情境流驅動的大規模在線學習動態分組方法

摘要：在大規模在線學習社區中，學習者的行為特征可能會隨時間發生變化，如何根據個體和群體的動態演化特征實現學習小組的自適應動態劃分，是有效開展協作學習的關鍵。為此，文章提出一種情境流驅動的大規模在線學習動態分組方法：首先，構建基于活動理論的學習者情境模型，將反映情境指標的多模態數據轉化為情境流；然后，擴展模糊C均值聚類算法，使用增量式流處理和動態滑動窗口技術檢測概念漂移，實現基于某一情境維度的學習群體自適應動態聚類；最后，對不同情境維度的同質聚類結果進行差異化組合，得到異質學習小組。實驗證明，動態分組在合作傾向、互惠性、群體互動一致性等方面比靜態分組更具優勢。文章的研究可為在線學習平臺智能分組提供方法指引，并為實現有效的在線協作學習提供支撐。

關鍵詞：情境感知；概念漂移；情境流；大規模在線學習；動態分組

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2023）03—0118—09 【DOI】10.3969/j.issn.1009-8097.2023.03.013

引言

以MOOC為代表的大規模在線學習已成為高等教育的一種重要教學形式，但在線教育中師生、生生時空分離引起的“參與和互動不足、存在孤獨感、缺乏針對性指導”等問題也日益凸顯^[1]。設計和開展在線協作學習，促進學習互動和投入，是解決上述問題的有效方式^[2]。而如何高效、合理地實現動態分組，是開展在線協作學習面臨的首要問題。

目前，學習小組的劃分主要有傳統的人工靜態分組法和基于機器學習的動態分組法兩種。其中，靜態分組隨意性大，可能會造成“搭便車、角色固化、合作倦怠”等一系列問題^[3][4]；而動態分組可以顯著增加小組的集體認知責任和學習收獲，彌補靜態分組的不足^[5]。實際上，MOOC的開放性決定了其社群結構具有動態演化的特點：①注冊課程和退出課程的隨時性，使學員結構本身處于動態變化之中；②學員的學習行為特征在課程開展過程中具有動態變化性，這會帶來概念漂移現象。概念漂移是指用戶情境隨著時間推移發生變化，包括用戶特征漂移、學習行為特征漂移等，文獻[6][7]從學習分析視角證實了漂移現象的存在。反映時序特征的情境即為情境流，它能反映個體或群體的動態演化特征。大規模在線學習社群的動態特性使得其學習小組的劃分往往需要基于情境流進行多次聚類與更新，為此，本研究提出一種情境流驅動的大規模在線學習動態分組方法，以滿足大規模在線課程的自適應動態分組需求。

一 研究現狀

1 在線學習小組劃分因素

分組因素直接決定分組效果。Sanz-Martínez等^[8]從協作學習視角分析了分組因素，提出分組因素包括學習設計、學習者特征、技術實現等維度。其中，學習者特征反映了個體差異，是小組劃分的核心因素。而在線學習平臺記錄了豐富的學習行為數據，可用于挖掘用戶興趣偏好、學習投入、知識水平等潛在特征，基于這些行為數據來構建學習者特征模型是當前研究的熱點。此外，有研究者從行為時序、參與程度、學習節奏、社會交互、影響力等維度，對學習者特征模型進行了探索^[9][10]。而基于社交網絡人格理論的研究發現，用戶在網絡虛擬社區能表現出真實人格特質，且會影響其學習行為^[11]，這也為MOOC學習者特征模型構建帶來了啟示。

2 在線學習小組劃分方法

基于機器學習的分組一般采用無監督學習的聚類算法，主要包括K-mean、模糊C均值（Fuzzy C-Mean）、層次聚類、期望最大化等算法。例如，舒瑩等^[12]基于過程性結構化外顯信息（如學習狀態、學習交互、學業水平等）和非結構化內隱信息（如學習者情緒），采用樸素貝葉斯對處于學習危機的學生進行聚類分組，構建了精準預警模型；Robert等^[13]分析了在線學習者參與度的時間序列，并使用多尺度圖聚類算法識別具有相似序列的學習者，從而實現分組；?ari?-Grgi?等^[14]使用知識點數量、瀏覽頁面數、成績、學習時長、登錄次數、初始分類等跟蹤變量來檢驗在線學習行為，并基于行為特征實現具有解釋性的學生分組；Maina等^[15]提出一種基于學習者協作能力水平的分組方法，以對Moodle平臺論壇區的行為數據進行聚類，得到不同的異質小組；陳甜甜等^[16]利用自編碼神經網絡提取在線學習者的關鍵特征，并采用模糊C均值算法對在線學習者進行迭代分組，發現組內學習者具有較高的同質性，可以較好地解決學習孤獨感的問題。

