基于学习者评论数据挖掘的MOOC 课程质量影响因素研究*

刘清堂 尹兴翰 吴林静通讯作者] 曹天生 陈 亮

（华中师范大学 人工智能教育学部，湖北武汉 430079）

一、引言

大规模在线开放课程（Massive Open Online Courses，MOOC）利用互联网的开放性，让世界各地成千上万学习者都有机会享受低成本的优质教育资源，有效促进了教育公平和均衡发展（Xing，et al.，2019；钱小龙，等，2018）。 然而，在保持快速增长的态势时，MOOC 的发展也陷入了困境（闫伊乔，等，2022；孙田琳子，等，2017），如，课程质量良莠不齐，部分课程的内容与学习者实际需求脱节（黄斌，等，2021），而这是导致课程的低完成率和高辍学率的重要原因（Sun，et al.，2020）。 因此， 如何理解学习者对MOOC课程质量的诉求， 是促进MOOC 可持续发展亟待解决的重要问题。 大规模在线评论数据的可用性以及数据挖掘技术的快速发展， 为有效揭示在线课程评论中学习者的情感态度、 学习体验提供了支持（Geng，et al.，2020）。已有研究证实了学习者课程评论主要与课程内容、情感体验相关（吴林静，等，2017），情感体验主要指向学习内容、学习者本身、学习形式、学习活动、课程资源以及教师等（单迎杰，等，2021）；但并未全面揭示学习者情感体验与课程质量因素之间的关系，以及尚未探究不同学科的差异。

为了更深入地理解学习者对MOOC 课程质量的诉求， 并考虑到不同的学科具有不同的特征和思维方式（杨晓宏，等，2020），本研究首先从学习者视角出发， 通过自然语言处理技术挖掘人文社科类与自然科学类MOOC 课程的质量影响因素， 并感知学习者对课程质量的态度； 再基于卡诺模型模型（Kano Model，KANO）的分类思想和相关性分析，揭示学习者视角不同层次的MOOC 课程质量影响因素，以提升课程质量，促进优质教育资源的普及共享。

二、文献综述

（一）MOOC 课程质量影响因素研究

MOOC 课程质量不仅关系到其本身的可持续发展，更影响到学习者的学习效果和终身持续发展（孙传远，等，2014）。 现有关于MOOC 课程质量的研究，多从构建课程质量评判指标体系的视角开展，如，使用德尔菲法、 扎根理论、 层次分析法等制定MOOC课程评价指标，以评估课程质量（邱均平，等，2015；王璐，等，2017； 刘萍，等，2018）。 这些研究大部分遵循自上而下的标准化方法，从MOOC 平台建设层面或教育领域专家的视角构建评价指标， 而从学习者视角出发，考虑他们真实体验的研究较少。

随着文本挖掘技术和学习分析技术的发展，提取非结构化文本中有意义的信息成为可能（刘清堂，等，2020），为从在线评论中感知学习者对MOOC 课程质量的体验提供了崭新的思路。 如， 张新香等（2020）应用文本主题抽取模型，从学习者评论数据中分析影响学习者课程评判的MOOC 课程质量影响因素；李玲瑶等（Li，et al.，2022）应用 自然语言处理 （Natural Language Processing，NLP） 技术， 挖掘MOOC 课程学习者评论， 以探究知识寻求类与技能寻求类课程成功的关键因素，以及它们的相互关系；魏晓霞等（Wei，et al.，2022）应用文本情感分析的方法挖掘商业类MOOC 课程评论， 分析得出教师素质、课程内容、课程结构、课程评价、学习材料是影响MOOC 学习者体验的重要因素；吴华君等（2022）对137 门高职在线精品课程评论文本进行情感分析发现，影响学习体验的重要因素包括课程内容、教师能力、平台功能、课程评价和学习资源。

尽管现有研究已逐渐利用MOOC 课程评论数据来探究学习者视角的课程质量影响因素， 然而研究的数量和深度较为有限， 较少地讨论不同学科的特点及它们之间的差异， 以及尚未全面考察情感体验与MOOC 课程质量影响因素的关系。 因此，有必要探索从大规模在线学习者评论数据中挖掘MOOC课程质量影响因素的方法， 分析课程质量影响因素之间存在的相互关系， 以及不同学科类别的课程存在怎样差异，为MOOC 课程优化提供建议。

