Massive Open Online Courses have a completion rate problem. Despite enrolling millions of learners worldwide, most MOOC platforms report completion rates between 5% and 15%. The typical response from course designers has been to add more: more video content, more interactive features, more discussion forums, more supplementary materials. The assumption is that richer courses produce better learning outcomes.

A study by Chen, Liu, and Zhou (2024), published in the British Journal of Educational Technology, challenges this assumption directly. Using data from 8,602 courses on Zhihuishu, a major Chinese MOOC platform, they find that content richness has a counterintuitive effect: courses with more content have higher dropout rates and lower pass rates, particularly among high-quality courses. The finding represents what might be called the MOOC paradox—the more you offer, the less learners complete.

Attention as the Scarce Resource

The theoretical framework underlying these findings draws on attention allocation theory. Learner attention is finite. When a course increases its content volume—more video lectures, more readings, more supplementary materials—it does not proportionally increase the learner's available attention. Instead, it fragments it. Learners faced with 50 hours of content in a 12-week course must make triage decisions about what to watch, what to skip, and when to give up entirely.

Chen et al. (2024) find that this effect is moderated by course quality. For high-quality courses, adding more content is particularly damaging: the content richness × quality interaction shows that excellent courses with excessive content suffer disproportionately higher dropout rates. The explanation is that high-quality content raises learner expectations, and when the volume becomes overwhelming, the gap between expectations and achievable engagement widens.

The study also examines online interaction frequency. More frequent online interaction—discussion posts, forum participation, peer review—is associated with lower pass rates in high-quality courses. This contradicts the common recommendation to increase interactivity as a completion-boosting strategy. When learners are already attention-constrained by rich content, adding interaction requirements compounds the overload.

Comparative Evidence

Huang and Qi (2025) provide complementary evidence from a six-year longitudinal study of 4,282 college students using MOOCs. Their findings confirm that MOOCs have lower pass rates than traditional courses, including both compulsory and selective courses. Their PLS-SEM analysis identifies learning environment, learning behavior, and learning motivation as significant predictors of MOOC performance—factors that are all mediated by the learner's capacity to manage attention and engagement.

The learning environment finding is notable: Huang and Qi (2025) propose this factor for the first time in the MOOC literature, and it has a significant impact on learning behavior. Students studying in environments with distractions—shared dorms, noisy homes, unreliable internet—face additional attention costs that compound the content overload problem.

The Dropout Prediction Literature

Alghamdi, Soh, and Li (2025) provide a comprehensive review of dropout prediction methods across MOOC platforms. Their analysis reveals that traditional prediction models often overlook temporal dependencies and context-specific variables—exactly the kinds of factors that Chen et al.'s attention allocation framework highlights. The review calls for prediction models that account for the dynamic interaction between course design features and learner engagement patterns over time, rather than treating dropout as a static classification problem.

Rahimi (2024) approaches MOOC dropout through a tri-phenomenon perspective, examining the interplay of technical, pedagogical, and contextual factors. The contextual dimension—including learners' motivational selves and their learning approaches—suggests that dropout is not simply a failure of will or design but reflects a mismatch between course demands and learner resources. Some learners enroll without intending to complete; others intend to complete but are overwhelmed by the course's cognitive demands.

Design Implications

The findings suggest several practical design principles that run counter to the "more is better" assumption:

Content curation over content creation. Rather than adding more videos, course designers should consolidate essential content and ensure that every resource earns its place in the curriculum. A 30-minute video that covers a concept clearly is better than three 20-minute videos that cover it from multiple angles.

Strategic interaction design. Interaction should be purposeful and limited rather than continuous and obligatory. Requiring weekly discussion posts, peer reviews, and quiz completions may look like engagement but can function as attention tax.

Quality signal management. High-quality courses face a particular challenge because learners' expectations are higher. These courses should be especially disciplined about content volume, providing clear learning pathways and explicit guidance about which materials are core and which are supplementary.

Environment-aware design. Recognizing that many MOOC learners study in suboptimal environments, courses should be designed for interrupted, mobile, low-bandwidth learning contexts—not for the idealized learner in a quiet home office with reliable broadband.

Open Questions

The attention allocation framework explains the MOOC paradox at the individual level, but systemic questions remain. Platform-level incentives may push course designers toward content maximization: courses with more content may attract more initial enrollments, even if they produce lower completion rates. The misalignment between enrollment metrics (which platforms optimize) and completion metrics (which learners need) may perpetuate overloaded course designs.

