作者：宗阳，郑勤华，陈丽

 

摘要：MOOCs自兴起以来，它的高注册人数和高辍学率特征并存，现阶段中国MOOCs大多为以视频为主要学习资源的xMOOC，对学习者的学习支持力度相对薄弱，这要求学习者具有较高的自主学习能力。在MOOCs中，怎样识别学习者价值，采用什么方法对学习者进行分类，进而给学习者提供有效的个性化学习支持是重点研究问题。在RFM模型基站上依据xMOOC在线学习过程特点，提出中国MOOCs学习者的价值衡量模型ML-RFT，采用模型指标原始值与所有学习者平均值比较的方法将MOOCs学习者分为八类。借鉴RFM衡量顾客价值的方法，构建ML-RFT模型，对MOOCs平台上一门xMOOC进行学习者价值识别分类，并有针对性地对每类学习者提供个性化的学习支持策略。研究结果表明采用RFM方法可以对MOOCs学习者价值进行有效识别区分，学习者分类结果可以成为MOOCs教师或管理人贸对在线学习者提供个性化学习支持服务的重要依据。

关键词：RFM模型；ML-RFT模型；xMOOCs；在线学习行为；学习者价值；

 

 

　　随着研究和实践的深入，MOOCs（大规模在线开放课程）在经历了2012年的MOOCs之年和2013年的反MOOCs之年的转变之后，发展更趋于多样化。SPOCs（小型私有化在线课程）、DLMOOC（深度学习MOOC），MOOL（大规模开放网络实验室），DOOC（分布式开放协作课）等新名词大量涌现，以开放在线教育为主要特征的后MOOCs时代已经到来[1]。MOOCs从2012年大规模兴起以来，课程注册人数逐年上升，但是同时伴随而来的是高綴学率的出现。MOOCs在给MOOC学习者带来学习便利的同时，也对学习者的自主学习能力以及学习毅力等提出了更高的要求。有研究表明MOOCs綴学率高的原因主要集中在缺乏毅力、可投人的时间有限、语言困难和网络障碍方面，在找出导致綴学率高的原因后，该研究针对MOOC课程提出了针对整体学习者或课程的策略，如适当增加付费政策、丰富证书层次以及限制选课人数等[2]。在线学习中，优质的学习支持服务是提高在线教育服务水平，确保在线教育质量的关键。

 

　　MOOCs中教师与学习者时空分离，如何帮助学习者适应在线学习环境，保障学习效果，是以MOOCs为代表的在线教育需要解决的难题。随着信息技术的飞速发展，在线学习越来越突出体现了“以学习者为中心”的教学理念。这种理念对于学生来说其实就是一种个性化的学习，根据学生需要及实际情况，让学生自由选择适合自己的学习内容和学习手段，有助于充分挖掘学习者的学习潜力[3]。对于教师和管理者来说，怎样给学习者提供及时、合理、有效的个性化学习支持服务是保证在线教学质量的关键。适应性、个性化的高质量学生支持服务需要建立在充分了解相关学生信息的基础上[4]。这要求教师和管理者在提供学习支持服务的过程中，主动了解每个学习者的学习特征并时刻关注其变化，为他们提供实时、个性化的支持服务，最大程度满足学习者的一切合理需求。

 

　　现阶段在中国MOOCs学习中，由于在线学习过程的复杂多样性以及对在线学习过程分析方法的不成熟性，中国MOOCs教师对学习者的学习评价大都停留在总结性评价（基本为考试成绩）上。学习者的个性化学习应该体现在具体在线学习过程中，对学习者仅仅进行总结性评价显然不适应新时代在线学习理念，更无法为学习者提供有效的个性化学习支持服务。对在线学习者进行有效的个性化学习支持需要建立在对学习者充分了解的基础之上，只有充分了解每个或每一类学习者的学习特征，才能根据学习者不同学习特点提供有效的个性化学习支持。对在线学习者的学习过程行为进行分析，了解在线学习者学习特点，识别学习者价值，进而根据学习者价值进行学习者分类是在学习过程中对学习者提供有效个性化支持服务的前提条件。

