为分析对象，探索MOOC 课程的资源访问模式。该课程是学堂在线的代表性课程，课程采用认知主义教学方法讲授英语日常表达，课程学习以看视频做习题为主，辅以少量的讨论。课程包括八个单元的教学内容。教学资源包括教学视频、习题、课程信息、扩展内容、进度把控信息和论坛信息等。课程每个单元都安排了计入平时成绩的习题，课程最后还有期末考试。学生课程总成绩超过50分则通过该门课程，获得课程证书。

    本研究基于文献研究最终确定从访问动机、资源类型、行为投入特征三个方面定义资源访问行为变量，其中，资源访问的行为投入特征主要通过访问度和访问规律两个方面来定义。对MOOC课程的资源类型分析可知：教学视频资源的访问以学习内容为主，归为内容类资源;单元习题答题情况是计入课程成绩的，因此单元习题被归为绩效类资源;课程信息页面与进度页面为学习者提供学习通知和学习进度信息，为学生有效管理其在线学习提供了依据，因此将这两类页面归为管理类资源;扩展页面提供了与教学大纲相关的扩展内容，是可选择的内容资源，因此将这类页面划分为扩展类资源;论坛是学生互动、交流的空间，论坛资源以生成类资源为主。论坛生成的资源既可能包括与学习内容密切相关的内容类资源，也可能包括课程要求学生访问的绩效类资源，也可能包括与作业提交、考试等有关的管理类资源，还可能包括一些教师和同伴共享的扩展类资源。因此，论坛的生成类资源实际上可能包括前述四类资源，可根据具体课程情况进行归类。通过对本研究所选课程论坛内容的分析，发现本课程论坛整体数据量较少，师生生成的内容与教学内容更相关，因此在本研究中论坛生成类资源被归为内容类资源。本研究将课程资源划分为四类：内容类资源、绩效类资源、管理类资源、扩展类资源。本研究借鉴Dweck和Leggett（1988）关于学生学习动机的分类，将对内容类、管理类、扩展类资源的访问归为目标驱动的资源访问，将对绩效类资源的访问归为绩效驱动的资源访问。目标驱动的学习更多的是关注自身能力的提升，绩效驱动的学习更多关注的是他人的评价，如课程成绩评定。之后，本研究根据课程已有数据，从资源访问度和规律性两个方面定义资源访问的行为变量。访问度变量涉及访问时长、频次、完成度等行为变量，访问规律性包括访问拖延度和访问时间间隔均匀性两类变量。其中，访问拖延度通过学习者访问资源与该资源发布的时间差来表征，访问时间间隔均匀性变量通过计算学习者相邻两次访问同类资源的时间间隔的标准差来表征。综上所述，研究初步定义出18个资源访问行为变量，这18个变量体现了两类动机目标，涉及四类课程资源的访问度和访问规律性特征。

    [访问特征变量 资源类型 行为特征 动机类型 视频访问总时长 内容类资源 访问度 目标驱动 视频访问完成度 内容类资源 访问度 目标驱动 视频访问拖延度 内容类资源 访问规律 目标驱动 视频访问间隔均匀性 内容类资源 访问规律 目标驱动 论坛访问时长 内容类资源 访问度 目标驱动 信息页面访问次数 管理类资源 访问度 目标驱动 信息页面访问时长 管理类资源 访问度 目标驱动 信息页面访问间隔均匀性 管理类资源 访问规律 目标驱动 进度页面访问次数 管理类资源 访问度 目标驱动 进度页面访问时长 管理类资源 访问度 目标驱动 进度页面访问间隔均匀性 管理类资源 访问规律 目标驱动 扩展页面访问次数 扩展类资源 访问度 目标驱动 扩展页面访问时长 扩展类资源 访问度 目标驱动 扩展页面访问间隔均匀性 扩展类资源 访问规律 目标驱动 习题访问完成度 绩效类资源 访问度 绩效驱动 习题访问次数 绩效类资源 访问度 绩效驱动 习题访问拖延度 绩效类资源 访问规律 绩效驱动 习题访问间隔均匀性 绩效类资源 访问规律 绩效驱动 ]

