教學文章要不要開留言區：論壇參與、聲望制度、讀書會與問答社群的證據

TL;DRMOOC 論壇發過文的人及格率比沒發文的人高很多（一門課 57% 對 8%），但作者自己說這是自我選擇下的相關；隨機加上聲望制度讓回覆變多變快，成績沒有測到差異；講師積極回覆對不回覆，完成率與投入都沒有測到差異。沒有研究測過部落格留言區對讀者學習的影響。

#learning-science #social-learning #mooc #self-learning #course-guide #blog

系列: 教學文章怎麼寫 (21 / 30)

一個人讀少了什麼：同儕互動、協作腳本、協作抑制、Peer Instruction 與旁觀學習的證據寫給別人看，自己學到多少：教學預期、對不在場的人講解、替別人做教材與旁觀對話

🌏 English version

這是「教學文章怎麼寫」系列的第 21 篇，第五部分「跟誰學，誰讀不到」的第二篇。前面一篇談一起學比較好的證據與條件，以及一個人讀文章少掉哪一塊。這篇往後退一步，看最常被拿來補那一塊的東西：留言區、討論論壇、讀書會、Discord 這類社群。要回答的問題只有一個：參與社群的人學得比較好，是社群讓他們學得好，還是本來就會學好的人才去參與？

起因是本站自己的形狀。本站的文章頁沒有留言區，也沒有讀者之間看得到彼此的地方。每篇文章旁邊有一個「Ask AI」側欄，依預設設定，先檢索本站文章，以檢索到的段落回答；找不到可靠的來源時，提示詞要求它回答知識庫沒有足夠的證據，不改用模型自己的一般知識；草稿兩輪都沒通過格式或品質檢查時，照樣顯示，前面加上「此回答可能不完整」的警語。提問的是讀者、回答的是模型；文中的專有名詞可以點開名詞解釋，分入門與進階兩層。課程導讀的寫作規格（course-guide-contract.md）沒有任何關於讀者互動的要求。寫這個系列時一直會碰到一個說法：線上課程裡，在論壇發文的人成績好很多。如果這是因果，本站少了一個重要的東西；如果不是，加留言區就只是多一個要維護的地方。

這篇用到的很多資料來自 MOOC（Coursera、edX 這類大型開放線上課程）。第 19 篇談過 MOOC 數字搬到部落格讀者身上的界線，這篇沿用同一組界線，下面只補論壇特有的部分。讀者會不會作答文章裡的題目，見第 10 篇；「互動比自己做好」這個排序本身有多少證據，第 8 篇談 ICAP 時整理過。

來源怎麼選、有什麼偏向。來源清單是先掃描文獻、再挑出來精讀的。挑選標準是要量到「參與」和某種結果（成績、完成、發文、職涯），而且每一類至少有一份作者自己說結果是相關、沒有測到差異或不能當因果的研究。參考資料共 13 份，每一份都讀完手上取得的那一版並留有抽取紀錄。偏向很明顯：觀察研究多、隨機實驗少；除了一份研究所課程、一門大學部軟體工程課、一個在翻轉教室裡一起看 MOOC 影片的讀書會、一份公開問答平台的分析、一份廠商資料與一篇個人部落格文，其餘都是 MOOC 的資料；全部是英文文獻。沒有任何一份研究量的是部落格留言區或教學文章讀者之間的互動。

MOOC 論壇的數字能借多少

第 19 篇列了六條界線：起點（註冊對點進來）、終點（及格對讀到最後）、回來的定義、外在結構（截止日、證書）、尺度（一門課對一篇文章）、介入研究的樣本是少數投入的人。論壇另外多兩條：

論壇掛在計分的課程上。MOOC 論壇裡的問題多半是作業題、考試題；文章沒有作業，讀者來留言的理由不同。
論壇的讀者不是全部的人。下面幾份研究裡，發文的人佔有成績者或註冊者的 5% 以下；看討論串的人比發文的人多，但多數研究沒有看討論串的資料。

能借的是方向：參與者和非參與者的差距大，但這個差距大部分可能是誰去參與造成的；隨機改變論壇設計，動的是發文，不是成績。

先看結論

問題	目前讀到的答案	證據的性質
在論壇發文的人表現比較好嗎	差很多。一門 edX 課，沒進過論壇的人 78% 期末零分，進過的 26%（Coetzee 等 2014）；一門統計 MOOC，發過文的人及格 57%，沒發文的 8%（Wise 與 Cui 2018）	觀察；兩篇作者都說不能當因果
已經及格的人裡呢	發不發文，成績沒有測到差異；發課程內容串的人高約 2 個百分點（Wise 與 Cui）	觀察
發文內容和成績	發文裡的社會臨場感與成績相關 ρ = 0.39，只算發過文的 748 人；與課後職涯進展沒有找到關聯，能檢驗的進展者只有 15 人（Mehta 等 2025）	相關
做同儕互評的人和做討論的人	互評多的組專題成績較高；參與型態只解釋 3.3% 的成績差異（Ou 與 Joyner 2025）	研究所線上課的事後分組
隨機改變論壇設計	加上投票與聲望分數，每題回覆變多、變快；期末成績與社群感沒有測到差異（Coetzee 等）	一門課的隨機實驗
其他隨機實驗	一份回顧收的 MOOC 論壇實驗裡，量了成績或完成率的只有兩篇（聲望制度、講師回覆），兩篇都沒有測到差異；另外兩篇只量發文，一篇正向、一篇負向（我從 Davis 等 2018 的回顧的表整理）	回顧的計票編碼，原研究我沒讀
寫下誰會盯著你	247 門課的實驗裡，完成率沒有測到差異；前兩週的活動量較高（Kizilcec 等 2020）	大規模隨機實驗
回顧怎麼說	20 篇研究裡 6 篇是實驗；作者說社會互動對學習的因果證據不足（Loh 等 2024）	敘述性回顧，沒有效果量
論壇裡的資訊怎麼流	互動切成許多小群；模擬下，資訊擴散比隨機網路慢；只看發文的人（Gillani 等 2014）	網路分析與模擬，沒有量學習
換成即時聊天加 24 小時助教	每人平均發文從 1 到 2 則變成 98 則（Bridson 等 2022）	歷史對照，沒有量學習
一起看課的讀書會	滿意度高，三種看片方式之間沒有測到差異（Li 等 2014）	探索性研究，沒有量學習，沒有獨自看的組
梯次制與課節討論	梯次制完成率 53.4%，自訂進度 41.9%；開了討論的課 50.9%，沒開的 37.3%（Ruzuku 2026）	廠商自家資料，廠商自己寫不是因果
ChatGPT 之後的公開問答	Stack Overflow 的發文量相對對照平台，發布後六個月平均下降約 15%（del Rio-Chanona 等 2024）	準實驗；量的是發文，不是學習

