本研究分析了自动化 MOOC 退课预测器的准确性估计，并比较了标准的退课预测架构在四种不同的训练范式下的准确性，结果表明，在真实情境中，“事后” 训练和测试可能会高估准确度，而基于学生持续性的代理标签训练的退学分类器也能与基于事后训练的预测器竞争，并且分类器性能不随学科而变化。最后，基于深度全连接前馈神经网络研究新的退课预测体系结构，发现比逻辑回归有更高的测试准确率。

Feb, 2017

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

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

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。

Jul, 2014

大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型，通过训练四个二元分类器来预测学生是否会毕业或辍学，结果发现学术数据类型对模型性能最有影响。

Oct, 2023

利用深度学习模型和 LSTM 层，研究了大规模收集的 121 种不同类别的特征对高等教育学生保留率的影响，早期对毕业和风险学生的区分能力良好，在后期对退学和转学的区分能力依赖于随时间累积的数据，提供个体层面的预测并解决转学结果问题，为教育结果预测提供了新的见解。

Sep, 2023

该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生来说，大学 GPA 对预测具有更高的价值。

Jan, 2024

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

通过在线长期问题导向学习和机器人竞赛，三元方法的研究使用了 Discourse 讨论论坛和网络学习策略问卷（OSLQ）收集的数据，应用机器学习算法预测在线竞赛的辍学率，并验证了 OSLQ 的可靠性。

Dec, 2023

教育在减轻贫困、推动经济增长和赋予个人力量方面发挥着关键作用，然而，学校辍学的持续问题带来了重大挑战，本研究在 13 年的纵向数据集基础上通过机器学习模型的开发展现出显著的分类能力，未来这样的模型有可能支持教育工作者识别处于风险之中的学生，以改善教育结果。

Mar, 2024