了解慕课的学生：学习慕课的动机和行为外文翻译资料

了解慕课的学生：学习慕课的动机和行为

B.K. Pursel; L. Zhang; K.W. Jablokow; G.W. Choi; D. Velegol;

Education Technology Services and Center for Online Innovations in Learning The Pennsylvania State University USADepartment of Education Policy Studies The Pennsylvania State University USAPenn State Great Valley School of Graduate Professional Studies The Pennsylvania State University USADepartment of Learning and Performance Systems The Pennsylvania State University USADepartment of Chemical Engineering The Pennsylvania State University USA

摘要：起源于美国许多学院和世界各地的大规模开放在线课程(mooc)继续出现在高等教育领域，mooc的完成率通常较低，至少与传统课程相比是这样的，因为这种课程交付模式与传统的收费模式(如大学课程)非常不同。本研究调查了MOOC学生的人口统计数据、预期行为和课程互动，以更好地理解这些hellip;hellip;

关键词：完成率； 参与度； 学习分析法；MOOC；动机；坚持

高等教育正处在一个有趣的十字路口。在美国，由于家庭平均收入相对持平，学费继续上涨(勒温, 2008)。站在金融的角度看，传统的高等教育模式似乎不可持续。虽然这种传统模式似乎已经准备好适应，但新兴的模式和举措(通常通过技术实现)为实验提供了有趣的机会。这些新兴模式之一是大规模开放在线课程(massive open online course，简称MOOC)。

无论是在学生数量上还是在全球范围内，MOOC都为以前所未有的规模授课提供了一种模式。然而，这些好处也伴随着相应的挑战，包括在这种非传统学习环境中的学生保留和课程完成(乔丹, 2014)。目前我们对于为什么一些MOOC学生完成了一门课程(通常以成绩声明来表示)，而另一些学生在注册后从未访问过课程网站知之甚少。学习分析领域(西门子, 2010)提供了一些方法和策略，可以帮助我们更好地理解导致学生完成MOOC的特定特征和行为，进而影响课程设计和工具开发，以支持完成MOOC。通过学习分析方法，本研究旨在调查表明MOOC学生完成MOOC的变量。

研究问题

本研究旨在回答一个主要的研究问题:哪些变量是MOOC学生完成学业的指标?本研究的数据来源于一项学生调查，然后结合某一特定MOOC的学生互动数据。通过logistic回归，我们希望能够识别出影响MOOC课程完成的动机和行为列表，然后利用这些动机和行为创建学习分析工具和支持系统，以增强和改善MOOC学生的学习体验。本研究的意义在于将学习分析方法应用于MOOC数据，以更好地理解和支持这些新兴课程环境中的学习者。

研究目的

本研究具有探索性，旨在通过学习分析研究中应用的方法来检验MOOC数据，以便更好地理解影响课程完成的因素。虽然将课程完成率作为mooc成功的唯一指标是危险的，但许多mooc研究将完成率作为学习者成功的重要指标(如丹尼尔, 2012;布雷斯洛等，2013;沃尔德罗普,2013)。因此，我们认为我们对MOOC的初步研究从完成率开始是合理的，因为我们知道MOOC的“成功”因人而异。在不了解每个学生对成功的定义的情况下，完成学业将提供理解行为的第一步，这些行为表明学生在整个课程中坚持不懈。

结合调查数据(包括学生人口统计信息和学生在参加MOOC时陈述的个人目标)，研究MOOC中的学生活动模式。理解每个学习者的不同目标将有助于理解学习者的动机，这一点已被证明与学习者的投入有重要关系(Liyanagunawardena et al.， 2013;米利根等，2013)。虽然我们大部分的分析是探索性的,两个特定的假设被认为是:(1)学生表现出更高的整体活动模式的视频交互视图和论坛将有一个更高的比那些不完成,(2)教育水平较高的学生将有一个更高的完成率比低水平的教育。

文献综述

为了提供研究背景，文献综述提供了mooc和学习分析的简要背景。文献综述的第二部分主要从在线学习的角度考察了学生的参与度。了解在线学生参与，以及它与MOOC中的学生参与有何不同，将有助于我们通过学习分析的应用，在未来更好地吸引MOOC学习者。

