1. 引言
作为线上视频教学的大型开放式网络课程即我们所说的MOOC (massive open online course，简称mooc)，由美国斯坦福大学教授巴斯蒂安.史郎将人工智能课程网络课程放在网上而吸引众多学生，再有投资商与大学合作，终于在2012年9月呈现在人们的视野。众所周知的MOOC平台，如在线网络教育平台Udacity、大型公开在线课程项目Coursera和大规模开放在线课堂平台edX都是由美国率先开发出来，同时由于互联网的普及和民众日益增长的学习需求和求知欲望，人们渴望从各个渠道获取知识，最终在不懈探索之下，中国开发出了具有特色的MOOC学习平台，学堂在线、智慧树、学习通、中国大学MOOC、慕课网、慕课学院、好大学在线、央视公开课、华文慕课等，这些平台提供海量的课程资源。
随着MOOC教育的开展工作的持续进行，它在教育工作上的影响力日渐明显。主要表现为打破传统模式、丰富获取知识的途径和综合素质的全面提升，增强学习的主动性、自由度和自制力，同时对学习态度、学习效果和学习方式起到诸多良性影响。然而现如今随着新理念的诞生，人们更加注重碎片化、广泛性和移动式的学习方式，同时由于课程的过度开放性、自主性、大规模、大众化等一系列缺陷，且缺少相应指导、及时督促以及及时考察，逐渐暴露出弊端与消极学习的现象。主要表现为缺乏自主学习性和学习懈怠。另外，设备更新频繁，对教师的技术要求过高，高龄教师在逐渐适应操作中不免影响了教学的质量。那么如何快速地推进MOOC学习的普及、MOOC学习内容更新和MOOC资源公开推广的重要工作。如何高质量地完成MOOC学习效果的稳定提升是当代信息化背景的重要探索。除此之外，对于区分影响的积极性与消极性和这些影响怎样影响学习效果，对此还需要进一步研究探索，可见开展该调查研究的必要性。
2. 文献综述
2.1. 实证分析研究模型的理论基础
本文将MOOC设计的属性分为以下四个潜变量自主性、多样性、开放性和互动性，四者首先是作为影响MOOC学习效果的因素最早由Downes在2013年提出 [1]，本文将自主性、多样性和互动性作为影响因素进行分析。学习参与度一直是作为影响学习效果的因素，最早于2004年由Fredricks将学习参与度进行细分，分别是认知参与、情感参与和行为参与 [2]。该模型指出了六个重要维度。最后该模型还提出了两个控制变量，课程特征与个人差异，两个变量都对结果有一定影响。潘丽佳(2015)针对“如何提高MOOC学习绩效”的问题提出MOOC设计，学生参与度和学习效果的模型 [3]，即图1。
本文引入MOOC设计、学习参与度和学习绩效结构方程模型来构建MOOC学习效果影响因素模型的原因在于：第一：这种模型对学习绩效有着较好的解释力。第二：学习参与度一直被认为是影响学习效果的重要因素。早期学者将参与度分为努力、动机和投入时间，现在简化为行为、情感、认知这三个维度更为准确。第三：学习者学习效果会受到MOOC质量的影响，这与MOOC设计、学习参与度和学习绩效模型中的MOOC设计是相似的维度。
Figure 1. MOOC design, student engagement and learning performance model diagram
图1. MOOC设计、学生参与度和学习绩效模型图
2.1.1. 自主性、多样性、互动性
自主性 [3] 表示学习者在以往的学习过程中能够独自学习，但不同学习阶段建立目标，时刻检测和分析学习成果，以便更进一步。在以往的学习过程中，人们将学习平台作为基础，通过学习相应课程来完成学习内容。对于自身而言我们可以自由选择学习，寻找适合自己的学习方式随时随地学习，同时学习内容也时凭借自己决定，对于MOOC平台而言，平台没有规定说学习者限制性学习和目的性学习，平台只能是提供课程供学习者自由选择其所需要的东西，同时MOOC平台不应该企图与学习者进行互动，而是提供更好的学习环境，MOOC学习具有自己的特色，与传统的教学相比，MOOC教学更能提供个性化的学习环境，传统教育往往是死板的，学习内容长期得不到更新，教师根据以往成功经验分析，未能及时对教学内容进行更新，没有自主性MOOC平台将无法适应不断变化学习需求的环境。