以上分組方法雖然實現了自動分組，但大多是基于靜態數據集的自動分類，沒有考慮學員的行為特征會隨時間漂移及其累積所導致的群體結構而改變，即出現群體演化漂移。為了適用概念漂移的群體劃分，出現了對數據流進行聚類分析的算法，如CluStream算法、Stream-Detect算法、基于FCM擴展算法的SWFCM等^[17][18]。這些算法的基本思路是在采用增量方式對不斷流入的數據生成簇結構的同時，提供概念漂移檢測功能，以及時更新聚類模型，使聚類結果具有動態性和可解釋性。這些算法為大規模在線學習中用戶特征漂移的檢測與群體演化的劃分提供了重要思路，但當前鮮見相關的應用實踐研究，原因主要在于除了算法思路，還需要對在線學習中群組劃分影響因素、用戶行為特征提取、演化模型等領域的知識進行研究。

綜上，本研究提出一種基于情境流的大規模在線學習動態分組方法，具體思路是：基于活動理論分析影響分組的情境因素，并將反映情境指標的多模態數據流轉化為情境流，再使用增量式流處理和動態滑動窗口技術檢測情境流中的概念漂移，實現基于當下情境的自適應分組。

二 情境流驅動的大規模在線學習分組方法

1 構建基于活動理論的學習者情境模型

活動理論認為，發生在具體情境中的活動是情境的中心，因而關注活動分析是理解情境感知機制的基礎。Engestrom^[19]提出包含主體、客體、工具、群體、規則、分工六要素的活動理論體系，在此基礎上Kofod-Petersen等^[20]建立了六要素與情境的映射關系。協作學習是在小組共同目標的指引下，為最大化個人和他人習得成果而合作互助開展的一系列學習活動，其中必然包括主體、客體、共同體、工具、中介等要素。對此，本研究借鑒六要素與情境的映射關系，同時結合在線協作學習活動的特征，構建了基于活動理論的學習者情境模型，如圖1所示。

基于活動理論的學習者情境模型能描述和反映在學習過程中學習者情境的時序變化性，并形成情境流數據，為用戶概念漂移檢測提供了可能。該模型中的在線學習者情境分為三類（如表1所示）：①用戶情境（對應主體），包括人口統計學信息和人格特質。其中，人格特質主要通過大五人格模型（Big-Five Model）中的開放性、責任感、外向性、宜人性、神經質五個指標進行考察^[21]。②學習情境（對應客體），主要指學習任務情境，即學習者（主體）借助工具完成學習任務的過程表現，包括知識水平、學習投入、行為鏈等。③社會情境（對應規則、群體和分工），是指學習者與同伴交互形成的社會網絡關系，包括活躍度、影響力等。

2 擴展模糊C均值聚類算法

（1）模糊C均值聚類（Fuzzy C-Means，FCM）

FCM是一種基于模糊理論的聚類算法，它把樣本按照某種準則劃分為若干子集，使相似的樣本盡可能歸于一類，而把不相似的樣本劃分到不同的類中，這樣把傳統硬聚類中只取1或0二值的普通集合概念推廣到[0， 1]之間的實數，即“隸屬度”，用“隸屬度”來描述樣本屬于某一類別的概率。模糊聚類建立了樣本對類別的不確定描述，更能客觀地反映客觀世界。

使用FCM算法實現MOOC社群初始化分組，其主要思路是：首先將學員集T劃分為c個模糊組，再求每個組的聚類中心及樣本對所有聚類中心的隸屬度，然后反復迭代；當目標函數達到最小即聚類結果與數據集擬合度最優時，學員將被劃分給隸屬度最大的那個分組。但要實現動態分組，還需要對模糊C均值算法進行擴展，通過演化聚類方法，實現對學習行為特征變化的檢測。

