Apr, 2024

学生在线课程互动的序数行为分类

PDF
TL;DR11 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。
interaction patternsstudentson-campusmooc-style online coursesbrowser-based usage patterns
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

  • 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

  • 使用点击流数据分析混合课程中学生的策略

    本研究基于 Diderot 系统的细致记录，运用模式挖掘和自然语言处理方法，分析学生的行为互动并提取频繁出现策略，结果发现学生与老师的互动模式因测试类型而异，并且这些特点可用于预测学生成绩，揭示了混合课程中基于教育软件数据的数据分析对于了解学生行为和提升学习价值的重要性。

    May, 2020

  • 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

  • 支持学生选课的开放式 MOOC 评论的大规模分析

    通过分析不同平台上的 240 万个 MOOC 评论，研究结果表明，数值评分存在偏见，而文本评论的 NLP 驱动情感分析和主题发现技术反映了课程广告、实际应用性和难度等主题，为在线教育评论提供更透明的方法。

    Jan, 2022

  • 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

  • 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

    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。

    Jun, 2021

  • 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

  • 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