 

　　对学习者个体来说，学习是一个投人产出的过程[5]，需要学习者投人宝贵的学习时间和必要的财力才能获得满意的产出。对于教师或管理者来说，学习者的价值体现在对教学效果的保障上。本研究中学习者价值主要用来表征学习者在线学习过程中的学习积极性和学习投人，如果价值较高表示学习者学习积极性较高，学习投人较多，正常情况下会获得满意的学习结果。在中国MOOCs环境下，怎样识别学习者价值并对学习者进行分类，进而为不同价值类别学习者提供有效的个性化学习支持是本研究的核心问题。

 

　　有研究表明当前中国MOOCs教学模式主要仍为xMOOC（基于行为主义学习理论的MOOC），这与国外各大主流MOOCs平台，包括Coursera、edX等平台上的课程教学模式相一致[6]。xMOOC教学模式下的中国MOOCs呈现的教学资源多为视频，教学活动多为在线作业或测试。基于此，本研究所说MOOCs均指xMOOC，xMOOC中在线学习者学习行为路径相对比较清晰，国内一般的在线学习平台都对学习者的学习行为有比较全面的记录，通过分析平台记录的数据可以深人了解学习者的学习行为，进而衡量学习者价值，教师或管理者可以据此为学习者提供个性化的学习支持。

 

　　中国MOOCs学习者进行在线学习过程可以简单概括为：首先登录MOOCs在线学习平台，然后选择要学习的课程资源并且花费时间进行在线观看学习。该学习过程与顾客在线购物的过程比较类似，在线购物时，顾客会首先登录电商网站，然后选择要购买的商品，并花费金钱进行支付。对电商网站忠诚度较高或价值较高的顾客会经常访问并且在电商网站上花费很多金钱购买商品，同样，对MOOCs价值较高、学习积极性高、学习投人很多的学习者也会经常访问MOOCs学习平台，并且花费很多时间精力学习课程资源。本研究借鉴电商领域应用广泛的RFM模型来对学习者进行价值识别和分类。

 

　　二、文献综述

　　RFM模型是电商领域衡量客户价值和客户创利能力的重要工具和手段，该模型通过分析顾客的最近购买时间（Recency，R）、某一时间区段的购买频率（Frequency，F）及某一时间区段的购买总金额（Monetary，M）这三个指标来衡量客户对企业的忠诚度以及客户的个性化需求情况，这样不仅可以帮助企业进行个性化精准营销，也可以提高客户的再次购买频率[7]。RFM的研究主要集中在客户关系管理分析模式中，在众多的客户关系管理中，研究和应用的领域主要集中在电子商务等具有直销行业特点的领域。在远程在线教育领域，台湾学者Hui-ChuChang在RFM模型基础上提出EL_RFM模型来衡量e-learning领域学习者的学习行为[8]，该研究是e-learning领域RFM模型应用的开创性研究。EL_RFM三个指标具体内涵如下表1所示。

 

　　模型每个指标的权值赋值方法依据Hughes的排序等分划分方法，Hughes的排序等分划分方法认为R、F、M三个质变同等重要，每个指标赋予相同的权重，这样将三个指标分别按照从小到大和从多到少进行排序，然后将其平均划分为五等分[9]。

 

　　EL_RFM模型在Hughes等分划分基础上，将5等分换成3等分，前33%的学习者赋值3，其次2，最小为1。这样学习者的学习行为被分为像（3，3，3）…（1，1，1）共27类，基于此分类，研究者在Moodle平台上进行了测试实验，基于Moodle平台上记录的行为数据得到了关于学习者的价值分类，然后将其与学习者线下课堂学习行为进行对比，得到两者之间的对应关系，具体如下表2所示：

 