    （三）样本与数据处理

    本研究对平台记录的26，981名注册本课程的学生数据进行初步整理，发现真正产生课程行为数据的学习者只有10，598名。因此本研究主要聚焦这10，598名学生，探索他们的资源访问模式。

    本研究首先根据访问行为特征变量对相应数据进行了初步检测与清理，如核对不同表格数据的完整性、处理缺失值等。由于很多学生中断对课程相关资源的访问，所以拖延度和访问间隔均匀性两个变量的缺失值较多。根据两個变量的意义，本研究用99，999来替代相应缺失值。之后，根据三个研究问题采用相应方法对数据进行了挖掘分析。为选取更有效的访问特征变量，对访问行为变量、期末成绩进行了皮尔逊相关分析，筛选出与学习绩效显著相关且相关性更高的访问行为变量，并采用多元线性回归分析法检验了所筛选行为变量对学习绩效的预测作用。然后，基于筛选出的行为变量采用二阶聚类对样本进行聚类分析，探索资源访问模式。二阶聚类算法是一种智能聚类方法，可用于揭示未知数据集的自然分组，自动确定最佳聚类个数，并且能用于处理离散型数据和连续型数据的聚类问题（Chiu， Fang， Chen， Wang， & Jeris， 2001），因此适合本研究的聚类需求。最后，采用ANOVA分析对聚类得到的不同资源访问模式的期末成绩进行差异性检验，考察资源访问模式对学习成绩的影响。

    本研究主要采用Excel 2016对原始数据进行初步的整理和清理，采用SPSS 24.0进行回归分析、聚类分析和ANOVA分析。

    四、研究结果

    （一）访问特征变量的定义

    由于选取的两个指标之间若存在高度相关性，可能会减弱其他特征指标对于聚类结果的影响，降低聚类结果的准确性，因此本研究首先采用皮尔逊相关分析方法将最初定义的18个访问行为变量进行两两相关分析，以检验最初定义变量是否存在相关性较高的问题。皮尔逊相关分析显示视频访问完成度与视频访问总时长、习题访问完成度与习题访问次数的相关系数均在0.8以上，为此需要从两个变量中取舍。考虑到研究主要关注对于学习绩效具有促进作用的资源访问行为变量，所以研究将相关性较高的两个变量分别与期末成绩进行相关性分析，并最终选择保留与期末成绩相关性更高的变量作为访问模型构建的特征变量。这种方法在以往研究中也用过，如Khalil等（Khalil & Ebner， 2017）发现学习者登录频率和阅读帖子频次高度相关（r=0.807， p<0.01），因此在初步的筛选中保留了阅读帖子频次，而排除了登录频次这一指标。此外，对于与期末成绩没有显著相关的变量，我们也直接进行了删除，如信息、进度和扩展页面的访问时长、论坛访问时长。最终，本研究确定如下12个特征变量（见表2）。这12个特征变量两两之间的相关系数及其与期末成绩（FG）的相关系数见表3（采用英文首字母缩写代表各特征变量）。

    根据表3，最终筛选的12个变量与期末成绩均呈现显著相关（p<0.01），且变量间不存在较高的相关性。在12个变量中，与期末成绩相关性最高的变量是习题的完成度（r=0.807**），其次是习题的访问拖延度（r=-0.662**）和访问间隔均匀性（r=-0.630**）。值得注意的是，访问度变量与成绩呈正相关，两个访问规律变量与成绩呈负相关，即：学生习题完成度越高，访问拖延性越小，访问间隔越均匀，学生期末成绩越高。习题在本课程中属于绩效类资源，学生对绩效类资源的访问度和访问规律对期末成绩的相关性整体高于其他类资源，与期末成绩呈现较高相关性的还有视频的完成度（r=0.337**）和视频访问间隔均匀性（r=-0.324**），可见视频的完成度和访问周期性对学生课程绩效具有较大影响。然而，与习题访问和成绩的关系不同的是，视频访问的拖延度并没有与成绩呈现负相关，而是呈现较弱的正相关（0.137**）。该结果意味着，在灵活开放的MOOC课程中学习者对内容视频访问的周期性比拖延性会对成绩产生更显著的影响，内容访问的拖延性不会对学习成绩产生显著的负面影响。此外，研究发现课程信息、进度和扩展页面的访问次数与期末成绩都具有显著相关，而相关页面的访问间隔均匀性与期末成绩都是负相关。这意味着学生对管理类和扩展类资源的访问度越高，访问间隔越均匀，学习者的学习成绩越好。