（2）基于情境流的演化聚類方法

為了適應概念漂移，本研究借鑒Single-pass思想^[22]，在FCM基礎上，采用增量式流處理完成動態聚類，基本思路為：使用時間滑動窗口處理學習者情境流，對獲取的最新時間窗口內的數據子集，計算其與上一窗口聚類結果內各類簇特征向量的相似度，當最大相似度大于其與上一窗口所在類簇的相似度閾值θ時，即認為發生了用戶所屬群體漂移，從而對用戶類簇和類簇特征進行更新，進而實現動態分組。基于情境流的演化聚類方法如圖2所示，具體步驟如下：

①采用滑動窗口技術來截獲和分析當前一段時間內的情境數據。定義W=｛W¹， W²， …， W^T｝表示對情境流S按數據點到達先后順序劃分為大小不同的窗口集。對任意p， q（1≤p≠q≤T"），滿足和。滑動窗口W^p中數據樣本的個數記為N_p。

②當數據流中第p個滑動窗口的數據子集W^p流入時，新的聚類結果應該在上一個窗口聚類結果的基礎上更新得到，這樣能維持與上一個窗口中聚類結果的連續性。

③概念漂移檢測。是數據子集W^p的隸屬度模型，是數據子集W^p流入后形成的新聚類模型，k^p表示C^p中類別的個數，C^p-1表示前一個數據子集的聚類模型，則普通FCM算法的聚類目標函數可優化為J’（U^p， C^p"），具體如公式（1）所示。其中，D（C^p，"C^p-1"）表示新聚類模型與前一個窗口聚類模型的差異性，D值越小，表明這兩個模型的差異性越小，反之亦然。也就是說，在情境流子集W^p-1向子集W^p演化的過程中，其聚類結構發生了較大變化，出現了概率漂移現象。因此，本研究使用優化后的聚類目標函數最優值作為檢測概率漂移的依據。

公式（1）

盡管在線學習任務設計具有時間分布均衡性，但現實中還是會出現學習行為的潮汐變化（如作業截止時間前一般為提交行為高峰期）。因此，本研究使用大小可變的動態窗口來處理情境流數據：如果檢測到漂移發生，則減少窗口尺寸，以增加漂移捕獲的靈敏度；否則，增加窗口尺寸，以加快數據流的處理速度。

3"得到異質學習小組

對通過上述方法得到的同質聚類結果進行差異化組合，得到異質學習小組，在兼顧知識水平、學習風格相似的情況下，可以保留小組成員在性格、活躍度等其他特征維度的異質性。

三 實驗及結果分析

1 實驗準備

（1）課程介紹與實驗對象確定

本研究從“好大學在線”MOOC平臺上有分組學習任務的課程中隨機抽取到“電路實驗”課程進行實驗。該課程開課日期為2021年9月10日至2021年11月12日，共8周。該課程注冊學員共2180人，學員注冊后被要求填寫大五人格測試問卷。平臺后臺會自動記錄用戶基本信息表、行為日志表、討論區表、評論表、互評表、成績表等數據。其中，行為日志表記錄學員所有的點擊流數據（ClickStream），包括用戶ID、每一次點擊行為時間戳、訪問的URL（含指向的資源ID、資源類型）、操作類型（如瀏覽、點擊行為）。本研究選取的實驗對象滿足兩個條件：①有學習行為記錄，即非僵尸用戶；②有效填寫了大五人格測試問卷。經篩查，符合條件的學員有1492名，共產生了約43.28萬條行為日志。

（2）數據預處理

首先，過濾原始數據集中的空值、異常值、非法值等，然后基于原始數據提取情境屬性（如基于前后兩次行為時間戳計算在線時長），最后對數據進行歸一化處理，最終得到的有效數據集約有41.23萬條行為日志。

（3）有關參數的確定

將數據集按2：1劃分為訓練集和測試集。其中，訓練集用于確定初始化聚類數量K1、最小窗口尺寸N_min、權重值β、閾值θ等參數，具體過程如下：首先，使用XB有效性指標來確定初次聚類最佳分組個數，參照文獻[23]，依次計算K1為2～2ln（n）時的XB值——當XB取得最小值時，對應的k1值即為最佳分組個數（計算得到K1=3時為最佳）。其次，確定最小窗口尺度值。窗口大小以天（24小時）為單位，即每天產生的數據量為基本窗口單位。經多次訓練和實驗，得到的最小窗口尺寸為N_min=5。也就是說，在沒有發生漂移的情況下，整個課程周期可劃分為60天/5天=12個窗口，更新聚類12次。而如果發生漂移，窗口更新系數q值取1.2，使下一流入的數據量增大到1.2×5=6天，以增加處理速度。通過對一系列時間窗口內的數據進行反復測試，最終確定β=1/2，θ=3。

