Модели обучающихся массовых открытых онлайн курсов Текст научной статьи по специальности «Науки об образовании»

Дацун Н.Н.1, Уразаева Л.Ю.2

1 Пермский государственный национальный исследовательский университет, г.Пермь, к.ф.-м.н., доцент, доцент кафедры математического обеспечения вычислительных систем, nndatsun @ inbox. ru

2 Сургутский государственный педагогический университет, г. Сургут, к.ф.-м.н., доцент, доцент кафедры высшей математики и информатики, delovoi2004@mail.ru

МОДЕЛИ ОБУЧАЮЩИХСЯ МАССОВЫХ ОТКРЫТЫХ ОНЛАЙН КУРСОВ

КЛЮЧЕВЫЕ СЛОВА

MOOC, модель, параметры, оценивание, индивидуальная траектория обучения. АННОТАЦИЯ

В статье на основе открытых источников Интернет и открытых образовательных ресурсов предложено формальное описание моделей обучающихся массовых открытых онлайн курсов. Значения параметров статической и динамической компонент моделей могут быть получены средствами MOOC-платформы и использованы для снижения уровня отсева и индивидуализации обучения.

Понятие «MOOC» (Massive Open Online Course или «массовый открытый онлайн курс») за последние годы стало активно развивающимся направлением открытого образования, в котором заинтересованными сторонами выступают как гиганты ИТ-индустрии, так и университеты с высокими рейтингами. Возможность получения высококачественного высшего образования огромному количеству обучающихся по всему миру («Massive») предоставляется путем участия в бесплатных («Open») онлайн курсах («Online Courses»).

Отличительной особенностью МООС являются большие и сверхбольшие объемы учебной информации и количество участников. Статистика из Интернет-источников о количестве участников некоторых MOOC в 2011-14 гг. приведена в работах [1-5] (табл.1). Статистика показывает, что ведущие университеты мира размещают курсы на собственных платформах или на платформах, созданных ими в консорциумах с другими университетами или ИТ-компаниями. MOOCs для многих стран является предложением доступа к качественному образованию для тех, кто проживает в отдаленных или неблагополучных районах. После 2013 г. некоторые MOOC-платформы преодолели рубеж миллиона зарегистрированных обучающихся. Таким образом, MOOC составляют угрозу академической системе образования, подрывая существующую бизнес-модель современного высшего образования.

Свободная регистрация и асинхронное использование контента курса привлекает большое количество обучающихся с разнообразными интересами и опытом. Главным недостатком MOOCs является высокий уровень отсева обучающихся курса: показатель успешного завершения MOOC, остается достаточно низким и составляет от 0,9% до 19,2% (табл.1) [2, 3]. Более высокие результаты показывают участники ИТ-курсов [2, 3]: например, 26,4% завершили обучение MOOC «M102 — MongoDB for DBAs» [2]. Вторым существенным недостатком MOOCs признано увеличение «шаблонизации» обучения и сокращение возможностей индивидуализации процесса обучения.

Таблица 1. Данные о курсах MOOC

кУРс / университет поступи ли, чел. заверш или, чел. удержа ние обучающихся , % продол житель -ность, недели платформа ист очн ик

2011 г.

Introduction to Machine Learning / Stanford University 104000 13000 12,5 10 Coursera [2, 4]

Introduction to Artificial Intelligence / Stanford University 160000 20000 12,5 10 Udacity [2]

2012 г.

6.002x — Circuits and 154763 7157 4,6 14 MITx [2,

Electronics / MIT 41

CS50x — Introduction to 150349 1388 0,9 13 EdX [21

Computer Science I / Harvard

University

Functional Programming 50000 9593 19,2 7 Coursera [21

Principles in Scala / Ecole Polytechnique Fédérale de

Lausanne

2013 г.

A Beginner's Guide to 142839 3892 2,7 8 Coursera [21

Irrational Behavior / Duke

University

Data Analysis / Johns 102000 5500 5,4 8 Coursera [2,

Hopkins University 51

Образовательным сообществом пристально изучаются причины подписки обучающихся на MOOC и причины их отсева. Используя информацию источников Интернет, выделим параметры статической компоненты модели обучающихся MOOC, которые могут быть использованы для индивидуализации обучения на курсе [3]. Эти параметры фиксируются средствами MOOC-платформы при подписке обучающегося на курс и во входных опросах курса.

