设定进度:在MOOC论坛上用自动文本分析检验认知过程

(社会存在均指社会临床感）On écrit sur les murs

摘要

       学习分析专注于从大量数据中提取含义。教育中最大的数据集之一来自大规模的在线公开课程（MOOC），通常具有成千上万的入学人数。分析MOOC讨论论坛会遇到后勤问题，这是由数据集的大小引起的，这可能会给理解和充分描述学生行为带来挑战。利用自动文本分析，本研究建立了一个层次线性模型，该模型检查了哈佛公开课中认知处理的演示，无论是自定进度还是讲授进度，大规模开放式在线课程（MOOC）的定速条件的影响MOOC。对由671名学生生成的2,423个讨论帖子的分析表明，所使用的词典单词的数量与认知处理呈正相关，而分析思维和影响力则与呈负相关。我们发现，学生的背景信息（性别，教育程度），课程参与的状态（已探究或已完成）或课程进度（自定进度与讲师的进度）均不会显着影响帖子的认知处理。

background information (gender, education),

 status of the course engagement (explored or completed), 

or the course pace (self-paced versus instructor paced) 

引言

       对于大规模在线开放课程(MOOC)，文献中并没有一个包罗万象的定义。相反，这个词被用来指各种各样的产品(主要产品)。Blackmon, 2016)。在mooc的种类上也没有一致的意见，从两种(Major &Blackmon, 2016)到三种类型(Bonk, Lee, Reeves， &amp（2017)和其他人认为只有两个是太有限的(Cohen &,2018;Lowenthal,,2018)。两种常见的类型是cMOOC和xMOOC。这两种类型的一个关键区别是学习者在学习过程中的角色(Hew &zhang,2014;,Blackmon, 2016)。在cMOOC或connectivist MOOC中，学习者不仅要参与讨论，还要积极参与课程内容的制作、发现和辩论。cMOOC的一个显著特点是使用各种外部工具，如Twitter或博客，这些工具由课程网站之外的学生制作，但由学生带入课程空间(Bonk et al.， 2017)。在cMOOC中，学习受到开放性、自主性和分布式知识网络(专业和课程)之间的联系的影响。（Blackmon, 2016;)。相比之下，xmooc更多地以教师为主导，教学主要以预先录制的视频讲座、自我评分评估和论坛讨论活动(Adams, Yin, Vargas Madriz, & Mullen, 2014; Bonket al., 2017) 使用行为主义的学习观点，Hayes(2015)将其定义为知识传递模型。虽然最初的mooc大多被归类为cmooc，但现在更多的xmooc正在被提供，主要是由传统的高等教育机构提供(Al-Imarah & Shields, 2019; Veletsianos& Shepherdson, 2016).

----------------------------------------------------------------------------------------------------------------------------------------------------------

基于关联主义学习理论的 cMOOC 模式和基于行为主义学习理论的xMOOC模式。edx属于xMooc

-----------------------------------------------------------------------------------------------------------------------------------------------------------

       当前，MOOC中有两种节奏安排：教师节奏和自定节奏。讲师安排的MOOC，也称为实时，基于会话或同类的MOOC，将具有特定的开始和结束日期以及已定义的注册时间。这些课程将有一个发布日期（当课程向学生开放时）和特定的截止日期，就像在校园课程中会发现的那样。尽管学生可以随时加入，但许多人将在启动日期开始并组成一个班级。这种方法与更高的学生保留率有关（Sharif＆Magrill，2015）。当由教师安排的课程已超过最后期限时，将其存档。学习者仍然可以报名参加该课程，但不会获得证书。或者，有自定进度或按需MOOC。这些课程可以立即发布所有内容，没有截止日期。出于实际原因（例如论坛支持和研究周期），大多数自定进度的课程的确会在某个时刻结束，并且在结束时也可以将其存档。 MOOC的主要提供商edX和Coursera均以自定进度的结构提供MOOC。通常，这些自定进度的MOOC具有与他们的自定进度的MOOC相同的内容和活动要求，最显着的差异是同时消失在整个课程中的同类人群。此外，许多自定进度的MOOC并没有提供结业证书，尽管有些确实设有助教，并且在讨论论坛中都在场。在这项研究中，研究人员确定了在讲师定步调和自定步调条件下开设的一门课程，从而有机会在两者之间进行比较。这些课程的数据是通过研究人员所在机构与哈佛大学VPAL研究小组之间的数据使用协议提供的。