    为进一步检验12个特征变量的有效性，本研究采用多元线性回归分析法（采用步进的方法）考察12个访问特征变量对期末成绩的预测力。结果显示，12个特征变量能够累计解释期末成绩65.7%的变异（F=2，901.088; p<0.001）。综合相关与回归分析结果可知，这12个变量能够较为有效地识别MOOC课程学习者的资源访问模式。

    （二）MOOC资源访问模式聚类分析

    为获得MOOC学习者访问资源的模式，本研究基于12个特征变量采用二阶聚类方法对10，598名课程学习者进行聚类，结果得到六类子群，聚类结果良好。六类子群的12个变量特征的平均值及标准差见表4，将六类子群12个变量的数据标准化后，研究进一步绘制出六类子群对各类资源的访问度特征直方图（见图1），以及对各类资源的访问规律质心特征直方图（见图2）。

    通过对六类子群在各类资源的访问度和访问规律的分析，本研究对六类资源访问模式的特征进行了探索与界定。类1子群对各类资源的访问度整体较低，主要集中在少量视频资源上，对其他类资源的访问极少，并且资源访问很不规律，随机性很强，其视频访问拖延问题在六类子群中最为突出。可见，这类学习者学习课程很可能是一时兴趣驱动，缺乏稳定的目标或者绩效动机。由此，类1被定义为随机浏览型访问模式。该类模式的学习者数量占比最大，占47%左右，体现了该门课程主要的资源访问模式。

    类2子群和类3子群对课程资源的访问度也都整体较低，且具有较显著的资源偏好特征。类2子群对视频资源表现出明显偏好，对视频的访问度仅次于类6，且访问规律性也相对较好，体现了该类学习者的学习主要是目标驱动的。综上所述，类2被定义为内容型访问模式。类3子群则对习题资源表现出明显偏好，他们根本不看视频资源，主要课程学习以习题操练为主，对习题资源的访问度排名第三，其访问拖延度处于中等水平，对习题的访问间隔均匀性较弱，仅强于对习题访问极少的类1和类2。整体来说，其访问规律性较弱，体现出该类学习者的学习缺乏目标动机，受一定程度的绩效驱动，故此，研究将其定义为随机操练型访问模式。类2子群和类3子群学习者人数都不足样本总数的10%，分别为9%和7%。

    类4子群相比前三类学习者对课程资源的访问度显著提升，且是六类子群中对各类资源都保持了较高访问度的子群，尤其是对管理类和扩展类资源的訪问度显著高于其他五类，可见类4对课程资源的访问更为全面，其课程学习同时受目标动机和绩效动机的驱动。在访问规律性上，类4在各类资源的访问间隔均匀性上整体较好，尤其在管理类和扩展类资源的访问规律性上，是六类子群中表现最好的子群。但是，类4的视频访问拖延问题较为突出，仅次于类3。进一步结合对六类子群的资源重复访问行为分析（见图3），研究发现类4具有较高的视频拖拽次数和较低的视频访问完整度。这说明类4子群是表面上比较活跃但是学习缺乏深入性和系统性的群体，他们更像是课程资源的探索者，对各类资源都感兴趣，但是又难以深入学习。由此，本研究将类4定义为全面探索型访问模式。该类学习者占比最少，仅占样本的2%左右。

    类5子群对各类资源的整体访问度处于六类中的中等水平，该子群与整体资源访问度较低的类3相似，都对习题资源具有明显的偏好，但其访问习题资源的规律性较强，是较为典型的受绩效动机驱动的学习者。因此，本研究将类5定义为绩效型访问模式。该类模式学习者占样本的19%，仅次于类1子群，是MOOC较为典型的访问模式。