Furthermore, the relationship between content volume and learning is likely non-linear. There is presumably a minimum threshold of content below which learning suffers. Finding the optimal point—enough content to support deep learning, not so much that it overwhelms attention—requires empirical calibration that current research has only begun to address.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 논문에 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 검증해야 한다.

MOOC 역설 — 콘텐츠 과부하가 수료율을 낮춘다

대규모 공개 온라인 강좌(Massive Open Online Courses)는 수료율 문제를 안고 있다. 전 세계 수백만 명의 학습자가 등록함에도 불구하고, 대부분의 MOOC 플랫폼은 5%에서 15% 사이의 수료율을 보고하고 있다. 강좌 설계자들의 전형적인 대응은 더 많은 것을 추가하는 방식이었다. 더 많은 동영상 콘텐츠, 더 많은 상호작용 기능, 더 많은 토론 포럼, 더 많은 보충 자료. 이 접근법의 전제는 풍부한 강좌가 더 나은 학습 성과를 낳는다는 것이다.

British Journal of Educational Technology에 게재된 Chen, Liu, Zhou(2024)의 연구는 이러한 전제에 정면으로 도전한다. 중국의 주요 MOOC 플랫폼인 Zhihuishu의 8,602개 강좌 데이터를 활용하여, 연구자들은 콘텐츠 풍부성이 반직관적인 효과를 지님을 발견하였다. 즉, 콘텐츠가 많은 강좌일수록 중도 탈락률이 높고 합격률이 낮으며, 이는 특히 고품질 강좌에서 두드러진다. 이 발견은 이른바 MOOC 역설을 보여준다. 제공하는 것이 많을수록 학습자가 완료하는 것은 줄어든다.

희소 자원으로서의 주의

이러한 연구 결과의 기반이 되는 이론적 틀은 주의 할당 이론(attention allocation theory)에서 가져온 것이다. 학습자의 주의는 유한하다. 강좌가 콘텐츠 분량을 늘릴 때—더 많은 동영상 강의, 더 많은 읽기 자료, 더 많은 보충 자료—학습자가 활용할 수 있는 주의가 비례하여 늘어나지는 않는다. 오히려 주의가 분산된다. 12주 강좌에서 50시간 분량의 콘텐츠를 마주한 학습자는 무엇을 시청하고, 무엇을 건너뛰며, 언제 완전히 포기할지에 대한 선별적 판단을 내려야 한다.

Chen et al.(2024)은 이 효과가 강좌 품질에 의해 조절됨을 발견하였다. 고품질 강좌의 경우 콘텐츠를 추가하는 것이 특히 해롭다. 콘텐츠 풍부성×품질 상호작용 분석 결과, 콘텐츠가 과도하게 많은 우수 강좌는 불균형적으로 높은 중도 탈락률을 보였다. 이에 대한 설명은 다음과 같다. 고품질 콘텐츠는 학습자의 기대치를 높이며, 분량이 압도적으로 많아질 경우 기대와 실현 가능한 참여 사이의 간극이 더욱 벌어진다.

이 연구는 온라인 상호작용 빈도 또한 검토한다. 토론 게시물, 포럼 참여, 동료 평가 등 더 빈번한 온라인 상호작용은 고품질 강좌에서 낮은 합격률과 연관되어 있다. 이는 수료율 향상 전략으로 상호작용을 강화하라는 일반적인 권고와 상충된다. 학습자가 풍부한 콘텐츠로 이미 주의 제약을 받고 있는 상황에서 상호작용 요구 사항을 추가하면 과부하가 가중된다.

비교 근거

Huang과 Qi(2025)는 MOOC를 활용하는 대학생 4,282명을 대상으로 한 6년간의 종단 연구를 통해 보완적 근거를 제시한다. 이들의 연구 결과는 MOOC가 필수 과목과 선택 과목을 포함한 전통적인 강좌보다 합격률이 낮다는 점을 확인시켜 준다. PLS-SEM 분석 결과, 학습 환경, 학습 행동, 학습 동기가 MOOC 성취도의 유의미한 예측 변인으로 확인되었으며, 이 요인들은 모두 학습자의 주의와 참여 관리 역량에 의해 매개된다.

