面向长短期混合数据的MOOC辍学预测策略研究

针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。

结合CNN和GCN的在线学习平台辍学预测方法

针对在线学习平台的高辍学率问题,提出了基于图卷积模型的在线学习辍学预测方法,通过分析学习者在不同时间尺度上的行为特征,及时发现学习者的辍学倾向,采取预防或补足措施.首先,将学习平台采集到的行为数据作为时间序列数据,使用ResNet-50作为局部特征提取的卷积神经网络(CNN),构建包含时间信息的特征向量.其后,将多维特征向量作为图卷积网络(GCN)的节点特征,通过两个GCN网络层建立相关特征的内在联系,并通过数据扁平化尽量保留更多的信息.大规模在线开放课程(MOCC)公开数据集上的实验结果表明,所提方法的预测准确度高于其他先进方法.

基于人工智能的慕课平台学生辍学情况分类预测

以慕课为契机的教育教学变革已然成为现代教育的大趋势,同时慕课平台高辍学率问题备受关注。本文基于KDDCup2015数据集,首先进行数据预处理,再分周提取学习行为特征和是否辍学分类标签,通过建立机器学习和深度学习分类模型,动态地追踪慕课平台学生每周辍学情况。结果显示,逻辑回归和卷积长短期记忆神经网络这两种模型的分类效果较好,随着课程的持续进行,分类预测模型的准确率有提高趋势。

基于数据挖掘技术的MOOC学习者辍学预测研究

随着教育数据挖掘和学习分析的快速发展,大规模在线开放课程(MOOC)成为更多学习者学习的首选。本文首先通过对已公开的MOOC学习日志数据分析,将已有的学习者日志数据进行统计分析,选取七个行为特征。其次,运用数据挖掘技术,对学习日志数据进行相关性研究,七个行为特征与辍学行为均为显性负相关,其中访问课程其他模块和访问课程导航与学习者辍学行为相关性较强,参与课程讨论与其他学习行为均存在较低的相关系数;对学习者群体进行分析时,发现主要学习者群体分为积极学习者、良好学习者、消极学习者,其中消极学习者的辍学概率较高。最后,从学习资源、个性化教学与评价方式提出一定的教学干预建议,以期提高学习者的课程完成度。

基于深度学习的MOOCs辍学率预测方法

近年来大规模开放在线课程获得了较为广泛的关注。由于学习者学习方式不合理使得学习兴趣下降,学习效果不佳,MOOCs辍学率很高,针对这一问题,从学习者学习活动日志中自动抽取一段时间内连续特征,以学习者行为特征为自变量,建立MOOCs辍学预测模型。在KDD Cup 2015数据集上的实验表明,使用基于卷积神经网络的长短期记忆CNN_LSTM辍学预测模型,能够帮助MOOCs课程教师和设计者追踪课程学习者在不同时间步长的学习状态,从而动态监控不同阶段的辍学行为,模型的预测准确率高,这将为教师改进教学方法提供更合理的指导和建议。

面向在线学习的学习成效早期预测模型

早期在线学习成效预测存在数据稀疏和数据不平衡问题,导致现有预测模型性能不高,难以实现有针对性的早期在线学习干预。另一方面,一些研究发现辍学情况在在线学习的早期发生的概率较高。针对该问题,提出了一种基于差分循环神经网络的在线学习成效早期预测模型(Early Learning Performance Prediction Model,ELEPP),通过分析在线学习者学习行为异常提升早期预测性能,同时规避不同在线学习者学习习惯和学习能力对模型参数学习的影响。首先,构架差分循环神经网络基础模型(Differential Recurrent Neural Network based on LSTM,DiffLSTM),学习在线学习者潜在学习模式,并捕捉学习行为异常;其次,编码在线学习行为数据和在线学习者个人背景信息;最后,构建在线学习成效早期预测模型ELEPP,融合DiffLSTM的在线学习行为时序分析结果和在线学习者个人背景信息编码分析结果,提升早期预测成效。实验结果表明,在早期在线学习成效预测上ELEPP模型能获得更好的准确率和F1值评估指标,DiffLSTM可以有效地捕捉到早期在线学习行为的异常,另一方面,在线学习者背景信息也能有助于早期预测性能的提升。

面向MOOC的学生在线学习行为分析

针对开放式在线课程(MOOC)易产生辍学率高与学习效果较差等问题,基于MOOC课程后台数据提取学习行为特征,根据数据集的具体情况提出课程探索类特征,该类特征在多处检验中均展现出较为明显的优势;提出一种基于孤立森林算法的无监督异常值筛选方法;对提取的学习行为特征进行非参数检验、联合检验,以及特征权重计算。最终,使用提取的学习行为特征预测辍学率,取得了较好的预测效果。

一种基于滑动窗口模型的MOOCs辍学率预测方法

【目的】通过北京大学在Coursera平台上运行的课程数据,对学生的辍学行为进行研究,以期预测学生的辍学点和辍学行为,改建教学慕课质量和方法。【方法】在课程数据基础上,提取19个特征,使用机器学习算法构建滑动窗口模型,动态预测学习者辍学率。【结果】模型预测准确率高,普遍在90%以上,效果稳定,支持向量机(SVM)和长短记忆网络(LSTM)方法建模效果更好。【局限】课程数据选课人数偏多,没有考虑其他课程数据稀疏问题,模型的可移植性仍需要进一步考虑。【结论】使用滑动窗口模型建模,能够帮助MOOC课程教师和设计者动态地追踪课程学习者辍学行为,准确率高,可以帮助教师通过快速的反馈来调整课程,降低辍学率。

基于大数据的大学生学习行为分析与研究

在网络技术不断更新的大背景下,云学习环境逐步全球化。资源日益丰富的图书馆、Web 2. 0和MOOC(慕课)为网络学习提供了新的途径与平台,刺激了大学生的求知欲望,自主学习已经成为大学生高效学习的主旋律。基于网络数据集,运用大数据分析方法建立数学关系,找出相关因子,研究了同时期大学生学习行为的共性与个性。研究发现,大学生主要根据"个人兴趣"和"课程实用性"进行自主学习,且学习的自主性得到了有效的提高;同时,在线学习对学生具有极大的吸引力,但学生的辍学行为等也是值得注意的问题。大数据分析对于大学生学习行为的分析与研究有着积极的辅助性及推动性作用,且大数据分析结论可为教学管理部门进一步提高大学生的学习成绩和学术水平出谋划策。

基于文献计量分析的MOOC完成率现状研究

随着大规模在线开放课程(MOOC)的快速发展,其低完成率的弊端也备受学界关注。文章筛选了2011年到2021年关于MOOC完成率的文献,对发文量、作者合作情况、研究热点和现状进行分析。研究发现目前我国有关MOOC完成率的研究总量不多,且各项研究相对独立,研究热点主要集中在影响因素分析、辍学预测、提高MOOC完成率的策略研究三个方面。影响因素主要涉及学习者、学习环境和课程因素;辍学预测主要通过分析MOOC学习者学习过程中产生的数据,并通过机器学习、生存分析等方法获得预测结果;提高完成率的策略研究主要从学习者自身、平台设计、MOOC课程设计、教师以及社会支持等角度进行探索。