多样性 [3] 本文指的是不同文化特征下拥有与众不同教学方式，由于不同地区教育水平层次不齐，所以要合理选择授课方式便于学生能理解。本文认为学习多样性包括各式各样的学习方式、不一样的交流和选择喜欢的地点，不可否认多样化的学习内容是学习自主选择学习资源的基础。
互动性 [3] 表示学生与教师之间要积极交流，以便发现新知识和新的教学方式。本文认为互动性主要表现在几个维度，第一是网络学生之间，第二是学学生与课本知识之间，第三是学生与教师之间。互动性应该具有其独特的特色，不同于传统线上教学、传统课堂教学、课件资源共享，本文认为学习互动性应该包括课堂互动和线下交流，两者均有利于加深对学习内容的印象。
2.1.2. 行为维度、情感维度、认知维度
行为参与度 [3] 指的是学生融入课程的程度，包括作业完成率、参加课程讨论次数、课堂活跃度。
情感参与度 [3] 表示在学习时候教师与学生的情感联系，包括学生对教师的评价程度，学生和教师的私下关系。
认知参与度 [3] 表示学生的学习投入程度，包括时间、思考深度、学习态度和学习目标的确定高低等。
2.2. MOOC平台学习效果影响因素现状
MOOC的全称大型开放式网络在线课程，人们通常称为慕课，同时具有公开性、免费性、专业性扥特点，使得人们在选择学习方式时候偏向于这种自由的学习方式。2012年MOOC起源于美国，其中广为人知的MOOC平台主要有Coursera、edX和Udacity [4]。相对于传统的教学方式，MOOC有着较高的公开性、透明性和自主性，学生可以随时随地的学习，课程多样和全面，课程时长短，内容精要，同时可解接触到广阔的知识面，与全世界优秀的、著名的学者和名师学习。中国的在线教育发展热潮最早可以联系到2013年时刻，当时国内知名院校纷纷加入其中，如今已经诞生了中国大学MOOC、学堂在线、智慧树和大学在线等知名的国内网络课程教学平台 [4]。
2.2.1. 国外关于学习者在MOOC平台学习效果的影响因素的研究现状
Kai Zhang基于Eduard Deci的自主学习理论和Kuhn的学习投入与收获理论，构建了混合教学环境下师范生学习效果的概念模型。结果表明，基本心理需求、混合教学、自主学习动机和技术接受对学习投入有显著的正向影响，而受控学习动机对学习投入没有显著影响 [5]。Chaker Rawad等通过社会资本的大型开放在线课程中追踪自我调节学习的要素，探索网络社区归属感与个体和集体学习调节之间的关系，同时构建了结构方程模型，结果表明共同调节、自我调节均会影响MOOC学习效果 [6]。Gu Wei从MOOC平台的质量因素入手，通过将D&M ISS模型和期望确认模型整合为一个模型来确认用户期望，确定影响用户继续使用MOOC平台意愿的因素，建立结构方程模型，发现学习者使用MOOC的期望指数与信息的质量、系统的质量和服务质量密切相关 [7]。Zhu Meina调查了动机、自我监控、自我管理和MOOC学习者使用学习策略之间的关系，嵌入了一项在线调查，表明自我监控对自我管理有积极影响 [8]。Su PeiYao采用描述性统计分析对数据进行了定量处理，对定性后的数据进行了详细的分析，表明制定学习目标、时间管理、资源和支持的管理和导航促进了学习者的自我管理技能 [9]。
2.2.2. 国内关于学习者在MOOC平台学习效果的影响因素的研究现状
随着教育事业逐渐融入高速发展的信息科技中，在互联网的催化作用下，MOOC在学习知识中扮演者越来越重要的作用。作为一种新型且重要的学习方式，MOOC不仅引发了一轮学习浪潮，同时也带来许多不可忽视的问题，那就是高辍学率。曾嘉灵等人采用了逻辑回归的方法，对学习者的合格率研究结果显示：积极发帖、具有高作业完成率、按时交作业和进行可课后测试的学习者的学习成绩往往更加优秀，在交互学习行为和学习参与上，学习成绩优异学习者相比于刚好及格学习者，高分的一般表现出积极参与性，比如讨论和学习者间互评等，同时在完成课程内容上积极主动 [10]，其中近半数的学习者认为自学和共享交流相结合是有效的，同时超过六成的学生认为由于自生使用平台能力的限制，很难找到适合自己的课程，出现“迷航”现象。樊华丽通过内外部监控策略，减少学生主动性差、计算机能力差、无学习计划、盲目学习等行为，提高学习效果 [11]。沈欣忆等使用了逐步回归分析的方法，通过对网络学习行为的分析，发现作业完成率、视频完成率和有序观看视频对最终的网络学习效果有重要的积极影响 [12]。常敬等通过随机抽取100名学生的随机样本，建立学习动机统计表、对学习意向影响因素分析进行细致分析，研究发现自学态度、品牌知名度、学习动机等可以提高学习参与的意愿，同时MOOC课程质量、学习的硬件等方面也有着不错的影响 [13]。