2.理论背景

        调查社区（COI）理论框架为这项研究提供了信息（Garrison，Anderson，＆Archer，2001）。该框架由教学，社交和认知临床感领域组成，表明当学习者进行社交互动并与同龄人协调努力，将新知识与过去的理解联系起来并直接将信息应用于他们现在的生活时，就可以实现高质量的在线教育。高度重视自我反思和自我调节学习的学习环境（Garrison，2007; Kilis＆Yıldırım，2018; Shea＆Bidjerano，2010）。该框架已成为被广泛引用的通过在线讨论来理解学习的模型（Breivik，2016），被视为高阶学习的必要背景（Garrison等，2001，第7页）。在MOOC方面，调查社区主要在课程讨论论坛中运营。 COI结合了建构主义的学习方法，并认识到互动和话语在高级学习中起着基本作用，在结构（设计）和领导力（促进和指导）方面也起着重要作用（Garrison，2007）。

2.1 论坛

       现有的MOOC研究往往强调论坛活动，因为它是学生参与的主要来源。在论坛中，学生可以获得同伴联系和想法交流的空间，并可以参与对话和彼此互动(Beckmann & Weber, 2016;Kent, Laslo， & Rafaeli, 2016;谢里夫和Magrill, 2015年)。异步论坛留出了时间进行反思和创建书面记录，为学生建立起彼此借鉴思想的有效机制(McLoughlin & Mynard, 2009;Wang, Woo， & Zhao, 2009)。

       人们应该将认知临床感视为促进高阶思维技能发展而不是个人学习成果的过程（Akyol等，2009； Akyol＆Garrison，2011）。在论坛上，学生可以协作进行知识建设，从而提高认知水平（Kent等，2016）。 McLoughlin和Mynard（2009）发现，讨论论坛的几个要素支持了高级思维的发展，例如反思某人写作的时间和创建书面记录以使学生更有效地利用彼此的思想的时间。这些研究人员进一步建议，分配任务的类型和初始讨论论坛提示的措辞会影响在线讨论中出现的高级思维过程的类型。仅论坛不可能支持更大的认知度，但可以对其进行优化。 Garrison（2007）解释说，认知临床感是通过杜威（1933）关于反思性思维的实用探究模型进行操作的，它具有四个阶段：触发事件，探索，整合和解决。在某种程度上讲，论坛旨在鼓励这些阶段，因此它更有可能支持认知临床感。

3.学习分析

       在线讨论论坛，尤其是mooc，是学生与学生进行大量互动的场所(Wong, Pursel, Divinsky， & Jansen, 2015)。用来衡量批判性思维的不同方法和框架已经得到了不同程度的支持或批评，而社区调查(CoI)框架则成为更常见的一种(Breivik, 2016)。虽然CoI模型的研究和验证,它可以是乏味的手工编写响应下这种方法(Kovanovićet al ., 2016)。当研究的数据集较小或有研究团队时，这是一种可行的方法，但考虑到要分析的帖子数量，在MOOC论坛上进行研究的可行性要低得多。作为回应，研究人员利用自动文本分析工具对MOOC论坛进行了研究，以寻找认知临床感的证据(Dowell & Graesser, 2014;Kovanovićet al ., 2016)。

       学习分析，特别是文本挖掘，可以在无监督和有监督的机器学习方法中使用，以使分析更易于管理（Moore，2019）。Ezen-Can，Boyer，Kellogg和Booth（2015）指出，对使用学习分析方法更好地了解MOOC中学生活动的兴趣明显增加。研究人员特别指出，MOOCS中非常重要的数据来源之一是学生在讨论论坛上进行的文字对话（第146页）。、