（二）基于KANO 模型的影响因素研究

KANO 模型是一种分析用户满意度影响因素的二维模型，能够对影响因素进行优先排序，并识别影响因素之间的异同（Lee，et al.，2022），常用于产品调研、质量管理等领域（赵宇晴，等，2020）。KANO 模型也为教育研究提供了一种数据分析思路，如，白倩等人（2019）利用KANO 模型分析问卷调查数据，讨论MOOC 学习者对学习支持服务的需求； 王锐等人（2021）结合扎根理论，以在线学习平台上近两千条学习者评论文本为研究数据，利用KANO 模型分析在线开放课程的质量； 达姆扬·富斯等人（Fujs，et al.，2022）使用KANO 模型调查教师和学习者对远程会议工具功能的评估，以提升远程会议工具质量，帮助学习者实现学习目标。

综上， 多数研究利用KANO 模型设计调查问卷和分析问卷数据， 虽然王锐等人已经逐渐利用KANO 模型分析学习者评论数据， 但未验证课程质量影响因素与学习者体验的关系， 以及在面向不同学科、大规模数据集上依旧有待进一步应用。 因此，基于现有研究基础，本研究应用KANO 模型，从满意度和关注度两个维度更深入地发现学习者视角中不同层次的MOOC 课程质量影响因素，并对人文社科类课程和自然科学类课程进行差异性分析， 以期从大规模课程评论中针对学科特点理解学习者诉求，弥补现有研究中MOOC 课程质量影响因素分析的不足。

三、研究设计与方法

基于学习者评论数据的MOOC 课程质量影响因素挖掘过程如图1 所示。首先，将中国大学MOOC平台9 种类别课程划分为人文社科类和自然科学类课程，制定MOOC 课程选取标准，并获取课程评论数据。然后，应用依存句法分析提取课程评论对象并进行筛选，以表征MOOC 课程质量影响因素。 之后，结合语义角色标注和依存句法分析提取 “评价对象—评价词”对作为课程评论细粒度分析单元，并结合文本情感分析，计算MOOC 课程质量影响因素的满意度及关注度，用于相关性分析和KANO 模型影响因素分类分析。 最后， 根据相关性分析和KANO模型分析结果绘制MOOC 课程质量影响因素结构图，为课程运营团队、教学相关人员呈现课程质量影响因素分析结果， 从而优化MOOC 课程、 提升MOOC 课程质量。

图1 学习者视角的MOOC 课程质量影响因素挖掘过程

（一）数据来源及采集

本研究选取中国大学MOOC 平台的国家精品课程评论进行研究，并根据《中华人民共和国学科分类与代码国家标准GBT 13745-2009（人文社科类）》的分类标准， 将中国大学MOOC 平台上的外语、经济与管理、音乐与艺术、教育教学及心理学划分为人文社科类课程，而理学、工学、农学、计算机和医学保健划分为自然科学类课程（周靖祥，2015）。在课程选取过程中，为了保证评论的质量和数量，制定了以下遴选标准：（1）课程属于中国大学MOOC 平台中的国家精品课程；（2）且课程评分大于或等于4.6 分；（3）以及课程评论的数量大于500 条。 经过筛选，最终收集到的学习者评论数据，如表1 所示。

表1 MOOC 课程评论数据统计

（二）课程质量影响因素提取

为了深入解析MOOC 课程评论文本中蕴含的学习者感知课程质量影响因素， 本研究首先采用依存句法分析提取评论文本中的评价对象作为学习者感知课程质量影响因素的表述词。 其次， 应用TFIDF 算法筛选出重要的表述词， 并基于自下而上的方式对表述词进行分类，以表征MOOC 课程质量影响因素。