Уровень курса и, как следствие, профессиональный опыт целевой аудитории следует учитывать при исследовании причин поступления обучающихся на MOOC [6].

Обозначим EL множество образовательных уровней требований MOOC:

EL = {eliii,i1G[ 1,nl],

где nl — количество вариантов образовательного уровня.

Для MOOC высшего профессионального образования nl = 3 : EL = {HS,UG,GS} , где HS = «high school level content», UG = «undergraduate level content», GS = «graduate level course». Обозначим RM множество причин регистрации обучающихся на MOOC:

RM = { rmi,i2^[ 1, nr ],

где nr — количество причин регистрации на курсе.

Причинами подписки на MOOC указаны ( nr = 4 ) [7]:

1. Желание узнать о новой теме или расширить имеющиеся знания ( rmi );

2. Любопытство ( rm2 );

3. Личный вызов ( rm3 );

4. Желание собрать больше свидетельств завершения обучения ( rm4 ).

5. Данные исследования [6] позволили расширить это множество ( nr= 6 ) [3]:

6. Бесплатность курса ( rm );

7. Процесс обучения забавный и интересный ( rm6 ).

Авторами работы [6] как наиболее популярные указаны причины rm и rm6 . Мотивы подписки обучающихся на MOOC отличаются. Доля подписавшихся, которые указывают причину rm4 , зависит от значения параметра EL:

rm . = 4

15%, если el. = HS;

i

33%, если el. = UG;

i

20%, если el. = GS.

1

Обозначим ОЯ множество причин отсева обучающихся МООС:

Ш={ (1г3,13<Е[ 1,пё] где пё — количество причин отсева обучаемых курсов.

Значения элементов этого множества получены из работы [7] ( пё = 3 ):

4.Отсутствие стимула ( dr1 );

Б.Неспособность понять содержание материала и отсутствие того, к кому можно обратиться за помощью ( dr2 );

6.Наличие других приоритетов для выполнения ( dr3 ).

Результаты работ [6, 8] позволили расширить множество DR (nd = 4) с учетом цифрового разрыва между странами с разным индексом человеческого развития (Human Development Index, HDI). Успешными обучающимися MOOC являются продвинутые пользователи новых технологий, в основном из стран с очень высоким и высоким HDI. Поэтому фактором влияния на траекторию обучения может быть использован демографический показатель из профиля обучающегося, отображаемый в dr4 HDI, dr4^[ 0,1 ]. Сдерживающим фактором действительно массового распространения MOOC является широкополосный доступ в Интернет в странах со средним и низким HDI.

Каким образом MOOC может адаптироваться к особенностям технологических возможностей обучающихся и снижения влияния параметра DR ? Обозначим ER множество образовательных ресурсов MOOC (не содержащих задания с оцениванием):

ER={er4,i4е[ 1,ne] ,

где ne — количество образовательных ресурсов курса.

Варианты качества видео ресурсов MOOC указаны авторами [6] ( ne = 3 ):

5.HD видео-лекции ( er1 );

6.Уменьшенные версии видео-лекций ( er2 );

7.Аудио-версии лекций ( er3 ).

Тогда рекомендуется для MOOC:

er1t если dr4> 0.7; er 2

er = i

2

unuer3, если dr. <0.7.

3 4

Таким образом, статическая компонента SM модели обучающегося МООС, основанная на результатах его регистрации на курсе и первого входа, представляет собой тройку SM =< EL, ЯМ, ОЯ> [3]. Программными средствами МООС-платформы при выборе обучающимся соответствующего курса фиксируется элемент модели ЕЬ Значения параметра ЯМ могут быть получены из входных опросов, предусмотренных в курсе. Определение ёг4 может быть автоматически выполнено на основе информации из профиля обучающегося или по его 1Р-адресу.

