大规模在线课程的参与
本研究旨在探讨如何定量分析学生观看 MOOC 视频时的行为,并建立信息处理指标,通过预测学生在视频中退出的参与轨迹,帮助教师更好地了解 MOOC 学习中的问题,并提高学生的参与度和留存率。
Jul, 2014
11 年来,关于学生在校园和 MOOC 式在线课程中的互动模式的研究已广泛进行。然而,在比较校园和 MOOC 式在线格式下完成的相同课程的学生习惯方面,文献中仍存在差距。本研究将调查在 Georgia Tech CS1301 edx 课程中参与校园和面向任何人的 MOOC 式课程的学生的基于浏览器的使用模式,以确定两个群体之间存在的任何模式。
Apr, 2024
通过分析不同平台上的 240 万个 MOOC 评论,研究结果表明,数值评分存在偏见,而文本评论的 NLP 驱动情感分析和主题发现技术反映了课程广告、实际应用性和难度等主题,为在线教育评论提供更透明的方法。
Jan, 2022
本文介绍了使用数据驱动的用户建模框架来设计用户自适应支持,在学习模拟器和 MOOCs 中提供自适应支持的实验,旨在研究该框架的应用价值。
Jun, 2021
本研究旨在利用网络科学的方法,以学生在海量在线开放课程中的学习活动序列为研究对象,探索可以预测学生逐渐降低学习积极性的因素,并在此基础上基于视频点击流和论坛活动的联合表示,提取活跃和被动 MOOC 参与的指标,从而预测学生流失情况,本研究结果提出了一种改进的方法来捕捉 MOOC 学习者所参与的活动中的 “流失加剧” 特征,同时探讨了未来研究的意义。
Sep, 2014
本研究探讨了 MOOC(Massive Open Online Courses)中学生之间相互影响的机制,并提出了一个学习网络扩散的简单公式,用以形式化这种影响的本质及其可能导致的学生流失。同时,我们也提出了扩展学生建模方法的思路,以更好地应对真实的 MOOC 行为,为 MOOC 设计师和教师创造有益的学习环境,提高学生的学习参与度。
Jul, 2014
本研究提出了一种基于外部知识库的新概念搜索边界,通过异构特征验证高质量结果,并设计了一个基于游戏的交互式优化机制来提高 MOOC 用户学习效果,实验证明此方法优于现有方法。
Sep, 2019
本文探讨了如何将 MOOCs 中学生的视频观看活动转换为高级认知行为,并构建了一个定量的信息处理指数,帮助教师更好地理解 MOOCs 的难点,并推测未来的学习结果。结论表明,这种基于认知心理学的指标能够回答关于学生参与度、未来行为和脱离课程的问题,同时讨论了研究和实践的影响。
Jul, 2014
本论文研究 MOOC 授课中关于其有限带宽下教师何时干预讨论,设计了一个二元分类器,在分类过程中结合论坛类型信息,通过人类评判验证表明该问题的难度,且结果受教师干预偏好影响较大,并指出了未来相关研究问题。
Apr, 2015
本文探索了建立教育领域中基于人口特征 (即与个体学习背景无关) 的参与度的预测模型,并提出了跨模态和模态特定特征集来实现这一任务。通过量化学习者参与度信号并进行灵敏度分析,最终表明该模型具有良好的性能,并可以轻松地集成到开放教育资源的推荐系统中。
May, 2020