Applying Recent Innovations from NLP to MOOC Student Course Trajectory Modeling
University of California, Berkeley(加州大学伯克利分校);UC Berkeley School of Information(加州大学伯克利分校信息学院)
本文提出了几种策略,可以改进基于神经网络的预测方法,用于MOOC学生课程轨迹建模,应用先前应用于解决NLP(自然语言处理)任务的多种想法。特别是,本文研究了用两种形式的正则化增强的LSTM网络,以及最近引入的Transformer架构。
2020-05-04 cs.CY cs.LG stat.ML
Females' Enrollment and Completion in Science, Technology, Engineering, and Mathematics Massive Open Online Courses
大规模开放式在线课程(MOOC)通过为学习者提供丰富的信息来源,有可能使教育民主化。然而,支持各国民主化的证据有限。我们通过调查来自不同国家的女性是否比男性更有可能参加并完成STEM MOOC来探讨民主化问题。我们发现,虽然女性不太可能参加STEM MOOC,但她们完成这些课程的可能性相同。我们发现,在经济欠发达国家,STEM MOOC入学率的性别差距较小。此外,女性比男性更有可能在被确定为具有成为21世纪最大经济体的高潜力的国家完成STEM MOOC。
2016-08-17 cs.CY
Meta Transfer Learning for Early Success Prediction in MOOCs
EPFL(洛桑联邦理工学院);University of Cagliari(卡利亚里大学)
尽管大规模开放式在线课程(MOOC)越来越受欢迎,但许多课程的辍学率很高,成功率很低。因此,早期预测学生的成功,有针对性的干预是必不可少的,以确保没有学生在一个过程中落后。有大量关于MOOC成功预测的研究,主要集中在个别课程从头开始的培训模型上。这种设置在早期成功预测中是不切实际的,因为学生的表现只有在课程结束时才知道。在本文中,我们的目标是创建早期成功预测模型,这些模型可以在不同领域和主题的MOOC之间转移。为此,我们提出了三种新的迁移策略:1)在大量不同的课程上预训练模型,2)通过包含有关课程的Meta信息来利用预训练模型,以及3)在以前的课程迭代中微调模型。我们在26个MOOC上进行的实验显示,结合交互数据和课程信息的模型具有与访问先前课程迭代的模型相当或更好的性能。通过这些模型,我们的目标是有效地使教育工作者能够对新课程和正在进行的课程进行预测。
2022-04-25 cs.CY cs.LG
Social Impact of MOOC's in Oman Higher Education
E这个词改变了这个世界的一切,以及整个地球本身。在很大程度上,这有助于生态友好的绿色世界。在教育领域,电子媒体发挥了重要作用。它影响并改变了它的几乎每一个组成部分,以电子媒介,如电子书,在线课程等,在世界各地,领先的大学提供在线课程自愿。我们通常将其称为大规模在线开放课程(MOOC)。关于MOOC的成功和后果有许多争论。许多人强调,这些课程是自定进度的,经济的,并为所有人提供高质量的培训,而不受地理限制。但许多其他学术人士反对这些观点,并不断列出MOOC的许多其他缺点。本文在第一部分探讨了MOOC的基础知识。下一节将讨论MOOC的优点和缺点。我们的研究人员收集了阿曼高等教育机构教师和学生对MOOC的认识的细节。我们还收集了阿曼教育社会中MOOC实施和使用的详细信息。根据收集的信息,我们评估并提出了关于MOOC在阿曼高等教育中的影响的调查结果。我们认为,对MOOC进行适当的改进可能会成为阿曼教育机构的当务之急。这些建议列在讨论和建议部分。
2015-04-08 cs.CY
A Personalized MOOC Learning Group and Course Recommendation Method Based on Graph Neural Network and Social Network Analysis
本研究基于社交网络分析构建多层次网络模型,利用近4万用户和数万课程数据开发AI助手,通过图神经网络等技术探究选课偏好与学术兴趣关系,为学生推荐个性化课程与学习群组,以提升MOOC学习参与度和效果。
2024-10-14 cs.CY cs.SI
Context-Aware Online Learning for Course Recommendation of MOOC Big Data
Huazhong University of Science and Technology(华中科技大学);Lehigh University(利哈伊大学);University of Florida(佛罗里达大学)