Далее рассмотрим расширение модели обучающегося путем включения в нее набора параметров динамической компоненты, основанных на структуре взаимодействия обучаемых с образовательными ресурсами МООС [9] и другими участниками курса.

Спектр педагогических подходов, на которых базируются современные МООС разнообразен. Его границы представлены педагогическими моделями xMOOCs и cMOOCs соответственно. Модель xMOOCs ориентирована на приобретение и дублирование знаний (передачей знаний от учителя к ученику). Модель cMOOCs сосредоточена на создании и генерации нового знания силами самих обучающихся [10]. Вне зависимости от педагогической модели МООС могут иметь несколько периодов жизни (например, один раз в календарном или учебном году) [2] и два режима эксплуатации:

• Фиксированный. Имеет указанные и контролируемые сроки начала и завершения;

• Свободный. Режим самостоятельного изучения («self-paced») [11].

Далее рассматриваются результаты обучения за отдельный период жизни курса с фиксированным режимом эксплуатации.

Такой традиционный показатель эффективности МООС как «процент отсева» как предполагает двоичную классификацию обучающихся [6]. Обозначим множества:

1. Ь (<^еагпе^», обучающиеся). Все, кто подписались на курс. Ь = {1г] ,/£[ 1, пЬ ] , где nL — общее количество подписанных обучающихся;

2. Со («Сотр^е^», завершившие). Те, кто прошли курс, придерживаясь ожиданий инструктора на протяжении всего курса. Со = {Со1] £[ 1, пСо ] , где пСо — количество обучающихся, успешно завершивших обучение;

3. NCo («Non completers», не завершившие). Все остальные. NCo = [nCoi},

iS[ 1, nNCo ] , где nNCo — количество обучающихся, не завершивших курс. Тогда:

L = Co U NCo

Co Ф 0; NCö^0 (1)

Co n NCo = 0

Типология обучающихся вида NCo поможет выявить различия в моделях поведения «не завершивших» и в траекториях их обучения, что позволит индивидуализировать процесс обучения с целью удержания NCo на курсе.

Выделим параметры динамической компоненты модели обучающихся, рассмотрев аспекты поведения в разные моменты их деятельности на курсе:

1. Длительность посещения курса в целом;

2. Индивидуальное участие при выполнении заданий для каждого модуля курса;

3. Траекторию взаимодействия с курсом.

MOOC с фиксированным режимом эксплуатации имеют учебный план и график обучении в течение 6-14 недель. Поэтому в качестве одного из параметров деятельности на курсе обучающихся из NCo используется длительность посещения ими этого курса [4]. Обозначим:

• Sh («Shoppers», покупатели). Посещали курс 5 или меньше дней;

• Dab («Dabblers», дилетанты). Посещали курс от 6 до 15 дней;

• Auditors (аудиторы). Посещали курс 16 дней или более.

Тогда динамическая компонента DM модели обучающегося MOOC представляет собой тройку DM =< L , Course ,LSt> , где в дополнении к (1):

NCo = Sh u Dab u Auditors

ShФ 0; DabФ 0; Auditors^tf (2)

Sh HDabn Auditors = 0

LSt — статус обучающегося li на курсе Course . Введем обозначения:

• nw . Длительность курса Course (недели);

• lc . Длина курса (календарные дни), lc=nw х7;

• vis . Параметр ежедневного посещения обучающимся курса Course .

• vis ( l. )=[l' • если обучающийся посещал Course в k -й день курса;

k i • иначе;

• vk . Информация о посещении Course обучающимся li в к -й день курса.

f

lc

1, ( I vis.(l)|j=k)>1 ; j=1 lc

0, ( I vis.(l.)|j = k) = 0; j=1

ndi. Количество дней, в которые обучающийся li посещал курс Course .

k

v. =

I

ndi =z;=v

Тогда в DM с учетом длительности посещения курса в дополнении к (1):

LSt ( l. )=

Sh, если nd<5;

(3J

Dab, если 5< nd <15; Auditors, если nd{ > 15.