2.3. 文献评述
本文分别对国内外关于MOOC学习效果影响因素的研究文献进行分析和归纳，发现其研究方向主要在作业完成度、视频完成率、发帖次数，国外学者对学习动机、自主学习、成就情绪等多方面进行研究和探索，因此，在现有的研究中MOOC学习效果的影响因素研究还是比较少的。
在对于MOOC学习效果影响因素的大多数研究中，学者们对于使用结构方程模型分析其影响因素持认可态度，同时通过问卷调查、访谈、相关网站数据下载等方式获取数据，经过描述性统计分析、相关性分析、拟合度分析和回归分析等一系列分析来探讨。
学习者参与MOOC学习效果影响因素。学者们的研究也有相同的特点，如学习动机、自我管理、认同感、学习参与度和课程资源共享性对学习者参与学习行为有一定影响。
3. 研究设计
本文在前文文献回顾的基础上，引入结构方程模型对影响因素进行探究，结合相关理论基础，对模型进行改进并提出相关假设。最终本文将MOOC设计属性、学习参与度设为关键因素。
3.1. MOOC学习效果影响因素的模型构建
本文将MOOC设计中的自主性、多样性、互动性和学习参与度中的行为维度、情感维度、认知维度这六个因素作为衡量学习绩效的影响因素，并将这六个维度作为自变量，将学习参与度作为MOOC设计影响学习绩效的中间变量，最后将学习绩效作为因变量，检验自主性、多样性、互动性对参与度和学习绩效的影响情况，同时分析中介效应。
本文将对学习效果进行细分为行为维度、长期维度和素质维度。行为维度表示学习者在获取知识、专业技能是具有怎样的行为和在行动过程；长期维度表示进过MOOC学习过后，学习者的未来能力是否得到相应提高；而素质维度表现则通过其学习成果来反应，比如学习能力是否提高，学习效率是否有提升，在复杂环境下能否保持高效率。本文模型如图2所示。本文分别分析六个自变量对三个因变量的影响，同时探究中介变量的存在性，同时进行假设检验。
3.2. 研究假设
根据上文分析和模型，本文得出以下假设，如表1。
3.3. 量表制作
本文对自主性进行量表题项设计有四个，分别为学习者是否会在学习前设置相应的学习目标、是否自主选择喜欢课程、是否会进行学习情况的管理、是否会退选不喜欢的课。
本文对多样性设置了三个题项进行测量，分别是是否希望选择多种类型课程资源、是否希望可以选择多种技术类型和学习终端、是否希望平台提供多类型教学方式和学习方法。
互动性可以被定义为学习者参与学习学习过程中，进行课堂谈论、课程交流的次数频率。本文设置了四个题项作为测量MOOC互动性的指标，分别是是否希望与平台交流沟通、是否希望学习者之间可以自由交流、是否希望不同的学习者之间可以自由交流和知识共享、是否希望与授课教师两者之间进行交流和解决疑惑。最后本文使用了5级李克特表用于测量MOOC设计属性，得分越高就可以说明MOOC设计被调查者越看重MOOC设计的质量。如表2。
Table 2. Measurement of MOOC design properties
表2. MOOC设计属性的测量
本文将学习参与度细分为三个维度，分别为行为维度、情感维度和认知维度，再通过设置相应的题项对各个维度进行测量，最后分析影响影响因素的影响效果。
本文对行为维度设置了五个题项，分别为听从课程进度安排、我会按时积极做课后习题、我会预先准备课程学习、我会积极课后讨论、我会观看同学们的学习记录同时积极检测自身学习成果和评价自己。
对情感维度设置了四个题项，分别为喜欢学习的课、与别人关系很好、与老师情感不错、在学习时候保持开心。
对认知维度则设置了五个题项。分别为坚信学习有用、有学习方向、自主学习、主动学习、在深度学习。
最后本文使用了5级李克特表用于测量学习参与度的各个维度的指标，满分为5分，得分高可以被调查者的学习参与度越高。如表3。
本文对学习效果细分了三个潜变量，分别是行为维度、长期维度和素质维度，这三个维度将作为分析学习效果的重要指标。