2 實驗結果分析

（1）基于情境驅動的聚類分析結果

以表1中的學習情境為例，本研究采用情境流驅動的大規模在線學習動態分組方法和通過訓練集上得到的初始參數對測試集進行聚類分組，共得到12次聚類結果，其中出現了5次漂移，如圖3所示。圖3顯示，學習者的學習情境特征分別在第3、4、5、8、11共五個窗口發生了漂移，這是因為學習者個體行為特征的變化及其積累導致其所屬群體發生了變化，即出現了群體漂移和分組的重新劃分，而本研究提出的基于情境流的演化聚類算法能有效地檢測這類概念漂移。從窗口節點來看，漂移過程如下：通過XB指標計算，初始聚類數（即第1個窗口聚類數）為3個；在第2個窗口，聚類數維持在3個；在第3、4、5個窗口，由于學習行為數據不穩定、用戶行為特征變化快，分組呈現出較大的變化，每個窗口都檢測出了1個新的分類，聚類數分別為4、5、6個；在第6、7個窗口，聚類數趨于穩定，維持在6個；在第8個窗口，原內聚性不足的聚類被拆分，又出現了新的類簇，聚類數增加到7個；直到第11個窗口，隨著部分學員的放棄和離開，學習人數和行為趨于穩定，群體模式發生變化，冗余的群體被合并，聚類數變為5個。上述聚類結果體現了群體劃分法對概念漂移的適用性。

（2）個體特征漂移和對組別的自適應分析

圖4為某用戶特征漂移的適用性分析，可以看出：該學員在第1、2、3個窗口中，由于用戶自身特征與群體劃分的動態變化，其所屬群組隨之變化；在此后的第4、5、6個窗口中，該學員穩定地處于組別2中，該組別學習投入整體較高、以視頻學習為主；隨后，該學員表現了更多的參與課程測驗行為，學習筆記頻次和長度明顯增多，單元測驗成績較高，組別6與該學員特征更相似，因此在第7個窗口發生了群體劃分的更新，該學員被劃分到群體6；隨著課程末期學員減少、學習任務發生變化，群體模式發生了漂移，該學員個人行為鏈增加了更多的復習行為，從測驗到課件的回看行為明顯增多，最終該學員被重新分配到群體3，該群體內絕大多數學員的行為主要表現為復習行為。通過對相關數據進行解析以及對該學員的訪談，可以發現聚類結果與該學員的實際情況具有極高的相似性，這反映了情境驅動的大規模在線學習動態分組方法對用戶特征及其所屬群體漂移的適應性。

（3）聚類的有效性分析

本研究使用組內相似度作為衡量大規模在線學習分組的評價指標^[24]。組內相似度是指同一聚類分組中學員兩兩之間的特征相似程度，具體采用余弦相似度計算，如公式（2）所示。其中，表示c組中的第i個學員x的第t個特征向量（共q個特征向量）。sim值越接近1，說明同一分組內的學習者特征越相似。

公式（2）

分別統計12個滑動窗口中各聚類結果的組內相似度，其分析結果如圖5所示。對所有聚類結果的組內相似度相加取均值，得到平均組內相似度為0.823，說明本研究提出的情境驅動的大規模在線學習動態分組方法具有較好的分組效果，基于某一情境維度所得每一聚類內的學員具有較高的同質性。

基于社會情境的聚類方法、過程與上述基于學習情境的聚類相似，不再贅述。

3"實驗效果比較分析

為比較動態分組與靜態分組中學習者體驗的差異，本研究借鑒群體環境問卷，從合作傾向、群體凝聚力、互惠性三個維度改編了“MOOC學習分組滿意度”問卷^[25][26]，并經過專家論證后進行數據收集。其中，合作傾向設有包容性、合群意向兩個子維度；群體凝聚力設有群體任務吸引力、群體互動吸引力、群體任務一致性、群體交互一致性四個子維度；互惠性設有個人貢獻度、成員貢獻度兩個子維度。問卷共16個題項，分別在上述MOOC的兩次開課（一次開課實施動態混合分組，一次開課實施平臺隨機靜態分組）隨機抽取部分學員施測，共回收有效問卷167份（總的Cronbach’s α值為0.869）。采用Wilcoxon符號秩和檢驗方法比較動態分組和靜態分組的滿意度，統計結果如表2所示。