合起來：參與和好結果的相關很強。隨機實驗裡，有的動得了發文量（聲望制度），有的沒有、甚至讓參與下降（講師回覆、集體框架的鼓勵提示）；量了成績或完成率的，都沒有測到差異。表裡沒有一列量的是文章讀者。

參與的人表現比較好：差距有多大

進過論壇、發過文的人

Derrick Coetzee、Armando Fox、Marti Hearst 與 Björn Hartmann 2014 年的研究在 UC Berkeley 一門 edX 軟體工程課做。研究的主體是一個隨機實驗（下面會談），但他們先比了進過論壇和沒進過論壇的人。沒進過論壇、但看過至少一段課程內容的人，78% 期末拿零分；進過論壇的人是 26%。作者在同一段寫：

Note that because forum users were self-selected, both these results are solely correlational.

Alyssa Friend Wise 與 Yi Cui 2018 年的研究用的是史丹佛 2014 年開的一門醫學統計 MOOC，論壇是自由參加的補充。有成績的 11,664 人裡，在論壇發過文的有 555 人，不到 5%（我算的）。發過文的人 57% 及格，沒發過文的人 8%。

這是這個主題裡最常被轉述的那種數字。下面三節說明它為什麼不能讀成「參與讓人學得好」。

換分母、換比較對象之後

拿掉從沒動過的人。Wise 與 Cui 的有成績者裡，71% 的成績在 0.01 以下，幾乎什麼都沒做。拿掉這些人之後剩 3,350 人，其中 15% 發過文；發文者及格 64%，沒發文的 32%。這篇的摘要寫「15% 的人在論壇貢獻」與「64% 對 32%」，兩個數字都只限這 3,350 人。兩組及格率的比值從約七倍縮到兩倍（我算的）。

只看及格的人。及格的 1,221 人裡，發過文和沒發過文的人，成績沒有測到差異。拆開來看，發過「課程內容」討論串的人成績高約 2 個百分點（0.869 對 0.845）；只發非內容串（打招呼、技術問題、課務）的人沒有優勢。內容串的發文數只解釋成績變異的 3.2%。作者的結論是：

it is critical to note that this research does not document a strong relationship between MOOC discussion participation and course performance.

換成研究所的線上課。Chaohua Ou 與 David Joyner 2025 年的研究看一門收學分的線上研究所課（作者都在喬治亞理工學院），2020 到 2024 年共 1,451 人。參與分數佔總成績 15%，有兩種：同儕互評與線上討論。作者依兩種分數的中位數把學生事後分成四組，比較專題成績（滿分 300）。互評多的組（不論討論多寡）平均約 281 到 282 分，只做討論的組 272，兩者都少的組 261。作者自己說，參與型態只解釋 3.3% 的成績差異，效果小，其他沒分析到的因素可能更重要。

這篇的摘要寫「peer assessment is strongly linked to improved performance」，結論寫互評參與「enhances」學習表現。但設計是事後分組，沒有隨機分派；參與分數本身是依品質計分的（互評由 AI 評分器過濾，討論每則依品質給分），所以「參與組別」裡已經混了表現的好壞。

看發文的內容。Shruti Mehta、Ryan Baker 等人 2025 年的研究用一門 2013 年的教育資料探勘 MOOC。55,180 位註冊者裡只有 748 人發過文（約 1.4%，我算的）。他們用 GPT-4o 編碼每則發文的社會臨場感（打招呼、致謝、稱呼對方名字、延續討論串等），先由兩位人工編碼者建立標準答案，人機一致性 κ 在 0.70 到 0.89 之間。在這 748 人裡，社會臨場感總分與期末成績相關 ρ = 0.389；用到課程關鍵詞的程度與成績 ρ = 0.305。沒有控制任何變項，也沒有操弄。

同一篇另外看課後的職涯進展（定義很窄：課後在這個領域的兩個研討會發表論文，或兩年內加入領域學會）。發文的社會臨場感與關鍵詞都沒有找到和職涯進展的關聯。作者指出能檢驗的人很少：「only 15 of those 168 career advancers had participated in the discussion forums.」所以這一半的準確說法是「在這門課的資料裡沒找到關聯，但能檢驗的只有 15 人」，不是「論壇和職涯無關」。

為什麼不能讀成「參與讓人學得好」

作者自己列的替代解釋

Coetzee 等人說論壇使用和成績、留存之間的強相關「is difficult to interpret due to a range of possible confounding factors」，並列了三個替代解釋：

比較認真的學生比較會碰到需要求助的難題，所以比較會去論壇。
很早就離開的人，根本還沒有機會用到論壇。
英語或技術能力不足的人，既用不了論壇，也念不好這門課。

Wise 與 Cui 的版本相近：可能是參與討論讓人學得更好，也可能是本來能力較強、較有自信的人才去參與，或者興趣與投入同時影響兩者。他們對及格率差距的解讀是：

these contrasting findings suggest that the role of (undifferentiated) forum contribution may relate more to engagement, effort and persistence than directly to learning of course content.