　　EL_RFM模型在RFM模型基础上，将在线学习者比作顾客，将在线学习行为比如资源获得与上传时间间隔、登录次数、学习时间比作电商领域常用的行为指标，比如最近购买时间、购买频率和购买金额。该模型应用到中国MOOCs#习者价值识别上存在一定的应用弊端，具体体现在以下两点：

 

　　1.该模型依赖特定实验环境，不具有在线教育领域普适推广特性，更不适用于MOOCs学习领域。该模型需要设定特定的实验环境，R指标的计算是指资源获得时间与资源上传时间的间隔，这与MOOCs学习形式不符，资源获得与在线学习发生概念之间相差较远。

 

　　2.该模型三个指标表征意义不统一，这样导致模型分类结果不准确，只能反映部分学习行为。该模型三个指标具体表征的是在线学习者的学习，R和M指标相较F指标较为贴近在线学习者的学习行为，F指标使用学习者登录平台次数来表征，与实际应该表征的学习次数意义相差较远，登录平台不代表进行学习。R指标使用资源获得与上传之间的时间间隔来表征，资源获得和学习发生在意义上也相差较远。M指标表示学习者做练习或讨论的时间，学习者在在线平台上做练习和讨论问题更多可表征学习者的意义建构，但是中国MOOCs平台上大多讨论行为发生较少，在以资源呈现为主要特征的xMOOC下用讨论或做练习时间来表征学习不现实也不准确。

 

　　因此，有必要从MOOCs学习过程实际出发，构建新的RFM模型来对MOOCs学习者价值进行识别分类，进而可以用来指导在线教育实践。

 

　　三、ML-RFT模型构建

 

　　MOOCs学习者的学习流程可简单概括为：学习者登录课程平台观看学习课程资源（视频为主），然后做相应的练习或测试，最后退出课程学习平台。可以看出MOOCs学习者学习行为特征比较统一，将RFM模型应用于MOOCs学习者可以弥补RFM模型在远程在线教育领域应用研究的不足。借鉴RFM分类方法，本研究构建ML-RFT（MOOC-Learning RFT简称）学习者分类模型来实际挖掘分析学习者在线学习行为进而衡量MOOCs学习者价值。

 

　　本研究将RFM模型下顾客的在线购物行为类比为MOOCs学习者的在线学习行为，将RFM三个指标维度修订为ML_R，ML_F和ML_T，得出MOOCs的在线学习者价值衡量模型ML-RFT。具体定义如下表3所示。

 

　　ML-RFT模型基本可以表征MOOCs学习者的主要学习过程，M00CS中价值较高、投人较多、学习积极的学习者应该具有如下三个特征：

（1）学习者在学习过程中，会规划好自己的学习时间，分阶段去学习课程资源。

（2）学习者在学习过程中，会经常登录课程平台查看学习资源进行学习。

（3）学习者在学习过程中，会花费较多的时间来观看或浏览学习资源进行学习。

 　 

　　基于ML-RFT模型，本研究认为该模型中的三个指标维度分别代表了中国MOOCs学习者学习的三个相对独立的学习过程，应该被赋予相同的指标权重。Hughes的RFM模型计算方法比较简单明确，不会产生由于指标权重和阈值设定的主观性导致的分类不准确。因此本研究借鉴Hughes的模型计算方法，给ML_RFT三个指标赋予同等权重，通过比较各指标ML_RFT值和全部ML_RFT的平均值，观察其上升下降倩况（大于等于用↑表示，小于用↓表示，数据库中为了分析方便分别用1，0进行记录），以此来判断学习者的价值，进而将学习者分为（ML_R↓ML_F↑ML_T↑），（ML_R↓ML_F↓ML_T↑），（ML_R↓ML_F↑ML_T↓），（ML_R↓ML_F↓ML_T↓），（ML_R↑ML_F↑ML_T↑），（ML_R↑ML_F↑ML_T↓），（ML_R↑ML_F↓ML_T↑）和（ML_R↑ML_F↓ML_T↓）共八类。具体分类方法流程如下：

