在線學習注意力投入特征與學習完成度的關系

李爽　鄭勤華　杜君磊　王雙

摘要：學生在線學習的注意力控制問題將成為制約高校學生在線學習質量與效率日益突出的問題。該文基于典型高等教育開放在線學習場景案例課程12463名注冊學生的點擊流數據，從多元需求視角考察了在線學習者的學習注意力投入與其學習方式和完成度的關系。研究首先從內容訪問、任務參與和績效表現三個維度定義出多元學習需求的五個學習完成度指標作為聚類特征，最終發現五種在線學習模式，即系統學習型、績效驅動的測試型、全面視聽型、選擇視聽型、訪客型。之后，考察了各學習模式下學生的注意力投入基本特征、分配特征與轉移模式，發現不同學習模式下學習注意力特征的共性與差異;最后，采用循環神經網絡LSTM-RNN方法構建學習完成度相關預測模型，發現帶有投入特征向量的學生注意力轉移序列能較好預測學生多方面的學習完成度。相關結果為兼顧多元學習需求的在線學習服務體系設計和學生支持提供依據。該文最后討論了研究結果并對“后疫情”時代高校在線教學改革與質量提升提出相關建議。

關鍵詞：在線學習模式;多元學習需求;注意力投入;注意轉移序列學習完成度預測

中圖分類號：G434 文獻標識碼：A?文章編號：1006-9860（2021）02-0105-08

一、引言

2020年新冠病毒疫情引發了一場全球教育的大規模在線遷移，這場全覆蓋的在線教學實踐創新為師生和管理者積累了寶貴的在線教學經驗，彰顯了在線教學的優勢，也暴露出在線教學的一些問題。其中，在開放靈活的網絡環境下學生難以有效控制其學習注意力成為人們對在線學習的主要擔憂之一。

注意力是心理活動或意識對一定對象的指向與集中，是人類一切活動取得成效的重要條件。注意力控制是影響學習的認知因素之一，包括注意力分配與注意力轉移兩種認知模式。注意力幫助個體將有限的認知資源分配到目標上，經過協調將認知資源重新定向到最需要它的地方，注意力轉移則反映出個體在學習中的思維過程。大量文獻討論了互聯網環境對人類注意力機制的影響，指出注意力在充斥各種資訊信息的網絡時代成為一種稀缺資源，容易分散與耗散，引發新的認知問題。網絡環境對學習注意力投人的影響也逐漸引起教育領域關注，并發現學生在線學習存在的一些注意力疊加與渙散問題。隨著各種組織形態線上線下融合創新的教學成為“后疫情”時代高校教學新常態，學生在線學習的注意力控制問題將成為制約高校學生在線學習質量與效率日益突出的問題。鑒于此，考察各類在線教學情境下學習注意力的投入特征與規律，并基于此探索促進學生更好控制學習注意力的有效策略是高校推進疫情后教育改革亟待關注的重要課題。

學生點擊頁面產生的具有時序特征的點擊流數據隱含了學生學習的頁面序列、學習偏好與方式等豐富信息，揭示了學生在網絡課程空間中注意力的指向、集中、耗散與流轉路徑，是探索在線課程學習注意力投人特征的重要依據。已有學者基于點擊流數據對學生在線課程學習注意力的投入特征進行了有益探索。如CUO等人基于edX四門MOOC課程中的視頻點擊流數據分析了學生在視頻學習的注意力分配規律。Li等人從關注活動多樣性、學習持續性和內容覆蓋性對MOOC學生的注意力分配特征進行了考察。Zhang等人探索了MOOC學生的集體注意力分配與流模式。還有些學者考察了點擊流數據對學習績效的預測作用，發現點擊流數據能夠較好預測在線課程學習的完成度、堅持性和學習成績。然而，整體上點擊流數據蘊藏的豐富信息仍然尚未被充分挖掘，尤其基于點擊流數據對在線學習注意力投人特征的研究整體有限，不同在線學習場景下學生會如何分配、集中、轉移他們的注意力，存在哪些注意力投人共同特征與差異，注意力投入特征揭示了學生的哪些在線需求與學習方式偏好等問題都亟待更多實證研究。