在提取学习者评论文本中的评价对象时， 名词及名词短语或者动词短语通常是在线评价的描述对象，常出现在语句中的主语、谓语、宾语或者定语修饰中（张璞，等，2019）。 我们可通过进一步分析句法依存关系，来抽取学习者课程质量影响因素表述词：（1）当评价对象充当主语时，提取主谓关系中的名词。如，句子“内容有强烈的新鲜感”，其中，“内容”和“有”是主谓关系，则提取“内容”。 （2）当评价对象充当谓语，并且评价对象在谓语中为动词时，可用句子主谓关系提取主谓。 如，句子“老师讲课认真”，“老师”和“讲课”构成一对主谓关系，提取“老师讲课”。（3）当评价对象充当宾语时，通常为名词，通过动宾关系提取宾语。 如，句子“喜欢老师”，“喜欢”与“老师”构成一对动宾关系，则提取“教师”。（4）当评价对象充当状语时，提取定中关系中的名词和动词。 如，句子“授课内容新颖”，“授课”与“内容”构成定中关系，可无论是“授课”还是“内容”作为评价对象，都不能准确地表示此句话的评价内容， 所以将动宾关系的名词和动词作为一个整体评价对象，即提取“授课内容”。

具体的影响因素提取过程如下：首先，本研究使用LTP（Language Technology Platform，哈工大语言技术平台） 词性标注技术和依存句法关系分析技术， 对420566 条学习者评论文本分别进行处理，根据以上提取规则获得课程质量影响因素表述词备选集。 其次， 通过TF-IDF 算法初步筛选出前1000个高频词，并根据教育部国家精品在线开放课程评价指标体系（中华人民共和国教育部，2018）、UOOC联盟教学质量评价体系（王晖，等，2016），以自下而上的方式人工审查并删除部分表述词。 最终，提取课程管理、课程设计、学习平台、学习任务、学习材料、课程教师、课程内容及学习体验八个课程质量影响因素及258 个相关表述词及对应权重， 如表2所示。

表2 MOOC 课程质量影响因素

表2 中不同权重显示学习者在不同因素上的关注方向。 首先，在课程管理上，学习者主要关心课程进度与安排，课程安排决定着学习者参加的自由度、参与度（朱莹希，等，2018），因此，恰当的课程进度可以有效降低辍学率；在课程设计上，学习者主要评价授课方式和重难点内容的设计， 学习者希望从课程中获得对重难点的理解和启发性知识， 而非生硬的课件演示；而在学习平台上，学习者主要关注课程证书服务以及MOOC 平台的系统稳定性。

其次，对于学习任务，学习者注重课后习题、测试的难易和有用性程度， 以及教师能否提供答案与反馈；在学习材料上，学习者对课程视频的清晰度、案例等辅助材料的获得性更为关注； 而课程教师体现在学习者对教师的教学水平、语言风格、课程讲解等方面的关注，教师能否将知识内容有效传递、语言是否标准、讲解是否有吸引力，是学习者评价的主要依据，也是课程质量的重要保障；对于课程内容，学习者更加关心课程内容的有用性和完整性， 从课程中学到新知识以及全面的知识内容， 才能够激发学习者学习动机。

最后，学习体验是学习者在课程学习中的感受。学习者从学习到新知识、收获良多、激发兴趣等方面感知学习效果， 也最终决定学习者是否愿意推荐此课程。

（三）文本情感分析

文本情感分析，也称为意见挖掘，通过计算主观性文本的情感倾向值来分析人对事物的感情、 态度等（洪巍，等，2019）。 传统语句层面的情感分析通常可以获取用户对事物的总体态度， 但难以发现用户对事物属性或功能上的评价偏好， 而细粒度的情感分析在通过有效提取评价特征和情感词以发现属性的细节评价上具有优势（彭云，等，2018）。 MOOC 课程评论中通常包含多个或零个课程评价对象， 为了挖掘学习者的有效评价信息， 可以采用语义角色标注和依存句法分析来提取学习者评论语句中的 “评价对象—评价词”对作为情感分析单元（江腾蛟，等，2017），并计算其情感值以表征学习者的态度。