Определим параметры модели обучающихся, определяющие индивидуальное участие в MOOC в каждый период оценки элементов курса [6]. Обозначим:

• Ont («On track», успевающие). Выполнили задания с оценкой вовремя;

• Beh («Behind», отстающие). Выполнили задания с оценкой с опозданием; Auditing («Auditing», проверяющие). Наблюдали, но не выполняли задания с оценкой.

kl ) I если получил оценку задания модуля к на неделе j;

ass у ' ij y — I

О, иначе.

Тогда в DM с учетом индивидуального участия при выполнении заданий для каждого модуля курса, дополняя модель (1), имеем:

Ont, если V к е[ 1, nw ]( asskk ( l ) = 1 ; LSt(l.)=( Beh, если 3ке[ 1,nw]( j>к,ass)(l.) = 1 ); (4)

I J I

Auditing, если -3кe[ 1,nw](assl(l.) = 1 ).

Формализуем расширение модели (1) по стилю траектории взаимодействия с курсом [6]. Обозначим:

• Co («Completing», выполнившие). Выполнили большинство из заданий с оценкой;

• Aud («Auditing», проверяющие). Выполняли задания с оценками нечасто или вообще не выполняли, вместо этого, наблюдали видео-лекции;

• Dis («Disengaging», отключенные). Выполнили задания с оценкой в начале курса, но потом заметно снизили свою активность;

• Samp («Sampling», выборочные). Просмотрели хотя бы одну видео-лекцию. Тогда:

NCo = Aud и Dis и Samp AudФ 0; DisФ 0; SampФ 0 Aud П Dis П Samp = 0 Введем обозначения:

4) NWA. Множество, содержащее количество заданий, подлежащих оцениванию на неделях курса Course. NWA={nwa.},iе[ 1, nw] ;

5) na. Общее количество заданий курса Course, подлежащих оцениванию: nw

na=2 nwa. ; i =1 1

6) VC . Параметр просмотра обучающимся ресурсов контента курса Course .

УС ( l ) = ) 1, если обучающийся ^j просмотрел ресурс контента модуля к;

к^ V In

[и> иначе;

7) ПШ . Общее количество модулей курса;

8) nvrj. Количество просмотров ресурсов контента курса обучаемым lj .

nm

nyri = 2 ус к ( li) ; к=1

nca- . Количество заданий всех модулей курса, выполненных обучающимся lf на неделе nm

j. ncai = 2 assk (l.) ; k = 1

nw

nCf. Общее количество заданий курса, выполненных обучаемым

h. nc. = 2 nca]. ; ' j=1 1

ap . Количество недель активности обучающихся; это первые недели после регистрации на курсе ( 2<ap <nw/2 );

ncap. Количество заданий с оценкой, которые должны быть выполнены за период

aP

активности обучающегося lt. ncap= 2 nwa. ;

i = 1 1

ncnp . Количество заданий с оценкой, оставшихся после окончания периода активности

nw

обучающегося lt. ncnp= 2 nwa. ;

i=ap + 1

Тогда в DM с учетом траектории взаимодействия с курсом в дополнении к (1):

And. если пс чО &nrv < п\\ г i

Dis, если У к е [1: i inCoi) = псаР & (5)

LSt{nCo^ =

J

■Samp. если л с « О&лп.' > 1.

г i

Таким образом, рассмотренные выше параметры динамической компоненты DM модели обучающихся MOOC, основанной на результатах их взаимодействия с образовательными ресурсами и элементами MOOC, не зависят от предметной области контента курса и используемых в нем педагогических подходов. Эти параметры модели обучающихся MOOC учитывают только факт употребления ресурсов контента курса и осуществления такого вида деятельности как выполнение заданий с оцениванием. Однако они не в полной мере учитывают регулярность индивидуальной деятельности обучающихся и не затрагивают совместную деятельность и взаимодействие обучающихся курса.

Регулярность деятельности на курсе создает предпосылки успешного завершения курса для MOOCs, основанных на любом педагогическом подходе. Факторы совместной работы оказывают влияние на модель обучающихся курсов в разной степени: в большей степени для cMOOCs, чем для xMOOCs.