大规模在线开放课程

MOOC仍然是一种新现象，在未来几年里可能会经历许多变化和迭代。《纽约时报》宣布2012年为MOOC年(Pappano, 2012)。在2012年，阅读任何与科技相关的期刊或网站，都很难不看到一些文章宣称mooc是教育的未来(或消亡)。2013年，新的研究项目不断涌现，比如由乔治·西门子(George Siemens)领导的由盖茨资助的MOOC研究项目(http://www.moocresearch.com/research‐Initiative /about)。这项倡议的目的是鼓励和支持更多的学术研究从不同的角度审视mooc，主要是为了了解在这些新的在线学习环境中发生的经验和学习。

大型开放式网络课程有时会根据其设计意图和结构进行分类。最早的mooc之一，George Siemens和Stephen Downes的Connectivism and Connective Knowledge，被刻意设计成一种非常社会化的体验，让学习者利用各种各样的技术相互连接，通过发现和讨论来驱动自己的学习。这类网络公开课通常被称为“连接主义网络公开课”(connectivist MOOC，简称cMOOC)，因为该课程旨在通过协作和分享，将人们聚集在一起，并在一个开放的社会环境中进行学习。

2011年底，斯坦福大学推出了《人工智能导论》，吸引了5万多名注册用户，mooc开始频繁出现在流行媒体上。斯坦福大学的课程设计不同于以往的例子，侧重于连接主义和协作;它更注重内容的单向传播或学习的指导性方法。随着越来越多的大学开始提供mooc课程，许多大学效仿了斯坦福大学的做法，后来被归类为xMOOC。

定义cmooc和xmooc的二分法可能过于简单，因为当今提供的许多mooc都包含这两种方法的元素。本文关注的MOOC是在Coursera平台上设计的，该平台通常被认为主要是一个提供xMOOC的平台(尽管该课程确实包含cmooc的元素，如下面的MOOC课程细节部分所述)。

学习分析法

虽然网络公开课往往占据各种媒体渠道的主导地位，但另一个领域也在与网络公开课一起成熟，但受到的关注较少。这个领域就是学习分析。学习分析是“测量、收集、分析和报告关于学习者及其上下文的数据，以理解和优化学习及其发生的环境”(西门子, 2011)。学习分析大量使用学生数据来产生关于不同学生群体的见解。随着MOOC中收集的大量数据，这种课程形式似乎可以从应用精确的、数据驱动的分析来帮助教师和设计师开发方法(如干预策略)来保持学生对MOOC的兴趣中大大受益。

普渡大学的课程信号是早期且被高度引用的学习分析应用程序之一，该应用程序利用预测分析为住校学生提供预警系统(Campbell et al.， 2007)。学生经常收到与成功完成课程相关的风险水平(高、中、低)相对应的彩色指示器(红色、黄色或绿色)。例如，红色指示符表示风险很高，这意味着学生可能无法以及格成绩完成课程。普渡大学(Purdue)的研究人员报告了令人鼓舞的发现，与没有接触过信号的学生相比，接触过信号的学生记忆率更高，与之呈正相关。除了在记忆方面有积极的收获外，学生还将课程信号应用作为一门或多门课程的一部分，表明了积极的经验(Arnold amp; Pistilli, 2012)。在当前的研究中，MOOC的数据用于识别MOOC中完成的预测因素。这些发现可能会在未来以类似于课程信号的方式，为MOOC学生创建一个早期预警系统。

与其他学习分析应用程序一样，课程信号利用来自学习管理系统(LMS)的数据。为了准确预测学生的成绩，分析人员需要了解哪些数据是衡量学生成绩的重要指标。虽然关于课程信号使用的预测模型的信息很少，但其他研究人员已经研究了与学生成绩有关的各种LMS变量。Macfadyen和Dawson(2010)研究了来自LMS的几个变量，这些变量说明了学生如何与内容和同伴进行交互，并将这些活动与学生成绩相关联。在最终的回归模型中，三个变量成为学生成绩的显著预测因子:发送的邮件数量，已发出的讨论讯息总数和完成的评估数量。

作者提出，当学生的学习中包含了与班级成员的各种各样且一致的社会互动时，学生的学习能力往往更强。数据当然支持这种说法，三个变量中有两个涉及某种类型的学生对学生或学生对教师的互动。