 

　　首先通过编写数据库函数分别计算每个学习者ML_R、ML_F、ML_T三个指标值，然后对每个指标计算平均值，平均指标值计算公式如下：

 

　　在确定各学习者指标值和平均值后，将学习者单个指标维度指标值与均值进行比较，这样将中国MOOCs学习者划分为八种学习者价值类型，每类学习者具有不同的学习行为特征，具体如下表4所示。

 

　　通过分析每类学习者的不同行为特征，MOOCs课程教师或管理者能够方便有针对性对MOOCs学习者提供有效个性化学习支持服务，进而提高MOOCs教学效果。

 

　　四、基于ML-RFT模型的MOOCs学习者价值案例分析

 

　　本研究选取365大学平台上一门典型xMOOC类型课程《思想道德修养与法律基础》来对ML-RFT模型进行应用研究[10]。本门案例课程于2015年10月1日正式开课，平台上的学习者可以在开课期间自由加人该课程学习也可以由任课教师或管理员来添加学习者。该课程建议学习时长是每周学习3小时，对学习者没有先修知识要求。该课程属于典型的xMOOC类型课程，它的教学内容包括绪论在内共九章内容，所有学习资源均为内容讲解视频，共包括9章28节157个视频，每章或每节后对应一个练习测试题作业，共30个测试作业。按照学习进度，老师会提前上传视频学习资源及作业测试题。

 

　　本研究通过课程后台导出学习者行为数据进行指标挖掘，分析时间为2015年12月14日，这距离开课已经有两个多月的时间，后台数据记录选课人数共2527人，其中最早加人课程时间为2015年10月14日，最晚加人课程时间为2015年12月9曰。

 

　　基于ML-RFT分类方法模型，本研究针对本门课程实际教学情况，选取视频的观看作为学习者的学习表征，将三个指标维度具体定义如下：

 

　　ML_R最近一次学习时间：在数据分析的时候该课程还在进行中，并且不断有学习者加人进来。本研究选取学习者最近学习（观看视频）时间与数据分析时间（2015-12-1410：30：20）之间的时间间隔来表征ML_R。

 

　　ML_F学习频率：本研究以天为时间单位，从学习者加人课程开始到数据分析时间（2015-12-1410：30：20）每天的平均学习次数来表征ML_F。

 

　　ML_T学习时间：本研究以天为时间单位，从学习者加人课程开始到数据分析时间（2015-12-1410：30：20）每天的平均学习时间来表征ML_T。

 

　　确定具体指标计算方法后，本研究第一轮通过编写数据库函数来挖掘本门课程2527名学习者三个指标维度上的整体指标值情况，具体数据情况如下表5所示。

 

　　通过第一轮数据分析发现，三个指标维度最小值均为0，即学习者注册课程后并未观看视频进行学习，本研究将三个指标均为0的学习者抽取出来进行单独分析，发现他们加人课程时间集中在11和12月份，这与数据分析时间比较接近，可能学习者刚加人课程还没有来得及去观看视频进行学习，这与实际情况比较相符。因为ML-RFT模型每个指标确定都是以学习者学习发生为前提，所以本研究在第二轮数据分析中去除三个指标均为0的学习者共1050人，这样得到有效学习者样本共1477人。去除无关干扰样本后的学习者三个指标维度上整体指标情况如下表6所示。

 

　　在第一轮数据处理分析的基础上，本研究将每个学习者单个指标与总体均值进行比较，如果大于等于均值将指标在数据库中标记为1，小于均值记为0，这样得到学习者（1，1，1）、（1，1，0）……（0，0，0）共8类表征形式。通过第二轮数据分析，得到该课程学习者的具体分类，分类结果参见下表7和图1所示。

 

