斯坦福的慕课

作为背景：1969年，美国斯坦福专业发展中心(theStanfordCenterforProfessionalDevelopment,SCPD)开始通过电视微波频道提供远程学习课程。学生（多数是在硅谷当地工作的工程师）就有机会在校园之外观看课程，并通过专递方式提交作业。到1996年，这些课程已经演化为通过互联网流媒体传播，并有多种方式收取电子作业和发布课程资料。虽然从某些角度看，这种课程提供方式和更现代的MOOC类似，但非常关键的是费用的差异。在斯坦福专业发展中心注册的学生缴纳与斯坦福在校生接近的学费，在课业评估方面接受同质的指导服务，并且在通过考试后获得学分。不过，成本问题导致远程学生的数量通常比在校生少得多。

2011年秋季由斯坦福教师发布的MOOC三重唱——人工智能、数据库和机器学习课程——吸引了几十万学生，并孵化了两个个人创业项目：Coursera和Uda-city。同时，从MITx进化而来的edX成为在线教育领域的非盈利性组织，最初吸引了麻省理工学院和哈佛大学，后来加州大学伯克利分校和德克萨斯大学也加入了。斯坦福还开发了两种新的在线学习平台——Class2Go和VentureLab，并任命计算机专业的教授约翰·米契尔(JohnMitchell)为首任在线教育副教务长，以致力于在线教育的进一步发展。

MOOC拥有在全球范围提供教育的潜力，但是，如果想与“经典”的课堂教育模式竞争，无论单独存在还是与其它方式混合，还面临很多问题。这里，我们将基于我们的经验，探讨MOOC面临的一些机遇和挑战。

认定原创和防止抄袭

认证

更丰富的评分手段

虽然最早的MOOC主要使用比较直接的方法来评估学习效果，比如选择题或填空题，但马上出现了可以更全面地度量学生对教学的参与度的评估方式。在计算机课程中，这种评估包括评估学生编写的程序和评估更复杂的学生项目。虽然可以用测试用例这样的机制度量程序功能，但这种机制并不能适合所有情况，比如交互式的应用程序。在开发评分平台时，必须考虑允许课程作业有足够的多样性，同时还能进行自动或半自动评分。

也已有人建议用同伴互评(peerassessments)进行大规模人工评分。对同伴互评的研究已表明这种方法的潜力。例如，斯坦福大学由斯科特·克莱米尔(ScottKlemmer)主讲的在线人机交互课程强调了学生的设计工作。要大规模地对这些设计进行评分，需要课程中的每名学生对分配给他们的几个设计进行排序。然后所有学生的排序被合并，得到一个更全面的排名。有趣的是，其中某些设计也有专家（例如，校园中该课程的助教）做了评分。由于这些评过分的设计现在也嵌在整体排名中，因此可以通过比较学生提交的设计与专家评估过的设计的排名，来确定学生提交的设计的分数。虽然这个系统并非无懈可击，但它确实提供了一种有趣的模型，用来将专家评价注入主要基于同伴互评的模式中。

个性化教育

规模宏大的MOOC为收集数量空前的学生与学习系统进行交互的数据提供了机遇。于是，用机器学习来分析数据，个性化定制学习过程成为可能。在此方向的研究已存在多年，只不过是以智能导师系统.数据挖掘的形式存在。最近有个例子，在我们的CS106A课程中，皮希(Piech)等人使用机器学习技术，构建了学生程序中间版本自动保存日志的概率模型。这些基于课程中初期作业建立的模型比作业成绩更好地预测了学生后来的表现。用这样的技术可以找出那些在在线课程中进展不顺的学生，并建议他们通过其它学习路径进行补习。

MOOC也有使用不同教育方法向学生提供信息的潜力，允许每名学生选择自己喜欢的方式，甚至可以给学生建议。一份对超过1000份在线调查的元分析认为，讲师导向和在线协同指导这样的特性都能提升学生的学习效果，而且混合式学习环境比纯在线环境效果更好。在线课程可以逐步发展吸收这些已被证明最佳的实践经验。

混合教育

超越在线视频的创新

托马斯·爱迪生相信留声机的出现会彻底革新教育，教师会被淘汰。随后的世纪中，很多其它技术创新都引发了类似的预言。在可预知的未来，我们确信MOOC不会取代教师。在线教育对传统的教学方式是一种补充，并且可以有效扩大教育范围，尤其当其它（面对面）形态的教学不可用时。与瓦迪(Vardi)一样，我们相信MOOC会持续下去。

无论如何，只要我们这个圈子能解决身边的这些挑战性问题，就可以对在线教育的变革潜力更有把握，这其实取决于我们。