CC BY
137Качественный и количественный анализ MOOC-платформ
Бойко Татьяна Алексеевна,
магистрант, кафедра «Инновационное предпринимательство» (ИБМ7), ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)» (МГТУ им. Н.Э. Баумана), boiko_tatjana@mail.ru
В статье рассмотрены основные характеристики 8 MOOC-плат-форм: четырех российских (Открытое образование, Универса-риум, Stepic, Нетология) и четырех зарубежных (Coursera, edX, FutureLearn, Udacity). Проведено исследование количественных показателей, в результате которого проанализированы посещаемость, средняя продолжительность визита и контент выбранных онлайн-платформ. Для анализа статистических данных использованы язык программирования R, среда разработки RStudio и следующие статистические методы: дисперсионный анализ, тест Колмогорова-Смирнова в модификации Лиллиефорса, критерий Крускала-Уоллиса, коэффициент корреляции. Проанализированные данные визуализированы с помощью матрицы корреляции и диаграммы размаха. Дополнительно приведен обзор основных моделей монетизации MOOC-платформ. Полученные результаты могут быть использованы разработчиками MOOC-курсов при написании программы нового курса, а также при построении модели поведения обучающихся на конкретной платформе. Ключевые слова: онлайн-курсы, MOOC-платформы, онлайн-образование, статистические методы, анализ, RStudio.
Введение. С появлением MOOC-курсов стали развиваться такие образовательные проекты, как MOOC-платформы, которые представляют собой электронное пространство, предназначенное для размещения он-лайн-курсов. Подобные платформы предлагают среду взаимодействия преподавателя и обучающихся, а также собирают данные о поведении студентов во время усвоения учебного материала.
Проведем качественный и количественный анализ MOOC-платформ. В качестве объекта исследования были выбраны 4 иностранные и 4 отечественные MOOC-платформы. Решение об изучении зарубежных площадок было принято на основании статьи «By The Numbers: MOOCs in 2018», подготовленной MOOC-агре-гатором «Class Center» [1].
Следует отметить, что в исследовании не рассматривались следующие решения для онлайн-образова-ния:
_ языковые платформы, такие как SkyEng, LinguaLeo, Puzzle English, EnglishDom и др.;
_ платформы для изучения программирования, такие как Codewards, GreekBrains, HTML Academy, Codecademy и др.;
_ площадки для подготовки к стандартизированным образовательным тестам, такие как «Максимум», Он-лайн-школа «Алгоритм», «Экзамер» и др.;
_ MOOC-агрегаторы, где представлена информация о существующих MOOC-платформах и курсах: Class Center, mOoC List, Learning Advisor, Course Buffet, Course Talk, Mooctivity и др.
Таким образом, можно сделать вывод о том, что в данном исследовании не принимали участие платформы, предназначенные для изучения ограниченного круга предметов (иностранные языки, языки программирования). Кроме того, в качестве объекта исследования не рассматривались площадки для размещения видеокурсов, такие как Lektorium, Univer и др., так как MOOC-курсы подразумевают наличие не только обучающего видео, но и системы проверки домашних заданий и возможность обратной связи с преподавателем. Следует отметить, что в анализе не принимали участие узкоспециализированные платформы, такие как Zillion (курсы по бизнес-тематикам) и платформы корпоративного обучения, такие как Eduson. Следует отметить, что среди российских платформ не рассматривался Национальный открытый университет «ИНТУИТ», так как за 2018 год было размещено 10 новых курсов, которые составляют менее 2% от общего количества курсов, следовательно, данная платформа в последнее время перестала пользоваться популярностью.
Характеристика MOOC-платформ. Дадим характеристику рассматриваемым платформам.
Coursera - образовательная платформа, основанная в 2011 году профессорами информатики Стэнфордского университета Эндрю Ыном и Дафной Коллер. На начало
X X
о
го А
с.
X
го m
о
м о
to
о
es
О Ш
m
X
<
m о x
X
2019 года является самой популярной MOOC-платфор-мой в мире [2].
edX - совместный образовательный проект ученых Массачусетского технологического университета и Гарвардского университета, основанный в 2012 году [3].