Расширим динамическую компоненту DM модели обучающихся с целью учета:

1. Регулярности выполнения обучающимися заданий с оцениванием;

2. Степени вовлеченности в совместную деятельность.

Определим параметры расширения модели (1) с учетом этих факторов [12, 13]. Обозначим:

1. Act («Active participants», активные участники). В полной мере участвовали в MOOC, в том числе потребляя контент, выполняя тесты, экзамены, письменные задания и оценивание друг друга, активно участвуя в дискуссиях через социальные медиа платформы;

2. Pass («Passive participants», пассивные участники). Употребляли контент курса и ожидали обучение, обычно не участвовали в деятельности или обсуждениях;

3. Lurk («Lurkers», избегающие [13] или «Observers», наблюдатели [12]). Активно работали в течение курса, но не взаимодействовали активно с другими обучающимися;

4. DrI («Drop-Ins», приходящие только на краткий период). Частично или полностью активно участвовали в избранной теме курса, но не пытались завершить весь курс;

5. NSh («No-shows», не показывающиеся). Подписались на курс, но не пытались ничего в нем делать. Введем обозначения:

• WSt. Статус обучающегося lf на курсе Course по результатам употребления ресурсов контента и выполнения заданий с оцениванием.

WSt ( l. )=

woгк, если Vке[ 1,nw ](уск(^)=lЛassk(l.)=1 ) obs, если Vке[ 1,nw ](уск(l)=lЛasskk(l.)= П) nosh, если Vке[ 1,nw ](yck(l.)= 0Лassk(^)=П)

disc . Параметр участия обучающегося в обсуждениях модуля к курса.

disCjJlj)

О, 1:

9

jiLr _

ъ,

4.

если I^ не участвовал в дискуссиях;

если I^ обращался за помощью индивидуально инструктору;

если I£ обращался за помощью в общих дискуссиях;

если 1£ отвечал на вопросы в общих дискуссиях;

если 1£ задавал вопросы и отвечал на вопросы в общих дискуссиях.

(6)

Тогда в DM с учетом регулярности индивидуальной деятельности и степени вовлеченности в совместную деятельность имеем в дополнении к (1):

Act, если V ke[ 1,nw ]( WStk( lt)=workAdisck (l.)>2 );

Pass, если V ke[ 1,nw ]( WStk( lt)= obsAdisck( l.)= 0);

LSt( lt)= Lurk, если V ke[ 1,nw ]( WStR( li)=workAdisck (l.)=0);

DrI, если 3 ke[ 1, nw ]( WStk (lt )=work Adisck (l)>2);

NSh, если V ke[ 1,nw ]( WStR( lt)= noshAdiscR(l.)=0).

Определим параметры динамической компоненты DM модели обучающихся с целью учета их индивидуальных потребностей:

1. В общении с инструктором курса;

2. В командной работе;

3. Лидерства.

Эти факторы основаны на измерениях MOOC, использованных в работе [14] для выделения функциональных групп обучающихся курса программной инженерии в «перевернутом классе» на основе классификации 6 архетипов [15]. Обозначим:

• Part («Participant learners», участвующие обучающиеся). Очень заинтересованы в содержании курса и задают вопросы;

• Avoid («Avoidant learners», замкнутые обучающиеся). Работают как можно меньше, или только незадолго до мертвой линии;

• Indep («Independent learners», независимые обучающиеся). Работают самостоятельно и редко обращаются за помощью;

• Dep («Dependent learners», зависимые обучающиеся). Часто обращаются за помощью;

• Coll («Collaborative learners», совместные обучающиеся). Предпочитают работать в команде;

• Comp («Competitive learners», конкурентные обучающиеся). Хотят все сделать лучше, чем другие участники курса.

