你和我退慕课的理由一样吗？

基于“大规模”与“开放”的特性，MOOCs企图让更多的学习者接受更为优质的教育。因此，在最近的几年时间里，MOOCs受到了广泛的好评与媒体关注，并且正在产生愈来愈深的效应[1]。同时，其居高不下的退学率也屡遭诟病。许多研究[2,3]表明，学习者保留（Learner Retention）是衡量MOOCs成功的一个重要因素，只有在MOOCs中坚持下来的那些学习者才有机会获得潜在的教育效益。有鉴于此，MOOCs退学率（完成率或保留率）的相关话题正吸引着越来越多研究者的关注。为了对MOOCs的高退学率有一个更为深入的认识，本研究对10名参加了某一门课程而又中途退出的学习者进行深度访谈，让其用自己的声音分享他们对MOOCs的经验以及中途退出的想法、态度与观点。同时，按照扎根理论的“三级编码”要求对访谈文本的数据进行分析，探索MOOCs高退学率的实质及其背后隐藏的深层原因，以期为MOOCs的进一步发展提供有价值的参考意见。

（一）MOOCs退学率（完成率或保留率）的影响因素

近几年来，研究者从不同的角度对MOOCs退学率（完成率或保留率）的影响因素进行了持续性的探索，且有诸多成果问世。总体来说，这方面的研究主要集中在以下三个方面：

（1）采用问卷调查的方法获取学习者的相关数据，在数据分析的基础上探索MOOCs退学率（完成率或保留率）的影响因素。例如，Greene等[4]采用问卷调查的方式获取相关信息，以此预测学习者在MOOCs中的保留情况。姜强等[5]基于某一门MOOC课程的121名学习者的问卷数据，对MOOCs低完课率背景下的设计质量有效规范问题进行研究。Barba等[6]对一门课程的862名学习者进行在线问卷调查，结果表明，学习者的动机是影响MOOCs完成的关键动因。

（2）通过建立模型，并在实证研究的基础上探索影响MOOCs退学（完成或保留）的因素。比如，Alraimi等[7]在信息系统持续期望确认模型的基础上建立了研究模型，张哲等[8]构建了MOOC持续学习意向影响因素模型，王钱永等[9]构建了分析MOOC学习行为的UTAUT 模型，并提出了各自的研究假设，并在实证研究的基础上探索MOOCs高退学率的原因。

（3）通过分析MOOCs平台的日志数据（主要包括学习者使用课程资源，如视频和论坛以及测试与课程完成情况等信息）或学习者的点击流数据（Click-stream Data），探索MOOCs退学率（完成率或保留率）的影响因素。例如，Jordan[10]对221门课程的日志数据和学习者的点击流数据进行定量研究，寻找影响MOOC完成率的因素。李曼丽等[11]以某一门MOOC课程为例，通过分析平台与课程产生的数据，探索MOOCs高退学率背后的原因。Xing等[12]通过分析在课程持续期间平台所记录的点击流数据以及测验的分数和论坛内容，预测MOOCs学习者中途退学的时间节点。

（二）方法的反思：对现有研究的理性判断

总体来看，在上述的实证研究中，以量的研究（Quantitative Research）为主。量的研究需要数据作支撑，且数据的“质量”通常会“左右”着研究结果。通过前面的文献回顾，不难发现，这类量的研究通常采用以下两种方式进行数据采集：

（1）对MOOCs学习者进行问卷调查，以当面或在线的方式填答，从而收集学习者的相关数据。值得注意的是，问卷调查的对象几乎都是正在参与MOOCs的学习者，至少他们在接受调查的时候尚未中途退出。比如，Barba等[6]以“宏观经济学原理”课程为例，在课程的最后一周，通过平台网站的公告页面邀请这门课的所有学习者参与调查。有理由相信，在课程的最后一周都是坚持下来的学习者。

（2）采集MOOCs平台的日志数据与学习者的点击流数据。然而，大数据科学和学习分析技术只能揭示事实，并对未来的发展提供借鉴和参考，但却无法解释事实背后的原因。比如，Jordan[10]对不同MOOCs平台的221门课程的日志数据和学习者的点击流数据进行分析，发现持续时间长的课程完成率都不高，于是建议提供更短的、更模块化的课程。

