Studies on engagement and learning design in Massive Open Online Courses (MOOCs) have laid the groundwork for understanding how people learn in this relatively new type of informal learning environment. To advance our understanding of how people learn in MOOCs, we investigate the intersection between learning design and the temporal process of engagement in the course. This study investigates the detailed processes of engagement using educational process mining in a FutureLearn science course (N = 2086 learners) and applying an established taxonomy of learning design to classify learning activities. The analyses were performed on three groups of learners categorised based upon their clicking behaviour. The process-mining results show at least one dominant pathway in each of the three groups, though multiple popular additional pathways were identified within each group. All three groups remained interested and engaged in the various learning and assessment activities. The findings from this study suggest that in the analysis of voluminous MOOC data there is value in first clustering learners and then investigating detailed progressions within each cluster that take the order and type of learning activities into account. The approach is promising because it provides insight into variation in behavioural sequences based on learners’ intentions for earning a course certificate. These insights can inform the targeting of analytics-based interventions to support learners and inform MOOC designers about adapting learning activities to different groups of learners based on their goals.

中文翻译：

---

在FutureLearn MOOC中研究学习过程中的变化

大规模开放在线课程（MOOC）中有关参与和学习设计的研究为理解人们如何在这种相对新型的非正式学习环境中学习奠定了基础。为了增进我们对人们如何在MOOC中学习的理解，我们研究了学习设计与课程参与的时间过程之间的交集。这项研究调查了在FutureLearn科学课程（N = 2086个学习者）中使用教育过程挖掘进行参与的详细过程，并应用了已建立的学习设计分类法对学习活动进行分类。分析是基于三组按点击行为分类的学习者进行的。过程挖掘结果表明，三组中的每组至少有一个主导路径，尽管在每个组中都发现了多种流行的其他途径。这三个小组仍然保持兴趣并从事各种学习和评估活动。这项研究的结果表明，在分析大量MOOC数据时，首先要对学习者进行聚类分析，然后研究每个聚类中的详细进度，并考虑学习活动的顺序和类型，这是有价值的。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这三个小组仍然保持兴趣并从事各种学习和评估活动。这项研究的结果表明，在分析大量MOOC数据时，首先要对学习者进行聚类分析，然后研究每个聚类中的详细进度，并考虑学习活动的顺序和类型，这是有价值的。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这三个小组仍然保持兴趣并从事各种学习和评估活动。这项研究的结果表明，在分析大量MOOC数据时，首先要对学习者进行聚类分析，然后研究每个聚类中的详细进度，并考虑学习活动的顺序和类型，这是有价值的。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这项研究的结果表明，在分析大量MOOC数据时，首先要对学习者进行聚类分析，然后研究每个聚类中的详细进度，并考虑学习活动的顺序和类型，这是有价值的。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这项研究的结果表明，在分析大量MOOC数据时，首先要对学习者进行聚类分析，然后研究每个聚类中的详细进度，并考虑学习活动的顺序和类型，这是有价值的。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。这种方法很有希望，因为它可以根据学习者获得课程证书的意图，洞悉行为顺序的变化。这些见解可以为基于分析的干预措施提供有针对性的支持，以支持学习者，并告知MOOC设计者基于他们的目标使学习活动适应不同的学习者群体。