減少 MOOC 中途退出的 AI 學習設計策略

大規模開放式線上課程最大的煩惱始終如一：報名的有好幾千人，真正修到結業的卻只有十分之一上下。就算把「免費所以毫無負擔地報名」這個特性算進去，好不容易開始學習的人在第三週悄悄消失，對營運者來說仍是切膚之痛的損失。退出不是某一天突然發生的，而是會在好幾天之間留下訊號。AI 能比人快得多，同時在數千人的規模上偵測到這些訊號。

退出會從哪些資料顯露出來

學員離開之前，行為模式會先改變。細看紀錄資料，會發現以下變化走在前面。

• 登入間隔拉長：原本每天都會進來的學習者一旦開始空三天以上，退出風險就急遽升高。
• 影片看完率下降：原本會看到最後的課程，中途關掉的比例變高，表示興趣或難度出了問題。
• 不做小測驗：影片照播，卻開始跳過小測驗，這是主動學習停下來的訊號。
• 停止參與討論：討論區的活動一斷，表示與學習社群的連結變弱了。

AI 模型會把這些指標綜合起來，每天替每位學習者打上退出風險分數，並自動篩出超過門檻的人。營運者不必面對數千人全體，只要專注在數十位高風險群身上就好。

介入要快、要具體

找出高風險群之後，介入的品質就決定了結業率。形式化的群發郵件幾乎沒有效果。

1. 客製化提醒：像「您上次看的第四講統計段落還沒看完」這樣，直接點出那個人停下來的位置。
2. 提供難度替代方案：若多數人都在某一章退出，就一併送上補充資料或講解較淺白的影片。
3. 社會性刺激：善用同儕進度資訊，例如「和您一起開始的學習者中，有 70% 已完成本週作業」。
4. 重設小目標：對剩餘份量感到有壓力的人，就把目標切碎，提議「這週只要一講就好」。

有一門語言學習 MOOC 報告指出，導入高風險群自動偵測與客製化訊息之後，四週結業率比原先上升了約 15 個百分點。

接續到內容改善

AI 分析真正的價值，不止於針對個人的介入，而在於改善課程本身。如果退出反覆集中在某一講，那就是那一講太難或太長的訊號。把退出區段的資料當成課程改版會議的第一順位議題，下一期的整體結業率就會在結構上提高。

重點整理

MOOC 的退出伴隨著可預測的訊號。請用登入間隔、看完率、小測驗、討論這些指標每天篩出高風險群，並快速執行點出那個人停下位置的具體介入。而退出集中的區段，則拿來當成改善內容的線索。AI 為無法一一照顧數千人的營運者，提供了優先順序。