有效學習視角下的學習行為辨識技術

范逸洲 汪瓊

【摘要】? 近年來隨著MOOC運動的發展，對學習者在線學習行為的分析和挖掘成為研究熱點，而研究者和教學者都希望能夠基于MOOC積累的大數據增進對網上教與學規律的認識。在此研究背景下，如何科學地辨析和標識學生的有效學習行為，便成為開展這類研究非常基礎性的工作，會直接影響后續研究的發展空間，也會影響同類研究發現之間的比較與對話。本研究以一門慕課課程的近五百萬條學習數據為基礎，介紹了這門課程學生學習“行為標簽詞典”的產生過程，以及基于行為標簽的學習行為辨識做法，特別指出了以往文獻中常被忽略的依據不同行為的持續時間定義行為的價值。最后，本研究展示了基于行為標簽詞典的一個研究案例，即行為標簽詞典如何幫助我們了解學習者“一次學習”的特征。本研究作為方法論層面非常微觀但又非常基礎的一個探索，希望能夠為領域內的類似研究提供借鑒思路，開啟在共同行為辨識基礎上的研究對話。同時也希望以本研究為出發點，征集更多有識之士用其他數據集對此模型進行檢驗、豐富和完善，使其能夠成為諸如在線自主學習策略、網上課程教學設計有效性等研究的基礎工具。

【關鍵詞】? 學習分析;分析粒度;行為標簽;慕課;有效學習;學習行為;行為日志數據;課程教學設計

【中圖分類號】? ?G442? ? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）1-0001-07

一、問題引入

在在線學習情境下，教師面臨的教學挑戰是“看不見、摸不到”學習者，不能像在面授環境下那樣通過察言觀色及時修正教學安排，提供學生需要的幫助。近些年，隨著MOOC運動的發展，對學生網上學習行為的分析成為活躍的研究領域。除了希望通過數據分析為教師提供學生學習狀況描述之外，人們也希望通過MOOC積累的大量學生學習數據，通過學習分析技術，增進對網上教與學規律的認識。在此研究背景下，如何科學地辨析和標識學生的有效學習行為，便成為開展這類研究非常基礎性的工作，會直接影響后續研究的發展空間，也會影響同類研究發現之間的比較與對話。本研究聚焦的有效學習行為具體包括三個維度，即有效學習控制、有效執行學習任務和有效評估（張立國， 等， 2010）。有效學習控制是指學習者以學習目標為指引，選擇最佳學習路徑的過程;有效執行學習任務是指學習者作為自主學習者通過同化、順應、整合和推演等認知行為達成學習目標的過程;有效評估指的是學習者正確評估自己對知識的掌握程度并繼續投入到新學習任務的過程（張立國， 等， 2010）。

在分析學習者在線學習有效行為模式時，很多研究者的分析片段長度都是“一次學習”（session），即學習者從進入學習平臺到“離開”學習平臺的一個時間段。在當下很多在線學習平臺（如慕課平臺或智能導師系統）的設計中，除了明顯的退出系統操作外，并沒有特定的行為日志能夠標志“一次學習”的結束，大多數情況下研究者會采用尋找“一個不合理的長日志記錄”來切分“一次學習”。例如，某學習者在一個頁面上停留了三個小時還沒有后續行為，那么很顯然他/她離開或中斷了“這一次學習”。本研究也取退出系統或長時間不操作的情況作為一次學習的結束標志。

對學生在“一次學習”期間學習行為的辨識研究，早期多采用對各類教學資源的訪問動作進行編碼，以形成“行為標簽詞典”，并分析這些動作的頻次和順序。在不同研究中，對原始日志中行為數據打標簽的方法和側重有很大差異。例如，在研究整個學習過程時，學者會將一次學習中的日志數據按照開始學習、開始觀看視頻、結束觀看視頻、開始做測驗、結束做測驗和結束學習等主要學習節點進行打標簽工作（Maldonado-Mahauad， Pérez-Sanagustín， Kizilcec， Morales， & Munoz-Gama， 2018; Davis， Chen， Hauff， & Houben， 2016）;在研究視頻觀看行為模式時，學者會側重視頻觀看內容的行為標簽，如開始觀看、暫停、向前尋找、向后尋找、加速播放、減速播放等;在研究學習者在平臺上的學習路徑時，學者會側重平臺切分的功能模型，如觀看視頻、完成作業、提交測驗、參與問卷、參與論壇、瀏覽課程材料等（Wen & Rose， 2014; 劉智， 等， 2017）。

