AAAIJun, 2021

面向探索式学习环境中对抗次优用户行为的框架：以 MOOC 为例

PDF
TL;DR本文介绍了使用数据驱动的用户建模框架来设计用户自适应支持，在学习模拟器和 MOOCs 中提供自适应支持的实验，旨在研究该框架的应用价值。
user-adaptive supportexploratory learning environmentsdata-driven user-modelingmassive open online coursesadaptive support
发现论文，激发创造
  • 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

  • 面向 MOOC 的自适应学习通用预训练框架

    本篇论文提出利用预训练技术将深度学习应用于自适应学习的实践探索，并在数据观察和学习风格分析的基础上提出了一个统一的框架。通过一系列的下游任务，如学习推荐、学习资源评估、知识跟踪和辍学预测，发现了课程结构、文本和知识对于建模和学生非连续学习行为具有帮助，源代码和数据集将公开发布。

    Jul, 2022

  • 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

  • EduAgent: 学习中的生成型学生代理

    该研究提出了一种新的生成代理框架 EduAgent，结合认知先验知识来引导大型语言模型首先推理各种行为之间的相关性，然后进行模拟，实现对真实学生和虚拟学生学习行为的模仿、预测和生成。

    Mar, 2024

  • 在线实验中自主学习的理解

    本研究通过在线实验室，让学生构建和模拟生态系统的概念模型，使用机器学习技术分析了 315 名学生和他们生成的 822 个概念模型的建模行为，提出了三种主要建模行为：观察、构建和完全探索，并发现完全探索可以生成更高质量的模型，这提供了自我指导学习的洞见。

    Jun, 2022

  • 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

  • 为平衡讲师和研究者激励而开展的持续改进的自适应实验的机遇

    利用机器学习算法进行自适应试验可以在教学改进中提供更好的支持，此方法可以通过随机实验比较传统和自适应试验来探索如何在研究和实践中进行持续改进。

    Oct, 2023

  • 将行为分析与机器学习相结合以预测在线学习表现：一项科学计量学回顾和实证研究

    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

  • MOOCs 中基于外部知识和互动游戏的课程概念扩展

    本研究提出了一种基于外部知识库的新概念搜索边界，通过异构特征验证高质量结果，并设计了一个基于游戏的交互式优化机制来提高 MOOC 用户学习效果，实验证明此方法优于现有方法。

    Sep, 2019

  • 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