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

我们应用数据融合方法，使用多源多模态数据从混合学习环境中预测大学生的最终学业表现。我们通过应用四种不同的数据融合方法和六种分类算法进行实验，结果表明，使用集成和选择最佳属性方法进行离散化数据的最佳预测模型显示出在理论课程中的注意力水平、Moodle 测验分数以及 Moodle 论坛中的活动水平是预测学生最终表现的最佳属性集。

Feb, 2024

使用深度学习技术（CNN 和 RNN-LSTM）预测在线课程传递中学生的绩效，通过三个不同地区收集的数据集，实验结果表明深度学习模型在两个数据集中优于其他优化的传统机器学习模型，并在第三个数据集上具有可比性的性能。

Jan, 2024

该研究提出了一种将学习行为分析与机器学习算法相结合的综合框架，以提高学生在线学习表现的预测准确性，并通过对 edX 平台上真实数据集的应用，证明了该框架相对于直接应用机器学习方法的优越性。

Mar, 2024

本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

Oct, 2022

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

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

基于学生点击流数据开发了一种树状方法（ClickTree）来预测数学作业中学生的表现，该方法利用了问题级别、任务级别和学生级别的特征，并在教育数据挖掘杯 2023 比赛中取得了 0.78844 的 AUC，排名第二。结果表明，学生在选定特定答案子集和代数 II 问题主题上遇到更多困难，而表现优异的学生在完成单元内作业和正确回答问题上积极参与，而困难的学生则更多地请求辅导。该方法可以改善学生的学习体验，并将上述洞察力整合到数学课程中以提高学生的学习成果。

Mar, 2024

预测学生表现是为处于风险学生提供有效的预防措施至关重要。本文通过分析 12 种自然启发算法在预测学生表现上的相对性能，研究了应用于包含基于实例的点击流数据、课内单课程表现以及同时学习多个课程的 3 个数据集。发现在所有数据集中，利用基于自然启发算法的特征选择和传统机器学习算法进行集成，能够提高预测准确性的同时将特征集大小减少了 2/3。

Aug, 2023

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