疫情后高校必然走向常態化的混合式教學，在傳統面授課程的基礎上，整合在線教學是教育改革創新的重要著力點，因此，本研究將通過挖掘高校開放在線學習課程數據，基于點擊流數據探索學生在線學習的注意力投人特征與差異，檢驗在線學習注意投入特征對課程學習完成情況的預測作用，以期為相關在線學習服務體系設計和學生支持提供依據。

二、研究設計

（一）研究問題

本研究旨在以高等教育開放在線學習典型場景MOOC為例基于點擊流數據考察在線學習注意力投人特征與課程學習方式和完成度的關系，具體研究問題如下：

（1）從多元學習需求視角，在線學習者具有幾種學習模式，不同模式體現了學生怎樣的學習需求定位？

（2）不同在線學習模式下，學生學習注意力投人特征是什么，主要分配在哪些資源與活動中，轉移模式是什么，是否存在差異？

（3）在線學習者的學習注意力投人特征能否有效預測學生課程學習多方面的完成情況？

（二）研究思路與方法

已有研究表明，相當比重的MOOC學生只是對課程內容和資源感興趣，而不是獲得課程證書22。鑒于此，本研究綜合內容資源興趣和學習結果兩類需求探索MOOC的學習模式。根據MOOC學習特征和數據可獲得性，研究從內容訪問、任務參與和績效表現三個維度選取了五個在線學習完成度指標（如表1所示），即章節覆蓋率、視頻完成率、測試完成率、作業完成率、是否參加期末考試，以這五個指標作為特征變量，通過K-means聚類算法挖掘MOOC學習的典型模式。

在聚類分析基礎上，本研究綜合統計分析與滯后序列分析進一步對以上發現的不同課程學習模式下學生在各類課程頁面的注意力分配與轉移序列相關特征進行考察。最后，研究采用近幾年較受歡迎的長短時記憶神經網絡（LongShort-TermMemory，LSTM）3124，這是一種特殊的循環神經網絡（RecurrentNeuralNetwork，RNN）模型。研究基于課程頁面的點擊流數據，以頁面類型和頁面停留時間構建課程頁面的向量，通過該向量對點擊序列的每個頁面進行映射，形成LSTM的輸人數據，進而分別構建五個學習完成度指標的預測模型，探索MOOC學生在線學習注意轉移特征對課程學習多方面完成情況的預測作用。

（三）研究數據與處理

研究數據來自清華學堂在線平臺（xuetangx.com）2018年3月發布的一門為期11周的MOOC課程。課程采用典型的xMOOC教學方法，課程教學按周推進，前10周每周學習一個章節并安排章節作業，最后1周組織課程期末考試。本課程成績總分100分，作業成績和期末考試成績各占50%，課程成績在50分以上即為合格，可獲得課程證書。學生主要通過學習教學視頻、做自測的方式進行學習，也可以查看教師在Wiki發布的資源，在論壇與師生互動、討論問題。本研究分析的點擊流數據來自該課程具有完整日志記錄的12463名注冊學生，共計9295704條日志記錄。如表2所示，根據課程平臺前端頁面和課程日志記錄分析，研究將學生點擊的頁面類型定義為九種。該頁面分類是本研究考察學生注意力投入特征以及構建LSTM預測模型的依據。

三、研究結果

（一）在線學習模式

為挖掘課程學習的多元典型模式，研究將章節覆蓋率、視頻完成率、測試完成率、作業完成率、是否參加期末考試五個完成度指標作為特征指標，采用K-means聚類方法對12463名課程注冊學生進行聚類，通過比較輪廓系數，研究最終選取五類的聚類結果（如表3所示），輪廓系數為0.667，分類效果較為理想。ANOVA檢驗顯示五類學生群體在五個完成度指標上都呈現出顯著差異（p《0.001），可知這五類能夠體現在線學習者在五個完成度指標上的不同特征，如圖1所示。

五類學習者中，第五類占比最多，達到75.2%，該類學生在五個完成度指標上都表現較差，平均訪問章節內容只有5.9%，很少看視頻，很少交作業，幾乎不做測試，幾乎無人參加期末考試。可見，該群體更像瀏覽課程的訪客，故被定義為訪客類學生。