本文所描述的研究结合了前面所描述的方法，利用数据的方式类似于Macfadyen和Dawson(2010)对LMS变量的检查，但是在学生与MOOC内容及其同龄人交互时，使用Coursera平台捕获的类似变量。本研究的结果提出了一些变量，这些变量代表了为参加MOOC的学生创建早期预警系统的起点，类似于普渡大学住校学生的课程信号工作原理。参加慕课的学生按类别接受审查- -具体地说，是完成或没有完成课程的学生- -成绩说明说明了这一点。我们的研究结果揭示了一些变量，这些变量对解释学生是否有可能完成这一特定的MOOC具有一定的预测能力，并且在研究其他MOOC时值得进一步研究。

学生参与度

为了更好地理解为什么一些学生完成了MOOC，而另一些学生没有完成，了解学生参与(尤其是在线课程)是有帮助的。根据不同的研究，特罗勒(2010)将学生参与程度定义为在课堂内外发生的与预期和可衡量的学习成果密切相关的教育相关活动的参与程度(Hu amp; Kuh, 2001;Krause amp; Coates, 2008;Kuh等，2007)。Trowler认为，学生参与是复杂交互作用的结果，即“时间、努力和其他相关资源之间的交互作用”(p. 2)，可以通过学生及其教育机构的投资获得。

在线学习环境不同于传统的大学环境，因为在时间和地点方面的限制较少，这反过来导致在处理学生参与时需要考虑不同的因素。例如，Robinson和Hullinger(2008)在他们关于学生在线学习参与度的研究中，从全国学生参与度调查的五个基准中得出结论，忽略了支持性校园环境。虽然它与传统的学习环境不同，因为它在这些限制的缺乏上有相似之处，但是借鉴以往关于在线学生参与的文献是有益的。

为了探究学生在网络学习中的参与度，McBrien等人(2009)采用了Moore(1993)的交易距离理论。研究学生在学习过程中的距离感是很重要的，因为它可以克服地理上的距离，并且与学生在学习过程中的互动和参与程度密切相关。因此，距离感可能是衡量学生如何看待自己参与的一个好指标。交易距离理论由对话、结构和学习者自主三个要素组成;这些元素与学生参与过程中复杂互动的参与者密切相关，如学习者、教师、内容和界面。关注这些因素可能有助于教师和研究人员减少学习者的感知距离，以促进学生参与(McBrien et al.， 2009)。

此外，这种互动的概念与社会存在的概念密切相关。社会存在可以增加互动(Tu amp; McIsaac, 2002)。自远程教育出现以来，在场的概念一直是研究者和实践者感兴趣的话题(McKerlich et al.， 2011)。根据定义，社会存在是“学生之间以及学生和教师之间的联系，这导致了学习的增加”(Ngoyi et al.， 2014, p. 242)。它也可以被定义为一个人在网上对自己的投射和感知水平(McKerlich et al.， 2011;Rourke et al.， 1999)。社交存在在网络学习中尤为重要，因为它帮助学生将网络活动转化为社交互动，让他们感到真实。增加社交活动可以帮助学生和教师感到联系，这将导致他们之间更好的互动(Dixson, 2010)。社交存在有三个维度:社交语境、在线交流和互动(Tu amp; McIsaac, 2002)。

不同的变量影响学生在线学习的参与度。Meyer(2014)认为自我调节会影响学生的投入(Sun amp; Rueda, 2012)，而在线学习的投入程度也会影响学生的认知投入(理查德森 amp; Newby, 2006)。这意味着学生的参与程度和参与程度会影响学生的参与程度。Meyer(2014)还认为，学生参与可以影响学生满意度，教师努力让学生参与可以帮助学生形成社区意识，并带来更高的保留率(Conrad, 2002;Meyer等，2009;罗宾逊,2011;Shin amp; Chan, 2004;斯沃恩,2001)。

MOOC和传统在线课程的区别

虽然传统的在线课程和慕课因为都是在线提供的，所以有很多的共同点，但是在目标和课程结构上是不同的(Perna et al.， 2014)。与传统在线课程不同，慕课通常吸引大量用户，通常只需要很少(或根本不需要)的必要知识。DeBoer et al.(2014

剩余内容已隐藏，支付完成后下载完整资料

Understanding MOOC students: motivations and behaviours indicative of MOOC completion

ABSTRACT:Abstract(#br)Massive open online courses (MOOCs) continue to appear across the higher education landscape, originating from many institutions in the USA and around the world. MOOCs typically have low completion rates, at least when compared with traditional courses, as this course delivery model is very different from traditional, fee‐based models, such as college courses. This research examined MOOC student demographic data, intended behaviours and course interactions to better understand varia...