也就是說，「有沒有發文」比較像是「還在不在、有沒有在做」的指標。及格率差七倍，及格者之間的成績卻幾乎沒差，和這個解讀一致。

參與的人很少，而且集中在少數人

多數人從沒進過論壇。Coetzee 那門課，看過課程內容的人裡約三分之二從沒進過任何論壇。作者在結論說，要提升整體成效，得找能觸及這些人的介入。
發文的人更少。Wise 與 Cui 的有成績者裡不到 5%；Mehta 等人的註冊者裡約 1.4%。
發文集中在少數人。Coetzee 的兩個實驗論壇裡，前 10 名發文者貼了 54% 與 32% 的文。作者把「無法把這幾個人的影響從整體效果裡分開」列為限制。

所以「參與者」與「非參與者」的比較，比的是一小群自己選擇進來的人和其餘所有人。

讀而不發的人沒有被算進去

Wise 與 Cui 的資料集沒有閱讀、瀏覽、按讚的紀錄，作者明寫這一點。他們套用另一篇研究「讀者和寫者約二比一」的比例，推估「多達 45%」的人以某種方式參與了論壇；這是推估，不是量到的。Nabeel Gillani 等人 2014 年的研究有觀看資料：一門 Coursera 商業策略課的第一次開課，看過至少一個討論串的人超過 15,000，發過文的約 4,500。

這些只讀不發的人在上面所有比較裡都被算成「沒參與」。讀別人的討論對他們有沒有幫助，手上沒有任何研究量過。這和本站最相關：我預期一篇有留言區的文章，多數讀者也只會讀留言，不會留言。

回顧怎麼說

Hong Sen Loh 等人 2024 年的系統性文獻回顧收了 20 篇 MOOC 裡學習者之間互動與學習成果的研究，不限研究設計。摘要寫各研究有「clear positive effects」，同一句接著說需要更多實驗。限制一節寫得更直接：

while there is strong evidence that social interaction is related to a multitude of favourable learning outcomes, it is arguable that there is insufficient evidence to conclude that there is a causal effect of social interaction on learning outcomes.

20 篇裡只有 6 篇是實驗，其餘是個案、混合方法與相關研究；這份回顧沒有算效果量，也沒有評分研究品質。同一份回顧對「討論區與成績」的說法前後不一，放在下面「來源說法不同的地方」。

有隨機分派的研究測到什麼

聲望制度：回覆變多變快，成績沒變

Coetzee 等人的實驗在同一門 edX 課裡做。同意參加的 1,101 人第一次進論壇時，依使用者名稱隨機分到兩個獨立的論壇之一。兩個論壇都是 Stack Overflow 式的問答論壇；完整版多了上下票、依得票累積的聲望分數與解鎖權限、發問者選最佳答案。

論壇本身的指標變好。完整版每題的平均回覆 3.5 則，基本版 2.4 則；首次回覆的中位數時間 59 分鐘對 2 小時 20 分；基本版有 15% 的題目沒人回，完整版只有 1 題。
但發文的人反而少。完整版的總貼文較多，但發文的人比較少。
成績沒有測到差異。期末成績中位數 73 對 71，只有簽了較寬同意書、能把論壇連到成績的 89 對 97 人。
社群感沒有測到差異。課堂社群量表 48.5 對 49.8（滿分 80），課後問卷各只有四十多人回答。
留存：課程留存因為這個子樣本八成五以上都留到最後，無法判斷；改量最後一次進論壇的時間，沒有測到差異。

作者對整體的定性是益處「具體但有限」。完整版學生裡 89% 說提高聲望分數「不重要」或「有點重要」，主要的回答理由是幫助別人。

這個實驗比的是「論壇加不加聲望制度」，兩組都有論壇。它不能回答「有沒有論壇」的因果效果。

其他論壇與小組實驗

Dan Davis 等人 2018 年在 Computers & Education 的回顧（不是第 10 篇引的那個 MOOC 實驗；兩篇的作者部分相同）只收隨機對照實驗：2009 到 2017 年間 5 本期刊與 8 個會議的 7,706 篇論文裡，126 篇符合。它用計票法，把每個結果記成顯著正向、無顯著、顯著負向，沒有算效果量。

我從它的表整理出跟論壇與同儕有關、在 MOOC 裡做的實驗（以下是這份回顧的編碼與轉述，原研究我都沒有讀）：

論壇類：Coetzee 2014（發文量正向，成績與持續度無顯著）；Tomkin 與 Charlevoix 2014，講師在一個論壇積極回覆、在另一個不回，回顧轉述「The authors report no differences in either completion rate or course engagement between the two conditions.」；Kizilcec 等 2014，一種集體框架的鼓勵發文提示反而讓論壇參與下降；Lamb 等 2015，論壇參與正向，正文沒有描述。
小組與同儕類：Kulkarni 等 2015 的小組視訊討論裡，組內國籍較多元的人期末考較好（比的是多元程度，不是有沒有小組）；Cambre 等 2014 考試分數正向，正文沒有描述；Zheng 等 2014 依偏好、時區、語言等演算法分組，相對於隨機分組，投入、持續度、成績都沒有效果；Labarthe 等 2016 的同儕推薦系統，持續度、完成率、投入都正向。

論壇類的四篇 MOOC 實驗裡，量了成績或完成率的只有兩篇（Coetzee、Tomkin 與 Charlevoix），兩篇都沒有測到差異；另外兩篇只量發文，一篇正向（Lamb）、一篇負向（Kizilcec 2014）。這是我從表整理的，回顧作者沒有這樣歸納。表裡另有一篇在一般課堂做的論壇實驗（Beheshitha 等 2016），論壇參與沒有測到差異，不在上面的計算裡。小組與同儕配對類有幾項正向結果，但各自比的東西不同。

這份回顧另外把 Cooperative Learning 列為最有希望的三類策略之一（71% 的結果正向）。這個比例主要來自實驗室與自建系統；同一份回顧裡，MOOC 環境的研究整體只有 42% 正向，500 人以上的研究也是 42%。

寫下誰會盯著你

第 19 篇整理過 Kizilcec 等人 2020 年的 PNAS 研究：把幾種幾分鐘的寫作活動放進 Harvard、MIT、Stanford 247 門課的開課問卷。其中一種和社群有關，叫社會問責：寫下誰可以盯著你、要跟他們說什麼、什麼時候說。

在事先登錄的目標子群（非個人主義國家的學生）裡，完成率 +0.89 個百分點，95% 信賴區間 −0.22 到 1.99，沒有測到差異。它提高了第一週的平台活動量，第二週仍有差異。這和聲望制度那個實驗的方向一致：動得了參與，完成率沒有測到差異。