占比第二的群體是第三類（17.8%），這類群體似乎對課程證書也不感興趣，幾乎不參加考試。可是，該群體相比訪客類學生表現出對課程部分內容的興趣，章節覆蓋率達到40%，他們偏愛視頻學習，視頻完成率達到30%，但是測試和作業完成率僅在10%左右，故將其定義為選擇視聽型學生。

第四類學生人數占比第三（4%），呈現出對課程內容和視頻資源的較大興趣，他們訪問了課程絕大部分章節，視頻完成率在五類中最高，且期末考試參與率達到40%。從這類群體較低的測試和作業完成率來看，可知這類學生更偏愛基于視頻的學習，故研究將其定義為全面視聽型學生。

剩下兩類學生學習績效表現突出，屬于強績效型學生，可是他們在內容訪問、任務參與和作業完成上呈現出差異。占比2.5%的第二類學生在五項指標上整體表現突出，他們較為全面地訪問了課程內容（88%）與視頻資源（92%），并完成了絕大部分測試題（88%），作業完成率高達95%，考試參與度為84%。研究將其定義為系統學習型學生。占比只有0.5%的第一類群體雖然具有五類中最高的考試參與率（97%），但是他們只選擇完成了不足50%的測試和作業，章節訪問率均值只有31%，且很少看視頻資源（8.0%），據此推測這類群體具有較好學習基礎，選擇課程旨在高效獲得課程證書，學習以做測試和作業為主，研究將其定義為績效驅動的測試型學生。

根據五類群體在各項完成度指標的表現，可大致分析出課程學生的學習需求定位。章節覆蓋率和視頻完成率體現了學生對課程內容資源的興趣，測試、作業和參加考試三個指標則主要體現了學生對課程績效的重視程度。研究將績效需求與內容資源興趣作為課程需求象限的X軸和Y軸，根據五類學生的人數及其相應指標均值繪制出課程學生學習需求分布圖，如下頁圖2所示。下頁圖2中五個圓代表了五類學生，圓的直徑大小代表學生人數，圓在需求象限的位置體現了各類群體的學習需求定位。由下頁圖2可知，絕大部分在線學習者集中在課程需求象限的低需求空間，學生對內容資源的興趣整體大于課程證書。

（二）不同在線學習模式下注意力投人特征

1.注意力投人基本特征

為考察注意力投入基本特征，研究定義了五個注意力投入特征指標：登錄時長考察學生課程學習注意力的保持，由每次登錄時長均值表征;點擊序列長度體現了學習中注意力轉移的頻次，由每次學習點擊頻次均值表征;頁面多樣性考察學生每次學習關注的資源、信息、任務多樣性，由學生每次登錄訪問的頁面類型數均值表征;頁面停留時長考察學生注意力在頁面的保持，由每次登錄時單個頁面的停留時長均值表征;內容訪問量考察注意力在章節內容上的分配，由學生每次登錄訪問的小節ID數均值表征。五類學生的上述指標及其登錄次數和活躍周情況統計如表4所示。

結果顯示絕大多數學生在有限的上線時間中會同時訪問多個學習內容，單個頁面停留平均時長不足半分鐘，考慮到其中還包括視頻播放時間，頁面空間停留時間整體較短;系統學習型最為活躍，學習注意力保持時長與轉移頻次均最高，關注的內容和頁面類型也最豐富，單個頁面停留時長低于兩類視聽型學生;兩類視聽型學生注意力保持水平整體較高，在頁面停留時長上也表現突出，尤其全面視聽型學生的頁面停留時長幾乎是其他類型的兩倍，這與其專注視頻觀看有關。選擇視聽型學生注意力轉移較為頻繁，且注意力會分配在更多類頁面和內容上，這與其具有較強自主學習需求有關。為尋找感興趣的內容或資源他們會瀏覽更多類頁面和內容;測試型學生的活躍度指標和時長指標雖位居第四，但其頁面多樣性和內容訪問量卻較為突出，這可能因為該群體主要基于做試題學習，為尋找試題答案會訪問更多頁面和內容;訪客型學生活躍度最低，五個指標分值也都最低，是注意力投人最低的學生群體。