表2顯示，兩種分組中學員的合群意向、互惠性存在顯著差異（p＜0.05）；進一步分析中位數，可以發現動態分組中學員在合群意向、感知的個人貢獻度和成員貢獻度方面明顯高于靜態分組，這表明動態分組維持了小組成員知識水平、興趣偏好、行為模式的同質性，以及人格、活躍度和影響力的異質性。這種混合分組更有利于防止小組角色固化，在一定程度上弱化了合作倦怠和旁觀者效應。此外，兩種分組中群體任務吸引力、群體互動吸引力、群體任務一致性無顯著差異，但是群體互動一致性存在顯著差異（p＜0.05）；進一步分析中位數，可以發現靜態分組中學員感知的群體互動一致性高于動態分組，說明動態分組可能因為組員的動態變化而降低了小組成員對小組親密度、相似性的感知及其與團隊的聯結感。

四 結語

本研究提出了一種情境流驅動的大規模在線學習動態分組方法，并主要完成了以下工作：①基于活動理論構建了MOOC學習者情境模型，將反映情境指標的多模態數據流轉化為情境流；②擴展FCM算法，使用增量式流處理和動態滑動窗口技術探測情境流中的概念漂移，實現基于實時情境的自適應同質分組；③通過基于真實數據分析的實驗，驗證了情境流驅動的大規模在線學習動態分組方法能在學員不斷進入或退出、學習者行為特征發生變化的情況下，既能維持分組的連續性，又能自適應動態調整。實驗證明，動態分組在合作傾向、互惠性等方面比靜態分組更具優勢。但是，本研究主要以行為特征作為情境指標，未能考慮認知、情感等情境因子對分組的影響，這方面不足正是下一步研究要努力解決的問題。

參考文獻

[1]Jung Y， Lee J. Learning engagement and persistence in massive open online courses（MOOCS）[J]. Computers amp; Education， 2018，122：9-22.

[2]曹天生，孔凡士，朱珂，等.促進學習者之間交互深度的分組策略研究[J].現代教育技術，2020，（6）：55-60.

[3]鐘柏昌，黃水艷.合作學習動態分組的研究進展與思考——基于國際文獻的系統綜述[J].開放教育研究，2021，（4）：85-97.

[4]Chen B， Hwang G H， Lin T S. Impacts of a dynamic grouping strategy on students’ learning effectiveness and experience value in an item bank-based collaborative practice system[J]. British Journal of Educational Technology， 2020，（1）：36-52.

[5]Siqin T， Van Aalst J， Chu S K W. Fixed group and opportunistic collaboration in a CSCL environment[J]. International Journal of Computer-Supported Collaborative Learning， 2015，（10）：161-181.

[6]Davis D， Chen G L， Hauff C， et al. Gauging MOOC learners’ adherence to the designed learning path[OL].

lt;https：//educationaldatamining.org/EDM2016/presentation/paper_63.pdfgt;

[7]Geigle C， Zhai C X. Modeling MOOC student behavior with two-layer hidden markov models[A]. Proceedings of the Fourth ACM Conference on Learning[C]. Cambridge： Association for Computing Machinery， 2017：241-255.

[8]Sanz-Martínez L， Martínez-Monés A， Bote-Lorenzo M L， et al. Automatic group formation in a MOOC based on students’ activity criteria[A]. European Conference on Technology Enhanced Learning[C]. Tallinn： Springer， 2017：205-208.

[9]Shi"L， Cristea"A， Alamri"A. Social interactions clustering MOOC students： An exploratory study[A]. The 20th IEEE International Conference on Advanced Learning Technologies[C]. Tartu： Estonia， 2020：172-174.

[10]張濤，張思.教育大數據挖掘的學習者模型設計與計算研究[J].電化教育研究，2020，（9）：61-67.

[11][21]張磊，陳貞翔，楊波.社交網絡用戶的人格分析與預測[J].計算機學報，2014，（8）：1877-1894.

[12]舒瑩，姜強，趙蔚.在線學習危機精準預警及干預：模型與實證研究[J].中國遠程教育，2019，（8）：27-34、58、93.