Udacity - образовательная компания, основанная Себастьяном Труном, Дэвидом Ставенсом и Майклом Сокольски в 2011 году [4].
FutureLearn -это цифровая образовательная платформа, основанная в декабре 2012 года. Компания полностью принадлежит открытому университету в Милтон-Кейнс, Англия [5].
Универсариум - российский образовательный проект, запуск которого состоялся в 2013 году. На платформе размещены курсы ведущих российских университетов таких как МГУ им. М.В. Ломоносова, Московского Физико-технического института, Российского экономического университета им. Плеханова и др. [6].
Открытое образование - образовательная платформа, созданная в 2015 году Ассоциацией «Национальная платформа открытого образования», учрежденной ведущими университетами России: МГУ им. М.В. Ломоносова, СПбПУ, СПбГУ, НИТУ «МИСиС», НИУ ВШЭ, МФТИ, УрФУ и Университет ИТМО [7].
Stepic - российская MOOC-платформа, основанная в 2013 году Николаем Вяххи. Данный образовательный проект появился в результате наработок по курсам Университета биоинформатики [8].
Нетология - онлайн-университет, предоставляющий возможность получения дополнительного обучения интернет-профессиям. Год основания - 2011 [9].
Анализ посещаемости MOOC-платформ. Проанализируем перечисленные MOOC-платформы. В качестве информации будем использовать данные, предоставленные компаниями Alexa Internet [10] и SimilarWeb [11]. В таблице 1 представлена информация об общем количестве пользователей платформ и ежемесячных посещениях в период с октября 2018 по март 2019.
В результате анализа данных, можно сделать вывод о том, что лидером среди MOOC-платформ по количеству зарегистрированных пользователей является Coursera. Среди российских площадок первое место по числу пользователей занимает платформа Открытое образование.
Таблица 1
Общее количество пользователей платформ и ежемесячные посещения
Платформа Зарег -но, млн чел Общее число посещений, тыс. чел
октябрь 2018 ноябрь 2018 декабрь 2018 январь 2019 февраль 2019 март 2019
1. Coursera 37 37 500 33 100 32 600 37 000 32 800 36 300
2. edX 18 23 600 20 200 17 800 19 600 18 200 18 000
3. Udacity 10 14 700 13 100 11 000 10 800 9 350 11 400
4. FutureLearn 8,7 5 100 4 450 3 500 4 500 4 200 4 450
5. Универсариум 1 ,6 250 240 200 210 180 170
6. Открытое образование 2,4 3 350 2 150 1 500 1 000 1 700 2 400
7. Stepic 2,3 2 550 2 250 2 050 2 200 2 250 2 300
8. Нетология 1,3 1 400 1 300 1 250 1 300 1 150 1 350
значение разнится от декабря до марта. В связи с этим проверим гипотезу о том, что в зависимости от месяца количество посещений меняется. Для этого выполним нормировку всех значений на максимальное. Для анализа будем использовать язык программирования Р и среду разработки РЭШСю.
В прикладной статистике для тестирования трех и более выборок применяют дисперсионный анализ. Однако для использования данного метода необходимо соблюдение условия нормальности распределения. Для этого проведем тест Колмогорова-Смирнова в модификации Лиллиефорса, реализуемого в Р с помощью функции ШПе^ев^) из пакета по|1ев1 [12]. Нулевая гипотеза состоит в том, что данные распределены нормально, следовательно, для того, чтобы отвергнуть альтернативную гипотезу, необходимо, чтобы р-уа!ие>0,05.
В таблице 2 представлены значения ежемесячных посещений, поделенные на максимальное, и результаты проведения теста на нормальность. Порядковый номер платформы соответствует номеру платформы из таблицы 1.