2.注意力分配特征

如表5所示，為進一步考察注意力分配特征，統計五類學生每次登錄在九類頁面的點擊頻次（F）、時長占比（P）與單個頁面停留時長均值（T）。結果顯示：五類學生在線學習的注意力都主要分配在視頻頁面。相比之下，兩類強績效型學生，尤其測試型學生，會將更多注意力分配在其他類頁面，尤其在測試和作業頁面的分配較為突出，體現了其較強的績效需求。剩下三類，95%以上的注意力都分配在視頻頁面;五類學生在視頻類頁面的T，值顯著高于其他類頁面，而其他類頁面的T，都不足1分鐘。五類學生盡管在E、Q、F三類頁面的整體注意力投入較低，但是三類頁面的T，值卻相對較高，表明五類學生在訪問這三類頁面時都消耗了更多認知資源，其中全面視聽型學生在Q和E類頁面的T，值最高，測試型學生在F類頁面的T，值最高。

3.注意力轉移模式

研究采用滯后序列分析挖掘五類學生的注意力轉移模式。首先，分別統計五類群體每次登錄課程在各類頁面間的跳轉頻次，形成九類頁面間的點擊序列頻次表。然后，在點擊序列頻次表的基礎上計算每個序列發生頻次的Z分數，獲得殘差表。選取Z分數大于+1.96的點擊序列，這些序列就是相應類學生上線學習時出現概率達到顯著性水平的頁面點擊序列，據此繪制五類學生的注意力轉移模式，如圖3一7所示。

結果顯示，測試型學生的顯著序列最多（p《0.05），共六個，即V-V、Q-Q、V-Q、Q-V、XP-V、V-XP。系統學習型學生除了Q-V之外，其他五個序列出現頻次也都達到了顯著性水平（p《0.05）。這兩類群體的注意力流轉模式較為相似，如圖3和圖4所示。其中，V類和0類頁面的自我跳轉Z值最高，表明兩類群體都比較專注于視頻和自測活動。V-XP和XP-V兩個序列顯著意味著兩類學生都傾向于在有更多選擇的學堂頁面尋找視頻資源。兩類群體都出現了V-0的顯著序列，不同的是測試類學生的Q-V序列也顯著，再次印證了兩類群體學習方式的差異，即系統學習型學生主要采用先學（看視頻）后測（做自測方式學習，測試型學生則是基于測試的問題驅動式學習。

選擇視聽型和訪客型學生的注意力轉移模式較為相似，都存在三個顯著序列，即V-V，V-XP，XP-V，且V-V的Z值最高，可見這兩類群體也存在更專注于視頻類頁面以及在更開放的學堂空間而不是課程空間尋找和播放視頻的注意力投人特征。這兩類群體缺少V類與Q類頁面相互轉移的顯著序列，可見他們缺乏解題訓練對所學知識的鞏固或遷移，并對是否掌握視頻知識點并不十分在意。全面視聽型群體的注意力轉移模式較為單一，只存在V-V的顯著序列，體現了該群體高度專注于視頻觀看這類輸人性學習的特征。

（三）注意力轉移序列對學習完成度的預測

研究將學生樣本按照4：1的比例劃分為訓練集（9894人）和測試集（2569人），采用循環神經網絡LSTM-RNN方法，將學生點擊產生的頁面序列以及初始化的兩個頁面特征向量一頁面類型和頁面停留時長，作為輸人，分別構建五個學習完成度指標的預測模型。基于訓練集200次迭代訓練后，選取最好模型，獲得五個學習完成度的預測模型，五個模型對測試集數據預測的R、MSE和AUC如表6所示。

由表6可知，學生在課程學習期間在各類頁面的注意力投人特征與轉移序列可以較好預測MOOC的多種學習完成度。預測變量為連續變量的前四個學習完成度預測模型的R2在0.413-0.768之間，趨于1，MSE在0.012-0.007之間，趨于0，預測效果較好。如果按照一個閾值（如》=0.5）將相關預測看作相應學習是否完成的分類問題，那么這些模型的AUC值也較為理想，在0.979-0.966之間，接近于1。此外，注意力轉移時序數據對學生是否參加考試的預測力也較高，AUC達到0.905，如果將其看作一個回歸問題，那么相應R2和MES值顯示該模型也能較好解釋測試數據。

