又一次失望，又一次失望，他们为什么抗议，为什么抗议

大约八年前，当大规模在线开放课程(mooc)在这个领域崭露头角时，人们对它抱有极高的希望。支持者希望免费提供的课程能使任何有电脑和互联网接入的人都能获得高质量的课程，从而使教育民主化和变革。

但事实并非如此。学生的完成率一直很低，而一项着眼于行为干预效果的重大新研究似乎显示出了一些支持这一点的希望，但它并没有被证明是一颗神奇的子弹。但是，研究人员说，研究结果为未来的道路提供了一些建议，如果在线学习像预期的那样在美国教育体系中扮演更重要的角色，那么这些建议将变得越来越重要。

在2½年期研究中,社会科学家从哈佛大学,卡内基梅隆大学,康奈尔大学,麻省理工学院,在澳大利亚昆士兰科技大学,多伦多大学,斯坦福大学的证明大规模的干预措施,如调查课程帮助学生计划——可以显著提高毕业率。

从2016年9月到2019年5月，研究人员追踪了edX平台上大约250门在线课程的25万名学生，这些学生来自几乎所有国家。研究人员假设，作为课前调查的五种有前景的干预措施，将对提高在线课程的完成率产生中大型影响。

科学家们预计，大规模的研究结果将巩固之前在更小范围内完成的工作(一项针对6万名接受长期规划干预的学生的研究，将英语流利的坚定学生在mooc上的完成率提高了29%)。

在这里，研究人员预测了他们认为每一种干预会如何帮助特定的学生群体。例如，他们预测社会责任干预，即学生选择一个人，让他们对自己在课程中的进步负责，将最有利于“不那么个人主义的国家”的学生。但是他们发现五种干预措施中的任何一种在整体完成率上都没有显著提高。研究结果表明，当涉及到在线课程时，行为干预并不是万能的，需要更多的研究来验证那些显示出巨大前景的干预，通过大规模测试来看看它们在什么情况下有效，对谁有效。

该研究的作者之一达斯汀·廷利(Dustin Tingley)说:“它们的效果没有最初结果显示的那么好，这有点令人吃惊。”他是哈佛大学学习进步副教务长办公室(VPAL)的政府教授和副教务长。他说:“当这些[初步]研究显示了一些有希望的结果时，人们可能会忍不住就此打住，说‘我们现在已经得出了一些结论’，而大量的学术研究正是这样做的。这项研究表明，“当我们看到有希望的事情时，我们必须问下一步该怎么做，以探索情况是否真的如此。”否则，人们读到最初的研究，就会想，‘嘿，这有一颗神奇的子弹。’”

Dustin Tingley, 6037s研究的合著者之一。罗斯·林肯/哈佛资料照片

由于新型冠状病毒的流行，很多教育都转移到了网上，但这只是在一定程度上，因为许多mooc是免费或低成本的，而且通常无法获得学位。

“这是一个不同的学习环境，”Tingley说。“这是有意义的，因为它表明，很难提高(在线)设置的完成率。从研究人员考虑以低成本的方式促使人们获得更有效的学习体验这一广义意义上讲，这是相关的。与COVID一样，在线教育不会消失。我认为，即使是在covid之后，人们也意识到我们需要为这些类型的学习设置做好准备。如果是这样的话，我们就需要认真严谨地研究人们是如何在网上学习的。”

这项研究发表在6月份的《美国国家科学院院刊》上。它由康奈尔大学的助理教授Rene Kizilcec领导;麻省理工学院助理教授、哈佛大学前研究员贾斯汀·赖克;Michael Yeomans，他是哈佛商学院的博士后研究员，现在是帝国理工商学院的助理教授。

这项研究基于哈佛大学、麻省理工学院和斯坦福大学提供的269169名注册学生的247门在线课程的数据。研究人员预先登记了他们的假设，并计划在开放科学基金会(Open Science Foundation)主办的数据库中分析数据。

在回答完关于他们自己的调查问题后，学生们被随机分配接受一种正在研究的干预措施。一些学生没有接受任何测试作为对照。

研究人员使用的五种干预措施包括三种“自我调节”干预——都涉及提前计划——和一种被称为“价值相关性”干预的动机性活动，要求学生向他们指出重要的价值，并记录完成课程如何反映这些价值。

尽管这项研究的主要结果令人失望，但论文的作者指出，在研究过程和数据中也有一线希望。

“我们的工作是做研究的一部分,帮助学习者实现他们的目标和我们的部分工作是透明的,坦诚的,和严格的政策制定者如何有效,我们设计的东西,”赖克说,曾经担任讲师哈佛大学教育研究生院,并讨论了进一步研究在即将出版的书里写道。“一方面，当我们不得不对每个人说这些事情并没有如我们所希望的那样成功时，这种感觉并不好。但另一方面，我们做了一项非常严格的研究，对这些东西的效果做出了准确的估计，这让我们感到很高兴。”

在自我调节干预中，比如社会责任或长期规划干预，研究人员发现，它们在最初几周能有效提高学生的参与度，但随着课程的进行，这种效果会减弱。

他们还发现,附加价值干预帮助促进学生的毕业率从欠发达国家近3%在两年的研究中,但这只发生在课程,那里已经是一个很大的区别在欠发达国家的学生和学生之间的毕业率在更加发达的国家。在一些没有这种全球成就差距的课程中，干预措施实际上产生了相反的效果。

在第一年的数据基础上，研究人员尝试使用机器学习算法优化第二年的干预措施。结果并不比不分配干预措施或随机分配干预措施好。

总的研究结果让科学家们建议，有必要进行进一步的研究，以确定这些干预措施什么时候起作用，对谁起作用。Tingley说，努力还应该包括像哈佛大学VPAL办公室所做的那样，建立运行这类数据密集型研究所需的数据处理基础设施。

“环境很重要，”作者在研究中写道。“在一个新的范式中，‘什么有效?’将被‘什么有效，对谁有效，就在这里?’所取代。”