在线学习平台的出现推动了教育现代化的发展。MOOC平台是其中较有代表性的在线学习平台,其讨论区是学习者进行互动交流的场所,在这里学习者可以就学习疑惑、学习心得或学习困境进行线上交流和探讨。学习投入是学习者进行有效学习的前提,主要包括行为投入、认知投入和情感投入。学习投入度呈现了学习者在学习过程中投入的程度,体现了学习者能够达到的学习投入水平。学习投入的研究大都是基于课堂,有关线上的学习投入研究相对较少;其次,研究多关注学习者在行为投入上的“量”化,对情感投入的研究较少。至于综合考虑行为、认知和情感各方面的投入则更少。基于上述背景,本研究以MOOC平台一门课程为例,从行为、认知和情感三个维度探究在线学习投入的评价方式,目的是为更加科学地评价在线学习者的学习,优化在线课程的教与学。论文基于已有研究提出了MOOC讨论区学习投入评价模型,从行为、认知和情感三个维度对16个特征指标进行了详细介绍。包括行为特征9个:问题回复数、浏览数、投票数、话题参与人数、话题持续时间、提问距期末时间、互动等级、讨论区类型、提问是否匿名;认知特征5个:问题类型、问题表述清晰与否、知识类型、知识点重要性、教师参与与否;情感特征2个:提问者的情感倾向和回复中的平均情感倾向。为验证模型,本文以MOOC平台上参与人数较多(累积学习者超过173万)的一门国家精品课程《Python语言程序设计》为案例进行分析,抽样时间:2018年月3月13日至2018年7月10日。利用Python编写爬虫,对该讨论区中出现的交互数据进行爬取,包括:问题ID、问题主题、问题描述、问题包含的图片链接等14项相关内容。根据时间和内容对其进行清洗与筛选,最终保留数据20434条,话题6718个。通过本文研究发现:1.模型指标方面。行为特征中,“提问匿名与否”对学习投入度没有显著影响(P>0.05),其他8个变量都对学习投入度有显著影响(P<0.001);认知特征中,5个变量对学习投入度均有显著影响(P<0.001),但由于问题类型和知识类型共线性较高,只保留问题类型;情感特征中,2个变量对学习投入的影响具有显著性(P<0.001)。基于具体案例分析,调整评价模型,即从行为、认知和情感三个维度保留14个评价指标。2.模型算法实现方面。分别利用逻辑回归、SVM、决策树和随机森林进行分类模型的构建。由于深层投入仅占全部话题的2.86%,导致数据不平衡,因此合并中层投入和深层投入作为深层投入,区分于浅层投入。首先利用全集对四个算法进行参数调整,寻找最优参数组合;然后根据与学习投入相关性排名分别选取排名前6(子集一)、前8(子集二)、前10(子集三)以及全部变量(全集)作为特征集,放入四个分类器中训练,寻找最优特征子集。结果发现,四种算法的最高精确率均在80%以上。其中逻辑回归在子集三上表现较好,精确率80.18%;决策树在子集二表现较好,精确率达81.80%;SVM和随机森林在全集上表现最好,精确率分别为82.63%,82.34%。后续建模优化可考虑用全集特征训练SVM分类器。