四、總結和討論

（一）基于高校MOOC的在線學習體現出多元學習需求

本研究綜合內容資源興趣和績效需求發現五類在線學習模式，揭示了學習者的多元化學習需求與訴求。與已有研究相似[25][26]，本研究也發現在線學習者中有相當比重的視聽型學習者，他們對課程內容與視頻資源更感興趣，主要通過看視頻進行學習。這類人群在本研究中又進一步分為目的性較強的選擇視聽型和更依賴課程安排的全面視聽型兩類。兩類群體雖然都更關注內容和資源，但后者存在一定程度的績效需求，二者的注意力投人特征也存在差異。此外，旨在獲得課程認證的強績效型學生也存在兩類群體：一類是根據教學安排循序漸進的系統學習型學生，另一類是以針對性刷題為主的測試型學生。后者具有更好學習基礎，他們為高效獲得課程證書，往往選取不熟悉章節，以測試和作業為抓手進行應試型學習。然而，課程絕大部分學習者屬于嘗鮮性訪客型學生。他們對課程抱有好奇，卻缺乏強烈或明確的學習動機，尚未做好學習準備，在瀏覽少量內容后便離開課程。

（二）在線學習注意力分配嚴重不均且存在渙散和失焦隱患

研究表明，學生在課程資源與活動的注意力分配上普遍存在分配不均的問題，較大比重的注意力被分配在視頻頁面中，只有少數績效型學生會分配一定比重的注意力在其他類學習頁面中。此外，絕大部分學生在單個課程頁面空間的注意力保持整體有限，學生經常在有限時間內訪問多章節內容，且喜歡在擁有更多選擇的平臺空間而不是課程空間尋找和訪問視頻資源。這些特征不禁令人擔憂學生在線注意力失焦和專注力低下。學生傾向于在開放、非線性空間中不斷跳轉尋找資源，但可能缺乏專注度，并沒有認真學習每個資源。開放、非線性的課程空間結構對學習可能是把雙刃劍，雖提供豐富資源、支持靈活認知，但某種程度上也會消耗學生的認知資源并影響深度學習發生[27]。因此，如何優化課程空間與資源設計提升注意力投人質量、強化注意力管理等網絡認知素養與自主學習能力培養是未來在線教學需要關注的重點。

（三）在線學習注意力投人強度和投入模式差異顯著

研究發現不同需求與學習模式下學生學習注意力投人存在差異：系統學習型和全面視聽型學生學習能夠保持較長時間，平均達到40分鐘左右。后者由于學習以觀看視頻為主，其平均頁面停留時長表現更加突出;目的性較強的測試型和選擇視聽型學生為尋找所需資源會呈現出注意力更多元的分配和更頻繁的跳轉特征;與已有研究結果相似[28]，強績效驅動的兩類群體相比其他三類更關注課程其他資源和活動;注意力轉移模式揭示出相較于弱績效型學生，強績效型學生在學習中普遍具有更深層次的認知加工活動，他們會利用測試題檢測或驅動學習。相關結果為個性化在線學習設計與支持服務提供了啟示和依據。

（四）注意力投人特征序列能夠預測在線學習方式與完成度

學生對不同類頁面的訪問體現了他們對課程不同內容、資源和活動的興趣與學習方式，而頁面點擊流數據隱含了學生注意力在各類課程頁面的分配與流動信息。研究將學生點擊產生的頁面序列以及體現學習偏好與投人的兩個頁面特征向量作為輸人，所構建的基于注意轉移序列的五個學習完成度預測模型都具有較高的準確度。可見，學生注意力在課程頁面的注意轉移序列與投人特征不僅能夠預警學生是否輟學，還能夠細化預測學生在線學習的多方面完成情況，包括所訪章節覆蓋率、視頻完成率、測試完成率、作業提交率、是否參加考試等，為教師提前識別學生多元學習興趣和需求、預測學習方式與相關完成度提供依據。這為針對性引導和個性化支持提供了新思路。

