基于RFL的MOOC學習者細分與忠誠度研究*——以“怪誕行為學”課程為例

魏 玲 李 陽

?

基于RFL的MOOC學習者細分與忠誠度研究*——以“怪誕行為學”課程為例

魏 玲 李 陽

（哈爾濱理工大學管理學院，黑龍江哈爾濱 150040）

MOOC在全球掀起應用風暴的同時，也面臨著巨大的挑戰，學習者課程完成率低或中途選擇放棄等用戶流失現象尤為嚴重。為了分析哪些類型的學習者可能中途選擇放棄、哪些類型的學習者能夠堅持完成課程，需要對MOOC學習者進行細分與忠誠度研究。文章借鑒商業領域中的RFM（Recency+Frequency+Monetary，近度+頻度+值度）客戶分類思想，構建了基于RFL（Recency+Frequency+Length，近度+頻度+值度）的MOOC學習者分類模型。在此基礎上，文章以“怪誕行為學”課程為例，對學習者進行了聚類分析，并針對MOOC各級別學習者的行為特征提出相應的教學策略，以期為更好地發展MOOC提供參考。

MOOC；學習者細分；忠誠度；RFL

引言

隨著信息技術的發展，網絡教育發生了空前的變革，涌現出眾多的在線學習平臺。在線學習平臺具有的共享性和提供的個性化服務，改變著學習者的思維模式，便于學習者知識的構建。MOOC（Massive Online Open Courses，大規模在線開放課程）作為當前在線學習平臺的典型代表，起源于加拿大，現已在全球教育領域大受熱捧并掀起了新一輪應用風暴[1]。MOOC在全球教育界被廣泛追捧的同時，也面臨著巨大的挑戰。有關調查顯示，當前MOOC注冊者的實際課程完成平均率不足百分之十，注冊者在學習過程中選擇中途放棄的現象尤為嚴重[2]。面對這種較高的用戶流失率問題，研究者正努力尋找原因，分析哪些因素會影響學習者的持續學習行為。如康葉欽[3]認為，平臺注冊人數激增造成個性化學習質量危機，同時學習者充分自治造成主動學習缺乏，進而引發了MOOC完成率不高的現象。

研究MOOC學習者學習的影響因素及學習進展，首先需要明確MOOC學習者的類別。Hill[4]利用數據挖掘技術，將MOOC學習者劃分為五種類型；Kitsiri[5]從學習者的職業背景與學習目的出發，對MOOC學習者進行了類別劃分；Koutropoulos等[6]將用戶在課程中的參與程度作為用戶分類指標；斯坦福大學利用學習分析技術，將MOOC學習者分為完成者、取樣學習者、觀眾與脫離式學習者[7]；Taylor等[8]根據學生在課程論壇與Wiki中的互動程度，將MOOC學習者分為四類；蔣卓軒等[9]則從認知規律的研究角度出發，對MOOC學習者進行了劃分。由此可見，當前關于MOOC學習者分類的標準尚未統一，分類角度與方法也不盡相同，大多依據學習者本身屬性進行類別劃分，而沒有充分考慮學習者在線學習過程中的學習行為。此外，對MOOC學習者的分類大都基于某一個具體的MOOC平臺，可實際上同一個MOOC平臺上不同課程的學習者類型存在差別。因此，針對MOOC平臺上某門具體課程的學習者進行分類，可為其它課程的組織者進行學習者分類研究提供參考，并為動態監督學習者的學習進程、加大學習者的課程參與度提供指導。根據MOOC在線學習平臺用戶學習的特點，本研究借鑒RFM分析法，提出了MOOC學習者細分RFL指標體系，構建了基于RFL的MOOC學習者分類模型，并以“怪誕行為學”課程為例，采用聚類方法對MOOC學習者進行細分，同時分析了各類別學習者的課程忠誠度。