其中， 语义角色标注用以从句子中找出谓词的修饰对象（主语或宾语），结合依存句法分析制定“评价对象—情感词”提取规则：（1）当评价对象为主语、评价词为谓语时，提取句子的主谓结构，如句子“教学内容新颖”，“教学内容” 为主语，“新颖” 为谓语；（2）当评价对象为谓语、评价词为宾语时，提取句子的主谓宾结构或者动宾结构，如“课程讲授清晰”和“讲授清晰”。 （3）当评价对象为宾语、评价词为谓语时，提取句子的动宾结构，如句子“值得学习”；（4）当“评价对象”与“情感词”互为定中关系时，如句子“不错的课程”，“不错”和“课程”互为定中关系。最终，我们利用语义角色标注、 依存句法分析共提取人文社科类课程词对28.63 万条， 自然科学类课程词对14.09 万条，如表3 所示。

表3 “评价对象—评价词”对统计

（四）课程质量影响因素相关性计算

在探究八个课程质量影响因素之间存在的潜在关系时， 本研究采用皮尔逊相关性系数来计算两两主题的情感平均值的相关性，如公式（2）所示。

（五）基于KANO 模型的MOOC 课程质量影响因素分析

本研究应用KANO 模型进行课程质量影响因素分类，寻求理解学习者对这些影响因素的态度，识别出在MOOC 课程设计中应优先考虑的影响因素，以提升MOOC 课程质量。 根据KANO 模型的思想，提取学习者对课程质量影响因素的满意度和关注度作为影响因素分类的依据（杨德清，等，2018）。

1.课程质量影响因素满意度（LSFi）

满意度体现学习者对课程质量影响因素的态度，用LSFi表示，以学习者的情感平均值作为满意度（岳子静，等，2017），即以每门课程评论的情感平均值，作为该类课程中学习者对该因素的满意度，如公式（3）所示。

2.课程质量影响因素关注度（LFDi）

关注度反映不同影响因素的关注情况， 用LFDi表示， 具体体现为课程质量影响因素在各门课程评价中受关注的比重。 因此，计算学习者关注度（LFDi）之前， 需要计算同一因素在同类别不同课程中被学习者关注的平均程度， 即课程质量影响因素占比（LCAi）， 表示为质量影响因素i 在每门课程的评论中所占比例的均值，如公式（4）所示。

在公式（4）中，Rn为第n 门课程所有属性评论总数，以课程质量影响因素占比（LCAi）为参考，来判断因素在各门课程中是否受关注， 进而计算质量影响因素在各门课程评价中受关注的比重来表示关注度（LFDi）（王雪，等，2022）。 LFDi的计算见公式（5）。

课程质量影响因素在所有课程中越受学习者关注，LFDi值越接近1，反之，值越接近0。 依据KANO模型的分类思想， 以满意度均值LSF 和关注度均值LFD 为划分依据，构建如图2 所示的四分位图，将课程质量影响因素分为期望必备因素、期望因素、无差异因素、魅力因素。

图2 基于KANO 模型的课程质量影响因素分类

四、实验结果及分析

（一）情感分析结果及差异分析

本研究从MOOC 课程评论中识别影响因素及其对应的评价词， 应用百度情感分析工具计算情感值，然后应用公式（1）计算出每一门课程不同影响因素的情感值。 为了检验两类课程在各影响因素上的情感值是否存在差异， 本研究使用独立样本T 检验的方法，结果如表4 所示。 检验结果表明，它们在课程设计、学习材料、学习体验、课程教师、课程内容上存在显著差异（P＜0.01），即人文社科类课程学习者在这几个维度上的满意度要高于自然科学类课程学习者。 这与李玲瑶等（Li，et al.，2022）的结论类似，即学习者对知识类和技能类课程评价存在显著差异。人文社科类课程以理论知识为主， 更易于为学习者设计充满趣味的学习内容、材料以及讲解，带给学习者更好的学习体验， 而自然科学类课程更依赖问题驱动和任务导向， 往往当学习者难以解决当前问题时，更有可能造成较差的学习体验。 此外，通过平均值可以得到， 学习者对精品的人文社科类课程和自然科学类课程的教师评价都很满意， 但学习任务在两类精品课程上都是处于最低位置， 说明无论是人文社科还是自然科学课程，都面临MOOC 课程学习任务设计的挑战。

