MOOCs大数据研究在研究什么（第一阶段）.docVIP

MOOCs大数据研究在研究什么？（1） 学生分类 拿到MOOCs课程数据，首先回答的问题往往是“谁是课程的学生？”，这包括：男生多还是女生多？大概在什么年龄段？来自什么地方？有过怎样的受教育背景？ 理论上来说这样的学员人口统计信息对于课程的教学设计是非常有价值的，因为授课教师可以根据学生情况进行因材施教。但是现在MOOCs的学员数据并不可信，一来因为这些信息是开课之初通过自愿填写的调查问卷获取的，并不是每个学员都会填问卷，也并不是每个人都会准确填写个人信息；二来填问卷的很多人也许并没有坚持到最后，这样实际留下来的学员成分与最初的调查就可能存在着严重的偏差，特别是MOOCs刚开始的两年，或者一门课程头几轮开课注册的学员，很多是因为好奇而来，并不是课程的真正学习者，而且传播面也会影响来注册的学员成分，比如在中国，MOOCs的最早传播会在大学，会在发达地区。如果以这样获得的人口统计信息来设计课程，将是劳民伤财，得不偿失。换句话说，目前已有的MOOCs学员人口统计数据只能告诉我们当时MOOCs课程的大概参与者成分，是对当时现状的一种描述，不代表以后，不能以此来设计MOOCs课程。但是对MOOCs结业学生的人口统计数据进行分析是可以用来指导MOOCs课程设计的，也是可以影响MOOCs课程营销策略的，这些拿证的学生代表着课程的真正消费群体。可惜目前MOOCs课程进行结课调查的很少，收集人口统计数据的更少，这是需要弥补的。 来自开课调查问卷的学员数据如果用来说明课程的影响面差别也还是有一定解释度的，比如哈佛和MIT的研究报告就对比了两校在2012-2013年开设的17门课程的学员数据，发现哈佛课程比MIT多吸引了1百万人注册，美国本土人多一些（哈佛是三分之一，MIT为四分之一），学生的受教育背景更高。MIT的学生中男性居多（66.2%），比哈佛的学生年龄更小(中值27岁) \o [1]。 如果根据看到的学生人口数据，就断言：MOOCs的学习者大多是在职的中青年，是要进行职业转换、业务提升的人，因此MOOCs对现行教育系统冲击不大，或者说MOOCs的未来大市场应该在继续教育。这样的推理虽然是基于数据的推断，但还不能算是科学的推论。 相对于根据人口统计数据的学生分类，让MOOCs数据分析更有意义的学生成分划分是根据学生的学习努力程度而做出的分类。 Phil Hill自2013年3月就在其博客中将MOOCs的学习者分成了五类 \o [2]： ?? 失踪者（No-shows）：注册了但从来没有进入课程的人； ?? 观察者（Observers）：进来逛逛，会看课程材料，但是不参加测验。 ?? 选学者(Drop Ins)：这类学生只是挑着学习了课程的部分内容，在学习这些内容的时候，他们可能会积极参与课程的教学活动。但是并不打算学完整门课程，也不打算取得课程结业证书，他们的学习目的是在课程之外的。 ?? 被动学习者（Passive Participants）：只学习课程提供的教学内容，比如只看视频，读论坛的帖子，但是不参加课程讨论。 ?? 主动学习者(Active Partcipants)：积极且全面地参与课程的各种活动，完成大部分作业，全部测试。 除了Phil，斯坦福大学和哈佛大学在对MOOCs课程进行分析的时候，也分别提出了划分学生类型的不同做法。 斯坦福大学Rene F. Kizilcec等分析了三门MOOCs课程，根据学生与讲课视频和考试的交互程度对学生的行为模式进行了如下分类 \o [3]。 ?? 全程参与（completing）: 完成了课上的大多数测验，类似传统的学生。 ?? 旁听生（auditing）：只看教学视频、很少做测验，可能会在课程中呆上大半程。这类学生没人得到证书。 ?? 辍学者（disengaging）：这些学生课程开始的时候能够积极完成测验等教学活动，但是随着课程的发展，参与度明显下降，有的不再出现（大概在课程的三分之一时），有的后来只是来看看教学视频。 ?? 取样者（sampling）: 只看了一周或两周的教学视频（大多数可能只看了一个视频）。 在斯坦福大学的这个研究报告中没有用学生分类而是用学习轨道（trajectories）来描述上面四类，因为他们发现具体到一个被跟踪的人，可能会发现这个人在课程的不同阶段走在不同的轨道上。这也揭示了研究学生行为模式分类的价值，我们希望通过对学生类型的界定，研究教学的干预措施能不能让本来只是来看看的人成为课程的学生，并最后完成了学业。如果MOOCs课程能够做到这样的“黏性”，如果对MOOCs课程数据的研究能够发现有效地教学干预的种类和形式，则对教育科学是很大的贡献。 HarvardX和MITx在2014年1月发布的edX上两校17门MOOCs课程研究报告中将学生分成了四