       在这项研究中，我们的兴趣在于讨论贴子，Humphreys和Wang(2018)认为讨论贴子是使用自动文本分析的理想选择，因为它可以在处理大量语料库的同时进行组间比较。利用强大而高效的分析工具进行分析的能力促使许多研究人员部署自动化文本分析工具来检查在线交互(Donohue, Liang， &Druckman, 2014)。我们选择了经过广泛验证的语言查询字数统计(LIWC)工具来分析我们的数据集(Fast, Chen， &伯恩斯坦,2017;Tausczik,Pennebaker, 2010)。这个经过验证的工具使用字典对文本中使用的语言进行分类和量化，并提供了已定义类别(Khazaei, Lu， &美世,2017;Simms等，2017)。

       我们选择了2015版的LIWC工具来分析我们的讨论论坛文本。正如Kahn，Tobin，Massey和Anderson（2007）所解释的那样，LIWC将文本与具有指定类别的预定词典进行比较，并输出这些类别的帖子内容的频率值，范围从简单的文章和介词到细微的情感，情感，和认知词。 Pennebaker，Boyd，Jordan和Blackburn（2015）使用“target words”一词，将其定义为LIWC分析的词。在这项研究中，目标词是在讨论论坛帖子中找到的那些词。在LIWC词典中找到的单词被称为“dictionary words”，“word categories”是指描述特定领域的单词组，例如洞察力或差异（Pennebaker等人，2015）。在本研究中，我们专注于认知临床感，我们正在使用LIWC中的cognitive processing 类别对其进行操作。此类别由797个单词组成，可以进一步细分为洞察力，原因，差异，暂定性，确定性和区分性（表1）。出现在这些子类别中的单词（例如洞察力，因果关系）也属于主要单词类别（认知过程）LIWC的有用性已通过各种研究得到了验证，包括那些研究认知临床感的研究（Kovanović等人，2016； Oztok，Zingaro，Brett和Hewitt，2013； Pennebaker等人，2015），并且发现了其认知加工得分具有较高的预测效度（Slotter和Ward，2015； Tausczik和Pennebaker，2010）。 LIWC在四个汇总变量上得出分数，并指出特定语言类别相对于单词总数所占的百分比（Krieger，Watkins，Gerber，Pham和Bauman，2018年）。然后，LIWC报告这些单词的值，以百分比表示。例如，帖子的认知处理得分为8.3，意味着帖子中使用的单词的8.3％位于认知处理词典中（Simms等，2017）。自上而下的字典分析方法的使用可实现单词的更一致的度量，而经过验证的工具的使用可实现并发有效性（Humphreys＆Wang，2018）。

       LIWC的基础是人们使用单词来概述他们如何看待世界并与之互动，并且对单词的分析具有重要意义（Krieger等人，2018）。 LIWC已在各种情况下使用，包括预测最终课程成绩（Robinson，Navea和Ickes，2013年），群体内部和群体动力学的影响力（Van Swol＆Kane，2019年），欺骗研究（Newman，Pennebaker，Berry和 理查兹（Richards，2003年），以及人与人之间的互动（Kacewicz，Pennebaker，Davis，Jeon和Graesser，2014年）。 当前版本的LIWC有大约100个不同的类别，重点关注诸如语法，词汇使用，感知，情感，社交过程和个人关注等主题（Bulkeley＆Graves，2018）。 Fast等人（2017）断言LIWC现在是心理计量学验证类别的标准承担者。

4. MOOC步调条件

       有两种主要的MOOC方式：由教师设定进度或自定进度。 讲师授课的MOOC使用讲师指定的线性顺序课程结构。 自定进度或按需学习的课程具有更适应性的学习路径，学习者可以根据学习方向来决定以什么顺序查看内容。 表2总结了我们如何期望活动，队列的角色以及知识脚手架在步调条件之间进行比较的机会。

4.1. 活动

       Sharif和Magrill（2015）预测，在讲师设定进度的讨论论坛中，我们会看到更多活动，在自定进度的论坛中较少， 总体而言，讨论论坛的参与度较低，并且会随着时间的流逝而减弱（Yang，2014年）。