后來有學者提出應該更多地給標簽賦予一定的意義或者信息，而不是簡單地描述行為是什么。例如，有學者把觀看行為或者瀏覽資源的行為分成第一次觀看和再次觀看（revisit），這樣可以從拓展新知識和復習舊知識這兩個維度來分析學習行為（Kizilcec， Pérez-Sanagustín， & Maldonado， 2017）。在有些學習策略的研究中，學者通過行為標簽賦予日志數據更多的信息和意義。例如，有學者根據視頻和測驗的先后順序標記了學習者四類觀看視頻的行為標簽（Boroujeni & Dillenbourg， 2018），也有學者標記了尋求提示或幫助的行為標簽（Kock & Paramythis， 2010）。這些研究與本研究有一些契合之處。

本研究以學習者有效學習的行為和策略為出發點，所建立的行為標簽詞典希望對于教師了解學生、學生認清自己都有意義。因此需要在上述動作編碼粒度上再提高一個編碼層次，即按照有效學習的視角，就學習者使用資源的狀態對學習行為進行標記，并且更關注研究常見的行為組合序列。比如，同樣是兩次訪問某個視頻資源，如果第一次訪問就看完了完整的視頻，那么第二次訪問視頻就可以視為“復習”，但如果第一次觀看只看了幾秒，而第二次訪問看完了整個視頻，則第二次觀看應屬于“初學”。“初學”“復習”這樣的編碼更貼近教師關心的學生學習行為，通過對學生網上學習行為的這種編碼，就可以了解并刻畫學生的行為模式。比如，有學生進入系統后首先會去做測試，然后再根據測試做錯的題去看相應的視頻。本研究聚焦的編碼技術就是要刻畫出這樣的學習行為序列，為后續研究不同學習行為模式的學習效果奠定基礎。

與傳統教育研究的編碼框架來自理論分析不同，本研究的學習行為分析詞典主要來自于經驗數據，并用一門MOOC近萬名學生的數據檢驗了行為標簽詞典的可用性。在此介紹“行為標簽詞典”的產生過程以及基于行為標簽的學習行為的辨識做法，也是為了征集更多有識之士用其他課程數據對此模型進行檢驗、豐富和完善，使其能夠成為有關學生網上學習準備度研究、網上課程教學設計有效性研究的基礎工具。

二、研究情境和研究數據

本研究“行為標簽詞典”的建立情境是北京大學數字化學習研究中心在2014年開發的國內第一門教師專業發展類慕課課程“翻轉課堂教學法”。該課程于2014年7月1日首次上線，截至收取本研究數據時已累計開設16個學期（4年），吸引了超過10萬名學習者注冊、學習。這門課程在開課的第一年中（前3個學期），課程團隊對課程資源進行了補充，對教學進度做出了調整，對考核標準也做了修改，從2015年第4個學期開始形成了相對成熟、穩定的課程結構，并保持至今。因此，本研究重點關注第4期到第16期這13個開課周期的學習者及其學習數據，這部分學習者的總注冊人次為97，475人次，課程的總體通過率為6.48%。

從這門慕課學習者的參與情況來看，該課程在4年的運行中積累了大量學習者學習行為數據。圖1展示了不同統計口徑下學習者損失圖，圖中分別展示了總注冊人次、有行為人次、三次以上登錄人次、登錄跨度超過一周人次、五次以上登錄人次、登錄跨度超過三周人次、登錄跨度超過三周且有三次以上登錄人次、通過課程人次。

從圖1可以看出，雖然大量的慕課學習者在注冊后沒有留下豐富的學習行為數據，但由于該課程選課人數多、運行時間長，依然有10，718人是三次以上登錄學習并且學習的時間跨度超過了三周，累計留下了五百多萬條行為記錄。由于本研究聚焦學習者的學習行為和行為模式，因此在后續的分析中舍棄了學習行為非常少的大部分學習者，聚焦于這10，718人次的學習者以及他們的學習行為數據。

本研究主要使用的數據是行為日志數據以及教學設計數據。行為日志數據（log_data）存儲了這門課程所有學習者的所有頁面瀏覽行為，包括學習者ID（uid）、瀏覽頁面（url）、上網地址（IP）、瀏覽時間（時間戳）等，這部分是本研究分析的主體部分。本研究聚焦的學習者群體（10，718人次）共產生了5，183，796條行為日志數據，這是后續在切分分析單元（一次學習）和定義行為標簽時主要使用的數據。在定義行為標簽時，課程的教學設計數據也起到了很重要的作用，幫助研究者理解不同教學資源的作用（將在下文解釋）。

