AAAIFeb, 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

PDF
TL;DR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。
massive open online coursesmoocsclickstream datadropout predictionunsupervised learning
发现论文，激发创造
  • 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

  • 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

  • MOOC 学生退学预测的深度挖掘

    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

  • 团队留存：在线问题导向学习竞赛中的辍学预测

    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

  • 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

  • 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

  • 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：从 MOOC 视频点击流交互中推断信息处理和流失行为

    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

  • 利用图表示学习提升 MOOC 自动等级预测性能

    利用大规模在线开放课程（MOOC）数据集构建独特的知识图谱，并运用图嵌入技术提取实体间相互作用中潜在结构信息，结合实体特征、行为特征和结构特征，改进了对学生成绩的预测模型的性能。

    Oct, 2023

  • Dropout 作为贝叶斯近似：在深度学习中表示模型不确定性

    本研究发展了一种新的理论框架，将深度神经网络的 dropout 训练视为深高斯过程中的近似贝叶斯推断。我们的理论框架使我们能够通过 dropout 神经网络建模不确定性，从而解决了在深度学习中表示不确定性的问题，而不会牺牲计算复杂性或测试精度。

    Jun, 2015