這個介入只是寫一段話，沒有真的建立任何社群；樣本是走到問卷後段的人，約佔註冊者的 8.8%（我從原文的人數算的）。

論壇裡實際發生什麼

Gillani 等人把同一門商業策略課兩次開課的八個子論壇各畫成網路：兩個人在同一個討論串發過文，就連一條線。再用統計方法濾掉可能只是巧合的連線。

「讀書會」子論壇多半只是報到處。這個子論壇裡，兩次開課都有超過三分之二的連線被判定不顯著。作者用非正式的內容檢視發現，多數人在開課初發文自我介紹，然後把討論搬到 Facebook 等其他平台。
資訊被困在小群裡。在推導出的網路上跑傳播模擬，所有子論壇的擴散都比保留同樣連線數的隨機網路慢。作者的總結是「most information exchange, and by extension, any knowledge construction in the discussion forums occurs in small, short-lived groups.」
個案討論（Cases）與期末專題（Final Project）兩個子論壇比較不脆弱。這兩個子論壇要拿掉較多的關鍵人物，網路才會散掉。第二次開課把 8% 的期末分數依論壇貼文獲得的讚數計算，作者推測這可能讓網路較穩，只用了「may」。

這篇沒有量任何學習成果；「擴散較慢」是模擬，不是觀察到的資訊傳播；模組度與擴散的關係作者只做目視比對，因為子論壇數量少，刻意不報相關係數。

Loh 等人的回顧轉述另一個結果：Kellogg 等 2014 年用五階段模型編碼 MOOC 討論，互動多停在第一階段（分享觀察、意見或例子），很少超過第三階段。原研究我沒有讀。

Wise 與 Cui 的內容分類補了同一個方向：在及格的發文者裡，非內容串的發文數和成績沒有測到相關（6 個非內容指標只有 1 個顯著）；內容串的指標 6 個有 5 個顯著，但最強的也只有 r = .19。

論壇以外的形式

即時聊天加 24 小時有人回

Kathryn Bridson、Jeffrey Atkinson 與 Scott Fleming 2022 年的經驗報告來自 University of Memphis 一門大學部軟體工程課。2021 年春季、疫情遠距期間，他們把 Piazza 論壇與實體辦公時間換成 Discord，並多請兩位助教輪班，讓一天大部分時間都有人回。前兩位作者是這門課的助教。

和同一門課前三個學期（實體上課、用 Piazza）相比，每位學生的平均發文數從 1 到 2 則變成 98 則（中位數 37），至少發過一則的學生從約四成變成九成。發文集中在晚上（19 點到凌晨 5 點佔 65%）與週二到週四（逾七成），作者推測後者和截止日多在這幾天有關；學期前半的發文明顯多於後半。

這份報告沒有任何成績或學習結果。對照的學期同時換了平台、助教人力、上課型態（實體對遠距），計數單位也不同（論壇的正式問答貼文對聊天訊息）。作者自己說分不開 Discord 本身與 24 小時有人回的影響，也寫明這是「after all, this was an experience report regarding a single course」。人力成本也是作者列的限制：需要的助教時數遠超過一位助教每週 20 小時。

一起看課的讀書會

Nan Li、Pierre Dillenbourg 等人 2014 年的研究讓瑞士洛桑聯邦理工學院 54 位工程系學生，以 4 到 5 人一組、每週一次一起看 MOOC 影片並做測驗，共五週，每人有 150 瑞士法郎酬勞。比較三種看法：一個大螢幕一個控制器、一個大螢幕每人一支滑鼠、每人一台平板戴耳機各自看。

自評的討論品質都高（5 點量表約 4.0 到 4.2），三種看法之間沒有測到差異。
各自看平板的組裡，同步程度較高的人，自評討論品質與發言均等較高。這只在 3 組裡算。
受試者在訪談裡說一起讀比自己讀更有動力、更有效。這是自述；作者明寫沒有量學習成果，也沒有獨自觀看的對照組，「we cannot conclude the relative value of group versus individual learning with MOOCs」。

梯次制與課節討論

線上課程平台 Ruzuku 的執行長 Abe Crystal 2026 年在公司網站發表一份自家資料的分析，涵蓋 2012 到 2026 年 27,156 門課、131 萬筆選課，課程多是教練、治療師繼續教育、瑜伽等小型付費課。

依行事曆開放內容的「梯次制」課，完成率 53.4%；內容一次全開、自訂進度的課 41.9%。頁面明寫這是觀察到的課程分組差異，「not evidence that deadlines or live sessions caused higher completion」。所謂梯次制只是依行事曆開放，有沒有直播或同儕互動沒有分類。
開了至少一個課節討論區的課，每筆選課的完成率 50.9%；沒開的 37.3%。頁面緊接著寫「Enabled does not mean students actively participated.」

這份分析沒有變異量、沒有檢定，課程數與選課數的加總對不起來，題名的「2,000」在正文找不到出處，頁尾是平台的銷售呼籲。它只能當「業界有這樣的觀察，而且廠商自己說不是因果」的例子。

公開問答在 ChatGPT 之後

上面都是課程內的社群。開放網路上最大的技術問答社群是 Stack Overflow。Maria del Rio-Chanona、Nadzeya Laurentsyeva 與 Johannes Wachs 2024 年的研究拿 Stack Overflow 和四個當時較少受 ChatGPT 影響的平台比較（數學問答站兩個、俄語版 Stack Overflow、中文的 Segmentfault），用差異中的差異法估計 ChatGPT 發布後的變化。

發布後六個月，Stack Overflow 的發文量相對對照平台平均下降約 15%；到 2023 年 4 月底，每週的估計穩定在約 25%。摘要只寫了 25%。作者認為對照平台也可能受影響，所以這是下限。
只算提問的下降約 10%，只到 p < .1 的邊緣。
用投票衡量的貼文品質，沒有測到變化。
新使用者的發文只小幅下降，有些經驗的使用者下降較多，減少的主要是回答。

這篇量的是公開平台的發文量，不是任何人的學習。和本站有關的一點是：本站給讀者的是一個 AI 問答側欄，不是讀者之間的公開問答。讀者在側欄問到的東西，其他讀者看不到；留言區裡的問答，後來的讀者看得到。這兩種做法對讀者學習的差別，沒有研究測過。

