Jul, 2014

针对海量在线课程数据的大规模特征工程

PDF
TL;DR研究工程特征开发模型以提高对 MOOC 在线学习者行为的理解。通过参与群众的特征提议并将其操作化，评估其在预测准确性上的相关性。研究通过 MOOC 数据科学和停止预测的不同方面来展示群众参与的两种方法，识别不同的有影响力的停止预测特征。
moocsfeature engineeringcrowd-sourcedpredictive accuracystopout
发现论文，激发创造
  • MOOCs 中的 Dropout 模型评估

    本文提出了一种统计测试假设模型性能的过程，该过程超越了社区中的实践状态，分析了来自大规模在线开放课程（MOOC）的一系列算法和特征集。该方法揭示了论坛、作业和点击流基于特征提取方法之间的严重差距，其中后者明显优于前两者，而前两者相互之间无法区分，并为评估学生成功的预测或基于 AI 的模型以及设计和针对处于风险中的学生模型和干预措施的实践影响提供了方法论和实践上的启示。

    Feb, 2018

  • 视频讲座中的参与度预测

    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

  • 大规模开放在线课程中的停学预测

    本研究描述了一个可扩展的模型，从原始数据到模型分析的端对端停止预测方法，该方法在六 002x 秋季课程中实现了高达 0.95 的 AUC，可以预测甚至少于一周的 MOOC 停课情况。

    Aug, 2014

  • 从 MOOC 学习者的教学交互序列中捕捉 “离职加剧” 结构特征

    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

  • 你的点击决定你的命运”：利用 MOOC 视频的点击记录推断学生的信息处理与退学行为

    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

  • 支持学生选课的开放式 MOOC 评论的大规模分析

    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

  • 利用点击和视频学习表示，在 MOOC 课程中预测留学生掉课情况

    本文研究如何从 MOOC 的点击记录中提取反映学习者行为的意义特征，通过建立视频和点击的相关性模型，提高了对学习者退课预测的准确性。

    Feb, 2020

  • 基于特征和点过程的流行度预测方法

    本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法，用于预测社交媒体信息的流行度，并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时，本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务中表现出色，并建议后续会有更多工作将会在特征驱动和生成建模的方法上进行比较。

    Aug, 2016

  • 通过可解释的多层表示学习在 MOOCs 上对未来几周的退出预测

    本文旨在通过分析学生的点击数据来预测学生是否在下周退出在线学习，研究通过基于 BB 算法的多层表征学习方法对于预测和解释特别有效和可行。

    Feb, 2020

  • 基于人口统计学的参与是否能够提高个性化？一个新颖的数据集与实验

    本文展示了如何利用基于人群的参与度预测来解决大规模学习资源中的冷启动问题。通过使用 VLE 数据集并进行了一系列实验，研究表明建立在该数据集基础上的模型在预测课程参与度方面表现更优，该数据集适用于计算机科学 / 人工智能教育领域的个性化学习推荐模型。

    Jun, 2022