[13]Robert L P， Sophia N Y， David L， et al. Data-driven unsupervised clustering of online learner behaviour[OL].

lt;https：//www.nature.com/articles/s41539-019-0054-0gt;

[14][23]?ari?-Grgi? I， Grubi?i? A， ?eri? L， et al. Student clustering based on learning behavior data in the intelligent tutoring system[J]. International Journal of Distance Education Technologies， 2020，（2）：73-89.

[15][24]Maina E M， Oboko R O， Waiganjo P W. Using machine learning techniques to support group formation in an online collaborative learning environment[J]. International Journal of Intelligent Systems and Applications， 2017，（3）：26-33.

[16]陳甜甜，何秀青，葛文雙，等.大規模在線協作學習分組方法及應用研究[J].計算機工程與應用，2021，（1）：92-98.

[17]杜航原，王文劍，白亮.一種基于優化模型的演化數據流聚類方法[J].中國科學：信息科學，2017，（11）：1464-1482.

[18]Sanchez C S， Tudoran R， Hassan M A H， et al. An online incremental clustering framework for real-time stream analytics[A]. The 18th IEEE International Conference On Machine Learning and Applications （ICMLA）[C]. Florida： IEEE， 2019：1480-1485.

[19]Engestrc M Y. Learning by expanding： An activity-theoretical approach to developmental research[M]. Helsinki： Orienta-Konsultit， 1987：87.

[20]Kofod-Petersen A， Cassens J. Using activity theory to model context awareness[A]. Proceedings of the International Workshop on Modeling and Retrieval of Context[C]."Berlin："Springer， 2006：1-17.

[22]Shahrivari S， Jalili S. Single-pass and linear-time k-means clustering based on MapReduce[J]. Information System，"2016，（3）：1-12.

[25]鐘柏昌，黃水艷.動態分組策略在大學生機器人教育中的應用[J].現代教育技術，2022，（3）：61-70.

[26]Whitton S M， Fletcher R B. The group environment questionnaire： A multilevel confirmatory factor analysis[J]. Small Group Research， 2014，（1）：68-88.

The Dynamic Grouping Method for Large-scale"Online Learning"Driven by Context Stream

LIAO Hong-jian¹""""QU"Zhe^{2[Corresponding Author]}""""ZHAO"Wen-jing¹""""CHEN"Jun-cheng³

（1. Network and Modern Educational Technology Center， Guangzhou University， Guangzhou，"Guangdong，

China 510006; 2. Library， Guangzhou University， Guangzhou，"Guangdong，"China 510006;"3. School of

Electronics and Communication Engineering， Guangzhou University， Guangzhou，"Guangdong，"China 510006）

Abstract： In"large-scale"online learning"community， learner’s behavioral characteristics may change over time，"and how to realize the adaptive dynamic division of learning groups according to the dynamic evolution characteristics of individuals and groups"is the key to the effective implementation"of cooperative learning. Therefore， the dynamic"grouping method for large-scale online learning driven by context stream was"proposed. Firstly， the"learner context model"based on the activity theory"was"constructed， and the multi-modal data reflecting context"indicators were"transformed into context stream. Secondly， by extending the fuzzy C-means clustering"algorithm， this paper realized the adaptive dynamic clustering of learning groups based on a certain context dimension through"using the incremental stream processing and the dynamic sliding window technique. Finally， the heterogeneous"groups were obtained by the differentiated combination of homogeneous clustering results from different situational dimensions. Experimental results showed that dynamic grouping had more advantages than static grouping in terms of cooperation tendency， reciprocity， and consistency of group interaction."The results of this paper can provide methodological guidelines for intelligent grouping in online learning platforms"and support for effective online collaborative learning.

Keywords："context"awareness; concept drift; context stream; large-scale online learning; dynamic grouping

*基金項目：本文為廣東省教育廳創新強校特色創新項目“SPOC深度學習影響因素實證分析及策略研究”（項目編號：2017GXJK138）、廣州市哲學社會科學規劃課題“廣州建設粵港澳大灣區教育改革與發展示范城市研究：MOOC學習者在線深度學習能力評價與發展路徑研究”（項目編號：2022GZYB50）的階段性研究成果。

作者簡介：廖宏建，副研究員，博士，研究方向為在線教育與知識服務，郵箱為liaohongjian@gzhu.edu.cn。

收稿日期：2022年8月17日

編輯：小米