Таблица 2
Данные после нормировки и результаты теста на
Номер платфо рмы октябрь ноябрь декабрь январь февраль март
1 1 0,88 0,87 0,97 0,87 0,97
2 1 0,86 0,75 0,83 0,77 0,76
3 1 0,89 0,75 0,73 0,64 0,78
4 1 0,87 0,68 0,88 0,82 0,87
5 1 0,96 0,80 0,84 0,72 0,68
6 1 0,64 0,45 0,29 0,51 0,72
7 1 0,88 0,80 0,86 0,88 0,90
8 1 0,93 0,89 0,93 0,82 0,96
p-value ... 0,007 0,172 0,019 0,472 0,554
Обратим внимание на количество посещений, распределенное по месяцам. При первом рассмотрении можно выделить следующие закономерности: максимальное количество посещений для любой платформы наблюдалось в октябре, в то время как минимальное
В результате анализа таблицы можно сделать вывод о том, что в ноябре и январе данные распределены не по нормальному закону, следовательно, применение дисперсионного анализа невозможно. Для данного случая целесообразно применять непараметрический аналог дисперсионного анализа - критерий Крускала-Уол-лиса. В Р предусмотрена функция кшвкаиевф [13].
Нулевая гипотеза формулируется следующим образом: между выборками существуют случайные различия по уровню исследуемого признака, то есть воздействие несущественно. Следовательно, альтернативная гипотеза (воздействие признака различно во всех группах) отвергается в случае, если р-уа!ие>0,05.
В результате проведенного теста р-уа!ие = 0,0002173, следовательно, нулевая гипотеза отвергается. Данный результат означает, что в разные месяцы наблюдается различная посещаемость платформ.
Построим диаграммы размаха (см. рисунок 2) анализируемых значений из таблицы 2.
На основе анализа представленных данных может быть сделан вывод о том, что в декабре, январе и ноябре присутствуют выбросы значений. Найдем их в таблице 2. Все выбросы принадлежат одной платформе -под номером 6, который соответствует платформе Открытое образование.
Таким образом, можно сделать вывод о том, что на платформе Открытое образование по сравнению с октябрем количество ежемесячных посещений резко снизилось
с ноября по январь. Данное обстоятельство можно объяснить тем фактом, что на данной платформе размещено небольшое количество self paced курсов, то есть курсов, записаться на которые можно в любой момент времени. Особенность указанной платформы заключается в том, что большинство представленных на ней курсов начинаются два раза в год: в начале весеннего и осеннего семестра, их продолжительность составляет примерно 10 недель. Кроме того, на данной платформе размещены курсы, которые входят в учебный план той или иной программы подготовки бакалавриата, магистратуры или специалитета. Таким образом, портрет обучающегося на платформе Открытое образование следующий: студент в возрасте от 17 до 25 лет.
и Нетология. Платформы, имеющие наименьшее значение коэффициента вариации, в меньшей степени подвержены сезонным колебаниям, чем платформы с наибольшим значением коэффициента.
Таблица 3
Номер платформы p-value sd() mean() sd()/mean()
1 0,139 2283,345 34883,33 0,065
2 0,388 2196,057 19566,67 0,112
3 0,376 1890,436 11725 0,161
4 0,396 519,294 4366,667 0,119
5 0,829 31,885 208,333 0,153
6 0,931 817,720 2016,667 0,405
7 0,269 163,299 2266,667 0,072
8 0,595 86,120 1291,667 0,067
Анализ средней продолжительности посещения МООС-платформ. Кроме количества ежемесячных посещений МООС-платформ можно проанализировать величину средней продолжительности посещения. Данные для анализа представлены в таблице 4.
Следует отметить, что переменная «показатель отказов» представляет собой долю посетителей, покинувших сайт со страницы входа или просмотревших не более одной страницы сайта, от общего числа посетителей.
Таблица 4
Данные для анализа средней продолжительности визита
Рисунок 2 - Диаграммы размаха значений после нормировки
Следовательно, можно предположить следующую модель поведения слушателя таких курсов. Студент регистрируется на курс в рамках своей учебной программы с целью получения более глубоких знаний по дисциплине. В октябре, когда нагрузка в вузе незначительна, количество посещений курса, а, следовательно, и платформы, максимально. Постепенно с приближением к зимней сессии число посещений уменьшается и достигает минимума в период экзаменов - в январе. В феврале ситуация должна быть подобна тенденции в сентябре (информации за данный месяц нет), следовательно, максимальные значения посещаемости данной платформы можно прогнозировать в марте-апреле.