三、為行為數據打標簽的過程

1. 行為標簽詞典建立的過程

基于文獻綜述以及本研究的具體研究情境和研究問題，本研究首先定義了五個基本的學習行為，包括：1-學習新內容;2-復習舊內容;3-回答提問;4-瀏覽和參與論壇;5-參與課程考核。在此基礎上，通過訪談課程設計和運營的3位慕課教師以及10名選修過多門慕課課程的學習者，進一步了解網絡課程教師心目中的有效學習行為，以及學習者口中多樣化的學習表現。在選取課程設計和運營教師時，本研究按照具有豐富慕課開發經驗并參與課程運營一年以上的標準篩選了三位教師，通過面對面半結構化訪談的方式收集慕課教師基于自身經驗對有效學習行為的理解和分析。在選取慕課學習者時，本研究按照至少選修并完成兩門以上慕課課程的標準，通過滾雪球的方式篩選了10名學習者，并通過電話結構化訪談的方式，聚焦受訪者自身的慕課學習經歷、學習行為和典型學習模式等維度收集了豐富的信息。

在這些訪談中，本研究歸納出了另外四類具有一定意義的行為類型，包括：6-把握全局;7-尋求幫助;8-中斷或走神;9-尋找（資源）行為。這四類行為在已有文獻中較少討論，而在訪談中網絡課程教師和學習者都認為這四類行為雖然可能占比較小，但卻對理解學習過程非常重要。例如，訪談的網絡課程教師提到在設計課程時，為了讓慕課學習者對每個單元或者章節的內容做到“心中有數”，在每一小節的資源前面添加了章節概覽視頻或者文檔，幫助學習者“把握學習的內容，自己制定計劃”。這一點在對學習者的訪談中也有提及，學習者談到“這種設計類似一個預告或者導航”，能夠幫助自己明確所處的學習進度和所學知識在整個系統中的位置。當學習者在這類資源上盤桓較久，本研究就將這個行為定義為“把握全局”，這是對一系列具有類似行為的概括，而不僅局限于將行為定義成閱讀公告或者觀看首個視頻。除了這9類行為，所有行為標簽中還有?-行為噪聲和標志著“一次學習”結束的#-信號行為。這后兩類行為是在進行數據檢驗時從研究操作性角度辨識出來的。

這11類行為標簽的具體表述如表1。

這里需要特別說明的是后四類行為，都需要依據或考慮行為的持續時間，按照不同的持續時間對學習行為進行定義，這就涉及如何確定表1中的持續時間劃分標準（t1、t2和t3）。

2. 依據不同行為持續時間定義行為

首先，本研究將停留時間小于5秒的行為定義為行為噪聲，這里t3=5秒是大多數文獻采用的時間標準，即認為學習者很難在短于5秒的時間內做出有意義或者有效的學習行為，視這些行為為隨意點擊的行為噪聲。

其次，本研究將停留時間超過25分鐘的行為定義為中斷或走神，這是經過統計該慕課中視頻和文檔等任務的完成時間（如視頻觀看時長的中位數為14分鐘）確定的，學習者在每一個網頁停留的正常時間不應過長，如果超過了25分鐘則認為學習者可能暫時中斷了學習序列或走神在瀏覽其他網頁。因此，t2=25分鐘這個時間標準，需要研究者根據每門課的具體情況進行調整。

最后，也是最重要的是如何定義一個信號行為標志著學習者離開了學習，而根據本文第一部分“問題引入”中的介紹，這個問題的本質是如何確定一個“不合理的長停留時間”。文獻對于停留時間超過多久就標志著“一次學習”結束的界定存在較大差異，有的文獻定義為30分鐘（Gasevic， Jovanovic， Pardo， & Dawson， 2017），有的文獻定義為45分鐘（Liu， He， Xue， Huang， Li， & Du， 2015），還有的文獻定義為2小時（Kizilcec， et al.， 2017）。