一基于RFL的MOOC學習者分類模型

1 RFL指標體系

RFM分析法是分析客戶行為特征的一種方法，由Hughes[10]于1994年提出，通過近度R（Recency）、頻度F（Frequency）、值度M（Monetary）等三個行為變量來區分客戶。其中，R指上次購買至現在的時間間隔，F為某一期間內的購買總次數，M是某一期間內的購買總金額。不同于一般的基于客戶貢獻度的客戶分類方法，RFM分析法側重于以客戶的行為來對客戶進行細分[11]。雖然RFM分析法是客戶細分的有效方法，但傳統的RFM分析法并不適用于在線學習平臺的學習者分類。在線學習平臺與普通的電子商務平臺應用有所不同——除了少數想要獲取課程結業證書的學習者，大部分在線學習者并沒有進行實際消費。但是，在線學習平臺中學習者的學習行為與一般電子商務用戶的購買行為也存在一定的相似性。因此，可以借鑒RFM分析法，設計出適用于MOOC學習者分類的指標體系，以對MOOC學習者進行有效細分。

根據MOOC在線學習平臺的特點，結合在線學習者的學習行為特征，本研究提出了MOOC學習者細分RFL指標體系，如表1所示。其中，指標R（Recency）代表近度，是學習者最近一次登錄平臺的時間點距離關注點的時間長度，為便于進行數據處理，本研究將指標R定義為從關注點（年月日）到最近一次登錄平臺之間的天數；指標F（Frequency）代表頻度，是學習者在某一期間內的學習總次數，包括觀看課程視頻次數、做筆記與發帖互動次數；指標L（Length）代表長度，是學習者在某一期間內登錄平臺觀看課程視頻的總時長（單位為分鐘），觀看時長越長，體現學習者對在線課程的依賴程度越高。

表1 MOOC學習者細分RFL指標體系

2 基于RFL的MOOC學習者分類模型

根據MOOC學習者細分RFL指標體系，本研究構建了基于RFL的MOOC學習者分類模型，如圖1所示。該模型包括以下幾個模塊：

（1）數據歸一化

由于MOOC學習者分類指標在數量級、量綱上存在較大差異，為消除量綱影響，需對學習者分類指標的取值進行歸一化處理[12]。本研究在提出MOOC學習者細分RFL指標體系時發現：指標F取值越大，說明MOOC學習者在線學習頻率越高；指標L取值越大，說明MOOC學習者在線觀看課程視頻時間越長。由此可以判斷，指標F、L取值越大，說明學習者在學習過程中注入的時間與精力越多，對MOOC在線課程的忠誠度越高。指標R代表學習者最近一次登錄MOOC平臺距離分析點的時間間隔，時間間隔越小，說明學習者在這一期間內退出現象不明顯，對課程的忠誠度越高。由此得出，指標F、L與學習者穩定程度正相關，取值越大越好；而指標R與學習者穩定程度負相關，取值越小越好，在進行歸一化時應區別處理。

圖1 基于RFL的MOOC學習者分類模型

（2）確定指標權重

確定指標權重通常使用主觀法和客觀法——傳統的主觀法大多采用層次分析法、專家咨詢法等，這些方法由專家根據經驗進行判斷，帶有強烈的主觀色彩，精確度較低，故不適用于本研究的權重確定；客觀法則能夠利用客觀數據獲得比較符合實際的權重，包括主成分分析法、變異系數法和熵值法等。其中，主成分分析法適用于多個指標情形，而本研究構建的MOOC學習者分類指標個數較少；變異系數法適用于指標取值差異較大的指標體系，而本研究構建的MOOC學習者分類指標取值差異較小，因此這兩種方法均不適用于本研究的權重確定。綜合比較，本研究采用熵值法來確定學習者各分類指標的權重。