4.2 同类群组

       讲师设定进度MOOC具有确定的开始和结束时间，Sharif和Magrill（2015）将其描述为同班模型。自定步调的MOOC和它相比，具有更开放的开始和结束时间。学生的参与度与认知能力有关，研究强调了最初几周对于参与MOOC的重要性（Jordan，2015； Perna等，2014）。 由于教师授课式课程的学生遵循相似的时间表，因此在讨论论坛中的互动和参与类型发生了更大的变化，可以促进认知的出现。 在自定进度的课程中，学生不是同班同学的一部分，但是尽管学生之间的交往可能不那么紧密，但如果课程内容质量较高，则自定进度的MOOC对于自学成才的学习者可能更有利 。 坎贝尔（Campbell）等人建议，一个自我指导的学习者对指导者的依赖会减少，因此，对于MOOC，他们可能更喜欢采用自定进度的结构。

4.3知识脚手架

        Sharif和Magrill（2015）认为，自定进度的MOOC在社交上太孤立了，由此造成的脱节性损害了知识脚手架的潜力。脚手架是指为响应最初的发布而发布的探究和后续问题，这些进一步推动了讨论（Whipp，2003），这是一个合理的担忧，因为即使是在讲师级的MOOC中，许多学生也难以建立持续学习课程所必需的社交关系（Yang，Wen，Kumar，Xing和Rosé，2014年）。自定进度的结构会加剧这种情况。学生使用自定进度的MOOC讨论论坛的方式会影响同伴彼此影响的方式。这与讲师安排的课程的不同之处在于，发帖和回复之间可能会有更多的时间。自定进度的学生可以阅读几周前发表的帖子，并发表自己的见解。但是原始帖子的作者返回对话并回复其添加内容的可能性很小，缺少对一个人的贡献的答复可能会降低激励。同时，由于不关注特定的截止日期，自定进度课程的学生可能可以从阅读更多的同伴发帖中受益，然后再自己发帖。

5.研究目的与问题

        尽管没有采用同类群体模型，但我们希望发现自定进度的学生比教师设定进度的学生具有更高的平均认知加工分数。因为尽管自定进度的学生发帖的频率可能有讲师定义进度的同龄人，但受益于能够阅读其他帖子，他们的帖子仍可能具有较高的认知处理水平。此外，专注于较长线程的自定进度的学生将获得更多机会深入学习内容，Hecking，Hoppe和Harrer（2015）的假设将带来更高的学习收益。我们还想提供经验证据来解决两个发现之间的分歧。坎贝尔（Campbell）等人（2014）发现，尽管没有明确的队列研究对象，但自定进度的MOOC的学生仍积极参与讨论论坛。这些发现与谢里夫和马格里尔（2015）的观点相矛盾，谢里夫和马格里尔（Sharrif and Magrill）认为，相反的情况将会发生，学生会在自定进度的MOOC中感到孤立，因此不参与知识建构。为了进一步探讨进度条件与认知加工之间的关系，本研究回答了以下问题

（1）参加MOOC不同步调条件的学生之间在认知加工方面是否存在差异？

  （2）哪些特征（例如，学习者的人口统计信息和对课程内容的参与度，帖子的语言质量，帖子分类）预测讨论论坛帖子中的认知处理？

6.方法

6.1 参加者

        这项研究的参与者在MOOC的自定进度或讲师定进度的部分中发表了论坛讨论区帖子,这堂课的名称为：可视化日本（1850年代1930年代）：西方化，抗议现代性，由HarvardX在edX平台上提供。参与者完成了一项选修课前调查，询问人口统计学问题，包括其教育水平和性别。通过与哈佛大学VPAL研究小组的数据使用协议，可识别的数据已提供给研究人员进行研究。对于这门课程的两个版本，共有11,216名学生注册，而本研究仅关注于为讨论论坛做出贡献的671名学生。在这些贡献者中，约42％（自定进度的大约为45％，讲师设定进度的大约为39％）是查看者，并且访问了至少一个课程章节，约15％是探索者（在自定进度的课程和讲师定速课程中，大约为15％），并且至少访问了一半的课程章节，并且约43％是完成课程（自定进度的大约40％，讲师定速的大约46％）并完成了所有课程要求（表3）。研究参与者受过高等教育，其中41％拥有本科学历或副学士学位，30％拥有硕士学位，5％拥有博士学位。超过一半（53％）的参与者是女性。