本站的情況

本站沒有留言區。正式站至少載入了 Cloudflare Web Analytics，流量統計是匯總的，沒有個別讀者的行為資料；站上沒有任何資料能說明讀者想不想留言、會不會讀留言。

技術部落客 Raymond Camden 2024 年的短文是一個自述的例子，不是研究：部落格經營二十多年，留言本來很多，「eventually, folks simply stopped commenting」，於是拿掉留言功能；之後改用 Webmentions，覺得「works ok, but doesn't really feel the same」；2024 年起改用以 GitHub Discussions 當留言的 Giscus，只對新文章開放，留言需要 GitHub 帳號。文章沒有任何數字，也沒有談學習。

來源說法不同的地方

以下幾組結果方向不同，或看起來衝突、其實量的東西不一樣。我把它們並列，不選邊。

論壇參與和成績的關係強不強。Coetzee 等人與 Wise 與 Cui 看全部的人，差距很大（零分 78% 對 26%；及格 57% 對 8%）。Wise 與 Cui 只看及格者，發不發文的成績沒有測到差異，作者的結論是沒有記錄到強關係。差別在比較對象：前者混了「還在不在課裡」，後者只比都留下來的人。

同一份回顧的兩種說法。Loh 等人在結果一節寫討論區互動與期末成績的關係「unclear」，並舉 Zhang 等 2017 找不到顯著關係；在綜合一節又寫有「consistent findings」顯示討論區帶來較高成績，把 Zhang 2017 列為佐證。摘要寫「clear positive effects」，限制一節寫因果證據不足。

摘要的因果措辭和正文的設計。Ou 與 Joyner 的摘要寫互評「strongly linked」、結論寫「enhances」，正文是事後分組、只解釋 3.3% 的變異。Mehta 等人的摘要寫論壇投入「enhances academic achievement」，正文只有相關。Bridson 等人的摘要寫 Discord 做法「led to」互動大增，正文是不同學期、不同上課型態的歷史對照。

少數族群「沒有比較少發文」。Bridson 等人的摘要說，資訊科學裡人數較少的族群和其他學生互動的程度相當。正文的依據是 p ≥ 0.2 的無顯著結果：人數較少族群的平均發文約為其他學生的三分之二，女性約為男性的六成（兩個比值是我算的），標準差很大、人數很小。所以是沒有測到差異，不是「一樣多」。作者自己另外提醒，Discord 不能匿名，可能壓低女性的發文。

ChatGPT 之後下降多少。del Rio-Chanona 等人的六個月平均是 15%，摘要寫的 25% 是期末的每週估計。作者轉述另一篇用合成控制法的研究（Burtch 等 2024），得到 15 週內約 20% 的下降，但那篇發現的是新使用者大降，這篇發現的是有經驗的人降得多；作者說這個分歧有待後續研究解決。

協作學習是最有希望的策略，還是 MOOC 裡效果平平。Davis 等人的結論把 Cooperative Learning 列為三大最有希望的策略之一（71% 正向）。同一份回顧裡，MOOC 環境的研究整體 42% 正向，而這一類的 MOOC 研究只佔少數。

對照本站的做法

本站的做法	相關證據	是依據，還是本站的選擇
文章頁沒有留言區	參與者表現較好的證據都是觀察，作者自己說是自我選擇下的相關（Coetzee、Wise 與 Cui、Mehta、Ou 與 Joyner）；隨機改變論壇設計動到發文量，成績與完成率沒有測到差異（Coetzee；Davis 整理的實驗）	本站的選擇。證據推不出「該加」，也推不出「加了有害」；沒有研究測過部落格留言區
每篇有 Ask AI 側欄，以本站文章為主要來源，其他讀者看不到	公開問答平台的發文量在 ChatGPT 後下降（del Rio-Chanona），量的是發文不是學習	本站的選擇。AI 問答和讀者之間的公開問答，對學習的差別沒有研究比過
專有名詞可以點開解釋，分入門與進階	多數人從不進論壇（Coetzee 約三分之二）、發文的人不到 5%（Wise 與 Cui）；放在文章裡的協助是每個讀者都碰得到的地方	本站的選擇。觸及率的論點沒有研究直接測過；該為哪些詞加定義，第 4 篇談過，也沒有研究直接回答
作者不在文章下回覆讀者	講師在論壇積極回覆對不回覆，完成率與投入沒有測到差異（Tomkin 與 Charlevoix，經 Davis 轉述）	轉述的單一實驗；沒有在文章讀者身上測過
沒有梯次、讀書會、Discord	梯次制完成率較高是廠商觀察，廠商自己說不是因果（Ruzuku）；讀書會研究沒有量學習（Li）；Discord 報告沒有量學習（Bridson）	證據推不出應該加；後兩者還需要持續的人力
課程導讀規格沒有讀者互動的要求	同上	本站的選擇

可以做的事

以下是我的判斷，每一條寫出依據是哪幾項結果。

不要因為「參與社群的人成績好 N 倍」這類數字去加留言區或社群。依據：這類數字都來自觀察研究，原作者自己說是相關，並列出自我選擇的解釋（Coetzee、Wise 與 Cui）；Wise 與 Cui 的及格者之間，發不發文的成績沒有測到差異；隨機分派的論壇實驗裡，量了成績或完成率的兩篇都沒有測到差異（Coetzee；Tomkin 與 Charlevoix，經 Davis 轉述）。這些是 MOOC 的結果。做法：要開留言區的理由，寫成「讀者有地方回報錯誤、問沒寫到的事」，不寫成「互動讓讀者學得更好」。
讀者最可能卡住的地方，答案寫在正文裡，不留給留言區或社群。依據：Coetzee 那門課約三分之二的人從沒進過論壇，作者自己建議找能觸及這些人的介入；發文者不到 5%（Wise 與 Cui）；論壇裡的資訊多困在短暫的小群裡（Gillani）。做法：寫完一節，列出讀者最可能問的一個問題，在那一節補一句回答或一個先備連結。
如果有留言或任何讀者回報管道，把被問到的問題和答案搬回原文。依據：看討論串的人數是發文人數的三倍以上（Gillani）；問答留在討論串裡，只有翻到那裡的人看得到。做法：回覆一則問題時，同時改原文對應的段落，留言裡只貼段落連結。
不要用留言數、發文量或社群活躍度評估一篇文章教得好不好。依據：發文量會隨平台設計大幅變動（Coetzee 的聲望制度、Bridson 的 Discord 與 24 小時助教），在這些研究裡都沒有伴隨可測的學習差異或沒有量學習；Ruzuku 自己寫開了討論不等於有人參與。
引用「參與社群和學得好」的研究時，寫明比較對象與分母。依據：Wise 與 Cui 的「64% 對 32%」只限成績高於 0.01、約佔有成績者 29% 的人（我算的）；Mehta 等人的 ρ = 0.39 只在 1.4% 發過文的人裡（我算的比例）；Ou 與 Joyner、Mehta 等人、Bridson 等人的摘要都用了正文撐不住的因果措辭。

