基于二元逻辑回归模型的MOOC退课预测

MOOC(Massive Open Online Courses)作为一种新的教学模式正发展得如火如荼,但学员退课率一直高居不下,直接影响了MOOC教师以及MOOC平台的发展。本研究以"学堂在线"平台学员的学习行为数据为基础,对影响退课的七种学习行为进行相关性分析,为了避免多重指标带来的多重共线性问题,根据相关性较小的原则选择其中的五种学习行为。最后采用二元逻辑回归模型进行建模并预测学员的退课情况。实验表明,选取的五种学习行为对退课影响显著,预测准确率较高。本研究为MOOC教师尽早采取教学干预提供了一定的理论依据。

基于AdaBoost算法的MOOC退课预测研究

MOOC(Massive Open Online Courses)作为典型的“互联网+教育”模式正在影响着教育发展,但是较高的退课率影响了教学效果。根据“学堂在线”MOOC平台收集的数据,对学习者的学习行为进行统计分析,发现不退课学习者的平均学习次数明显多于退课学习者的平均学习次数。采用主成分分析法分析七种学习行为次数,提取出“完成作业”(problem)和“观看视频”(video)两种学习行为作为影响退课的主要因素。采用机器学习方法AdaBoost 算法对学习者是否退课进行预测。结果显示,采用主成分分析法确定的两种学习行为对退课预测具有明显作用。

融合注意力机制的学生退课行为预测

近年来,大规模在线开放课程(MOOCs)发展迅速,吸引了学界的广泛关注。用户退课率极高这一问题的长期存在,使得退课行为预测成为了一个重要的研究课题。目前的退课行为预测模型过于依赖传统的机器学习算法。此外,很多研究忽视了MOOCs用户灵活修课的特点,采用时序无关的方法进行预测。针对目前该领域存在的问题,论文提出了一种融合注意力机制的时序预测模型。该模型首先利用长短期记忆网络从原始的时序数据中学习新的时序隐态表示,再使用多个一维卷积神经网络提取隐态中各类特征的时序模式,最后融合注意力机制,使模型能够通过注意力分布值强化有效特征。实验结果表明,该方法的预测能力优于其他方法。

影响MOOCs退课的学习行为指标分析

MOOCs的较低完成率极大地制约了其持续发展。尽早预测学习者是否退课将有助于改善其学习效果,提高课程的完成率。本研究以学堂在线平台的37门计算机类课程中学习者产生的行为数据为研究对象,整合资源访问度和资源访问规律两类因素,构建了28个学习行为指标并分类,采用三种经典的机器学习算法支持向量机(SVM)、逻辑回归(LR)和朴素贝叶斯(NB),探索并分析有效预测退课的指标。研究发现:①在不同类型的学习行为指标的预测上,资源访问规律指标预测效果最好且超过了指标全集的预测结果;②在预测退课的最优指标组合上,会话数、活跃天数、访问间隔天数等七个行为指标构成预测退课的最优组合。通过对影响退课的行为指标分析,可以为MOOCs平台识别退课者并实施对应的教学干预措施提供判断参考。