確定“不合理的長停留時間”是多長時間，需要考慮一個平衡的問題，這個時間標準既不能太小也不能太大。如果切分標準太嚴格（也就是太小），就會導致在學習者學習過程中那些持續時間相對較長的行為（如參加測驗、提交作業、瀏覽文檔等）被誤認為是中斷信號，錯誤地把“一次學習”切分成了兩次甚至多次。同時，當切分標準太嚴格、“一次學習”的持續時間太短時，“一次學習”這個分析單元上學習者的學習行為不夠豐富、持續時間過于碎片化，也會影響后面研究的可靠性。因此，在慕課學習中“一次學習”的切分標準，不宜太過嚴格，同時也不能太過寬松，因為這就會導致學習者本已結束的某次學習被誤認為還在延續，或者出現超長時間的“一次學習”（例如跨越午餐時間的整個上下午都被納入了“一次學習”）等情況。

也就是說，一個理想的切分標準，首先，應該讓切分后的“一次學習”包含較長的學習時間和較豐富的學習行為;其次，應該讓多個“一次學習”之間保持合理的時間間隔;最后，應該讓跨越午飯、晚飯和夜晚的超長的“一次學習”盡可能少。基于以上幾個判斷標準，本研究就本課程數據從5分鐘到120分鐘，以5分鐘為間隔（5分鐘、10分鐘、15分鐘、20分鐘……110分鐘、115分鐘、120分鐘）測試了所有切分標準在上面幾個維度的結果，得到圖2的數據。

基于圖2中的曲線和斜率計算，可以很清晰地看出：平均“一次學習”（session）時長（sessionlength，即一次學習的持續時間）、大小（sessionsize，即一次學習包含多少條學習行為記錄）和間隔（sessiongap，即兩次學習之間以天為單位的平均間隔）隨著切分標準的變大而變大，并在“45～60分鐘”之后變大的速率明顯下降并基本維持在一個合理水平;相對而言，不合理“一次學習”（session，即跨越時間過長。例如將前后兩天的學習連貫成了一次學習）的個數也隨著切分標準的變大而變大，并在“45～60分鐘”之后變大的速率明顯上升并超過了可接受的合理水平，而且當切分標準為60分鐘時不合理“一次學習”（session）個數相較于切分標準為45分鐘時的情況已經翻倍。

由于本課程的教學視頻大多在10分鐘以內，閱讀文檔字數在5，000字左右，單元測試題20道左右，都是在45分鐘以內可以完成的，所以在本研究中當學習者在某個行為的停留時間超過45分鐘時，意味著學習者已經離開了這次學習，也就是說意味著“一次學習”的結束。根據這個標準，所有學習者在一個學期內的所有學習行為序列，將被切分成N個“一次學習”（session）。根據上面的標準，10，718名學習者的5，183，796條行為數據被切分成297，065個一次學習，以備后面的數據分析使用。另外，經過統計，慕課學習者每登錄平臺一次進行學習，平均會發生17.45次行為，平均時長為32.57分鐘。因此，本研究認為將“不合理的長停留時間”定為45分鐘，是一個既有依據也符合在線學習實際情況的標準。當然，在這里我們更強調得出45分鐘的分析過程，對于是否45分鐘的標準適用于其他課程、平臺或者學習情境則需要更多的研究進行驗證。

3. 給課程行為打標簽的過程

在完成了行為標簽詞典后，按照附錄中定義的計算規則，對這10，718人次的5，183，796條行為日志數據進行打標簽。在給所有學習行為打標簽的過程中，標注過程按照表1的順序依次進行。例如，某學習者的所有視頻學習行為都先被標注成了1;然后判斷這些視頻學習行為對應的資源在其發生的時間點之前是否已經被學習過，如果已經被學習過則改標記為2（覆蓋標記1）;如果某個被標記為2的視頻觀看行為對應的資源是技術支持類（如如何同伴互評），那么這個復習舊內容的行為則被理解為學習者（在參與互評時）遇到問題時的求助行為，被改標記為7（再次覆蓋標記2）。按照這樣的邏輯，將所有學習者的所有學習行為打上了標簽，11類行為標簽的比例如圖3所示。

結合圖3可以看出，在所有行為標簽中“1-學習新內容”的比例最大，而“7-尋求幫助”的比例最小。其他比例較大的行為類型有“2-復習舊內容”“6-把握全局”“5-參與課程考核”。值得注意的是“?-行為噪聲”的占比非常大，因此，在數據分析之初標記這些行為噪聲對提高后續分析的有效性和可靠性至關重要。當然，行為噪聲并不意味著這些行為沒有意義，比如它可以幫助辨識“9- 尋求行為”。在上面的11類行為標簽中，雖然第三類、第四類、第七類、第八類和第九類行為的比例較低，都低于10%甚至低于5%，但并不意味著這些行為的意義可以被忽略，恰恰是這些相對低頻的行為，區分了不同學習者之間的行為模式和學習策略水平。