近年来,大规模开放式在线课程(MOOC)的规模显著扩大。随着MOOC的普及,免费学习迷人课程的机会吸引了世界各地许多不同教育背景的人。在大数据时代,随着课程数量的快速增长,如何在云端海量课程数据库中准确、快速地挖掘出每个学生所需的课程是MOOC的一个重要研究课题。如何在实现个性化课程推荐的同时,降低海量课程数据的计算和存储成本,是课程推荐系统面临的关键挑战。本文提出了一种基于大数据支持的、上下文感知的在线学习课程推荐系统,该系统能够处理动态的、无限大规模的数据集,利用个性化的上下文信息和历史统计数据进行课程推荐。上下文感知考虑了个人偏好,使推荐适合于具有不同背景的人。此外,该算法实现了次线性后悔性能,这意味着它可以逐步推荐最喜欢和匹配的课程给学生。此外,我们的存储模块扩展到分布式连接的存储节点,设计的算法可以处理海量的课程存储问题,从异构源的课程数据集。与现有算法相比,本文算法的时间复杂度和空间复杂度都达到了线性。在MOOC大数据环境下的实验结果验证了本文算法与现有算法相比的优越性。
2016-10-16 cs.CY cs.IR cs.LG
Modeling MOOC learnflow with Petri net extensions
现代高等教育利用MOOC技术。将大规模开放式在线课程(MOOC)的教育过程建模为一个动态的多智能体过程是一项具有挑战性的任务。在本文中,Petri网扩展的学习流建模的背景下进行了研究。它示出了如何learnflow可以与经典和有色Petri网建模。这些扩展有助于对分布式和多代理过程进行建模。然而,现有的Petri网扩展不提供多课程计划和自适应学习的背景下建模的教育过程的能力。我们提出了\emph{Petri nets with reference data}(PNRDs)在MOOC的电子学习建模。PNRD使我们能够以一种直观、清晰和不超载的形式代表教育过程的模型。此外,PNRD使我们能够展示多课程计划的各个方面以及MOOC教育过程中的动态变化。我们还展示了如何PNRD可以用来模拟基于项目的学习中的在线学生协作。
2021-10-18 cs.CY
Large Scale Analysis of Open MOOC Reviews to Support Learners' Course Selection
SkillMapper
最近的大流行病改变了我们看待教育的方式。毫不奇怪,儿童和大学生并不是唯一使用在线教育的人。在过去的几年里,数百万成年人注册了在线课程,而Coursera或edX等MOOC提供商报告称,有数百万新用户注册了他们的平台。然而,学生在选择课程时确实面临一些挑战。虽然在线审查系统在许多垂直行业中是标准的,但在MOOC生态系统中不存在标准化或完全分散的审查系统。在这种情况下,我们认为有机会利用现有的开放式MOOC评论,以建立更简单,更透明的评论系统,让用户真正确定最好的课程。具体来说,在我们的研究中,(这是迄今为止使用的最大的MOOC评论数据集)从五个不同的平台,以确定以下内容:(1)数字评级是否为学习者提供了判别信息,(2)对文本评论的NLP驱动的情感分析是否可以为学习者提供有价值的信息,(3)我们是否可以利用NLP驱动的主题发现技术来推断对学习者来说可能很重要的主题,以及(4)我们是否可以使用这些模型来有效地描述基于开放评论的MOOC。结果表明,数字评分存在明显的偏差(63%的评分为5星),主题建模揭示了一些与课程广告相关的有趣主题,以及不同课程的实际适用性或难度。我们希望我们的研究能对该领域有所启发,并促进在线教育评论的更透明方法,随着我们进入后疫情时代,在线教育评论越来越受欢迎。
2022-01-11 cs.CL cs.CY
A Survey on Artificial Intelligence and Data Mining for MOOCs
Nanyang Technological University(南洋理工大学)
大规模开放式在线课程(MOOC)在过去几年中获得了巨大的普及。得益于MOOC,来自世界各地的数百万学习者免费学习了数千门高质量的课程。构建一个优秀的MOOC生态系统是一项多学科的工作,需要来自许多不同领域的贡献。人工智能(AI)和数据采掘(DM)是两个这样的领域,它们在使MOOC成为今天的MOOC方面发挥了重要作用。通过利用参与MOOC的学习者生成的大量数据,DM提高了我们对MOOC生态系统的理解,并使MOOC从业者能够提供更好的课程。同样,由DM支持的AI可以大大改善学生的体验和学习成果。在这篇调查论文中,我们首先回顾了应用于MOOC的最先进的人工智能和数据采掘研究,强调使用人工智能和数据挖掘工具和技术来提高学生的参与度,学习成果以及我们对MOOC生态系统的理解。然后,我们概述了人工智能和数据挖掘领域的主要趋势和重要研究,以便MOOC能够充分发挥其潜力。
2016-01-26 cs.AI cs.CY
Detecting and Preventing "Multiple-Account" Cheating in Massive Open Online Courses