    类6子群对资源的整体访问度较高，尤其对内容类和绩效类资源的访问是六类子群中访问度最高的，对管理类和扩展类的资源访问度也基本处于中等水平。在访问规律性上，类6对内容类和绩效类资源的访问也具有较强的规律性，体现在最稳定的资源访问间隔和较低的访问拖延度上。上述特征表明该类学习者注重较为系统的学习和绩效表现，且学习自主性较强，其学习同时受目标动机和绩效动机的驱动。由此，本研究将类6定义为主动的系统学习型访问模式。该类学习者大约占样本的16%，仅次于类1和类5，是MOOC中相对成熟的学习者群体。

    （三）不同资源访问模式的学习绩效差异检验

    为考察不同资源访问模式与学习绩效的关系，本研究采用ANOVA对不同资源访问模式的六类群体的期末成绩进行差异检验，见表5。结果表明，采用不同资源访问模式的六类群体的成绩存在显著性差异（F（5， 10，592）=1，777.2， p<0.001， η2=0.456）。采用最小显著性差异法（Least—Significant Difference， LSD）进行事后检验发现：主动的系统学习型访问模式（类6）成绩最高，随机浏览型访问模式（类1）成绩最低;全面探索型访问模式（类4）和绩效型访问模式（类5）的成绩仅次于主动的系统学习型访问模式，且高于其他三类子群，但是二者并无显著差异;随机操练型访问模式（类3）的成绩高于内容型访问模式（类2），内容型访问模式高于随机浏览型访问模式（类1）。该结果表明：整体上对各类资源的访问度高且访问规律强的访问模式学习成绩更好。资源访问规律较差的随机型访问模式，无论偏爱哪类资源，其学习效果均较差;对绩效类资源的高投入访问显著影响学习者的成绩，体现在绩效型访问模式的成绩显著高于内容型访问模式的成绩，且与全面探索型访问模式没有成绩上的显著差异。

    五、讨论与反思

    （一）MOOC的资源访问模式及其有效性

    本研究基于MOOC学习者访问课程资源的12个访问行为特征变量最终识别出六种MOOC课程的资源访问模式：主动的系统学习型访问模式、全面探索型访问模式、绩效型访问模式、随机操练型访问模式、内容型访问模式、随机浏览型访问模式。六种模式在资源偏好以及相应资源的访问度和访问规律上都呈现出不同的特征，这些资源访问特征也反映出学生MOOC学习的驱动动机。本研究发现的六类MOOC课程资源访问模式进一步印证了部分研究所发现的MOOC学习模式。如Chen等（2016）定义的偏爱视频资源的视频观众类学习者与本研究中的内容型学习者类似，Arora等（2017）根据学生在课程材料、视频、考核评价等资源的投入数据聚类发现的绩效偏爱者和探险家与本研究发现的绩效型访问模式和全面探索型访问模式类似。

    对六种资源访问模式的成绩差异性检验可知，占样本16%的主动的系统学习型访问模式成绩最好，从他们的资源访问模式可知他们是目标动机和绩效动机双重驱动的学习者，他们的资源访问以内容类资源和绩效类资源为核心，不仅访问度较高而且访问规律性较强，体现出该群体在学习中强于其他五类群体的元认知投入，是相对成熟的自主学习者，这也是该群体获得好成绩的重要原因。综上所述，目标与绩效动机对于成功的MOOC学习者而言都很重要，以内容与绩效类资源为核心，兼顾其他资源类的规律性学习是取得MOOC学业成功的有效条件，而体现该特征的主动的系统学习型资源访问模式成为有效的MOOC资源访问模式。

    此外，值得注意的是期末成绩仅次于主动的系统学习型访问模式的全面探索型和绩效型访问模式。这两类学习者都具有绩效动机，且具有一定程度的课程资源学习投入度，期末成绩明显高于其他三类模式。然而，二者的资源访问模式明显不同，前者在各类资源上都具有一定的访问度，后者则将精力主要投入在绩效类资源上，可是二者的期末成绩却没有显著差异。究其原因，该结果与绩效类资源对成绩的影响更为显著有关，该类学习者尽管可能在内容的系统学习上有欠缺，但是在绩效类资源上有足够投入，也能够获得不错的成绩。全面探索型学习者是六类模式中对课程各类资源都比较关注的群体，他们和主动的系统型学习者一样同时受目标和绩效动机的驱动，只是在内容和绩效类资源访问中的投入和相关内容的完成度明显低于主动的系统型学习者，他们看上去可能相对活跃，如经常查看课程信息、进度页面和扩展页面，但是在课程内容学习上相对不够系统和深入，这是导致他们成绩低于主动的系统型学习者的重要原因。综上所述，两类模式在资源访问上尽管特征各异，但是都存在内容学习不系统、不深入的问题。在教学中，应注意对这两类群体的积极引导，促使其转变为主动的系统学习型，如引导全面探索型学习者增强学习的深入与系统性，激发绩效型学习者对内容类资源的学习兴趣。