KEYWORDS:completion; engagement; learning analytics; MOOC; motivation; persistence;

Higher education is at an interesting crossroads. In the USA, tuition continues to rise, as the average family income remains relatively flat (Lewin, 2008). The traditional model of higher education appears unsustainable from a financial standpoint. While this traditional model seems poised for adaptation, emerging models and initiatives, often enabled through technology, present interesting opportunities for experimentation. One of these emerging models is the massive open online course or MOOC.

The MOOC provides a model for delivering courses at an unprecedented scale, both in terms of student numbers and in terms of global reach. These benefits are not without their corresponding challenges, however, including student retention and course completion in this non‐traditional learning environment (Jordan, 2014). We currently know little about why some MOOC students complete a course (often signified by a statement of accomplishment), while others never visit the course website after registration. The field of learning analytics (Siemens, 2010) provides methods and strategies that might help us better understand specific characteristics and behaviours that lead to students completing a MOOC, which can then influence course designs and tool development to support that completion. By leveraging a learning analytics approach, this research aims to investigate the variables that are indicative of MOOC students completing a MOOC.

Research question

This study set out to answer one primary research question: What variables are indicative of student completion in a MOOC? The data included in the study were collected from a student survey and then combined with student interaction data from a specific MOOC. Using logistic regression, we hoped to identify a list of motivations and behaviours that influence MOOC course completion, which can then be leveraged in the creation of learning analytics tools and support systems to enhance and improve the learning experience of students enrolled in MOOCs. The significance of this work is the application of learning analytics methods to MOOC data in order to better understand and support the learners enrolled in these emerging course environments.

Purpose of the study

This study was exploratory in nature, designed to examine MOOC data through methods applied in learning analytics research in order to better understand factors that impact course completion. Although it is dangerous to consider course completion as the sole indicator of success in MOOCs, many studies of MOOCs consider the completion rate to be an important indicator of learner success (e.g., Daniel, 2012; Breslow et al., 2013; Waldrop, 2013). Hence, we thought it would be reasonable to start from completion rate for our initial study on MOOCs, with the understanding that lsquo;successrsquo; in a MOOC can vary from individual to individual. Without knowing each students definition of success, completion will provide a first step in understanding behaviours that are indicative of engaged students who persist through the course.

Student activity patterns within the MOOC were examined in conjunction with survey data, including student demographic information and students stated personal goals while enrolled in the MOOC. Understanding the various goals of each learner will shed light on learner motivations, something that has been shown to have important relationships to learner engagement (Liyanagunawardena et al., 2013; Milligan et al., 2013). While the majority of our analysis was exploratory in nature, two specific hypotheses were considered: (1) students exhibiting higher overall activity patterns in terms of video views and forum interactions will have a higher completion rate than those that do not and (2) students with higher levels of education will have a higher completion rate than those with lower levels of education.

Literature review

In order to provide context for the study, the literature review provides a brief background of MOOCs and learning analytics. The second part of the literature review examines student engagement, mostly from an online learning standpoint. Understanding online student engagement, and how it might differ from student engagement in a MOOC, will assist us in better engaging MOOC learners in the future through the application of learning analytics.

Massive open online courses

The MOOC is still a new phenomenon and will likely experience many changes and iterations in the coming years. The New York Times declared 2012 the Year of the MOOC (Pappano, 2012). During 2012, it was difficult to read any technology‐related journals or websites without coming across some articles proclaiming that MOOCs are the future of education (or its demise). Throughout 2013, new research initiatives emerged, such as the Gates‐funded MOOC Research Initiative led by George Siemens (http://www.moocresearch.com/research‐initiative/about). The goal of this initiative is to encourage and support more scholarly research examining MOOCs from a variety of perspectives, primarily to understand the experience and learning that take place within these new online learning envi

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[277027]，资料为PDF文档或Word文档，PDF文档可免费转换为Word