　　在对学习者分类基础上，本研究针对两个极端价值类群最高价值类群（0，1，1）和最低价值类群（1，0，0）分别进行三个指标值抽取分析，得到最高价值类群学习者整体指标情况如下表8所示：

 

　　最低价值类群学习者情况表如下表9所示：

 

 

 

　　通过案例分析结果可以看出，类型8（1，0，0）类群学习者占最大比重，达到37.17%，其次是类型4（0，0，0）类群学习者，达到31.75%。并且类型4（0，0，0）类型学习者如果考虑注册时间因素，区分一下新老注册学习者，其中可能会有一部分归类到类型8（1，0，0）类群中。而我们看到学习者价值最高的需要重要保持的学习者类群（0，1，1）比例达到14.9%，这是人数排名第三的类群。剩下五类学习者人数一共才占16.18%，并且他们各自占比大都在3%左右。通过两个极点类群学习者整体指标分析，可以看出最有价值学习者在学习间隔、学习频率、学习时间上与最无价值学习者有显著差异。综合上述结果，可以看出本研究案例课程中学习者具有以下特点：

 

　　1.学习者价值类别人数分布呈现两极分化的趋势。本案例中最有价值和无价值学习者类群占绝大多数，而中间一般价值学习者类群人数仅占很少的部分。

 

　　2.不通学习者类型之间可以相互转化。本案例中，需要通过分析学习者注册课程时间来进一步判断学习者类别的第四类学习者占31.75%，说明学习者类型之间相互转化的潜力很大，针对价值较低的学习者提供适当的学习策略会实现学习者价值的提升转变，从而有效提升MOOCs学习效果。

 

　　3.各学习者价值类别群体学习者学习行为差异显著。通过实际追踪两类学习者的群体学习间隔、学习频率和学习时间，可以看出不同类别学习者行为差异显著，应用该模型方法可以对学习者价值进行有效区分。

 

　　本研究认为针对8种价值类群学习者，MOOCs课程教师或者管理员可以依据对学习效果的影响重要程度具体再将学习者聚类为：重要发展类群、一般发展类群、一般保持类群、重要挽留类群、一般挽留类群和一般价值类群共6类。针对每一类群级别可以有针对性地提供个性化的学习支持策略，具体学习者价值类群及策略建议参见下表10所示。

 

　　六、总结

 

　　本研究的主要贡献在于为MOOCs学习者分类提供了一个新的思路，使用本研究提出的ML-RFT模型，能够有效地将MOOCs学习者进行自动化的分类，分类后能为教育机构的个性化学习干预提供可能。本研究虽然仅仅用一门课程的数据做了分析，但研究并非为了固化特定的分类数据标准，而是提出一套标准化的模型以支持适应性的学习者价值分类。未来，本研究会从以下两个方面进行扩展研究：一是基于ML-RFT价值分类模型进行特定类别学习者时间序列追踪，发现学习者价值类别演化规律。二是进行更多案例课程的研究，细致分析每类学习者学习行为特征，并尝试建立学习者分类特征与个性化学习支持服务之间的对应关系模型。

 

　　MOOCs为中国高等教育变革提供了契机，高质量的学习资源和适应性的学习支持服务为中国新型高等教育体系的构建提供了可能。在以MOOCs为代表的在线学习环境中，只有真正挖掘出有价值的学习者，进而有针对性地对其提供个性化适应性的学习支持服务，才能有效提高在线学习质量。

 

基金项目：全国教育科学“十二五”规划2014年度国家重点课题（编号：ACA140009）“教育信息化与大型开放式网络课程（MOOCs）战略研究”的研究成果。

作者简介：宗阳，北京师范大学远程教育研究中心硕士研究生；郑勤华，北京师范大学远程教育研究中心副教授，管理学博士，硕士生导师；陈丽，北京师范大学远程教育研究中心教授，理学博士，博士生导师。

 

转载自：《现代远距离教育》 2016年第2期 总第164期