至于这一现象背后隐藏着什么？其中深层次的原因是什么？这些问题都是量的研究所不能解决的。综上所述，过往的量的研究虽然通过大量数据，并运用统计学的方法揭示MOOCs退学率（完成率或保留率）的影响因素。但是，在研究的过程中，一是缺少MOOCs中途退出者的数据，二是数据本身尚无法“捕捉”到学习者的真实想法或主观体验。因此，也就难以深入地、全景式地了解MOOCs高退学率的实质及其背后隐藏的深层原因。在此背景下，质的研究（Qualitative Research）是必要的。因此，本研究拟采用质的研究方法，通过对中途退出的MOOCs学习者进行深度访谈，让其用自己的语言、概念去诠释他们的MOOCs学习经验及其中途退出的想法、态度与观点，从而与量的研究相互补充，以期共同揭示MOOCs高退学现象背后隐藏的真相。

（一）受访者的遴选

受访者必须满足两个条件：（1）参加一门MOOC课程至少三周；（2）没有参加最后的课程考试。第一个条件不仅将“爽约者”（即仅仅注册了课程，实际并没有真正参与的学习者）排除在外，而且还保证了受访者具有一定的MOOCs学习经验。第二个条件实际上表明了我们对于“中途退出”的界定，即只要缺席最后的课程考试就被视为中途退出者。以我校在“爱课程”网中国大学MOOC平台上线的两门课程（“电路分析基础”和“网络技术与应用”）为基础，通过这两门课程的任课教师邀请符合上述条件的学习者作为受访对象。邀请时明确告知对方：（1）访谈完全是自愿的，受访者有权随时终止访谈；（2）受访者的个人身份信息将被严格保密，访谈内容仅用于学术研究；（3）访谈拟以QQ语音聊天（一对一）的方式进行，访谈结束后受访者将有30元QQ红包的报酬。最终，有19名符合条件的学习者接受了我们的邀请。当对第10名受访者的访谈结束之后，我们发现访谈内容重复严重，似乎再也没有新的内容出现了，即达到了质性研究的“理论饱和”。这样，实际参与访谈的受访者只有10名。

（二）数据来源

本研究采用半结构化的访谈方式，即按照事先设计的访谈提纲（见表1），要求受访者回顾并描述关于MOOCs学习经验的特殊片段。在访谈的过程中，根据实际情况适时地对相关情境和问题进行了引导或追问。访谈是通过QQ语音聊天的形式进行的，每个受访者的受访时间大约在40分钟左右，访谈的同时利用录音软件进行录音。访谈结束后，将这些语音材料转换成逐字稿，获得了10份访谈文本，其内容被视作可供质性研究的经验数据，共计近七万字。

（三）数据分析

扎根理论（Grounded Theory）是由美国学者 Glaser 和 Strauss共同提出的一种质性研究方法，其主旨是从原始资料中归纳出概念与理论。“编码”是理解扎根理论最为关键的词语，也是扎根理论中最重要的一个步骤。它是“借由对文本资料逐字逐句的裂解，规律地检视资料彼此间的关系，将琐碎的资料规律地运用归纳、整合与再意义化，以便将原始资料转变为抽象概念”[13]。本研究拟选取NVivo作为工具，按照扎根理论的“三级编码”要求对上述文本数据进行分析。

（1）开放编码（Open Coding）

简而言之，就是使用“不断比较”的技术将原始资料编码成NVivo中的自由节点（Free Node）。其大致的过程如下：首先，将10份访谈文本导入Nvivo。然后，在“明细视图”区逐字逐句地阅读这些文本。特别是，对于每一句话或段落，作为对引导性问题（MOOCs学习者中途退出的原因是什么）的回应而创建可能的自由节点。接着，继续阅读后面的句子或段落，并与现有自由节点进行比较。如果其表达的含义与现有某个节点相符，则将其编码到该节点上。如果不相符，则创建一个新的节点来表述。这种“不断比较”的过程将一直进行下去，直至全部的访谈文本被阅读、审查和编码。最后，对所有的自由节点进行比较和审查，根据需要进行重新整理（合并与重命名），以确保它们是互斥的。

（2）主轴编码（Axial Coding）

在开放编码阶段所建立的自由节点通常是凌乱无序的，因此需要对其进行分类，划分出适当的类属（Category）。这对于扎根理论而言是有益的，因为它帮助我们提炼思想，以促进概念的清晰化以及早期的微观分析。在NVivo中，主轴编码阶段的主要工作体现在将自由节点归类成树状节点（Tree Node）。

（3）选择编码（Selective Coding）

经过上述两级编码，形成了若干类属（树状节点）。选择编码的工作就是“在所有类属中选择一个核心类属，其他类属则成为支援类属，然后通过一个整合图式或故事线，将各种理论要素（类属、属性、假设）整合起来”[13]。NVivo的许多功能有助于选择编码的完成，比如，“质询与编码的不断反复，则是处于选择编码阶段，通过搜寻与比较，以发展出更成熟的概念，进而建立完整的概念架构”[14]。