五、啟示與建議

本研究以高等教育典型開放在線學習場景MOOC課程為例從多元需求視角考察了在線學習者的學習注意力投人與其學習方式和完成度的關系。研究定義出多元學習需求的完成度指標，通過案例課程的數據挖掘發現MOOC學習存在系統學習型、績效驅動的測試型、全面視聽型、選擇視聽型、訪客型等五類學習模式。之后，進一步考察了各學習模式下學生的注意力投人基本特征、分配特征與轉移模式，發現不同模式下學習注意力特征的共性與差異，在此基礎上，構建出學習完成度的預測模型。研究雖只是對一門課程數據的深人探索，但數據挖掘結果有足夠的現實意義，為下一階段高校MOOC建設、在線教學改革和質量提升提供了啟示。

（一）強化在線學習質量標準建設，以投人指標為核心建設微觀可監測標準體系

目前關于在線課程的質量標準存在著較為泛化、主觀性較強、可操作性和及時反饋性較弱等問題。本研究發現基于點擊流數據挖掘的注意投人特征能夠較好評估學生的學習狀態，并預測學習績效。我們建議在進一步研究的基礎上，提取以多層次、多維度學習投入為核心的學習過程關鍵特征，表征學生在宏觀課程空間、中觀活動空間和微觀頁面空間的學習狀態及其動態演變，形成可實時監測、反饋與干預的在線學習質量標準體系，在不斷的實際應用迭代中予以優化，從而為在線學習的狀態和結果監測提供全方位科學高效的支撐。

（二）加強學生自主學習能力與相關網絡認知素養培養，促進在線學習有效發生

本研究發現學生的在線學習注意力投人特征揭示出學生自主學習能力與相關網絡認知素養的缺失。作為影響在線學習發生的關鍵因素，自主學習能力和相關網絡認知素養的培養和提升是下一階段高等教育在線學習變革的重要著力點。我們建議改變完全意義的“視頻+練習”的通用學習模式，強化學習情境、學習活動與學習反饋的設計，將自主學習能力和良好網絡接觸習慣、注意力管理等網絡認知素養培養作為重要因素，在課程各環節滲透相關支持策略，關注并支持學生對學習時間、內容、活動和結果的自我調節，通過促進學生與課程環境的充分互動、提供及時反饋，引導其逐步提高其網絡素養與自主學習能力，以適應這種新型學習方式，提升在線學習質量。

（三）強化智能技術應用，以適應性的學習服務應對多元化學習需求

高等教育中對在線課程的學習需求存在多樣化特點，正如本文所發現的，在線學習者不僅是目標需求的多元化，還有學習時間、學習投人、學習方式、學習評價等各類需求的多元化。單靠大規模的教師資源投人解決適應性學習服務和學習支持，自然難以滿足此類訴求，而需要強化數據挖掘等智能技術的應用。在線學習與傳統學習發生在不同的環境中，基于學習發生的場景，可以利用平臺記錄的客觀行為數據和狀態數據構建相關算法模型，從教育學規律和數據聚合兩個角度相向而行，構建具有科學性和可行性的技術模型支撐對在線學習的評價、診斷、預測、干預，形成適應性、智能化學習服務體系，以應對多元化學習需求。

總之，新冠肺炎疫情下，中國大規模在線教育已經成為全民參與的新時代學習模式的社會實

踐。正如教育部高等教育司司長吳巖在2020年5月14日教育部新聞發布會上所說：“我們再也不可能、也不應該退回到疫情發生之前的教與學狀態。”“互聯網+”教育將成為我國下一個階段教育變革的核心著力點，也是學習方式變革的重心。因此，挖掘在線學習的基礎規律促進有質量的學習發生就有了極高的理論和現實意義。本研究期望能夠為兼顧多元學習需求的在線學習服務體系設計提供依據和支持。

參考文獻：

[1]彭聃齡.普通心理學（修訂版）[M].北京：北京師范大學出版社，2001.[2][4]嚴薇薇，曠小芳等.基于深度學習技術的注意力轉移模式的挖掘——以二語學習者的眼動數據為例[J].電化教育研究，2019，40（8）：30-36.

[3] Miller，M.D.Minds online：Teaching effectively with technology [M]. Cambridge，MA：Harvard University Press，2014.