6.2背景

       可视化的日本（1850年代至1930年代）：西化，抗议现代性 MOOC是MITx和Harvardx之间的合作，分为四个模块。自定进度和讲师的学习目标和内容相同，包括讨论论坛的提示和评估。课程之间的唯一区别是学生必须在课程中与内容互动的时间以及彼此之间的互动时间。讲师授课的版本设计需要花费六周的时间，每个学习者每周需要花费三到五个小时的努力，并且属于艺术和文化学科领域。本研究中使用的由教师调整的版本从09/15-15 11 / 3-15开始，而由个人调整的版本从09/1-16 09/31-17开始。在讲师进度课程的最后，内容用于创建自定进度的版本。这项研究是事后分析，这意味着我们收到了可识别的数据，但没有与课程设计者或任何学生直接联系。

6.3 过程

       初始数据集包括来自教师和学生的3,851个帖子。 使用图1中概述的过程，我们将数据集的范围缩小到来自671个独特学生的2,423个帖子。 为了进行LIWC分析，研究人员上传了一个.csv文件，每个论坛帖子均占据一行，而LIWC则附加了不同的值。 LIWC生成的变量包括单词数量，六个字母的单词数量，词典单词的数量以及分析性思维，语气，真实性和影响力的摘要变量，以及认知处理得分。 我们有兴趣探讨哪些语言属性会影响认知过程，例如 帖子的长度或所用单词的特定类型，并使用这些变量来探索这些潜在的关系。

数据清洗过程

6.4 变量

       这项研究的因变量是认知处理，由LIWC计算。 LIWC还生成有关语气，真实性，六个字母的单词数，单词数和每个句子中的单词的值。 双变量相关性表明，这些均与认知加工分数无显着相关性。 模型中使用的发布功能的平均值和标准差显示在表4中。认知处理（cogproc）的值，分析性思维（analytic），影响力（clout）和真实性（authentic）的三个摘要变量的值报告为百分比字数，而字典值是所用字数。 但我们不能得出结论，一组的认知加工得分高于另一组，因为我们的零假设是没有差异（差异为零），并且 我们未能拒绝原假设。

帖子类型和字数的平均数和标准差。

6.5数据分析程序

        由于每个学生都有发帖，并且帖子彼此之间并不独立，因此使用传统的统计程序违反了独立观察的假设。表5中显示了帖子类型和每个帖子的字数的平均值和标准差。采用随机拦截两级分层线性模型（HLM2）来解释数据的嵌套功能：每个学生中有多个帖子。空模型（无任何预测因素的无条件模型）被用作基准模型，以计算完整（有条件）模型的效应量（Raudenbush＆Bryk，2002）。由于哈佛提供的可识别数据，使用HLM是一种分析MOOC论坛数据的新颖方法。这样一来，我们就可以获得两层数据，每位学生的所有帖子和回复都嵌套在其中，这比多元线性回归方法更为稳健，因为考虑到了每位学生对独立观察的违反，并且同一模型中包括个体差异和个体内部差异。两级完整HLM如下：

响应级别

个人学生级别

       模型的级别1是响应级别。 1级回归中的因变量是发布的认知处理得分，而1级回归中的自变量包括回复和评论的虚拟编码变量（最初的贴用作基线比较）。 1级回归中的其他自变量包括发布的功能（即分析性，影响力，真实性和词典词的使用）。级别1中的所有变量都是帖子的特征。 1级回归中的截距代表初始帖子的估计平均认知处理得分。

       1级回归中的截距和斜率成为2级回归中的因变量。级别2的第一个回归，即单个学生级别，使用高中毕业生作为参考组，预测具有学生特征（例如教育背景（学院，硕士，博士学位））的级别1的拦截。此回归还包括学生性别（男性为参考组），课程（自定进度作为参考组）以及学生的课程参与结果（已探究，证书，完成）。所有这些2级独立变量都进行了虚拟编码，因此斜率代表了参考组和焦点组之间的差异。课程（自定进度与讲师定进度）也包括在第2级回归中，以检查课程对认知处理和帖子特征（即分析，影响力，真实性和词典词的使用）之间关系的调节作用）。