今晚可以做的三件事

挑一篇自己寫過的教學文章，大約一小時：

想像三個讀到一半會卡住的讀者，各寫下他們會問的一句話。每一句在正文對應的地方補一句回答或一個連結。
如果你有留言區、論壇或社群，翻出最近被問過兩次以上的問題，把答案寫回原文，再回到討論串貼上段落連結。
搜尋自己的文章、簡報或課程頁面裡「參與社群的人」「論壇使用者」這類句子。有數字的，補上它是哪一門課、分母是誰、是不是相關；找不到出處的就拿掉。

這些證據的限制

沒有任何一份研究量的是部落格留言區或教學文章讀者之間的互動，本站的流量統計是匯總的，沒有個別讀者的行為資料。所有借用都是推論，MOOC 的界線見第 19 篇與開頭一節。
因果證據很少。13 份裡，有隨機分派且量了成績或完成率的只有 Coetzee（比的是聲望制度，不是有沒有論壇）與 Kizilcec 2020（寫一段話，不是建立社群）。Davis 列的其他實驗我只讀到回顧的編碼與轉述。
讀而不發的人幾乎沒有資料。Wise 與 Cui、Gillani、Mehta 都只看發文；讀別人的討論對學習有沒有影響，目前沒有研究直接測過。
樣本與情境集中。多是 2013 到 2014 年的 MOOC；Ou 與 Joyner 是研究所的學分課，Bridson 是一門遠距的大學部課，Li 是有酬勞的 54 位工程系學生，Ruzuku 是小型付費課。
「學得好」量法各不相同：及格、期末成績、專題成績、完成、職涯進展、自評討論品質。多份研究完全沒有量學習（Gillani、Bridson、Li、del Rio-Chanona）。
作者與資料的關係。Bridson 的前兩位作者就是提供協助的助教；Ruzuku 的分析由平台執行長撰寫；Kizilcec 2020 放大重做的其他介入，原始研究是同一批作者的；本篇用到的社會問責之前沒在線上課測過。
我的推論：MOOC 論壇的方向可以借到文章讀者；多數讀者只讀留言不留言；AI 問答和公開問答對其他讀者的差別；放在文章裡的協助觸及率較高；問答搬回正文能讓更多人看到；今晚可以做的三件事。正文都標了或在這裡列出。
我自己算或整理的：Wise 與 Cui 的「不到 5%」與 29%；Bridson 的「多約 67%」；Mehta 的 1.4%；Davis 回顧裡論壇實驗「量了成績或完成率的兩篇都沒有測到差異」的歸納；Wise 與 Cui 的及格率比值從約七倍縮到兩倍；Bridson 的三分之二與六成；Kizilcec 2020 的 8.8%。
轉引：Tomkin 與 Charlevoix 2014、Kizilcec 等 2014、Lamb 等 2015、Kulkarni 等 2015、Cambre 等 2014、Zheng 等 2014、Labarthe 等 2016 經 Davis 等人轉述；Kellogg 等 2014、Zhang 等 2017 經 Loh 等人轉述；Burtch 等 2024 經 del Rio-Chanona 等人轉述。原研究都沒有讀。
掃描時看到、這篇沒有用的：問答站除錯、台灣的 MOOC 讀書會質性研究、HarvardX 與 MITx 學習者背景的研究，都只在清單上當備選，沒有精讀，不引內容。

附錄：各研究的設計與數字

正文每項只留一兩個數字，其餘放在這裡。

Coetzee、Fox、Hearst、Hartmann（2014），CSCW '14，刊出版，作者以 CC BY 3.0 釋出。edX 的 CS169.1x，2013 年 3 月開課、七週；註冊 5,985 人，通過 532 人。同意參加論壇實驗 1,101 人（完整版 548、基本版 553，後面的檢定用 546 與 555）。相關分析：論壇使用者 1,572 人、非使用者 3,221 人；零分比例 78% 對 26%（Table 3 寫 88% 對 26%），成績中位數 22% 對 0%，Mann-Whitney p < .001；留存中位數 39 對 19 天（共 42 天）；各次作業與小考除了最後兩份作業都有差異，只算有交的人。實驗：每題回覆 3.5 對 2.4（Table 3 寫 2.3），p < .001；首次回覆中位數 59 分鐘對 2 小時 20 分，一小時內有回覆 50% 對 30%；完整版的使用者較不會發文（p ≈ .036）；前 10 名發文者佔 54% 對 32%。期末成績中位數 73 對 71（89 對 97 人，p > .4）；課程留存資料不足；最後一次進論壇的中位數 24.5 對 26.1 天（p > .2）；Rovai 社群量表 48.5 對 49.8（43 對 40 份，p > .7）；求助語句 2.9% 對 7.3%（p ≈ .0002，作者說可能只是抱怨）；論壇有用程度中位數都是 2.0（0 到 4）。作者列的限制：單一課程單一輪、學生熟悉論壇；少數極活躍使用者；同意參加 67%、同意連成績的 20%、回問卷的 8%；相關不是因果；實驗論壇在另一個網域，學生可能在原論壇或 Facebook 互通；只測了問答式論壇。