Найдем коэффициент вариации для каждой платформы для определения изменчивости значений. Для использования данной статистики необходимо соблюдение условия нормальности распределения. В качестве теста на нормальность будем использовать тест Колмогорова-Смирнова в модификации Лиллиефорса. В случае выполнения условия будем рассчитывать значение коэффициента вариации как отношение средне-квадратического отклонения (СКО) к среднему арифметическому. В R предусмотрены функции sd() и mean() для расчета СКО и среднего арифметического соответственно. Результаты расчетов представлены в таблице 3.
В результате анализа полученных данных можно сделать вывод о том, что все данные распределены нормально; максимальную изменчивость значений по месяцам имеют платформы Открытое образование, Udacity и Универсариум; минимальное - Coursera, Stepic
Платформа Средня я продол ж-ть визита, с Среднее кол-во просмотр .страниц Показател ь отказов, % Время загрузки сайта
до взаимодействи я с пользователем, с задержка при вводе, мс
Coursera 579 6,42 38,20 4,5 80
edX 422 4,90 42,32 2,6 20
Udacity 668 7,68 37,52 4,0 30
FutureLearn 597 7,99 44,85 2,9 10
Универсари ум 483 5,62 44,37 3,3 20
Открытое образовани е 564 6,64 37,85 2,3 10
Stepic 733 9,10 37,34 4,3 130
Нетология 241 5,55 51,09 5,3 100
Определим от чего зависит средняя продолжительность визита. Для этого необходимо ответить на вопрос: «существует ли взаимосвязь между зависимой переменной - средней продолжительностью визита, и предиктором». Ответом на данный вопрос будет расчет коэффициента корреляции, использование которого возможно только при нормальном распределении. Результаты анализа представлены в таблице 5.
Следует отметить, что для анализа данных в RStudio имена переменных были преобразованы следующим образом:
- средняя продолжительность визита ^ visit;
- среднее количество просмотренных страниц ^ pages;
- показатель отказов ^ no;
- время загрузки сайта до взаимодействия с пользователем ^ time_man;
- время задержки при вводе ^ time_enter.
В результате выполнения теста Колмогорова-Смирнова в модификации Лиллиефорса все значения p-
X X
о
го А с.
X
го m
о
м о
to
о
CS
О Ш
m
X
<
m о x
X
value>0,05, следовательно, данные распределены нормально.
Таблица 5
Перемени ая visit pages no time_man time_enter
p-value 0,473 0,998 0,998 0,998 0,056
Принято считать, что между двумя переменными существует высокая линейная зависимость, если коэффициент корреляции находится в пределах от 0,7 до 1. Для построения корреляционной матрицы в RStudio воспользуемся функцией pairs.panels() из пакета psych [14].
Проанализировав матрицу корреляций можно сделать вывод о том, что высокая линейная зависимость переменной visit существует от следующих предикторов: pages и no. Для определения типа зависимости и установления ее параметров воспользуемся регрессионным анализом.
Матрица корреляций представлена на рисунке 3.
В результате проведенного регрессионного анализа можно сделать вывод о том, что обе модели способны предсказывать время посещения страницы. Тем не менее, количество просмотренных страниц оказывает большее влияние на зависимую переменную. Следовательно, платформам необходимо удерживать вниманием пользователей за счет большего количества переходов на сайте.
Необходимо отметить, что максимальное значение продолжительности визита и количества просмотренных страниц наблюдается у платформы Э1ерю. Можно предположить, что данные показатели достигнуты за счет отличной от других платформ структуры сайта: на домашней странице находится ссылка к каталогу курсов, в то время как у других платформ каталог курсов находится на первой странице.
Анализ контента МООС-платформ. Проанализируем контент, который размещен на рассматриваемых МООС-платформах. Данные представлены в таблице 7.