7.调查结果

        在这项研究中，我们探讨了学生在自定进度和讲师定速的讨论论坛中的参与情况，以及这种定速情况是否影响了认知加工的演示。我们希望发现，自定步调的学生的平均认知处理得分要高于讲师定速的学生。这似乎是违反直觉的，因为人们会假设，在讲师安排的课程中，与自定步调的学生之间可能会进行更多的互动，而在这些课程中，学生可能会将帖子发布到无效的论坛上而没有收到答复。我们进一步预计，在自定进度的讨论论坛中仍将有活动（Campbell等，2014），并且额外的时间和对帖子的考虑将为学生提供更多机会，使他们彼此之间进行知识建构。转变将反映在认知存在的更高水平上（Kent et al。，2016）。 Kanuka和Garrison（2004）支持了这种期望，他们认为认知存在需要持续的沟通以及学生与学生以及学生与内容之间的互动。

       HLM的结果显示在表6中。HLM解释了发布的认知处理中15％的方差。 HLM的结果表明，认知处理的最强预测因子是词典中出现的单词数量。关于RQ1，我们没有发现课程（自定进度与讲师定进度）显着影响帖子的认知处理。关于RQ1，我们发现，学生的背景信息（性别，教育程度）或对课程内容的参与（已探究或认证的）均未显着影响帖子中的认知处理。在发布的认知处理与发布的真实性摘要变量得分之间未发现统计上的显着关系。在探讨帖子和认知处理的语言质量时，我们确实发现了一些关系。尽管这种影响的大小很小（Cohen，1988），但是该模型显示了发布的认知处理和词典词的使用（DIC）之间的统计学显着正相关。这表明学生正在使用正式语言（使用词典词）。此外，发现认知处理与分析摘要变量和影响力摘要变量之间存在负相关关系。这表明分析思维和影响力的某些方面不支持认知过程。例如，如果帖子显示出较高的暂定性或差异性（认知处理的两个方面），则可能导致较低的分析性思维得分。此外，表达出信心和确定性（影响力）的想法可能不像支持或促进认知处理所必需的正在进行的讨论和话语类型。

7.1 字典单词

      字典词的使用是我们发现与认知加工成正相关的唯一变量。 认知过程反映了语言的复杂程度（Van Swol，Prahl，Kolb，Lewis和amp），并进一步证明了作者组织思想的水平（Cohn，Mehl和amp＆Pennebaker，2004）。 Bulkeley和Graves（2018）对此表示支持，他们断言所使用的词典单词数量越多，帖子中正式语言的使用就越多。 因此，对于有兴趣促进认知过程的讲师的建议，应鼓励学生在写作时使用更正式的语言。

7.2 影响力

       Clout是LIWC中的四个摘要变量之一，旨在衡量帖子的置信度和确定性水平（Pennebaker等，2015），该算法是根据关注个人互动的研究结果开发的（Kacewicz等，2014）。O Dea，Larsen，Batterham，Calear和Christensen（2017）强调说，影响力摘要变量反映了个人通过写作表达出的社会地位，自信心或领导能力。Jordan和Pennebaker（2017）进一步将影响力定义为具有较高数量的We词和社交词以及较少数量的I词和否定词。我们发现这与认知过程负相关。这可能是由于这样的事实：显示出更多的信心可能不会促进那么多的讨论和开放的讨论。

7.3 分析思维

       分析思维是LIWC的四个高级文本属性之一（Simms等，2017），也是LIWC输出的摘要变量之一。 这个汇总变量用于衡量帖子中包含表达形式，逻辑和层次式思维模式的单词的程度，而这是认知存在的一部分（Tausczik＆Pennebaker，2010）。 该变量与认知加工得分负相关的事实表明，可能存在认知加工的潜在组成部分与分析得分相矛盾。 不幸的是，与影响力摘要变量一样，分析性思维得分是一个不透明的维度，它阻止了对用于计算该得分的单词的深入检查。