（3）K-means聚類與刪除極端值

K-means聚類是用戶群細分的一種常用方法，是指利用距離公式將樣本中的數據分配到隨機選取的k個中心，再重新計算新的中心均值，迭代以上步驟直至獲得最小聚類[13]。具體來說，首先對分類指標進行描述性統計，發現頻度和長度存在極端偏大值，這些極端值會導致聚類分析時存在較大誤差，故在分類時應對其進行刪除處理。應用K-means算法對MOOC學習者進行分類前，需要確定聚類的個數m。根據生成的各類別中各指標的均值與相對應的各總體指標均值進行大小比較，將聚類個數m設定為2×2×2=8。同時定義：若一個類別中指標R（或F或L）的均值大于相對應的總體指標均值，則該類別用R（或F或L）↑來表示；若一個類別中指標R（或F或L）的均值小于相對應的總體指標均值，則該類別用R（或F或L）↓來表示。

（4）學習者忠誠度分析

由于在客戶行為方面評價忠誠度的指標較易獲取，故在營銷領域對客戶忠誠度的研究主要傾向于評價客戶的購買行為[14]。當前，對零售行業中客戶行為忠誠度指標選取和評價方法的研究比較成熟，但針對MOOC學習者課程忠誠度的研究尚未涉足。而通過分析學習者的在線學習行為，并通過對學習者R、F、L指標及其所賦權重的確定，能夠分析出MOOC學習者的課程忠誠度。基于此，本研究設計了MOOC學習者忠誠度計算公式，如公式（1）所示。其中，、、分別代表分類指標R、F、L的權重，、、則代表每個類別中R、F、L指標的均值。

公式（1）

二以“怪誕行為學”課程為例的實證分析

本研究選取MOOC學院的“怪誕行為學”課程作為研究對象。MOOC學院是果殼網旗下的一個在線學習社區，截止到2016年6月，該平臺已收錄4462門精品課程，超過上千萬人次在該平臺上進行注冊并參與課程學習。本研究利用網絡抓包工具，獲取從課程開始（2014年3月11日）至課程結束（2014年5月6日）這段時間內全部學習者的學習數據。然后，隨機抽取3000名學習者數據作為樣本，根據學習社區的歷史記錄，分別統計出每位學習者“最后一次學習本課程至課程結束時的時間間隔（R，以天為計算單位）”、“本次課程的總體學習次數（F，以次數為計算單位）：包括觀看課程視頻次數、做筆記與發帖互動次數”、“本次課程中觀看課程視頻的總時長（L，以分鐘為計算單位）”等三項指標作為學習者分類的依據，統計結果如表2所示。

表2 研究樣本信息收集

由于每種指標的數據類型與格式存在較大差異，故本研究采用Max-Min方法，對獲取到的學習者分類指標取值進行了歸一化處理。然后，本研究采用熵值法確定課程學習者R、F、L指標的權重，最終得到指標R的權重為0.225、指標F的權重為0.564、指標L的權重為0.211。

學習者分類是通過比較每個用戶類別的RFL均值與總體RFL均值的大小來決定的，故單個指標比較只可能存在兩種情形：大于等于或小于總體均值，其可能類別數有2×2×2=8個。設置好聚類類別數后，本研究利用SPSS統計軟件中的K-means算法，對“怪誕行為學”課程的在線學習者進行了聚類分析，得到8種學習者類別，如表3所示。

表3 聚類分析后產生的學習者類別

根據聚類分析結果，8種學習者類別的RFL均值有顯著差異，將其與總體RFL均值進行比較，會產生7種級別的學習者：重要發展學習者、一般重要學習者、一般學習者、重要保持學習者、重要挽留學習者、無價值學習者以及觀望者。各級別學習者所占的人數比例如圖2所示。

圖2 各級別學習者所占的人數比例

圖3 各級別學習者的忠誠度排名

為分析不同級別學習者的課程完成率是否有差異以及差異如何，需進行學習者課程忠誠度分析。運用如前文公式（1）所示的MOOC學習者忠誠度計算公式，可得各級別學習者的忠誠度得分，根據得分對各級別學習者的忠誠度進行排名，所得結果如圖3所示。