Таблица 7
Рисунок 3 - Матрица корреляций между зависимой переменной и предикторами
В RStudio для расчета линейной регрессии предусмотрена функция lm(). При проведении линейного регрессионного анализа целесообразно обратить внимание на два показателя [14]:
- p-value - вероятность того, что нулевая гипотеза верна. При расчете линейной регрессии за нулевую гипотезу принято, что независимая переменная не объясняет значение зависимой. Чем ниже 0,05 (пороговый уровень) данный показатель, тем лучше,
- Multiple R-squared - коэффициент детерминации, отражающий разброс значений зависимой переменной (измеряет долю общей дисперсии зависимой переменной, объясненную моделью). Чем ближе значение параметра к 1, тем лучше.
Следует отметить, что первый показатель является наиболее важным - именно он указывает на возможность существования модели, поэтому в первую очередь необходимо обращать внимание на него.
Результаты проведения регрессионного анализа представлены в таблице 6.
Таблица 6
Направления подготовки
TO о в а к и к у а н а н s е и к с е т и к в
ср тс с ук с и и н >S а з и CI ми ы и а ни у на ко
-& 1- TO с с н о к со и с е н з и LÛ е ы н ^ е т 2 .о п м о ^ нн а д о и к у а Н д е м s е .а в о р о д СО Математик Естественные и те: науки е ы X .а л а и J о О ы з я (D и н е т у з S ог т S
Coursera 266 747 531 316 356 109 299 379 97 3100
edX 130 422 327 120 235 66 535 565 22 2422
Udacity 0 19 146 43 0 0 8 13 0 229
FutureLearn 19 89 30 14 102 21 73 134 43 525
Универсариу м 15 52 4 0 12 5 34 54 2 178
Открытое образование 32 46 64 15 12 19 97 54 14 353
Stepic 2 10 81 12 7 29 19 24 22 206
Нетология 24 61 27 27 0 0 0 66 0 205
Модель p-value Multiple R-squared
visit~pages 0.007 0.728
visit~no 0.018 0.634
В результате анализа можно сделать следующий вывод: наибольшее количество курсов размещено на платформе Coursera, отечественные платформы отстают примерно в 10 раз от флагмана MOOC-курсов.
Проанализируем структуру направлений подготовки: будем считать, что все курсы, представленные на каждой платформе - уникальные. Просуммируем общее количество курсов и количество курсов в каждом направлении подготовки. Найдем доли каждого направления подготовки от общего количества курсов. Результаты анализа представлены на рисунке 4.
Общее количество курсов составило 7 218. По оценкам MOOC-агрегатора Class Center на конец 2018 года всего существовало 11 400 курсов [15]. Таким образом, рассматриваемые платформы охватывают примерно 63% всех размещенных курсов в мире. Следует добавить, что количество российских курсов составляет 1 242 или 11% от общего мирового рынка MOOC-курсов.
Рисунок 4 - Распределение курсов по направлению подготовки
В результате анализа диаграммы можно сделать вывод о том, что наиболее популярными направлениями подготовки для электронного образования являются: бизнес и экономика, социальные науки и компьютерные науки.
Для российского пользователя важным критерием выбора той или иной платформы может являться язык курса. Следовательно, те платформы, которые предоставляют возможность обучения на русском и английском языках одновременно, находятся в более выигрышном положении, чем платформы, на которых размещены курсы только на одном языке.
Языковое распределение представлено в таблице 8.
Таблица 8 Количество
курсов на русском и английском языках
Платформы
Язык Coursera edX Udacity FutureLearn Универсариум Открытое образование Stepic Нетология
Русский 291 9 0 0 178 353 206 205
Английский 2843 2123 229 525 0 0 0 0
В результате анализа таблицы можно сделать вывод о том, что конкурентное преимущество по наличию двух языков имеют платформы Coursera и edX. Отечественным платформам необходимо обратить внимание на данный показатель и начать размещать курсы на английском языке с целью возможного расширения целевой аудитории.
Анализ моделей монетизации MOOC-платформ. Рассмотрим основные способы монетизации MOOC-платформ.