表4 人文社科类与自然科学类课程差异分析

（二）课程质量影响因素相关性分析

本研究通过公式（1）和公式（2）计算自然科学类和人文社科类课程质量影响因素的情感值相关性，结果如表5、表6 所示。

表5 人文社科类课程质量影响因素相关性分析

表6 自然科学类课程质量影响因素相关性分析

（1）在人文社科类课程中，课程教师与学习体验存在中等相关性。 课程教师是两类课程存在显著差异的课程质量影响因素之一， 在人文社科类课程中只体现出课程教师与学习体验（0.48）存在中等相关性， 表明人文社科学习者的学习体验和课程教师的表现和水平存在较大关联， 而提高教师的表现有利于提升学习者的学习体验。 即， 教师可作为MOOC课程的质量保证，与已有研究（Wu，et al.，2021）的结论较为一致。

（2）在人文社科类课程中，课程内容与课程设计（0.43）、学习体验（0.58）存在中等相关性。 这表明对人文社科类课程学习者而言， 课程设计会对课程内容造成影响， 而课程内容的质量会直接影响学习者的学习体验， 证实了课程设计对学习者成效的影响（Jung，et al.，2018）。

（3）在自然科学类课程中，课程教师与学习材料（0.48）、学习体验（0.56）及课程内容（0.46）存在中等相关性。 这一结果表明，相比人文社科类课程，自然科学类课程教师更善于把握课程内容和学习材料来提高学习者的兴趣， 即自然科学类课程更需要教师提供有意义的学习材料供学习者去解决问题（Lin，et al.，2014）。

（4）在自然科学类课程中，课程内容与学习材料（0.40）、课程教师（0.46）存在中等相关性，且课程内容和学习体验存在强相关性（0.75），表明自然科学类课程的学习者更希望学到充实的内容。

总体来说， 自然科学类课程比人文社科类课程存在更多中等相关性及强相关性， 而两类课程的学习体验、课程教师及课程内容都存在较强的相关性。

（三）基于KANO 模型的MOOC 课程质量影响因素分析

本研究根据公式（3）～（6）计算课程质量影响因素的关注度和满意度，结果如表7 所示，结合KANO模型分类思想和关注度、满意度均值，将影响因素映射到KANO 模型四分位图中，如图3、图4 所示。

图3 人文社科类课程质量影响因素分类

图4 自然科学类课程影响因素分类

表7 课程质量影响因素关注度和满意度

1.必备因素

必备因素的满意度和关注度都高于平均值，是精品MOOC 课程质量的最基本需求。 在进行在线课程设计时， 首先应考虑满足学习者对必备因素的需求，它们是影响课程整体满意度的重要因素，也是国家精品课程质量的保障。在人文社科类课程中，学习者对课程内容、课程教师、学习体验的关注度和满意度都高于其他因素， 说明现有人文社科类课程能够满足学习者对课程内容、 课程教授的质量需求。 同理，在自然科学类课程中，课程教师、学习平台也达到学习者的必备需求。 只有满足学习者对必备因素的需求，才能有效保障学习者的满意度。

2.期望因素

期望因素的关注度较高，但满意度较低。 即，学习者比较关注这类因素且对它们有较高的期望，若满足学习者对它们的需求， 课程质量将会进一步提升。 因此，在MOOC 课程设计时，应重点关注满足学习者的这一类质量需求。在人文社科类课程中，学习平台属于期望因素， 说明有大部分人文社科类课程的学习者对MOOC 平台的满意度较低。 而在自然科学类课程中，学习任务、课程管理、学习材料属于期望因素，其中，学习任务的满意度最低，即，目前自然科学类课程研究在学习任务、 课程管理以及学习材料上存在较大的挑战， 需要课程团队更加充分积极地设计好学习任务和学习材料，提升学习者满意度。

3.魅力因素

魅力因素的满意度较高，但关注度低于平均值，魅力因素质量的改善不会明显提高学习者满意度，但质量下降会引起学习者不满。 在人文社科类课程中， 课程设计属于魅力因素； 而在自然科学类课程中，课程设计、课程内容、学习体验为魅力因素，说明目前学习者对这些因素持满意态度。