首先是行为维度本文设计了五个题项用于测量学习成果，分别是你完成了特定课程、你获得了优秀的成绩与学分、完善了你现有的知识结构、你的专业能力有很大提升、你认识新事物的能力有很大提升。
长期维度本文设置了四个题项，分别是增强了你实现目标的愿望、使你变得自信、改善了你的日常行为、使你更加注重效率。
素质维度本文设计了四个题项分别是增强你适应环境的能力、短期内使你的成绩有所提高、对你的未来发展有作用、有助于你实现未来目标。
最后本文使用5级李克特量表用于测量学习效果，满分为5分，分数越高说明被调查人的使用MOOC学习之后的学习效果越理想。如表4。
根据前章节提出的模型，本文章节使用李克特量表用于测量各个潜变量的分值，其次对变量调整与完善，通过最后设计量表，进行问卷设计，得到有效数据。以下是本文对各个变量和指标的编号，如表5。
Table 5. Explanation table of questionnaire indicators and numbers
表5. 问卷指标与编号说明表
3.4. 样本筛选
本文主要借助互联网进行问卷发放，同时采用社交网络进行发放和线下问卷发放回收，表现在在各个高校找到代表发放问卷，征集了全国数十所高校是数据，使得数据具有代表性和有效性，最后经过汇总总计发放了问卷223份问卷，但是实际只回收了212份，其中经过筛选发现有10份为无效问卷，在通过简单的数据处理，本文得到了202份问卷数据，用于数据分析基本达到条件。
4. 数据分析及模型检验
4.1. 描述性统计分析
描述性统计用于了解样本的基本特征，比如均值和标准差等，本文的描述性统计分析主要包括了MOOC学习者的性别、年级、专业、计算机熟练度以各个变量的基本情况。
4.1.1. 人口统计特征
本文剔除无效问卷后有202份有效问卷得到有效数据，通过分析样本特征，说明了样本具有了代表性如下表6所示，按照学习者性别、学习者的年级、学习者的专业和学习者的计算机经验等四个方面进行了描述性统计分析。
Table 6. Results of descriptive statistical analysis of control variables
表6. 控制变量的描述性统计分析结果
4.1.2. 因变量描述统计
对因变量进行简单描述性统计，初步分析学习者的学习效果，见表7。
Table 7. Survey respondents’ MOOC learning situation table
表7. 调查对象进行MOOC学习情况表
可以发现有95.05%的学习者均有过MOOC学习经历，说明大多数学习者对MOOC学习有着一定了解；44.27%的人一周学习时长为1~3 h；42.57%的学习者在平台学习课程数为5~6门；约有59.37%的学习者对自己学习成效打出3~4分，满分为5分。
4.1.3. 自变量描述统计
对本文自变量进行编号，进行是统计分析，如下表8所示。
Table 8. Descriptive statistics table of independent variables
表8. 自变量描述性统计表
4.2. 信度分析
本文首先测量了信度与效度，使其能够满足研究的科学性和使得研究变得有价值，本文通过测量Cronbach’s α值来分析效度，但是在此之前需要进行KMO检验然后进行Barlett检验来分析信度。如表9所示。
根据以上数据分析的结果来看，自主性、多样性、互动性、行为维度、情感维度、认知维度、行为维度长期维度素质维度的KMO分别为0.778、0.719、0.778、0.84、0.795、0.84、0.868、0.85、0.778，并且KMO值均大于0.7，同时巴特利特球形度检验显著性均小于0.05，以此本文认为各个变量的信度良好，问卷可以用于因子分析。
4.3. 效度分析
在对效度分析时，本文则通过分析Cronbach’s α、CR (组合信度)和AVE (平方差提取量)来判定效度。根据表10所示，本文分析了各个观测变量的标准负荷、Cronbach’s α、组合信度和平方差提取量，可以发现的是Cronbach’s α值均在0.8以上，同时组合信度基本大于0.8，最后可以发现平方差提取量均大于0.5，所以本文认为本文的数据结构优良，各个量表也具有良好的效度，适合进行后续分析。
4.4. 相关分析与检验因子分析
