在大规模开放在线课程（MOOC）论坛中，学习投入涵盖了认知、情感与行为三大核心维度，这些维度相互作用，共同影响学习者的学习成就。然而，目前对这三种投入之间的交互关系及其与学习成就之间的联系仍缺乏深入研究，特别是在不同学科背景下的表现尚不明确。本研究采用一种自动化配置分析方法，结合了BERT（双向编码器表示模型）与模糊集定性比较分析（fsQCA），以探索学习投入的多维配置、其与学习成就之间的关系，以及在不同学科中的差异性。研究结果揭示了学习者学习投入的细致画像：高成就学习者通常具有更频繁的发帖与评论行为，并展现出更高水平的认知投入。进一步的分析表明，多种学习投入配置均可能导致高成就，尤其是行为参与（发帖、回复）、正向情感表达与深度认知加工三者共存时，学习成效最为显著。此外，在学科维度上也观察到显著差异：纯学科（如数学、哲学）的学习者相比应用学科学习者更倾向于进行发帖行为；而在所有学科中，积极情绪都与更高的学习成就密切相关。本研究加深了我们对MOOC环境中多维学习投入特征的理解，强调了学科差异的重要性，并为教育者和教学设计者在不同学科背景下优化MOOC学习体验提供了理论基础与实证依据。
研究背景
MOOCs（大规模开放式在线课程）中的论坛是促进学习者知识建构与交流的关键场所。学习投入（Learning Engagement）被认为是影响学习成就的核心变量，通常包括认知投入、情感投入和行为投入三个维度。然而，以往研究主要探讨了单一或双重维度对学习成效的线性影响，忽视了多维度交互的复杂性，尤其是在不同学科背景下的差异。
#
研究目的
- 描述学习者在MOOC论坛中的学习投入特征；
- 探索学习投入多维度配置与学习成就之间的关系；
- 比较不同学科背景下的学习投入与学习成就之间的差异。
研究对象
数据来源于中国大学MOOC平台，共涉及12门课程，21,886名学习者。课程涵盖软/硬学科与纯/应用学科（基于Biglan分类框架）。
研究方法
本研究的研究流程分为三个阶段。
第一个阶段是数据抓取与清洗。重点介绍第二阶段，即对学习投入进行自动识别和建模：
1.行为投入分析
使用传统量化统计方法，统计每位学习者的发帖、评论、回复、投票等行为频次，作为行为投入指标。
2.认知与情感投入识别
- 使用MOOC-BERT模型对论坛发言进行自动文本分类，识别四类认知状态（如触发、探索、整合、解决）与三类情感状态（积极、困惑、消极）；
- 模型基于大量人工标注数据训练，具备较高准确性（F1 值范围 0.779–0.965）。
3.组态建模分析（fsQCA）
- 将识别出的投入数据进行模糊集归一化处理（0–1）；
- 采用fsQCA分析三类投入变量的不同组合（配置）如何影响学习成就；
- 明确了哪些配置为“高成就路径”，哪些为“低成就路径”，揭示因果复杂性。
第三阶段是结果呈现与可视化。
研究结果
1.不同成就差异的学习投入特征
- 获得“优秀证书”的学习者在发帖、评论、探索、整合、解决问题（认知）和积极情感方面显著高于其他群体；
- 未获得证书者更易表现出触发型认知、困惑情绪与负面情绪。
2.学习投入配置组合揭示（fsQCA结果）
- 高成就者的典型路径包括：评论/回复行为 + 高阶认知投入 + 积极情感；
- 低成就者的路径表现为：缺乏高阶认知（整合与解决）、缺乏情感投入、仅有表层行为（如发帖）；
- 存在多条不同的“成才路径”，即高成就并非由单一投入类型决定。
3.学习投入配置组合的学科差异
- 硬学科学习者更倾向于进行回复与高阶认知投入；
- 软学科学习者更多表现为评论行为与情感波动（正负情绪）；
- 纯学科学习者倾向于发帖与表达积极情绪；
- 应用学科中负面情绪在某些情况下也可激发较高成就。
亮点
- 自动文本分类：本研究采用改进后的 MOOC-BERT 模型对讨论帖进行自动分类，精准识别学习者的认知状态与情感倾向，克服了以往手动编码工作量大、主观性强的问题。这种高精度、低成本的自动文本分析方法为大规模学习行为研究提供了可复制的路径，
- fsqca方法：研究引入模糊集定性比较分析（fsQCA），从组态视角系统分析认知、情感与行为三类投入之间的组合效应，突破传统统计分析线性假设与单一因果路径的局限。
- 跨学科差异：通过基于Biglan理论的学科划分，系统比较了软/硬学科、纯/应用学科之间学习投入与成就关系的异同。
教学启示
- 促进深层认知过程：教学设计应激发整合与解决问题的认知活动；
- 增强互动行为：鼓励学习者积极参与评论与回复，而非仅发帖；
- 调动情感因素：通过营造积极的讨论氛围，激发学习者的兴趣与成就感；
- 因学科而异的策略：MOOC平台应根据学科特性差异化设计学习任务与评价标准。
文章来源：Computer & Education
发表时间：2024
引用（APA）：
Liu, Z., Tang, Q., Ouyang, F., Long, T., & Liu, S. (2024). Profiling students’ learning engagement in MOOC discussions to identify learning achievement: An automated configurational approach. Computers & Education, 219, 105109.
这项研究对 MOOC 论坛中学习投入与学习成就的关系进行了深入探讨，研究方法与结论都很有价值。研究突破传统单一维度分析模式，结合 MOOC-BERT 模型与 fsQCA 方法，既实现了学习投入状态的自动化识别，又从组态视角分析了认知、情感和行为投入的交互作用，有效提升了研究效率与分析深度。
通过对多学科、大规模样本的分析，研究明确了不同学习成就群体的投入特征，发现高成就存在多种路径组合，并非单一因素决定。同时，研究还揭示了学科差异对学习投入和成就关系的影响，为后续研究提供了新视角。这些结论对优化 MOOC 课程设计、引导学生深度参与学习、制定差异化教学策略等方面，都具有很强的实践指导意义。
这项研究的自动文本分类方法值得借鉴，未来如果要研究在线学习行为可以采用该方法，不过不知道该方法有没有什么缺点，未来也可以改进该方法，提高准确性。除此之外，该研究的表格可视化呈现形式也值得借鉴，很清晰。同时还比较了不同学科的学生行为差异，该学科划分方法先收藏一下。
研究MOOC学习者的学习行为和学习差异是非常有价值的，关于这方面的研究也是非常丰富的。这篇文章构建了一种新的方法，分析学习参与度和学习成就之间的关联，以及不同学科之间的差异，研究视角很有意思。
这篇研究描述了学习者在MOOC论坛中的学习投入特征，并且探索性地揭示了学习投入多维度配置与学习成就之间的关系，弥补了以往研究只针对单一维度的空白，以往的研究更多是单一聚类，本研究使用了fsQCA的方法，具有一定的新颖性，从认知、情感和行为多方面为线上的教与学提供了启示。