4.无差异因素

在无差异因素中， 学习者满意度和关注度都低于平均值， 这类属性的质量水平不会影响学习者对课程的满意度，但却是MOOC 课程不可忽略的质量影响因素。 在人文社科类课程中，学习任务、课程管理、学习材料属于无差异因素，而自然科学类课程中不存在无差异因素。 即，对于人文社科课程而言，学习者更少关注于学习任务、课程管理、学习材料，他们更希望从教师的讲解中开阔视野、获得新知识。

王锐等人（2021）发现，系统特性、课程视频、教学内容以及教师的教学水平为必备因素， 而学习资料为期望因素，教师的教学风格、课程交互性为魅力因素。 与此类似的是，本研究也发现课程教师、学习平台为必备因素，但还发现课程管理、课程设计、学习任务等对学习者体验具有重大影响的因素， 以及人文社科类课程存在无差异因素，为MOOC 课程设计者正视学科差距提供了依据， 有助于弥补现有研究的不足。

（四）MOOC 课程质量影响因素结构图

本研究基于相关性分析和KANO 模型分类结果构建课程质量影响因素结构图（Map of Quality Influencing Factors，MQIF）， 呈现了八个课程质量影响因素间的潜在联系及它们与四种类型的对应关系，以帮助课程运营团队识别MOOC 课程质量影响的关键因素，促进课程质量优化。 其中，图5 中节点的面积大小用于区分对应因素的关注度， 节点上的数值表示为其满意度的大小， 而节点颜色对应为KANO模型中影响因素类型， 节点之间的线条表示为因素之间的相关关系， 且线条的粗细表示为相关性程度，如，自然科学类“课程内容”与“学习体验”用粗线条连接，表示为它们存在强相关性（0.75）。 MQIF分为四层，由下到上分别对应必备因素、期望因素、魅力因素及无差异因素，根据KANO 四分位图的思想，第一、二层的节点大小（关注度）都比第三、四层的大，而第一、三层的节点数值（满意度）都比第二、四层的高。

图5 MOOC 课程质量影响因素结构图（MQIF 图）

MQIF 图左、右侧分别对应自然科学类、人文社科类课程质量影响因素， 以对比发现它们之间的差异。 从影响因素的类型来看，自然科学类课程不存在无差异因素；而从相关联程度来看，自然科学类课程中的学习任务、学习平台与其他因素不存在相关性，即学习者对他们的满意度并不会直接影响到学习者对其它因素的满意度。自然科学类课程八个影响因素的节点大小（关注度）差异不明显，其中，课程管理、学习材料、学习任务的节点略比其他影响因素大， 说明这些因素受到学习者的关注较多，但它们的满意度明显低于其他节点，这是目前大部分自然科学类课程质量存在的问题。 课程内容、课程教师与其它节点相连接的实线较多，即自然科学类课程质量主要由课程教师和课程内容驱动，且科学内容与学习体验有很强的情感相关性，对于大多数自然科学类课程的学习者来说， 他们更希望从课程中掌握知识或技能，从中可以推断，课程教师对课程内容的掌握与讲授水平是课程质量的保障。

MQIF 图右侧显示人文社科类课程质量影响因素， 与自然科学类课程相比较， 节点大小更具有层次，课程内容、课程教师及学习体验的节点大小（关注度）和满意度明显大于其它节点，即，说明它们受到大量学习者的认可， 是人文社科类课程质量的保证。 与自然科学类课程存在明显差异的是， 学习材料、学习任务及课程管理因素的节点大小（关注度）明显小于其它因素，虽然在两类课程中，它们的满意度都较低， 但自然科学类课程学习者更希望这些因素可以被改善， 而人文社科类学习者并不太注重这些因素。 其原因可能是大多数自然科学类课程的学习者，希望可以通过课程提供的学习材料、学习任务来辅助学习和检测学习效果。