    （二）资源访问模式的评测指标

    本研究从访问动机、资源类型与行为投入特征三个维度定义的12个访问行为特征变量经过检验是评测MOOC课程资源访问模式的有效评测指标。本研究认为资源访问模式的有效评测指标应是能够有效体现访问质量的相关指标，因为这些指标与学生学习的认知投入更加相关。如访问时长能更好地体现学生的访问总投入度或单次专注度，访问完成度体现了学生學习的系统性，访问间隔特征和拖延性特征体现了学生学习的规律等。该结果在已有研究中也得到了部分印证（Asarta， et al.， 2013; Cerezo， et al.， 2016; You， 2015）。

    本研究最终筛选出的12个行为特征变量大多都是能体现访问质量与规律的行为变量，信息、进度、扩展页面的访问度指标除外。这是因为，本研究在检验相关特征变量与学习成绩的相关性时，发现上述三类页面的访问时长变量与期末成绩不相关，而访问次数变量与期末成绩显著相关。可见，除了行为特征之外，资源类型也是选取访问模式评测指标的重要依据。上述三类页面属于管理类和扩展类资源，经确认相应页面信息和内容较少，学生对这两类资源的访问并不需要多久，且对学习绩效的直接影响力较小，该类指标的数据要么缺失，要么整体较小，缺乏区别度，因此相关页面时长指标并不适合作为识别访问模式的有效指标。而相应页面的访问次数则在一定程度上体现了学生对课程要求、学习管理的重视程度，或对课程领域相关知识感兴趣的程度，这些能体现学生更多的认知投入。

    本研究中从间隔均匀和拖延度两方面来体现规律性，发现对各类资源的访问间隔均匀和拖延度均与成绩有显著相关，其中对绩效类资源的访问间隔均匀和拖延度与成绩的相关性最高。对资源访问的间隔和拖延度能够体现学习者自我管理与调节水平，反映其学习投入水平和对学习的规划水平。因此在识别资源访问模式时，强规律性更能体现学习的规划性和系统性。比如能获得较高成绩的主动的系统学习型访问模式，该类访问模式在资源的访问间隔上更为均匀且拖延度较低，体现这类有效的资源访问模式具有较强的自我管理和系统的学习能力。

    （三）对MOOC课程设计与学习支持的启示

    MOOC课程的高辍学率与个性化学习支持不足一直是人们对MOOC课程质量质疑的焦点。本研究对MOOC课程资源访问行为特征的探索以及所提出的MOOC课程资源访问模式对改善上述两个问题的MOOC课程设计与学习支持提供了有益启示。

    本研究所定义的12个访问行为特征指标，兼顾了访问度与访问规律、访问资源类型与访问动机因素，能够较全面地揭示学生对MOOC课程各类资源的访问特征，以及驱动学生学习MOOC课程的动机，为MOOC课程学习预警或自适应学习的学习行为监控和分析提供了参考指标。本研究识别出的六类资源访问模式为MOOC课程设计时了解学生的资源访问特征进而预设针对不同类模式的教学辅导方案提供了依据，也为基于模式识别的自适应或个性化推送与服务提供了支持。如对于主动的系统学习型学习者给予充分肯定，为其推送更深入、拓展的学习资源，引导全面探索型学习者在内容学习方面更加深入和系统，激发绩效型学习者对课程内容资源的兴趣，促进随机操练型学习者对内容类资源的深入系统学习，提升内容型学习者对绩效类资源的投入，给随机浏览型学习者提供学习预警或个性化内容推送等。