（四）编码信度

我们采取两种措施，以提高数据分析的可靠性。一是由两位研究人员分别单独对数据进行编码。编码结束后，利用NVivo的“编码比较”（Coding Comparison）功能，对所有的节点，通过“编码一致百分比”衡量编码的一致性程度。对于不一致的地方，我们在认真沟通的基础上作了相应调整，最大限度地减少个人偏见对编码结果的影响。二是我们与受访者取得联系，要求他们评判编码结果是否能够“覆盖”自己的经验。有7名受访者对此作出了回应，均表示编码结果反映了他们的经历和感受。

通过对10名中途退出的MOOCs学习者的访谈资料进行编码分析，我们得出如下研究结果：

（一）MOOCs高退学率的影响因素

我们遵循尽量呈现受访者使用的“本土概念”的原则，在仔细研读访谈文本的基础上，对其进行初步的概念化处理，形成了14个自由节点（见表2第一列）。在二级主轴编码中，我们对一级自由节点进行了关联性分析与意义归类，最终形成NVivo的4个树状节点（见表2第四列）。

接着，利用NVivo的“比较示意图”功能，呈现任意两个自由节点的共同的资料来源。然后，再次回到两个自由节点的共同的资料来源，审查它们之间的关系，进而筛选出更具中心性和解释性的核心类属。经过深入的分析，我们发现，“学习过程中缺少有效的社会互动”这个类属所辖的所有节点，几乎都可以被“学习者缺乏积极的动机”这个类属下的某些节点所“统括”。比如，在“有选择地观看部分视频，以备考研或工作之需”和“几乎不在课程论坛上发帖、跟帖”这两个节点的共同的资料来源（即某一篇访谈文本）中，

受访者说到，“我是为了考研而参加这门课程的，因此我只针对考点有选择地观看视频……我从不在论坛上发帖、跟帖，你知道的，这种烦琐的讨论针对性不强，不如做模拟题提分快”。

同样，“课程本身尚有不足之处”这个类属的所有节点，也几乎可以被“学习者自我管理和自我激励的能力不足”这个类属下的某些节点所“囊括”。也就是说，“学习者缺乏积极的动机”和“学习者自我管理和自我激励的能力不足”能够整合或解释其他类属。在此基础上，最终形成了我们的核心类属、支援类属与研究假设（见表2第五列）。值得一提的是，我们的研究假设与心理学的研究结果是一致的，“自主学习行为的促成应包括‘想学’（动机）和‘会学’（能力）两个条件”[15]。

（1）“缺乏积极的动机”与“自我管理和自我激励的能力不足”是导致学习者中途退出的最主要原因。

前文通过对访谈文本进行逐级编码，获得了导致MOOCs高退学率的两个核心类属，本部分拟将“分析”集中到与这两个核心类属有关的自由节点上。这里的“分析”实际是返回原始的访谈文本，列举部分的访谈内容，以使我们能够聆听来自MOOCs中途退出者的声音。具体来说，各个节点的资料信息见表3。

（2）与传统课程相比，“高退学率”或是MOOCs开放的一种表现。

其含义需要重新加以界定在本研究中，我们还专门针对“问题本身”创设了访谈提纲，让中途退出的学习者说出他们对“MOOCs辍学行为或现象”本身的界定或理解。

我们对此的界定是：只要缺席最后的课程考试就被视为中途退出，这与当前主流的界定方式是一致的。然而，很多访谈者却给出了不一样的答案。

例如，一位受访者谈到，“我不认为自己是辍学了，我注册这门课程的目的不是通过最后的考试，我只是想学习其中的一些内容，而不是全部，我的目标实际是达到了”。

另一位更是直言不讳地说出了自己的想法，“这种网上的课程和学校内开设的课程不一样，不能拿同一个标准来衡量逃课现象。比方，有的内容我已经很熟悉了，凭啥还要让我再学一遍？既然是开放的，我们也是可以不参加考试的，当然参加也可以，自愿的嘛”。

还有的受访者这样说，“MOOCs的考试不能提供学分，退课率当然就高啦。不过，这种课程也有价值，它可以和学校内的课程配合起来，在学校没弄明白的地方，可以到网上仔细听”。

针对受访者的这些回答，我们认真审阅了原始的访谈文本，试图从中寻找蛛丝马迹，进而从整体上理解他们的声音。既然学习者注册MOOCs的动机仅仅是为了“学习部分课程内容，以供考研或工作之需”，或者仅仅是希望通过课程论坛获得“答疑解惑”方面的支持与帮助，以便有机配合校内的相关课程的学习，那么通常情况下他们绝不会系统地学习全部课程内容，并参加课程考试而获得证书。