由于MOOC设计对于本文研究决定着本文研究和合理性，所以需要进行检验因子分析，另外本文对202份数据分析的工具为AMOS25.0，主要对模型进行拟合分析。
Table 10. Standard loading of each factor, Cronbach’s alpha, CR and AVE values
表10. 各因子标准负荷、Cronbach’s α、CR和AVE值
4.4.1. MOOC设计因子分析
结构方程模型检验所得的主要指标：自主性、多样性关系系数为0.882，自主性和互动性关系系数为0.829，而多样性和互动性的关系系数高达0.921，表明各个变量之间的相关关系较高，可见理论模型的设定是可以接受的，本文决定采用分析软件AMOS25.0对模型拟合度分析。
Figure 3. MOOC design first-order factor model
图3. MOOC设计一阶因子模型
上图是通过AMOS分析建立的学习参与度各个变量的一阶因子模型，在通过AMOS分析后可以认为x2越小越好，x2/DF < 3.0，RMSEA < 0.08，NFI、CFI、GFI大于0.9且越接近1，可以说明拟合程度良好。根据下表表明了x2拟合值为115.803，DF拟合度为74，x2/DF为1.565 < 3.0，RMSEA拟合度为0.053小于0.08，同时NFI、CFI、GFI拟合值均大于0.9，十分接近1，所以本文认为行为维度、情感维度和认知维度具有良好的拟合程度，以往研究表明其各因子相关程度比较高但未影响到效度。图3是采用了极大似然法估计，表明了个性因子载荷在0.84~1.14之间，认为误差较小，也同时表明模型结构数据拟合程度良好。
4.4.2. 参与度因子分析
本文对202份问卷数据进行因子相关性分析结果如下。
CD与ED的相关系数为0.977，BD与ED相关系数为0.967，BD与CD的相关系数为0.95。表明各个变量之间的相关关系较高，所以本文决定采用分析软件AMOS25.0对我们建立的结构方程模型的模型拟合度分析。
图4是笔者通过AMOS分析建立的学习参与度各个变量的一阶因子模型，在通过AMOS分析根据理论基础和以往经验分析，可以认为x2越小越好，x2/DF < 3.0，RMSEA < 0.08，NFI、CFI、GFI大于0.9且越接近1，可以说明拟合程度良好。根据下表表明了x2拟合值为115.803，DF拟合度为74，x2/DF为1.565 < 3.0，RMSEA拟合度为0.053小于0.08，同时NFI、CFI、GFI拟合值均大于0.9，十分接近1，所以本文认为行为维度、情感维度和认知维度具有良好的拟合程度，以往研究表明其各因子相关程度比较高但未影响到效度。图4是采用了极大似然法估计，表明了个性因子载荷在0.84~1.14之间，认为误差较小，也同时表明模型结构数据拟合程度良好。
Figure 4. Participation first-order factor model
图4. 参与度一阶因子模型
4.4.3. 学习绩效因子分析
本文对202份问卷数据进行因子相关性分析结果如下。
LTD和QD之间的相关系数为0.985，QD为BPD之间相关关系为0.898，而PBD与LTD之间的相关关系则为0.976，三者的相关系均十分接近1，表明各个变量之间的相关关系较高，所以本文决定采用分析软件AMOS25.0对我们建立的结构方程模型的模型拟合度分析。
Figure 5. Learning effect first-order factor model
图5. 学习效果一阶因子模型
图5是笔者通过AMOS分析建立的学习参与度各个变量的一阶因子模型，在通过AMOS分析后根据理论基础和以往经验分析，可以认为x2越小越好，x2/DF < 3.0，RMSEA < 0.08，NFI、CFI、GFI大于0.9且越接近1，可以说明拟合程度良好。这表明了x2拟合值为150.553，DF拟合度为622.428，x2/DF为2.428 < 3.0，RMSEA拟合度为0.084小于0.08，同时NFI、CFI、GFI拟合值均大于0.9，十分接近1，所以本文认为行为维度、情感维度和认知维度具有良好的拟合程度，以往研究表明其各因子相关程度比较高但未影响到效度。上图5是采用了极大似然法估计，表明了个性因子载荷在0.92~1.2之间，认为误差较小，也同时表明模型结构的数据拟合程度良好。