Coursera использует три модели монетизации. Первая - freemium - предполагает бесплатный доступ к лекциям и материалам для самостоятельного изучения, но задания и сертификат необходимо оплатить. Вторая -free trial - предусматривает ограничение по времени бесплатного периода (7 дней). Третья - платные программы. Coursera работает в секторах B2C, B2B и B2G. Данная платформа предлагает курсы и специализации,
стоимость которых составляет от 39 до 79 $. Кроме того, на Coursera можно получить степень магистра или бакалавра (19-42 тыс. $) [2].
edX работает по двум основным моделям монетизации. Первая - self serve model - предусматривает получение платформой первых 50 тыс. $ от продажи курса. Вторая - support model - приносит платформе 25 тыс. $ за размещение нового курса и по 50 тыс. $ за продление периода размещения курса. Кроме того, edX получает гранты от компаний и пожертвования от обучающихся. Платформа предлагает курсы (сертификат: 49-150 $) и программы [3]. Следует отметить, что программы могут быть трех видов:
- MicroMasters - от 750 до 1 500$,
- Professional Certificate - от 300 до 800$,
- XSeries - от 300$.
edX работает с B2C и B2B.
Udacity предлагает курсы и Nanodegrees. Стоимость курсов составляет 199$ в месяц, при этом существует двухнедельный бесплатный пробный период. Стоимость Nanodegrees - 200$ в месяц. Кроме того, на платформе представлена магистерская программа Masters in Computer Science стоимостью 6 600$ [4]. Udacity работает с B2C и B2B.
FutureLearn предлагает курсы стоимостью от 44 до 100$, FutureLearn Programs стоимостью от 450 до 1 500$ и магистерские программы стоимостью от 20 тыс. $ [5]. FutureLearn работает только по модели B2C.
Универсариум предлагает бесплатные курсы в секторе B2C и платные курсы стоимостью 120-180 тыс. руб. в секторе B2B для вузов и корпораций [6].
Открытое образование предлагает бесплатные курсы с платным сертификатом. Стоимость сертификата составляет 1 800 руб. для физических лиц и 1 000 руб. для студентов из университетов-партнёров. Кроме того, разработчики курсов должны вносить плату: 500 тыс. руб. - за первый размещенный курс и 300 тыс. руб. в год - за каждый последующий курс. Партнеры платят платформе 5 млн. руб. в год [7].
Stepic предлагает бесплатные курсы. Кроме того, на платформе можно создавать платные и приватные курсы, которых нет в общем каталоге курсов [8].
Нетология предлагает бесплатные курсы, курсы стоимостью от 12 тыс. до 43 тыс. рублей и профессии стоимостью от 43 тыс. до 180 тыс. рублей [9].
Выводы. В результате проделанной работы можно сделать вывод о том, что российские платформы значительно отстают от иностранных аналогов. По количеству зарегистрированных пользователей отечественные платформы отстают в среднем в 20 раз, по количеству курсов - в 10 раз. Необходимо учитывать опыт зарубежных платформ в области электронного образования для достижения требуемого уровня конкурентоспособности.
Литература
1 Class Center "By The Numbers: MOOCs in 2018" [Электронный ресурс]. (https://www.classcentral.com/report/mooc-stats-2018/). Проверено 22.11.2019.
2 Coursera [Электронный ресурс] (https://www.coursera.org). Проверено 22.11.2019.
3 EdX [Электронный ресурс] (https://www.edx.org). Проверено 22.11.2019.
4 Udacity [Электронный ресурс] (https://www.udacity.com). Проверено 22.11.2019.
X X
о го А с.
X
го m
о
м о
to
о
CS
5 FutureLearn [Электронный ресурс] (https://www.futurelearn.com). Проверено 22.11.2019.
6 Универсариум [Электронный ресурс] (https://universarium.org). Проверено 22.11.2019.
7 Национальная платформа "Открытое образование" [Электронный ресурс] (http://npoed.ru). Проверено 22.11.2019.
8 Stepic [Электронный ресурс] (https://stepik.org). Проверено 22.11.2019.
9 Нетология [Электронный ресурс] (https://netology.ru). Проверено 22.11.2019.