8.讨论

       这项研究的结果为参与自定进度的MOOC论坛提供了更多见解，并为了解MOOC中学生的活动提供了学习分析的实用工具。它还确定了未来的探索领域。

8.1.参与自定进度的论坛

       这项研究表明，学生们在自定进度的版本中发表了实质性的帖子，支持了坎贝尔等人的发现（2014）。如果内容和讨论提示设计合理，则可以为学生创造机会在论坛中发表实质性帖子。这也表明，学生的发帖决定以及他们对认知加工的证明更多地取决于进度条件以外的因素。这些因素可能是他们对主题的兴趣，完成作业的动力以及同伴之间的互动。课程设计者应仔细考虑论坛的预定主题或类别以及令人信服的提示的结构，即使在自定进度的课程中也可以培养批判性思维。尽管此研究使用事后分析，所以我们无法采访讲师，但我们可以看到，两个版本中创建的提示确实促进了高水平的讨论。未来的研究可以结合对课程设计者的访谈，以了解他们对论坛的意图，这将为讨论论坛的分析再上一层楼。这项研究的发现还表明，自定进度的论坛具有提供在线学习环境中重要的学生与学生以及学生与内容互动的潜力

8.2 学习分析的效用

       MOOC的性质对于教育研究而言既是挑战，也是利益。大量注册会产生大量的数据集和多个数据点，例如互动的学生日志文件，讨论论坛帖子和活动完成分数。大量的数据为探索学生参与度，学习目标和结果之间的联系提供了独特的机会（Henrie，Halverson和＆amp; Graham，2015年）。通过文本分析和点击流数据，我们扩展了现有研究以检查课程结构对MOOC中学习者行为的影响。我们的研究不仅为关于MOOC课程中认知存在发展的文献做出了贡献，而且还探索了教师和自定进度两个不同的课程结构及其对这一发展的影响。此外，对同一课程的多个版本的分析将解决同一MOOC课程中学习者行为差异和参与水平差异的文献空白（Gallagher＆amp Savage，2016）。正如Touati（2016）指出的那样，MOOC的教师面临着创建学习环境的挑战，该环境将允许在学生人数远远超过可用教师的情况下进行个性化的互动。因此，个性化的交互需要在学生一级进行，并且了解MOOC结构对这些类型的交互的影响对于研究和改进MOOC至关重要。

8.3 未来的探索

       通过我们的分析，我们获得了大量的资料，并开始深入了解讨论论坛中帖子的质量。 虽然我们的发现表明教育背景，性别和节奏条件可能不会对认知加工产生显着影响，但我们确实确定了三个具体要素，这些要素构成单词词典的数量以及影响力和分析思维的总结变量。 摘要变量是非透明的，我们需要更好地了解这两个变量如何对认知处理产生负面影响。 认知处理类别由子得分组成，例如洞察力和因果关系，通过使用这些子得分，我们可能能够获得更多关于这些变量与摘要变量之间的相互作用的见解。 通过随后的分析，我们将能够为教员提出更完善的建议。

9.结论

       最终，我们发现进度条件，性别或教育背景并不是认知加工的重要预测指标。根据我们的发现，似乎认知过程不受课程是自定进度还是讲师定进度的影响。本文研究了学习进度条件对MOOCs认知加工证明的影响。通过对论坛的分析，我们进一步了解了学生在在线和开放式学习环境（例如MOOC）中的参与度（Chiu＆Hew，2017）。这项研究比较了通过认知处理（来自语言查询字数统计（LIWC）工具的结果度量）衡量的论坛参与度和学习度的两次迭代。我们将重点放在每个课程讨论论坛中的学生帖子上，以确定在由教师定速和自定进度的课程参与者之间在认知处理的演示方面是否存在统计学上的显着差异。分层线性模型的结果表明，认知处理的最强预测因子是词典中出现的单词数量。影响力和认知处理分析思维的消极关联将构成未来的研究框架，因为我们希望对学生的学习和参与MOOC讨论论坛有更深入的了解。