四、學習行為標簽應用舉例：“一次學習”類屬研究

至此，基于前面對學習行為的標簽化處理，所有慕課學習者的每一次學習就成為一條條由數字構成的“句子”，在此基礎上就可以做進一步的研究。比如，在訪談中（資料來自上文提到的10位慕課學習者），一些學生談到他們會集中時間看課件，然后在下次學習時集中精力做測驗。為了證實有多少學生有這樣的學習特點，就可以在此研究基礎上做聚類分析。

本研究采用聚類分析中最常用的K-Means算法（王夢倩， 等， 2018），對297，065條Session的行為序列數據中9類行為時長占比情況進行聚類。在進行K-Means聚類分析時，首先需要確定聚類的個數，也就是將數據聚類多少類時簇內相似度高，簇間相似度低。這其中主要由簇內誤差（within-cluster sum of squared errors，SSE，也叫“簇慣性”）決定，當聚成某類時SSE值最小，則說明這個聚類個數是最恰切的。同時，當K-Means算法的循環次數和運行次數增加時，SSE的值將趨于穩定。為了得到更可靠的SSE值，同時兼顧分析的運行時間成本，本研究選取循環次數為20次并運行K-Means30次，得到SSE值的均值。經過分析發現，當K值（也就是聚類個數）為7時，30次運行得到的SSE均值最低，為0.1328。因此，聚類分析的聚類個數應該選定為7類，也就是說將全部session行為序列聚類成7類最為合理，這7類的聚類結果如圖4、圖5所示。

通過圖4和圖5可以看出，學習者一次學習中9種行為時間占比的聚類結果具有兩個特點：第一，主題鮮明、目標明確;第二，分布均衡、體現策略。整體而言，聚類結果非常理想，一方面與前面的訪談資料相呼應，另一方面也為后續特征提取提供了新思路。

在主題鮮明和目標明確方面，七類主題學習中有五類呈針狀，也就是說當學習者處于這五類主題學習狀態時其學習行為非常聚焦。例如，在第一類“學習新內容”的主題學習中，學習者平均花費“一次學習”的75.89%的時間在學習新內容;在第三類“專注于測驗”的主題學習中，學習者平均花費“一次學習”的92.81%的時間在做測驗、作業和考試等計分任務。通過聚類結果中主題鮮明的特點可以看出，慕課學習者在學習時會有意識或無意識地在“一次學習”中專注于某類學習任務的開展。從這種鮮明的主題學習特征可以看出，大多數慕課學習者在開始“一次學習”時都有較為明確的目標。例如，這次學習的目標就是學習新知識，下次學習的目標就是完成測驗，等等。

在分布均衡和體現策略方面，除了第一類“學習新內容”占據所有學習26.32%的比例之外，其他六類學習主題的占比相對均衡，均在12%上下。這說明，從慕課學習者整體的學習主題情況來看，不同主題學習之間是相對均衡的，特別是“復習舊內容”“邊測邊學”“在互動中學習”等多樣化的學習主題占比較大，體現出學習者群體具有一定的策略水平與學習方法。例如，在第六類“邊測邊學”的主題學習中，學習者在做測驗的同時會學習新內容，同時也可能復習舊內容。在訪談中，也有受訪者談到自己的某些學習模式跟聚類分析的發現一致，如“在學新知識之前先自測一下”“做了測驗發現哪里掌握不到位再去復習”等高度體現策略水平的行為模式。

五、討論與總結

本研究嘗試基于有效學習研究視角去辨識學生的學習行為，結合課程教學設計所期望的學習行為和學習者在學習過程中習慣采用的學習行為建立了 “行為標簽詞典”，并用一門課程的數據檢驗了標簽詞典的可用性。文中具體展示了對所有學習行為日志進行打標簽的過程，展現了如何將“數據”轉化成“信息”，給原始數據賦予意義。本研究定義的11種行為標簽，與以往簡單按照平臺界面或功能模塊的定義方式不同，融入了對學習行為的基本判斷，例如將以往研究中的“學習資源行為”分成了“學習新內容”和“復習舊內容”。這樣的行為標簽詞典，可以給其他相近的研究提供參考和借鑒，同時統一的行為標簽詞典也為后續基于相同數據或不同數據的研究進行對話提供了可能。