Wise 與 Cui（2018），LAK '18，ACM 刊出版。StatMed'14，史丹佛 Lagunita 平台，2014 年。有成績 11,664 人，論壇帳號 565 個，兩者都有 555 人；及格線 0.6。全部有成績者：發文者及格 57%，非發文者 8%，χ²(1) = 1,332.20。排除成績 ≤ 0.01 的 8,314 人（71%）後剩 3,350 人，發文者 492 人（15%）：64% 對 32%。只發非內容串 178 人及格 57%、只發內容串 165 人 60%、兩種都發 149 人 77%；兩種都發的人發得也較多（中位數 4 串對 1 串），作者說分不開多樣與數量。及格者：發文 315 人對沒發文 906 人，t(1,219) = 1.610，p = .107；發內容串 0.869 對沒發 0.845，p = .002。內容串發文數 r = .188，最終模型 R²adj = .032；網路中心性指標沒有額外解釋力。內容分類模型準確度 > .81。作者列的限制：單一門課、論壇是選修補充、沒有閱讀資料、因果不明、成績是黑箱指標。

Mehta、Srivastava、Liu、Vanacore、Baker（2025），L@S '25，讀的是 NSF PAR 的作者接受稿。Coursera 的 Big Data in Education，2013 年第一輪，註冊 55,180 人，發文 748 人，貼文與留言 3,109 則。社會臨場感指標刪去原研究兩個。GPT-4o 編碼，各指標人機 κ 0.70 到 0.89。Spearman 相關（N = 748）：社會臨場感總分 0.389；延續討論串 0.387、提問 0.339、讚美與致謝 0.328、自我揭露 0.286、表示同意 0.224、寒暄 0.125；課程關鍵詞 0.305；全部 p < .001。職涯進展者 168 人（153 + 35 = 188），其中 15 人發過文。控制貼文數的邏輯脊迴歸：社會臨場感 β = 0.0002（95% CI −0.0001 到 0.0006），p = .512；關鍵詞 p = .415。沒有限制節；討論裡說進展者太少、職涯受課外因素影響。

Ou 與 Joyner（2025），L@S '25，ACM 刊出版。一門線上研究所專題課，2020 春到 2024 秋，1,451 人，男 73.3%，平均 31 歲。互評分數 > 55.5、討論分數 > 12.0 算實質參與：兩者都有 370 人、互評多 358、討論多 350、兩者都少 373。專題成績（0 到 300）：282.21（SD 17.27）、281.01（29.98）、272.44（52.42）、260.81（68.35）。F(3, 1447) = 16.63，p < .001，η² = .033。Games-Howell：互評多與兩者都有沒有差異（p = .909），互評多高於只做討論（p = .005），兩者都有也高於只做討論（p = .039），只做討論高於兩者都少（p = .050）。課後問卷 1,054 人：互評價值 4.93、討論價值 4.65（七點量表）；預測同儕支持知覺的 β 0.42 對 0.26，兩個係數的差異沒有檢定。全文沒有限制節。

Loh、Martins van Jaarsveld、Mesutoglu、Baars（2024），Frontiers in Education，刊出版，CC BY。2023 年 5 月檢索 Scopus 與 ERIC，180 筆，納入 20 篇：個案 7、混合方法 4、實驗 6、相關 3。討論區 9 篇、小組 10 篇、一對一 2 篇。四類成果：知識、社會投入、學習投入、學習者經驗。沒有效果量、沒有品質評分；選文由一位研究者完成。轉述：一對一同儕討論提高測驗分數，但受邀者裡真正去談的很少（Zhang 2017）；志工帶領小組不易擴大（Gamage 2021）；Anderson 2020 前後測多數成分沒有測到差異，訪談卻說小組有幫助。內部不一致：「unclear」與「consistent」兩處說法；Manli 2014 不在納入清單卻被引為納入研究；Table 2 的勾選數與正文 n 不符。

Gillani、Yasseri、Eynon、Hjorth（2014），Scientific Reports 4，刊出版，CC BY-NC-SA 4.0。Coursera 商業策略課兩次開課：2013 春註冊近 90,000、發文約 4,500 人、看過討論串逾 15,000 人；2013 秋逾 77,000、約 3,300、11,500。八個子論壇分開分析（子論壇之間的人重疊多半低於 3%）。被濾掉的連線：技術回饋兩期都是 89%，讀書會 72% 與 71%，個案討論 44% 與 39%。讀書會子論壇的標準化模組度最高（4.21 與 5.92）。SI 傳染模擬（400 次平均）在所有子論壇都比保留度數的隨機網路慢。第二次開課 8% 期末分數依讚數計算。補充資訊沒有取得。

Li、Verma、Skevi、Zufferey、Blom、Dillenbourg（2014），Distance Education 35(2)，讀的是 EPFL 典藏的作者定稿，刊出版沒有讀；另有一份題名不同的較早短版，數字不同，不引。2013 年春五週，54 人（女 11），12 組；數值分析課 9 組（法語，大一），數位訊號處理課 3 組（英語，碩士）。三種看法各 4 組，沒有寫怎麼分派。統計只用數值分析課的組。討論品質自評：全體 4.12，三種看法 4.17、4.14、4.03，沒有報告檢定統計量。共用螢幕加每人一支滑鼠的組花在影片的時間與暫停次數較多（p < .05、p < .005）。平板組裡同步程度與自評討論品質 β = 1.308、與發言均等 β = 1.438（p < .05）。

del Rio-Chanona、Laurentsyeva、Wachs（2024），PNAS Nexus 3(9)，刊出版，CC BY 4.0。2022 年 1 月到 2023 年 5 月底，發布前 48 週、後 25 週；log(週發文數) 的差異中的差異，標準誤以月叢聚。全部發文 −0.163（p < .05，約 15%）、只算提問 −0.105（p < .1，約 10%）、只算平日 −0.151（約 14%）。依經驗：新使用者 −0.083、1 到 10 則 −0.245、11 到 100 則 −0.254、超過 100 則 −0.168。GitHub 儲存庫越多的語言下降越多（ρ = −0.45）。開發者調查裡 ChatGPT 使用者每週貢獻的機率低約 0.8 個百分點，作者說幅度不大。延伸到 2024 年 5 月，週發文從 6 萬降到 3 萬，但作者不延伸差異中的差異，因為對照平台後來也受影響。補充資料沒有讀。