我们描述了一种作弊策略,该策略由大规模开放式在线课程(MOOC)的功能实现,并可通过MOOC提供的复杂数据系统进行检测。这一策略名为“在线使用多个答案搜索答案”(CAMEO),涉及一个用户,他使用“收获者”帐户收集评估问题的答案,然后使用单独的“主”帐户提交正确答案。我们使用“点击流”学习者数据来检测来自两所大学的115个MOOC中190万课程参与者的CAMEO使用情况。使用保守的阈值,我们估计CAMEO的流行率为1,237个证书,占69个CAMEO用户MOOC证书的1.3%。在获得20个或更多证书的人中,25%的人使用了CAMEO战略。与其他MOOC证书获得者相比,CAMEO用户更有可能是年轻,男性和国际化。我们确定预防策略,可以降低CAMEO率,并显示其在科学课程的有效性的证据。
2015-09-08 cs.CY cs.SI
Knowledge and Influence of MOOC Courses on Initial Teacher Training
MOOC课程在远程学习过程中的影响从一开始就非常重要。它们提供了一种创新的大规模教学模式,以典范的方式利用信息和通信技术目前在现代社会中的潜力和相关性。本文的主要目的是分析这些课程的存在和它们在教师培训中所代表的作用,以及它们对目前正在大学一级形成的未来教师的知识和影响。一个案例研究已经进行了描述性的,而不是实验性的方法,从定量的基础。在西班牙进行了抽样研究(n=200)。其主要结果是确定MOOC现象对受访学生的影响最小。同样,在所有方面(专业、教学、结构等)都严重缺乏知识,抽样组中只有少数人表示他们曾学习过任何课程,或在一定程度上了解世界上提供这些课程的主要平台。因此,许多接受调查的人不知道这些课程的存在。因此,已经确定,无论MOOC课程提供的学习质量以及教学和方法特征如何,对它们的研究和分析都被认为是未来教育专业人士所必需的。在高等教育一级,特别是在教师培训学院,必须在学习计划和学术课程中引入信息和通信技术领域的最新进展,因为它们构成了现代社会的基础。
2016-05-21 cs.CY
Empowering Learning: Standalone, Browser-Only Courses for Seamless Education
本文提出PyGlide,一个无需本地安装、纯浏览器运行的开源MOOC交付系统,通过自适应学习增强体验,并在GitHub持续集成中展示其应用,以提升在线教育的可访问性和可管理性。
2023-11-12 cs.CY
Massive Open and Online Courses and Open Education Resources in Singapore
本文着眼于新加坡提供的大规模开放和在线课程(MOOC)和开放教育资源(OER)的日益普及。尽管这是一个相对较新的现象,但新加坡政府已与不同组织合作,以提高MOOC的质量和可访问性,许多高等教育机构(IHL)正在率先努力改善OER,以促进公众获得更多的教育资源。它还将探讨MOOC和OER面临的好处和潜在问题。例如,MOOC和OER都能够降低大学教育的成本,并增加公众对这些课程的访问。它们还为公众提供技能和职业培训,并鼓励终身学习。然而,从长远来看,MOOC和OER都可能无法持续,因为两者的财务收益可能无法支付安装它们的成本。每个系统也有自己的一系列问题。例如,仍然缺乏保证MOOC质量的正式结构。MOOC的完成率也往往很低,而且使用MOOC作为学习平台存在剽窃问题。开放式资源报告对传统版权政策提出了挑战,而缺乏可持续的资金使其无法得到更广泛的采用。尽管这两个系统可能会改变传统的教育系统,但更深入地了解MOOC和OER及其对学习的影响将是有用的。
2017-08-16 cs.CY physics.ed-ph
Enhancing Collaborative Filtering-Based Course Recommendations by Exploiting Time-to-Event Information with Survival Analysis
KU Leuven(KU Leuven(天主教鲁汶大学));imec(imec(微电子研究中心))
针对MOOC高退学率问题,本研究提出利用生存分析方法对退学和完成等事件发生时间进行建模,以提升基于协同过滤的课程推荐系统性能,在三个公开数据集上验证了其有效性。
2025-02-27 cs.CY cs.IR cs.LG
Towards Economic Models for MOOC Pricing Strategy Design
MOOC为每个人提供了前所未有的高质量课程机会。然而,从商业角度来看,MOOC往往因缺乏可持续的商业模式而受到挑战,目前学术界对MOOC营销策略的研究也是一个盲点。在这项工作中,我们试图以结构化和科学的方式制定商业模式和定价策略。基于理论研究和MOOC平台的实际营销数据分析,我们提出了对现有MOOC市场定价策略的见解。我们重点研究了B2C市场中认证证书的定价策略,并给出了B2B市场中课程分许可服务的建模思路。
2017-01-15 cs.CY cs.SI
Massive Open Online Courses and Cloud Computing
当今计算机技术最重要的领域之一是云计算。云计算在各个领域的优势不容忽视。受云计算提供的机会影响的一个领域是教育。MOOC的出现是由于云计算在学习领域提供的机会。随着近年来需求的不断增长,MOOC被认为在电子学习中有着广阔的前景。因此,MOOC模式将作为一种商业模式进行研究。客户类型,提供的服务,收入来源将进行分析和制表。在计算服务模式中,它与平台服务和软件服务的关系将被揭示出来。本研究旨在探讨云计算与MOOC学习方法之间的关系。