三基于MOOC學習者行為特征的教學策略

根據MOOC學習者分類及忠誠度排名結果，本研究分析了MOOC中各級別學習者的行為特征，并提出了相應的教學策略。

1 重要保持學習者（也稱為黃金學習者）

重要保持學習者最近一次登錄平臺進行課程學習距離課程結束時間較近，學習總次數較多，觀看在線課程視頻的總時間較長。而忠誠度排名結果顯示，該類學習者的忠誠度最高，屬于高端學習者。針對該類學習者，教師應采取長期教學策略，及時了解其個性化學習需求；平臺管理者則可以借助先進技術手段對海量學習數據進行整合分析，及時發現學習者行為與心態的變化，并針對其學習需求設計個性化的學習服務路徑、提供實時的個性化學習服務，以提升該類學習者的在線學習滿意度。

2 重要挽留學習者

重要挽留學習者最近一次登錄平臺進行課程學習距離課程結束時間較長，但在之前的學習過程中，其學習總體次數較為頻繁、觀看在線課程視頻的總時間較長。而忠誠度排名結果顯示，該類學習者在學習開始階段的課程忠誠度較高，但根據指標R可推斷出其在課程后期階段可能會出現流失的跡象。針對該類學習者，教師與平臺管理者應采取即時補救策略，在設計課程時強調把知識嵌入到實踐運用中，讓學習者真正獲益；同時，采取有效激勵措施，培養并增加學習者對MOOC的認同感與依賴度，降低該類學習者流失的可能性。

3 重要發展學習者

重要發展學習者最近一次登錄平臺進行課程學習距離課程結束時間較近，但與師生發帖互動交流的次數較少，觀看在線課程視頻的總時間較長。而忠誠度排名結果顯示，該類學習者的忠誠度一般，屬于中端學習者。針對這類學習者，教師可以在討論區適時發布問題，來引導學習者交流、分享學習經驗和學習成果，形成學習共同體；同時，通過加大討論在課程評價中的比重，來激發學習者的內在學習動機。當學習者在線發帖提問時，教師或助教應及時回應，以降低其流失率、提高其在線學習滿意度與忠誠度，將該類學習者發展為重要保持學習者。

4 一般重要學習者

一般重要學習者在很長的一段時間內不再登陸平臺進行學習，或者說中途放棄了學習；觀看在線課程視頻、與師生發帖互動交流等學習行為的發生次數比較頻繁，但學習總時長較短，投入的時間與精力成本較低。而忠誠度排名結果顯示，該類學習者的忠誠度較低。該類學習者雖然積極地參與了課程互動話題討論，卻沒有堅持完成課程學習，平臺管理者與教師應對其進行監督幫助，即通過定時發送郵件提醒其及時登錄平臺學習課程、在學習過程中對其行為進行實時、動態的分析評價，以建立起學習監督引導機制，來提升該類學習者的課程忠誠度。

5 一般學習者

一般學習者最近一次登錄平臺進行課程學習距離課程結束時間較長、學習次數很少、觀看在線課程視頻花費時間較多。而忠誠度排名結果顯示，該類學習者的忠誠度很低。該類學習者偏好在某一期間內長時間地觀看課程視頻，來滿足其特定的學習需求及學習愛好，但之后成為課程脫離者。針對該類學習者，平臺管理者應實時分析其學習需求及愛好，以推薦相應的課程，使之成為其它課程的重要保持者。

6 觀望者和無價值學習者

觀望者最近一次登錄平臺進行課程學習距離課程結束時間較近，但觀看在線課程視頻、與師生發帖互動交流等的學習行為較少，處于學習觀望狀態；無價值用戶最近一次登錄平臺進行課程學習距離課程結束時間較長、學習次數很少或者不學習、觀看在線課程視頻花費的時間較少或者不觀看——這兩類學習者都屬于脫離者。而忠誠度排名結果顯示，這兩類學習者的忠誠度非常低。針對這兩類學習者，MOOC機構應加大宣傳力度，如定期舉辦宣傳講座普及MOOC個性化學習模式，以吸引更多的學習者深入了解MOOC平臺及在線課程，將這兩類學習者發展為MOOC長期學習者。

