基于RFL的MOOC学习者细分与忠诚度研究-以怪诞行为学课程为例_1.docx

基于RFL的MOOC学习者细分与忠诚度研究以“怪诞行为学”课程为例 表2 研究样本信息收集编号成员ID近度R(天)频度F(次数)长度L(分钟)10.61851035232咕儿呱2726404watterfall18855175linaliu883667349……………2999会飞的鱼12622522873000eleanor-blake693609由于每种指标的数据类型与格式存在较大差异，故本研究采用Max-Min方法，对获取到的学习者分类指标取值进行了归一化处理然后，本研究采用熵值法确定课程学习者R、F、L指标的权重，最终得到指标R的权重为0.225、指标F的权重为0.564、指标L的权重为0.211学习者分类是通过比较每个用户类别的RFL均值与总体RFL均值的大小来决定的，故单个指标比较只可能存在两种情形：大于等于或小于总体均值，其可能类别数有222=8个设置好聚类类别数后，本研究利用SPSS统计软件中的K-means算法，对“怪诞行为学”课程的学习者进行了聚类分析，得到8种学习者类别，如表3所示表3 聚类分析后产生的学习者类别类别人数R(近度/天)F(频度/次数)L(长度/分钟)比较结果用户级别19410.4140.0740.496R↓F↓L↑重要发展21031.0000.5260.281R↑F↑L↓一般重要3990.8690.9310.817R↑F↑L↑重要挽留43190.0880.0250.119R↓F↓L↓观望者51910.4310.9690.293R↓F↑L↑重要保持63090.0510.1030.955R↓F↓L↑重要发展74170.7430.1890.881R↑F↓L↑一般学习者86210.8310.0930.220R↑F↓L↓无价值总体30000.5100.1940.291根据聚类分析结果，8种学习者类别的RFL均值有显著差异，将其与总体RFL均值进行比较，会产生7种级别的学习者：重要发展学习者、一般重要学习者、一般学习者、重要保持学习者、重要挽留学习者、无价值学习者以及观望者。

各级别学习者所占的人数比例如图2所示图2 各级别学习者所占的人数比例图3 各级别学习者的忠诚度排名为分析不同级别学习者的课程完成率是否有差异以及差异如何，需进行学习者课程忠诚度分析运用如前文公式(1)所示的MOOC学习者忠诚度计算公式，可得各级别学习者的忠诚度得分，根据得分对各级别学习者的忠诚度进行排名，所得结果如图3所示三 基于MOOC学习者行为特征的教学策略根据MOOC学习者分类及忠诚度排名结果，本研究分析了MOOC中各级别学习者的行为特征，并提出了相应的教学策略1 重要保持学习者(也称为黄金学习者)重要保持学习者最近一次登录平台进行课程学习距离课程结束时间较近，学习总次数较多，观看课程视频的总时间较长而忠诚度排名结果显示，该类学习者的忠诚度最高，属于高端学习者针对该类学习者，教师应采取长期教学策略，及时了解其个性化学习需求；平台管理者则可以借助先进技术手段对海量学习数据进行整合分析，及时发现学习者行为与心态的变化，并针对其学习需求设计个性化的学习服务路径、提供实时的个性化学习服务，以提升该类学习者的学习满意度2 重要挽留学习者重要挽留学习者最近一次登录平台进行课程学习距离课程结束时间较长，但在之前的学习过程中，其学习总体次数较为频繁、观看课程视频的总时间较长。

而忠诚度排名结果显示，该类学习者在学习开始阶段的课程忠诚度较高，但根据指标R可推断出其在课程后期阶段可能会出现流失的迹象针对该类学习者，教师与平台管理者应采取即时补救策略，在设计课程时强调把知识嵌入到实践运用中，让学习者真正获益；同时，采取有效激励措施，培养并增加学习者对MOOC的认同感与依赖度，降低该类学习者流失的可能性3 重要发展学习者重要发展学习者最近一次登录平台进行课程学习距离课程结束时间较近，但与师生发帖互动交流的次数较少，观看课程视频的总时间较长而忠诚度排名结果显示，该类学习者的忠诚度一般，属于中端学习者针对这类学习者，教师可以在讨论区适时发布问题，来引导学习者交流、分享学习经验和学习成果，形成学习共同体；同时，通过加大讨论在课程评价中的比重，来激发学习者的内在学习动机当学习者发帖提问时，教师或助教应及时回应，以降低其流失率、提高其学习满意度与忠诚度，将该类学习者发展为重要保持学习者4 一般重要学习者一般重要学习者在很长的一段时间内不再登陆平台进行学习，或者说中途放弃了学习；观看课程视频、与师生发帖互动交流等学习行为的发生次数比较频繁，但学习总时长较短，投入的时间与精力成本较低。