    此外，本研究发现学生对绩效类资源的访问情况能够更有效地预测期末成绩，该结果对MOOC课程的绩效类资源设计和课程学习评测设计是一个启示。绩效类资源设计应该与课程目标密切相关，丰富计分任务或习题资源的类型，根据目标需求将重难点学习活动资源纳入绩效类资源设计中。与此同时，学习评测内容与方式也应该与教学目标以及绩效类资源相呼应。目前，大多数MOOC课程学习评测仍然以考察低层次认知类目标的客观题目为主，缺乏对综合知识技能应用、问题解决能力的考察。未来，MOOC课程迫切需要根据教学目标，结合学习的重难点内容，设计更多样化关注学习过程与经验的学习评测方案，结合课程特点创新评价方式，提升评测的目标层次，以评促学，有效检验学生的课程学习结果。

    最后，学生的自主学习能力较低是影响MOOC课程学习结果的重要因素之一，因此MOOC学习者非常需要自主学习管理方面的知识而管理类资源是其重要组成部分。在本研究中，大部分学生较少访问管理类资源，这一方面与学生本身忽略管理类资源、缺乏自主学习管理意识有关，另一方面可能与管理类资源本身较为简单、缺乏个性化支持性资源有关。由此，本研究建议MOOC课程应重视对管理类资源的设计，除了提供课程要求等信息之外，还应提供给学生适用的学习方法和策略、成功的学习经验、有用的学习管理工具、个性化的学习分析与支持、精准的学习诊断与建议、便捷的信息或资源推送等，使相关资源能够在管理学习、督促学习、问题解决等方面有效支持MOOC学习者完成预定学习目标。

    （四）研究反思与展望

    本研究聚焦MOOC课程的资源访问活动，基于一个更全面的框架定义MOOC课程资源访问行为特征变量，通过挖掘典型课程行为数据探索MOOC课程的资源访问模式，一定程度上确保了所获得资源访问模式的有效性和代表性。然而，尽管如此，本研究仅仅基于一门课程进行资源访问模式的探索，仍然存在一些局限，无法排除课程性质、教学方法、评价方式、学生来源、课程平台等因素对资源模式探索的影响。如，课程的计分规则可能会影响学生对特定资源的关注，基于社会建构主义教学法的课程可能会使得论坛资源的访问更加频繁，提升学生对生成类内容的關注，课程平台支撑更多有用的管理类工具或个性化资源则可能增加学生对管理类资源的使用，等等。由此，本研究所定义的资源访问特征变量和访问模式还需要在更多类型、平台的MOOC课程中进行检验，并比较其研究结果，定义可以在多种情境下识别资源访问模式的行为特征变量和共有资源访问模式，并鉴别不同情境下的典型资源访问模式及其测量指标。此外，后续还需要结合学生的人口学和学习心理等特征深入各类资源访问模式的研究与分析，探索资源访问模式与学生的人口学和学习心理特征的关系。

    [参考文献]

    贾积有，缪静敏，汪琼. 2014. MOOC学习行为及效果的大数据分析——以北大6门MOOC为例[J]. 工业和信息化教育（09）：23-29.

    蒋卓轩，张岩，李晓明. 2015. 基于MOOC数据的学习行为分析与预测[J]. 计算机研究与发展，52（3）：614-628.

    李爽，王增贤，喻忱，宗阳. 2016. 在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J].开放教育研究，22（02）：77-88.

    李爽，钟瑶，喻忱，程罡，魏顺平. 2017. 基于行为序列分析对在线学习参与模式的探索[J]. 中国电化教育（03）：88-95.

    王萍. 2015. 基于edX开放数据的学习者学习分析[J]. 现代教育技术，25（04）：86-93.

    王改花，傅钢善. 2019. 网络学习行为与成绩的预测及学习干预模型的设计[J]. 中国远程教育（02）：39-48.

    石磊，程罡，李超，魏顺平. 2017. 大规模私有型在线课程学习行为及其影响因素研究——以国家开放大学网络课程学习为例[J]. 中国远程教育（04）：23-32，80.

    杨娟，宋晓玲，乔兴媚. 2017. 自主在线学习环境下学习行为与学习风格偏向性的关联分析研究[J]. 中国远程教育（10）：47-54，79-80.