在對上述行為標簽詞典不同類型行為的統計圖（圖3）中可以看出，?-行為噪聲的占比接近全部行為的20%。這些行為噪聲停留時間短、出現位置和頻次隨機性高，同時這類數據的可解釋性差，為基于教育數據挖掘的研究增加了難度。因此，定義、標注并清洗掉這些數據，是大多數研究會選擇的一種操作。但本研究從有效學習分析角度來看這些行為噪音，就會發現雖然行為噪聲較難解釋但也并不是完全沒有意義：首先行為噪聲可能隱含了學習者處在一種四處亂點、無聊亂翻的學習狀態，這對研究學習本身而言是有意義的。另外，本研究定義的9-尋找行為，就是在諸多行為噪聲中“拾回”的有價值行為。例如停留時間“短短短長”的行為模式，看似前面三個行為屬于行為噪聲但是與后面一個較長行為連接在一起后，就隱含了學習者處在一種快速瀏覽、尋找資源的狀態中，這對于研究學習策略也是有意義的。因此，在學習分析中首先需要注意和警惕行為噪聲，其次也需要意識到行為噪聲對研究的寶貴意義。

在確定分析單元和定義行為標簽的基礎上，很多教育數據挖掘的方法和技術才可以得到運用，本研究展示了運用聚類分析技術識別學習者“一次學習”的學習主題，并討論了慕課學習者具有單次學習內主題明確、行為聚焦的學習特點。雖然本研究的重點不在于分析學習主題，但基于真實數據的研究發現從另外一個側面展示了前面兩個基礎性步驟的重要性。特別是，只有當清晰地定義了什么是“一次學習”，以及每一個點擊“數據”背后隱含了什么行為“信息”時，學習分析的發現才有了從教學層面解讀數據的能力。因此，本研究作為一個方法論層面非常微觀但又是非常基礎的一個探討，希望能夠為領域內的研究者提供一種借鑒或者思路，也許能夠開啟在共同數據清洗基礎上的研究對話。

[參考文獻]

劉智，王亞妮，鄭年亨，等. 2017. 高校SPOC環境下學習者行為序列的差異性分析研究[J]. 中國電化教育（7）：88-94.

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

張立國，劉曉琳. 2010. 網絡有效學習的理論模型構建[J]. 開放教育研究（06）：35-41.

Boroujeni， M. S.， & Dillenbourg， P. （2018）. Discovery and temporal analysis of latent study patterns in MOOC interaction sequences. In Proceedings of the 8th International Conference on Learning Analytics and Knowledge （pp. 206-215）.

Davis， D.， Chen， G.， Hauff， C.， & Houben， G. J. （2016）. Gauging MOOC Learners' Adherence to the Designed Learning Path. International Educational Data Mining Society.

Gasevic， D.， Jovanovic， J.， Pardo， A.， & Dawson， S. （2017）. Detecting learning strategies with analytics： Links with self-reported measures and academic performance. Journal of Learning Analytics， 4（2）， 113-128.

Kock， M.， & Paramythis， A. （2010）. Towards adaptive learning support on the basis of behavioural patterns in learning activity sequences. In 2010 International Conference on Intelligent Networking and Collaborative Systems （pp. 100-107）. IEEE.

Kizilcec， R. F.， Pérez-Sanagustín， M.， & Maldonado， J. J. （2017）. Self-regulated learning strategies predict learner behavior and goal attainment in Massive Open Online Courses. Computers & Education， 104， 18-33.

Liu， Z.， He， J.， Xue， Y.， Huang， Z.， Li， M.， & Du， Z. （2015）. Modeling the learning behaviors of massive open online courses. In 2015 IEEE International Conference on Big Data? （pp. 2883-2885）. IEEE.

Maldonado-Mahauad， J.， Pérez-Sanagustín， M.， Kizilcec， R. F.， Morales， N.， & Munoz-Gama， J. （2018）. Mining theory-based patterns from Big data： Identifying self-regulated learning strategies in Massive Open Online Courses. Computers in Human Behavior， 80， 179-196.

Wen， M.， & Rosé， C. P. （2014， November）. Identifying latent study habits by mining learner behavior patterns in massive open online courses. In Proceedings of the 23rd ACM international conference on information and knowledge management （pp. 1983-1986）.

收稿日期：2020-03-19

定稿日期：2020-07-02

作者簡介：范逸洲，博士;汪瓊，博士，教授，博士生導師，主任，本文通訊作者。北京大學教育學院數字化學習研究中心（100871）。

責任編輯 張志禎 劉 莉