Jul, 2014

你的点击决定你的命运：从 MOOC 视频点击流交互中推断信息处理和流失行为

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 使用点击流数据分析混合课程中学生的策略

    本研究基于 Diderot 系统的细致记录，运用模式挖掘和自然语言处理方法，分析学生的行为互动并提取频繁出现策略，结果发现学生与老师的互动模式因测试类型而异，并且这些特点可用于预测学生成绩，揭示了混合课程中基于教育软件数据的数据分析对于了解学生行为和提升学习价值的重要性。

    May, 2020

  • 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

  • 学生在线课程互动的序数行为分类

    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

  • 大规模在线课程的参与

    研究了海量在线课程的学习者交互轨迹，构建了行为分类法，比较了高、低成就的学生的不同行为模式，并研究了论坛参与与课程其他部分之间的关系，还探讨了徽章对 MOOCs 用户参与的影响。

    Mar, 2014

  • 谁对我产生了消极影响？正式化负面曝光扩散动态导致 MOOC 学生流失

    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

  • 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