而忠诚度排名结果显示，该类学习者的忠诚度较低该类学习者虽然积极地参与了课程互动话题讨论，却没有坚持完成课程学习，平台管理者与教师应对其进行监督帮助，即通过定时发送邮件提醒其及时登录平台学习课程、在学习过程中对其行为进行实时、动态的分析评价，以建立起学习监督引导机制，来提升该类学习者的课程忠诚度5 一般学习者一般学习者最近一次登录平台进行课程学习距离课程结束时间较长、学习次数很少、观看课程视频花费时间较多而忠诚度排名结果显示，该类学习者的忠诚度很低该类学习者偏好在某一期间内长时间地观看课程视频，来满足其特定的学习需求及学习爱好，但之后成为课程脱离者针对该类学习者，平台管理者应实时分析其学习需求及爱好，以推荐相应的课程，使之成为其它课程的重要保持者6 观望者和无价值学习者观望者最近一次登录平台进行课程学习距离课程结束时间较近，但观看课程视频、与师生发帖互动交流等的学习行为较少，处于学习观望状态；无价值用户最近一次登录平台进行课程学习距离课程结束时间较长、学习次数很少或者不学习、观看课程视频花费的时间较少或者不观看——这两类学习者都属于脱离者而忠诚度排名结果显示，这两类学习者的忠诚度非常低。

针对这两类学习者，MOOC机构应加大宣传力度，如定期举办宣传讲座普及MOOC个性化学习模式，以吸引更多的学习者深入了解MOOC平台及课程，将这两类学习者发展为MOOC长期学习者四 小结文章提出了一种新的MOOC学习者细分研究思路，构建了基于RFL的MOOC学习者细分模型与现有的学习者分类方法相比，该模型能够利用学习平台中学习者的大量学习行为数据进行分析，其分类结果更加标准化、合理化文章以“怪诞行为学”课程为例，通过实证分析，证明该模型可以从学习者的学习行为角度出发，有效地对学习者进行精细分类、划分用户级别并分析各类别学习者的忠诚度因此，将该模型应用于学习平台，可以及时发现问题学习者，为教师与平台管理者制定有效合理的教学策略提供指导与支持参考文献：[1]李亮.MOOC发展的国家政策支持研究[J].现代教育技术，2014，(5)：65-72.[2]袁松鹤，刘选.中国大学MOOC实践现状及共有问题——来自中国大学MOOC实践报告[J].现代远程教育研究，2014，(4)：3-12、22.[3]康叶钦.教育的“后MOOC时代”——SPOC解析[J].清华大学教育研究，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]. < fit/>[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, OReilly U M. Likely to stop? Predicting stopout in massive open online courses[J]. Computer Science, 2014, (1): 1-25.[9]蒋卓轩，张岩，李晓明.基于MOOC数据的学习行为分析与预测[J].计算机研究与发展，2015，(3)：614-628.[10]Hughes A M. Strategic database marketing[M]. Chicago: Probus Publishing, 1994: 23-28.[11]杨彬.一种基于RFM模型数据挖掘处理双阶段客户关联分类方法[J].统计与决策，2015，(7)：77-79.[12]刘勘，朱怀萍，刘秀芹.基于支持向量机的网络伪舆情识别研究[J].现代图书情报技术，2013，(11)：75-80.[13]叶海智，程清杰，黄宏涛.K-均值算法支持的优质网络学习资源筛选方法研究[J].中国远程教育，2014，(10)：62-66.[14]王文贤，金阳，陈道斌.基于RFM模型的个人客户忠诚度研究[J].金融论坛，2012，(3)：75-80.作者简介：魏玲，教授，博士，研究方向为管理信息系统，邮箱为245460112@。