Введем обозначения:

9) GR. Множество, содержащее значения высших баллов за задания, подлежащие

оцениванию. GR — [дгг-}^' 1»na ] ;

• grA . Оценка, полученная обучающимся за выполнение задания.

rA ( l ) — [ — 0' если обучающийся l^ не получил оценку за задание j;

иначе;

0<grA (l )<gr je[ 1»na] ; j 1

• ba . Пороговое значение оценивания деятельности обучающихся на курсе Course. Достижение ba гарантирует обучающемуся статус успешно завершившего этот курс;

• rl. Номер недели курса («мертвая линия»), позже которой начинать активную деятельность на курсе нет смысла, так как объем работ, обязательных к выполнению, превышает возможные ресурсы обучающегося;

• p . Количество недель курса (порог, отделяющий от «мертвой линии»), в течение которых резко повышается активность деятельности обучающегося на курсе как попытка успеть выполнить обязательный объем работ с учетом его возможных ресурсов;

10)tp . Параметр участия обучающегося в командной работе.

tp ( 1. ) I 1 если li участвует в выполнении работ модуля к в команде; k i ^0, иначе.

Тогда в DM с учетом потребностей в общении с инструктором курса, командной работе и лидерства имеем в дополнении к (1):

Part если VA:е [1= mvKffS^CI.) =obs & 1 < discal. ) < 2 &

LSi{L).

*PkQt) =

Avoid, если { gfA^.Q.) * Ья||Уй:е [1:nm\(Zrj= у; _ ) >

Tfi! )| jt [rl - p. rl]) & tpkQ.) F [0,1]);

Indep, ест У к e [1. ) = work & disc ^(t.) = 0 &

tpkQt) = OX

Dep., ест V7c e [1: ) = work & 1 < disc^Q) < 2);

tpkQ.) е[0Д]); Coil, если У к e [1: ) = work &tpk(l.) = 1);

Сотр. если У к e [1. ) = work & disc^X/) = 3) &

V/1 [1, gr^T(i.) * ^ max ^ (grA .&

(7)

1 <k<nL,k*i

Данные параметров динамической компоненты DM модели обучающихся MOOC могут быть собраны программными средствами MOOC-платформы в процессе функционирования курса и использованы для проектирования индивидуальной траектории обучения.

Некоторые из предложенных параметров компоненты DM могут быть использованы для снижения уровня отсева обучающихся с курса уже на этапе его проектирования. Так уменьшение длительности курса nw приводит к смещению «мертвой линии» rl ближе к началу курса. Это в свою очередь, будет подталкивать обучающихся типа «Avoidant learners» к более регулярной деятельности из-за риска не уложиться в срок, запланированный ими личным порогом p . Уменьшение nw будет настраивать обучающихся типа «Behind» на выполнение заданий с меньшим отставанием, а у обучающихся типа «Disengaging» это не оставит времени на снижение активности. Участники из категории «Drop-Ins» в коротком курсе имеют более высокую вероятность приблизиться к пороговому значению ba и выполнить задания хотя бы еще одного модуля для увеличения своего прогресса на курсе.

Определенную роль может сыграть реинжиниринг MOOC с высокими показателями отсева на протяжении нескольких периодов жизни. Улучшение модульности структуры курса, укрупнение

заданий с оцениванием, создание инструкций по их выполнению, аккумулирование популярных вопросов в форумах типа «FAQ» («часто задаваемые вопросы») направлено на перевод обучающихся категорий «Passive participants», «Participant learners» и «Dependent learners» в категорию активных участников.

Для всех типов обучающихся, у которых параметры модели зависят от модульности и длительности курса, уменьшение nw и/или реструктуризация MOOC может приблизить их к более гарантированному завершению курса. Статистика подтверждает выявленный потенциал снижения уровня отсева с курса: короткие и модульные MOOC имеют показатели завершения выше, чем длинные [2, 16].

Разные виды деятельности обучающихся MOOC, подлежащие оцениванию, обычно имеют различные весовые коэффициенты в формирующей и суммарной оценке [17]. Эти коэффициенты можно сделать адаптивными с учетом типа обучающегося. Например, для категории «Independent learners» вес участия в командной работе следует увеличивать (по отношению к весу этого вида деятельности обучающихся типа «Collaborative learners») с целью поощрения командного стиля работы с целью ускорения прогресса работы независимого обучающегося к пороговому значению ba .