학습 환경에 관한 발견은 주목할 만하다. Huang과 Qi(2025)는 이 요인을 MOOC 문헌에서 최초로 제안하였으며, 이는 학습 행동에 유의미한 영향을 미친다. 공동 기숙사, 소음이 있는 가정환경, 불안정한 인터넷 등 방해 요소가 있는 환경에서 학습하는 학생들은 콘텐츠 과부하 문제를 가중시키는 추가적인 주의 비용에 직면한다.

중도 탈락 예측 문헌

Alghamdi, Soh, Li(2025)는 MOOC 플랫폼 전반에 걸친 중도 탈락 예측 방법에 대한 포괄적인 검토를 제공한다. 이들의 분석에 따르면, 기존의 예측 모델은 시간적 의존성과 맥락별 변수를 간과하는 경우가 많은데, 이는 정확히 Chen et al.의 주의 배분 프레임워크가 강조하는 요인들이다. 이 검토는 중도 탈락을 정적인 분류 문제로 다루는 대신, 강좌 설계 특성과 학습자 참여 패턴 사이의 동적 상호작용을 시간에 따라 고려하는 예측 모델을 요구한다.

Rahimi(2024)는 MOOC 중도 탈락을 삼중 현상의 관점에서 접근하여 기술적·교육적·맥락적 요인의 상호작용을 검토한다. 학습자의 동기적 자아와 학습 접근 방식을 포함하는 맥락적 차원은, 중도 탈락이 단순히 의지나 설계의 실패가 아니라 강좌 요구 사항과 학습자 자원 사이의 불일치를 반영한다는 점을 시사한다. 일부 학습자는 수료할 의도 없이 등록하고, 다른 학습자는 수료할 의도로 등록하지만 강좌의 인지적 요구에 압도된다.

설계적 함의

이 연구 결과들은 "많을수록 좋다"는 가정에 반하는 몇 가지 실용적인 설계 원칙을 제안한다.

콘텐츠 생성보다 콘텐츠 큐레이션. 더 많은 영상을 추가하는 대신, 강좌 설계자는 핵심 콘텐츠를 통합하고 모든 자료가 교육과정에서 제 역할을 다하도록 해야 한다. 개념을 명확하게 다루는 30분짜리 영상 하나가, 여러 각도에서 동일한 개념을 다루는 20분짜리 영상 세 편보다 낫다.

전략적 상호작용 설계. 상호작용은 지속적이고 의무적이기보다는 목적적이고 제한적이어야 한다. 매주 토론 게시물 작성, 동료 평가, 퀴즈 완료를 요구하는 것은 참여처럼 보일 수 있지만, 실제로는 주의세(attention tax)로 작용할 수 있다.

품질 신호 관리. 고품질 강좌는 학습자의 기대 수준이 높기 때문에 특별한 도전에 직면한다. 이러한 강좌는 콘텐츠 양에 대해 특히 엄격하게 접근하여, 명확한 학습 경로와 어떤 자료가 핵심이고 어떤 자료가 보충적인지에 대한 명시적인 안내를 제공해야 한다.

학습 환경을 고려한 설계. 많은 MOOC 학습자가 최적화되지 않은 환경에서 학습한다는 점을 인식하여, 강좌는 안정적인 광대역 인터넷을 갖춘 조용한 홈 오피스의 이상적인 학습자를 위해서가 아니라, 중단이 잦고 모바일 중심의 저대역폭 학습 맥락에 맞게 설계되어야 한다.

미해결 과제

주의 배분 프레임워크는 개인 수준에서 MOOC 패러독스를 설명하지만, 시스템 수준의 문제는 여전히 남아 있다. 플랫폼 수준의 인센티브는 강좌 설계자를 콘텐츠 극대화 방향으로 이끌 수 있는데, 콘텐츠가 더 많은 강좌는 수료율이 낮더라도 초기 등록자 수를 더 많이 끌어들일 수 있기 때문이다. 플랫폼이 최적화하는 등록 지표와 학습자에게 필요한 수료 지표 사이의 불일치는 과부하된 강좌 설계를 지속시킬 수 있다.

더 나아가, 콘텐츠 양과 학습 간의 관계는 비선형적일 가능성이 높다. 일정 수준 이하의 콘텐츠에서는 학습이 저해될 최소 임계값이 존재하는 것으로 추정된다. 깊은 학습을 지원하기에 충분하되 주의를 압도하지 않을 만큼의 콘텐츠라는 최적 지점을 찾는 것은, 현재의 연구가 이제 막 다루기 시작한 경험적 검증을 필요로 한다.