四小結

文章提出了一種新的MOOC學習者細分研究思路，構建了基于RFL的MOOC學習者細分模型。與現有的學習者分類方法相比，該模型能夠利用在線學習平臺中學習者的大量學習行為數據進行分析，其分類結果更加標準化、合理化。文章以“怪誕行為學”課程為例，通過實證分析，證明該模型可以從學習者的學習行為角度出發，有效地對在線學習者進行精細分類、劃分用戶級別并分析各類別學習者的忠誠度。因此，將該模型應用于在線學習平臺，可以及時發現問題學習者，為教師與平臺管理者制定有效合理的教學策略提供指導與支持。

[1]李亮.MOOC發展的國家政策支持研究[J].現代教育技術,2014,(5):65-72.

[2]袁松鶴,劉選.中國大學MOOC實踐現狀及共有問題——來自中國大學MOOC實踐報告[J].現代遠程教育研究,2014,(4):3-12、22.

[3]康葉欽.在線教育的“后MOOC時代”——SPOC解析[J].清華大學教育研究,2014,(1):85-93.

[4]Hill P. Combining MOOC student patterns graphic with stanford analysis[OL].

[5]Kitsiri R. Who should take a MOOC?: 9 Types of lifelong learners who can benefit[OL].

[6]Koutropoulos A, Gallagher M S, Abajian S C, et al. Emotive vocabulary in MOOCs: Context & participant retention[J]. European Journal of Open, Distance and E-learning, 2012,(1):1-23.

[7]Kizilcec R F, Piech C, Schneider E. Deconstructing disengagement: Analyzing learner subpopulations in massive open online courses[OL].

[8]Taylor C, Veeramachaneni K, O’Reilly U M. Likely to stop? Predicting stopout in massive open online courses[J]. Computer Science, 2014,(1):1-25.

[9]蔣卓軒,張巖,李曉明.基于MOOC數據的學習行為分析與預測[J].計算機研究與發展,2015,(3):614-628.

[10]Hughes A M. Strategic database marketing[M]. Chicago: Probus Publishing, 1994:23-28.

[11]楊彬.一種基于RFM模型數據挖掘處理雙階段客戶關聯分類方法[J].統計與決策,2015,(7):77-79.

[12]劉勘,朱懷萍,劉秀芹.基于支持向量機的網絡偽輿情識別研究[J].現代圖書情報技術,2013,(11):75-80.

[13]葉海智,程清杰,黃宏濤.K-均值算法支持的優質網絡學習資源篩選方法研究[J].中國遠程教育,2014,(10):62-66.

[14]王文賢,金陽,陳道斌.基于RFM模型的個人客戶忠誠度研究[J].金融論壇,2012,(3):75-80.

編輯：小米

Research on Segmentation and Loyalty of MOOC Learners based on RFL——A Case Study on the Course of “Predictably Irrational”

WEI Ling LI Yang

MOOC faces a great challenge when it creats an application storm worldwide. The phenomenon of customer losing, such as the low course completion rate or learners’ choice to give up halfway, is particularly serious. In order to analyze what types of learners may give up halfway and what types of learners may insist on completing the course, it needs to segment MOOC learners and study the loyalty of these learners. Based on the idea of Recency + Frequency + Monetary (RFM) customer classification in commercial field, this paper constructed a classification model of MOOC learners based on Recency + Frequency + Length (RFL). This paper took the course of “predictably irrational” as an example, made clustering analysis of MOOC learners, and proposed corresponding teaching strategies based on the behavior characteristics of various MOOC learners, excepting to provide reference for the better development of MOOC.

MOOC; learners segmentation; loyalty; RFL

G40-057

A

1009—8097（2016）11—0067—07

10.3969/j.issn.1009-8097.2016.11.010

本文受黑龍江省高等教育教學改革項目“信息管理與信息系統專業立體化實踐教學體系的研究”（項目編號：JG2013010317）資助。

魏玲，教授，博士，研究方向為管理信息系統，郵箱為245460112@qq.com。

2016年4月10日