Предложенная в данной работе формализация моделей обучающихся MOOC может быть использована в учебной аналитике действующих курсов, а также при разработке новых MOOC с целью выявления резервов снижения уровня отсева обучающихся и индивидуализации процесса обучения.

К дальнейшим направлениям исследований следует отнести расширение модели обучающихся параметрами их участия в совместном/коллегиальном оценивании заданий других участников курса.

Литература

1. Jordan K. Initial Trends in Enrolment and Completion of Massive Open Online Courses / / International review of research in open and distance learning. — 2014. — Vol. 15, Iss. 1. — P. 133-160.

2. Jordan K. MOOC completion rates: The data. URL: http://www.katyjordan.com/MOOCproject.html.

3. Дацун Н.Н., Уразаева Л.Ю. Параметры статистической компоненты модели обучаемого в МООС / Интеграция науки и практики: проблемы, перспективы, развитие — Старый Оскол: ООО «Оскольская типография», 2015. — С. 11-15.

4. DeBoer J., Ho A.D., Stump G.S., Breslow L. Changing «Course»: Reconceptualizing Educational Variables for Massive Open Online Courses / / Educational researcher. — 2014. — Vol. 43, Iss. 2. — P. 74-84.

5. Fisher A., Anderson G.B., Peng R., Leek J. A randomized trial in a massive online open course shows people don't know what a statistically significant relationship looks like, but they can learn // PeerJ Computer Science. — 2014. — Vol. 2. — Article e589. URL: https://peerj.com/articles/589/

6. Kizilcec R.F., Piech C., Schneider E. Deconstructing disengagement: analyzing learner subpopulations in massive open online courses. Proc. of the Third International Conference on Learning Analytics and Knowledge. — 2013. — P. 170-179.

7. Hew K. F., Cheung W. S. Students' and instructors' use of massive open online courses (MOOCs): Motivations and challenges // Educational research review. — 2014. — Vol. 12. — P. 45-58.

8. Poy R., Gonzales-Aguilar A. MOOC success factors: some critical considerations // Revista Ibérica de Sistemas e Tecnologias de Informado. — 2014. — Iss. spe1. — P. 105-118.

9. Дацун Н.Н. , Уразаева Л.Ю. Параметры динамической компоненты модели обучаемого в МООС / Информационные технологии в науке, управлении, социальной сфере и медицине. Часть III. - Томск: Изд-во Томского политехнического университета, 2015. — C. 78-80.

10. Auyeung V. Review: To MOOC or not to MOOC: Issues to consider for would-be MOOC academic leads / / Higher Education Research Network Journal. — 2015. — P. 64-71.

11. Дацун Н.Н., Уразаева Л.Ю. Обеспечение подготовки ИТ-студентов с использованием массовых открытых онлайн курсов // Информатика и образование. — 2015. — №6. — С.30-36.

12. Hill P. Emerging student patterns in MOOCs: A (revised) graphical view. URL: http://mfeldstein.com/emerging-student-patterns-in-moocs-arevised-graphical-view/.

13. Milligan C., Littlejohn A., Margaryan A. Patterns of engagement in connectivist MOOCs // Journal of Online Learning and Teaching. — 2013. — Vol. 9, № 2. URL: http://jolt.merlot.org/vol9no2/milligan_0613.htm.

14. Berkling K., Thomas C. Looking for Usage Patterns in e-Learning Platforms / Proc. of the 6th International Conference on Computer Supported Education. — 2014. — P. 144-152.

15. Grasha Anthony F. A matter of style: The teacher as expert, formal authority, personal model, facilitator, and delegator / / College Teaching. — 1994. — Vol. 42, № 4. — P. 142-149.

16. Jordan K. Massive open online course completion rates revisited: Assessment, length and attrition // International Review of Research in Open and Distance Learning. — 2015. — Vol. 16, № 3. — P. 341-358.

17. Hickey D.T., Quick J.D., Shen X. Formative and summative analyses of disciplinary engagement and learning in a big open online course / Proc. of the Fifth International Conference on Learning Analytics And Knowledge. — 2015. — P. 310-314.