按照主流的关于MOOCs退学的界定，这部分学习者无疑会被视为“中途退出人员”。然而，从另一个角度看，他们实际上也是课程中的“活跃者”，其学习行为同样促成了学习目标的实现，只不过这类目标是他们自行设定的而已。不可否认，这类MOOCs学习者也是成功的。而在当前，MOOCs的“高退学率”（“低完成率”）是作为贬义词而存在的，更是被视为MOOCs不成功的标志。

如此一来，“MOOCs高退学率”这个问题的本身需要加以厘清并重新界定。目前可以肯定的是，沿用传统课程的活动范式和管理体制来“观照”在线课程，注定是行不通的。或许，“高退学率”本来就是MOOCs开放特性的一种体现，将其作为贬义词看待是不恰当的，它至少应是一个中性词，需要根据不同的语境加以具体分析。

在上述的研究中，我们以了解真相为前提，试图揭示MOOCs高退学率背后的深层原因。结果发现，有四个因素决定着MOOCs的高退学现象，分别是：

（一）学习者缺乏积极的动机

按照原始访谈文本的编码信息，缺少“积极的动机”确实是影响学习者“中途退出”的关键因素。然而，很多受访者却说出了自己“与众不同”的参与动机，甚至否定了关于MOOCs中途退出的“主流”定义。因此，当务之急应在掌握更多变量与情境（如学习者“多元”的学习动机等）的基础上，对MOOCs中的“退学”一词重新加以定义，以便为后续的研究提供一个基础性的参照。

（二）学习者自我管理和自我激励的能力不足

 建议主讲教师或助教及时关注课程后台的日志信息，对于暂时“落后”的学习者，通过电子邮件等方式进行关心与鼓励。另外，建议加快实现“MOOCs的学分认证与学习成果认证”[16]。

（三）学习过程中缺少有效的社会互动

建议MOOCs平台仔细思考如何提供适当的人机交互元素，主讲教师或助教应积极引导与组织论坛上的讨论，并及时回复学习者的问题。

（四）课程本身尚有不足之处

建议理论性内容不要太抽象，并适当增加实践性内容的比例。

参考文献

[1] 刘选.反思与观照:推进MOOC 理性发展的理论给养[J].中国电化教育,2016,(8):47-52.

[2] BRESLOW L,PRITCHARD D E,DEBOER J,et al.Studying learning in the worldwide classroom:research into edX’s first MOOC [J].Research & practice in assessment,2013(8):13-25.

[3] HONE K S,SAID G R E.Exploring the factors affecting MOOC retention:a survey study [J].Computers & education,2016,(98):157-168.

[4] GREENE J A,OSWALD C A,POMERANTZ J.Predictors of retention and achievement in a massive open online course[J]. American educational research journal,2015 ,52(5):925-955.

[5] 姜强,赵蔚,李松,等.MOOC 低完课率现象背景下的设计质量有效规范实证研究[J].电化教育研究,2016,(1):51-57.

[6] BARBA P G D,KENNEDY G E,AINLEY M D.The role of students' motivation and participation in predicting performance in a MOOC[J]. Journal of computer assisted learning,2016(32):218-231.

[7] ALRAIMI K M,ZO H J,CIGANEK A P.Understanding the MOOCs continuance:the role of openness and reputation[J].Computers and education,2015(80):28-38.

[8] 张哲,王以宁,陈晓慧,等.MOOC 持续学习意向影响因素的实证研究[J].电化教育研究,2016(5):30-36.

[9] 王钱永,毛海波.基于UTAUT 模型的MOOC 学习行为因素分析[J].电化教育研究,2016(6):43-48.

[10] JORDAN K.Massive open online course completion rates revisited:assessment,length and attrition [J].International review of research in open and distributed learning,2015,16(3):342-358.

[11] 李曼丽,徐舜平,孙梦嫽.MOOC 学习者课程学习行为分析——以“电路原理”课程为例 [J].开放教育研究,2015,(2):63-69.

[12] XING W L,CHEN X & STEIN J.Temporal predication of dropouts in MOOCs:reaching the low hanging fruit through stacking generalization [J]. Computers in human behavior,2016(58):119-129.

[13] 郭玉霞,刘世闵,王为国,等.质性研究资料分析:NVivo 8 活用宝典[M].台北:高等教育出版社,2009.

[14] 陈向明.扎根理论在中国教育研究中的运用探索[J].北京大学教育评论,2015(1):2-15.

[15] 庞维国.从自主学习的心理机制看自主学习能力培养的着力点[J].全球教育展望,2002(5):6-31.

[16] 袁松鹤,刘选.中国大学MOOC 实践现状及共有问题[J].现代远程教育研究,2014(4):3-12.