Bridson、Atkinson、Fleming（2022），SIGCSE '22，ACM 刊出版。2021 年春，52 人（女 14、資訊科學人數較少族群 22）。前 7 週個人技能作業，後 7 週小組專題。對照：2018 秋（52 人）、2019 春（27 人）、2019 秋（35 人），實體上課加 Piazza。平均發文 98.2（SD 150.3）對 1.0、2.0、1.5，各比較 p < .0001；至少發一則 90% 對 38%、41%、37%。學生共 5,105 則，最高四人 489 到 674 則；教學者 2,890 則。人數較少族群 75.7 對 114.6、女 65.2 對男 110.3，p ≥ 0.2。19:00 到 5:00 佔 65%；週二到週四逾 70%。學期前半 3,195 則、後半 1,910 則（原文寫前半多 40%，用原文的數字算是多約 67%）。校方教學評鑑「有機會發問」4.89／5（36 人），沒有前幾學期可比。沒有語音頻道資料。

Davis、Chen、Hauff、Houben（2018），Computers & Education 125，讀的是 TU Delft 典藏的刊出版。2009 到 2017 年 7 月，5 本期刊與 8 個會議逐篇看，納入條件：可大規模實施、隨機對照、至少 10 人、成人；7,706 篇中 126 篇，132,428 人。計票法，沒有效果量與品質評估，有 OSF 登錄。MOOC 環境 42% 正向、56% 無顯著；自建系統 59% 正向。500 人以上 42% 正向，10 到 100 人 60%（p < .05）。給錢的實驗 61% 正向，沒有誘因的 49%。Cooperative Learning 17 篇、結果 17 正 6 無 1 負。論壇相關實驗的樣本：Kizilcec 2014a 11,429 人、Lamb 2015 4,777 人、Coetzee 2014 1,101 人、Tomkin 與 Charlevoix 2014 20,474 人；小組類 Kulkarni 2015b 2,422 人、Cambre 2014 2,474 人、Zheng 2014 1,730 人、Labarthe 2016 8,673 人。全文沒有限制節。

Kizilcec、Reich、Yeomans 等（2020），PNAS 117(26)，刊出版與 SI Appendix。設計與其他介入見第 19 篇的附錄。社會問責只在第二年（2018 年 1 月到 2019 年 5 月）。完成率（非個人主義國家的學生）+0.89 個百分點（−0.22 到 1.99），t = 1.58，p = .115。平台活動量（事件數取對數）：第一週 β = 0.0788（p = .006），第二週 0.0939（p < .001）。

Crystal（2026），Ruzuku，廠商網站文章，沒有同儕審查，頁面會更新。2012 到 2026 年 27,156 門課、1,316,272 筆選課。梯次制 337,700 筆選課 53.4%；定時釋出 213,519 筆 42.9%；一次全開 702,497 筆 41.9%（三者加總少於總選課數）。梯次人數：1 到 10 人 51.5%、11 到 25 人 65.2%、26 到 50 人 62.0%、51 到 100 人 56.8%、100 人以上「51.3% (48.3% for large)」。有課節討論 17,190 門 50.9%，沒有 9,442 門 37.3%。有測驗或反思評量 59.1%，純內容 42.4%。全部沒有變異量與檢定。

Camden（2024），個人部落格。沒有數字，沒有談學習。

參考資料

每一條都讀完手上取得的那一版並留有抽取紀錄；版本與讀不到的部分寫在括號裡。

Coetzee, Fox, Hearst & Hartmann (2014), Should Your MOOC Forum Use a Reputation System?（ACM 刊出版，作者以 CC BY 3.0 釋出）。
Wise & Cui (2018), Unpacking the Relationship between Discussion Forum Participation and Learning in MOOCs: Content is Key（刊出版，ACM Digital Library 開放取用）。
Mehta, Srivastava, Liu, Vanacore & Baker (2025), Do MOOC Conversations Matter? Investigating the Role of Social Presence and Course-Relevant Discussion in Career Advancement（讀的是 NSF PAR 的作者接受稿，刊出版在 ACM Digital Library；OSF 數位附錄沒有讀）。
Ou & Joyner (2025), Assess or Discuss: Comparing Peer Assessment and Online Discussion for Enhancing Learning at Scale（刊出版，ACM Digital Library 開放取用）。
Loh, Martins van Jaarsveld, Mesutoglu & Baars (2024), Supporting social interactions to improve MOOC participants' learning outcomes: a literature review（刊出版，開放取用）。
Gillani, Yasseri, Eynon & Hjorth (2014), Structural limitations of learning in a crowd: communication vulnerability and information diffusion in MOOCs（PMC 刊出版；補充資訊沒有讀）。
Li, Verma, Skevi, Zufferey, Blom & Dillenbourg (2014), Watching MOOCs together: investigating co-located MOOC study groups（讀的是 EPFL 典藏的作者定稿；刊出版沒有讀）。
del Rio-Chanona, Laurentsyeva & Wachs (2024), Large language models reduce public knowledge sharing on online Q&A platforms（PMC 刊出版，CC BY 4.0；補充資料沒有讀）。
Bridson, Atkinson & Fleming (2022), Delivering Round-the-Clock Help to Software Engineering Students Using Discord: An Experience Report（刊出版，ACM Digital Library 開放取用）。
Davis, Chen, Hauff & Houben (2018), Activating learning at scale: A review of innovations in online learning strategies（讀的是 TU Delft 典藏的刊出版；回顧收錄的原研究沒有讀）。
Kizilcec, Reich, Yeomans et al. (2020), Scaling up behavioral science interventions in online education（PMC 刊出版與 SI Appendix）。
Crystal (2026), What 2,000 Course Launches Tell Us About Cohort vs. Self-Paced Completion（Ruzuku）（廠商網站文章，2026-10-14 查閱；頁面附的 CSV 沒有下載）。
Camden (2024), The Return of the Comment(s)（個人部落格）。
本站文章：一個人讀少了什麼、線上自學為什麼多數人讀不完、讀者會不會做文章裡的題目、「做中學」的證據在量什麼、教學文章裡的術語、符號與公式怎麼處理。