4.5. 使用AMOS模型进行假设检验和回归分析
本文所研究的变量相应的AMOS模型分析图如下，同时各变量由于由多个测量数值，所以以下均采用平均值进行数据分析。即bd表示行为维度性BD1、BD2、BD3、BD4的平均值，同理，a、d、iq、ed、cd、pbd、ltd和qd怎分别表示自主性、多样性、互动性、情感维度、认知维度、行为维度、长期维度、数值维度平均得分，以平均值作为各个维度的得分。
4.5.1. AMOS建模分析
自主性amos分析，多样性amos分析，互动性amos分析分别见图6，图7，图8。
4.5.2. 研究假设检验
根据以上三个模型进行的AMOS的分析，可以得到标准化路径系数的估计值、T值(C.R)和显著性P值，由表11的结果分析假设H4、H5、H6的T值均小于2可以说明不显著，同时P值也没有小于0.05，表明不显著，可能存在中介效应。
注意：*p < 0.05，**p < 0.01。
4.5.3. 中介效应检验
如图9使用AMOS软件分析，根据理论基础和以往经验看，2008年Preacher等学者认为在95%的置信区间内且不包含零，由此可以认为其具有显著的中介效应。由下表12的实证分析结果来看，在95%的水平下假设H10、假设H11、假设H12的置信区间分别为[0.435~0.977]、[0.428~1.125]、[0.583~1.822]，因此假设H10、假设H11、假设H12均成立，且因为H4、H5、H6均不显著，本文可以认为假设H10、假设H11、假设H12为完全中介效应。
中介变量示意图如图10所示。A与b均为显著，但是c’不显著可以说明期间存在完全中介作用。
Figure 10. Schematic diagram of mediating variables
图10. 中介变量示意图
基于该理论基础和相关理论基础，我们得出表12的结论，假设H10、假设H11、假设H12，P值检验显著，同时在95%的置信区间内的上下界均不包括0，表明存在完全中介效应。
Table 12. The coefficient of the path of the mediation effect
表12. 中介效应的路径的系数
5. 结论
本文的研究内容主要是在相关的理论基础上，对MOOC设计、学生参与度和学习绩效模型进行改进，将自主性、多样性、互动性、行为维度、情感维度和认知维度六个因素作为自变量衡量MOOC学习效果的影响因素，行为维度、长期维度和素质维度作为衡量的因变量，构建MOOC学习效果影响因素的结构方程模型，本文介绍了相关的理论基础，对数据进行统计分析、信度与效度测试，通过SPSS数据统计软件进行分析，以KMO与巴特利球形度检验确定了信度良好和标准负荷值，再通过相关计算公式计算得到想要的数据项，如Cronbach’α、C.R和AVE，这些值均在合理范围内，说明了问卷效度良好，相关性分析表明各个机构变量间的三个潜变量均具有极高的相关性，本章使用AMOS25.0软件进行因子建模后，进行拟合分析，x2、x2/DF、RMSEA、NFI、CFI、GFI在合理范围说明了拟合程度良好，经过假设检验和中介效应检验得出以下结论。
本文的研究旨在探讨MOOC学习效果影响因素，所以学习理论作为理论基础，关注MOOC学习自主性、多样性和互动性，学习参与度和学习效果，同时经过对理论知识与架构进行仔细地梳理之后，经过AMOS建模实证分析进行假设检验与中介效应检验，得出了“H1、H2、H3、H7、H8、H9假设成立，H4、H5、H6假设不显著”。
本文主要的研究贡献主要表现在对MOOC设计、参与度和学习绩效的模型的修正与改进，九个潜变量用来测量以上三个结构变量，建立了MOOC学习效果影响因素的模型，根据构建的模型设立相应假设，通过多样化的问卷发放方式，有利于提高结果的可信度和可靠性，最后通过AMOS建模进行分析进行T检验、检验假设、显著性检验和中介效果检验，使用中介效应检验的方法可以使结果更加可信。根据结果来看，学习者只有基于MOOC平台找到学习兴趣、学习伙伴，同时进行创造性探索与思考，不断提升学习技巧，提高要求、学习能力，才能更容易获得高效果。
NOTES
*通讯作者。