10 Alexa Internet [Электронный ресурс] (https://www.alexa.com). Проверено 22.11.2019.
11 SimilarWeb [Электронный ресурс] (https://www.similarweb.com). Проверено 22.11.2019.
12 Шипунов, А. Б Наглядная статистика. Используем R / А.Б. Шипунов, Е.М. Балдин и др. М. 2014.
13 Классические методы статистики: дисперсионный анализ по Краскелу-Уоллису [Электронный ресурс] (https://r-analytics.blogspot.com/2013/08/blog-post_29.html#.XMC6ZZnVKUk). Проверено 22.11.2019.
14 Кабаков, Р.И. R в действии. Анализ и визуализация данных в программе R / Р.И. Кабаков. пер. с англ. П.А. Волковой. М.: ДМК Пресс, 2016. 588 с.
15 Chauhan, A. Massive Open Online Courses (MOOCS): Emerging Trends in Assessment and Accreditation / A. Chauhan // Digital Education Review. 2014. № 25.
Qualitative and quantitative analysis of MOOC platforms Boyko T.A.
Moscow State Technical University named after N.E. Bauman
(National Research University) The article describes the main characteristics of 8 MOOC platforms: four Russian (Open Education, Universarium, Stepic, Netology) and four foreign (Coursera, edX, FutureLearn, Udacity). A study of quantitative indicators was conducted, as a result of which the attendance, the average duration of the visit and the content of the selected online platforms were analyzed. To analyze statistical data, we used the R programming language, RStudio development environment, and the following statistical methods: analysis of variance, Kolmogorov-Smirnov test modified by Lilliefors, Kruskal-Wallis test and correlation coefficient. The analyzed data are visualized using a correlation matrix and a boxplot. Additionally, an overview of the main monetization models of MOOC platforms is given. The results can be used by developers of MOOC courses when writing a new course program, as well as when building a model of students' behavior on a specific platform. Keywords: online courses, MOOC platforms, online education, statistical methods, analysis, RStudio.
References
1 Class Center "By The Numbers: MOOCs in 2018" [Electronic
resource]. (https://www.classcentral.com/report/mooc-stats-2018/). Retrieved November 22, 2019.
2 Coursera [Electronic resource] (https://www.coursera.org). Retrieved November 22, 2019.
3 EdX [Electronic resource] (https://www.edx.org). Retrieved November 22, 2019.
4 Udacity [Electronic resource] (https://www.udacity.com). Retrieved November 22, 2019.
5 FutureLearn [Electronic resource] (https://www.futurelearn.com).
Retrieved November 22, 2019.
6 Universarium [Electronic resource] (https://universarium.org).
Retrieved November 22, 2019.
7 National platform "Open Education" [Electronic resource] (http://npoed.ru). Retrieved November 22, 2019.
8 Stepic [Electronic resource] (https://stepik.org). Retrieved November 22, 2019.
9 Netology [Electronic resource] (https://netology.ru). Retrieved
November 22, 2019.
10 Alexa Internet [Electronic resource] (https://www.alexa.com). Retrieved November 22, 2019.
11 SimilarWeb [Electronic resource] (https://www.similarweb.com).
Retrieved November 22, 2019.
12 Shipunov, A.B Visual statistics. We use R / A.B. Shipunov, E.M.
Baldin et al. M. 2014.
13 Classical statistical methods: Kruskel-Wallis analysis of variance
[Electronic resource] (https://r-
analytics.blogspot.com/2013/08/blog-
post_29. htm l# .XM C6ZZn VKU k). Retrieved November 22, 2019.
14 Kabakov, R.I. R in action. Analysis and visualization of data in the R / RI program Kabakov. per. from English P.A. Volkova. M .: DMK Press, 2016.588 s.
15 Chauhan, A. Massive Open Online Courses (MOOCS): Emerging Trends in Assessment and Accreditation / A. Chauhan // Digital Education Review. 2014. No. 25.
О Ш
m x
<
m о x
X