五、结语

本研究从学习者的视角出发， 综合应用NLP技术、相关性分析和KANO 模型，基于大量MOOC课程评论数据，挖掘了人文社科类课程与自然科学类课程的课程质量关键影响因素，以深入理解学习者的诉求，为MOOC 课程质量评价提供新思路。 并且， 根据相关性分析与KANO 分析结果， 构建了MQIF 图以帮助课程运营团队识别MOOC 课程质量的关键影响因素及内在关系， 对MOOC 课程优化和建设具有重要意义。研究结果展示了学习者心中精品MOOC 课程所具备的特质属性， 并发现人文社科类和自然科学类课程在KANO 模型的不同层级上存在差异。 根据研究结果，本研究提出了优化建议。

（一）MOOC 课程质量优化建议

1.人文社科类课程的实施建议

对于人文社科类课程而言，首先，应确保课程教师、 课程内容、 学习体验三个必备因素的质量。MOOC 课程教师应注重内容设计， 注重将课程内容应用到现实世界的例子或实践中， 而不是仅仅向学生传递信息。相比课程教师阅读讲义或演示幻灯片，在线学习者更希望教师通过给出具体的现实生活中的例子来阐述幻灯片中的要点， 从而促进学生对内容的理解（Hew，et al.，2020）。

此外， 课程平台运营方应完善证书获取与学分互认机制，降低证书获取费用，不断优化平台服务体验，满足学习者对期望因素的诉求。 针对魅力因素，在课程设计时， 课程团队应寻找促进学习者之间更多参与的方法，例如，同行评估、清晰的课程结构以及积极参与的同伴，被认为是改善MOOC 学习者体验的关键因素（Jaurena，et al.，2022）。

最后， 课程团队应该更详细地定义课程的要求和安排， 它可以让学习者更好地判断课程是否适合他们，以及更好地管理他们的时间，并选择更多的自我调节学习策略——所有这些都与更高的学习者满意度和参与度有关（Moore，et al.，2022）。

2.自然科学类课程的实施建议

对于自然科学类课程而言，首先，应保障课程教师和学习平台必备因素的质量。 教师需要调整教学进度， 而热情和幽默的讲解可以增加社交存在方面的情感， 能够显著影响在线学习环境中的学习者满意度（Watson，et al.，2017）。 而对于在语言表达上存在问题的教师，可以通过添加字幕等方式来改进，使学习者能更好地理解知识。

其次，着力提升课程管理、学习材料、学习任务期望因素的质量，MOOC 中不仅存在大量的在校学生，还有来自不同行业领域的学习者，课程团队应合理安排课程进度，引导学习者做好学习规划。 另外，教师应该视学习任务和学习材料为影响学习者学习体验的重要因素。 学习任务作为MOOC 的一种评估手段，不应只是知识的回忆，而应为学生提供应用所学知识的机会， 主动学习和应用知识对于促进学生参与MOOC 课程至关重要（Hew，2016）。而对于魅力因素， 课程内容的实用性是影响学习者可持续学习的重要因素， 在技能型知识为主的自然科学类课程中，应结合大部分学习者需求，精心设计有典型或者挑战的任务， 帮助学习者综合运用所学技能来解决问题（Argelagós，et al.，2022）。

此外， 课程团队也可以借助实训平台为学习者创造实践环境，激发学习兴趣，满足学习者的职业发展需求，如虚拟现实技术平台（刘革平，等，2020）。在课程设计时，应增加重难点答疑，例如，教师可以鼓励学习者在论坛或通过电子邮件， 表达他们的需求和愿望， 教师也可以在开课前设计问题征集学习者的期望，或者邀请他们对MOOC 学习过程中的进步或困难进行自我评价， 以此充分了解学习者的真实想法， 从而有利于提高教学效率和学习者的学习体验（Peng，et al.，2022）。

（二）不足与展望

面向大量的MOOC 课程评论数据，本研究仍存在一定的局限性， 仅探究了学习者视角的自然科学类及人文社科类课程质量影响因素， 未来研究可在更具体的学科或者不同开课周期进行更深入的探讨。 其次，为了避免研究者主观判断的影响，本研究使用依存句法分析和语义角色标注的方法提取细粒度的学习者课程评价单元， 但以人工审核的方式对课程质量影响因素进行分类， 后续可以在如何使用深度学习算法模型进行课程质量影响因素的自动标注上展开进一步的研究， 以更客观地从学习者的视角分析学习者评论数据。