Dec, 2023

团队留存：在线问题导向学习竞赛中的辍学预测

PDF
TL;DR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。
online learningmoocsdropout behavioronline longitudinal problem-based learningpredictive analysis
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 在线课程中学生成绩预测的深度学习方法：基于全球视角 的挑战

    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

  • 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

  • 机器学习早在小学毕业就能预测中学辍学

    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

  • 大学生退学原因预测及相关因素分析的机器学习技术应用

    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

  • 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

  • 在学生退学预测的背景下评估分裂方法

    通过使用机器学习技术来预测学术退学现象，本文研究了学术数据的分割和使用策略，揭示了基于时间轴的分割和选择学生的增量学术历史记录是此问题的最佳策略。

    May, 2023