[5] Athreya B H，Mouza C.Thinking skills for the digital generation：The development of thinking and learning inthe age of information [MJ.Swi tzerland：Springer，2017.97-98.

[6] Greenfield，S.Minds change：How digital technologies are leaving their mark on our brains [M].New York：Random House，2015.

[7]馬秀麟，蘇幼園等.移動學習環境中注意力保持及學習行為控制模型的研究[J].遠程教育雜志，2018，36（2）：56-66.

[8] Brown S G，Tenbrink A P，LaMarre G.Performance while distracted： The effect of cognitive styles and working memory [J Personality and Individual Differences，2019，138（Feb）：380-384.

[9] Xiao，X ，& Wang，J.Understanding and detecting divided attention in mobile mooc learning [A].ACM.Proceedings of the 2017 CHl Conference on Human Factors in Computing Systems [C].New York： Association for Computing Machinery，2017.2411-2415.

[10] Kop R..The Challenges to Connectivist Learning on Open Online Networks：Learning Experiences during a Massive Open Online Course [J].International Review of Research in Open & Distance Learning，2011，12（3）：19-38.

[11] Li S，Tang Q Zhang Y.A Case Study on Learning Difficulties and Corresponding Supports for Learning in cMoocs [J.Canadian Journal of Learning and Technology，2016，42（2）：1-25.

[12]楊斌.充分釋放“抗疫紅利”推進教育改革創新[J].清華大學教育研究，2020，41（3）：1-5+33.

[13][21] Montgomery A L，Li S，Srinivasan K，et al.Modeling online browsing and path analysis using clickstream data [J].Marketing sience，00404.4）：579-595.

[14] cU0，Philip J：KIMJuho;RUBIN，Rob.How video production affects student engagement：An empirical study of Mooc videos [AJ.ACM. Proceedings of the Ist ACM Conference on Learning at Scale [CJ.New York：Association for Computing Machinery，2014.41-50.

[15[8][23] Li S，Wang SJei Du J，et al.The Characteristics of Attention Flow of MoOC Students and Their Prediction of Academic Persistence [A.Lin L.Proceedings of 2019 8th International Conference of Educational Innovation through Technology [C].New York：Institute of Electrical and Electronics Engineers Inc，2019.91-98.

[16][27] Zhang JJLou X，Zhang H，et alModeling collective attention in online and flexibleleamingenvironments [J-DistanceEducation，2019.40（2）：278-301. [17] S.Crossley，L.Paquette，M.Dascalu，D.S.MeNamara，and R.S.Baker. Combining click-stream data with NLP tools to better understand mooc completion [A].ACM.Proceedings of the sixth intermational conference on learning analytics & knowledge [C].New York：Association for Computing Machinery，2016.6-14.

[19][24] Okubo F， Yamashita T，Shimada A，et alA neural network approach for students' performance prediction [A].ACM.Proceedings of the Seventh International Learning Analytics & Knowledge Conference [C].New York：Association for Computing Machinery，2017.598-599.

[20] Waheed H，Hassan S U，Aljohani N R，et al.Predicting academic performance of students fomn VlLE big data using deep leaming models J.Computers in Human Behavior，2020，104（Mar）：1-13.

[22] Kizilcec R FPiech CSchneider E.Deconstructing disengagement：analyzing leamer subpopulations in massive open online courses [AJ.ACMProceedings ofthe third intemational conference on leaming analytics and knowledge [CJNew Yok：ssociation for Computing Machinery，2013.170-179.

[25]王夢倩，范逸洲等.MOOC學習者特征聚類分析研究綜述[J].中國遠程教育，2018，（7）：9-19+79.

[26]張媛媛，李爽.MOOC課程資源訪問模式與學習績效的關系研究[J].中國遠程教育，2019，（6）：22-32+93.

[28] de BarbaP.G.，Malekian D..Oliveira E.A.Baile J，Ryan T.& Kennedy G.The importance and meaning of session behaviour in a massive open online course [J].Computers & Education，2020，146（Mar）：1-18.

作者簡介：

李爽：副教授，博士，研究方向為在線學習投入、在線學習支持。

鄭勤華：教授，博士生導師，研究方向為教育大數據與學習分析技術。

收稿日期：2020年5月20日

責任編輯：趙云建