2019-02-27 cs.CY
Tracing Forum Posts to MOOC Content using Topic Analysis
University of Alberta(阿尔伯塔大学)
大规模开放在线课程是开放的教育计划,通过互联网向大量人群开放。为了促进学习,MOOC讨论论坛存在,学生和教师交流与课程相关的问题,答案和想法。这篇论文的主要目的是研究使用主题分析追踪讨论论坛帖子到课程视频和阅读材料。我们利用潜狄利克雷分配(LDA)的无监督和监督的变体,从课程材料中提取主题并对论坛帖子进行分类。我们验证了我们的方法,从五个Coursera课程的帖子引导,并确定主题模型可以用来映射学生的讨论帖子回到基础课程讲座或阅读。标记的LDA优于无监督的分层狄利克雷过程LDA和基础LDA为我们的可追溯性任务。这项研究是有用的,因为它提供了一个自动化的方法,聚类学生的讨论课程材料,使教师能够快速评估学生的误解的内容,并相应地澄清材料。
2019-04-15 cs.CL cs.CY cs.IR
Learning Analytics in Massive Open Online Courses
Graz University of Technology(格拉茨技术大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
在过去的十五年里,教育技术获得了极大的重视。目前,教育技术的保护伞包含了许多参与在线环境和领域。学习分析和大规模开放式在线课程(MOOC)是该领域最相关的两个新兴主题。由于MOOC免费向所有人开放,因此它们在吸引众多参与者方面表现出色,可以达到数十万人。随着这一现象的迅速发展,来自不同学科的专家对MOOC表现出了极大的兴趣。事实上,MOOC已被证明可以在不同领域扩展教育。它们的好处体现在改善教育成果、降低成本和扩大可及性。由于其不寻常的复杂性,MOOC平台的大型数据集需要先进的工具和方法进行进一步的研究。学习分析的重要性在这里得到了体现。MOOC为学习分析提供了各种挑战和实践。有鉴于此,本文结合这两个领域,以探讨进一步的步骤,在MOOC的学习分析能力。本论文的主要研究集中在MOOC中学习分析的整合,然后一方面考察学生的行为,另一方面弥合MOOC问题。该研究在奥地利iMooX xMOOC平台上完成。本论文遵循原型法和案例法的研究方法论来展开研究问题。主要贡献包括设计一个通用的学习分析框架,学习分析原型,学生在几乎每个MOOC变量中的行为记录(讨论论坛,视频中的互动,自我评估测验,登录频率),学生参与的集群...
2018-02-17 cs.CY cs.LG
Transfer Learning using Representation Learning in Massive Open Online Courses
Hong Kong University of Science and Technology(香港科技大学);Massachusetts Institute of Technology(麻省理工学院)
在大规模开放式在线课程(MOOC)中,学生行为的预测模型可以支持学习的多个方面,包括教师反馈和及时干预。正在进行的课程,当学生的结果是未知的,必须依赖于从以前提供的课程的历史数据训练的模型。可以转移模型,但它们的预测性能通常很差。原因之一是,这些特征不能充分代表两种课程共有的预测属性。我们提出了一个自动化的转导迁移学习方法,解决这个问题。它依赖于MOOC点击流数据的问题不可知的时间组织,其中,对于每个学生,对于多个课程,每个时间单元表示一组特定的MOOC事件类型。它由两种基于自动编码器的表示学习的替代传输方法组成:一种是使用转导主成分分析的被动方法,另一种是使用相关对齐损失项的主动方法。通过这些方法,我们研究了辍学预测在相似和不相似的MOOC之间的可转移性,并与已知方法进行了比较。结果表明,改进的模型可移植性,并表明该方法能够自动学习表达MOOC共同预测特征的特征表示。
2018-12-18 cs.CY cs.LG stat.ML
Ordinal Behavior Classification of Student Online Course Interactions
Georgia Institute of Technology(佐治亚理工学院)
针对同一门CS1301课程的在校学生与MOOC学习者,本研究分析其基于浏览器的交互使用模式,以比较两类群体的行为习惯差异。
2024-04-20 cs.AI cs.CY cs.LG
Auto-Grading for 3D Modeling Assignments in MOOCs
诸如批改作业和为大规模开放式在线课程(MOOC)提供评分的延迟等瓶颈可能会影响学习者的兴趣水平。在这个自动评分系统的提案中,我们提出了一种方法来简化在线课程的评分,该课程侧重于3D建模,从而解决了MOOC生态系统的一个关键组成部分。我们的方法涉及到一个活的自动评分器,能够附加描述性标签的任务,将部署评估提交。本文简要介绍了这个自动评分系统和推理背后的成立。初步的内部测试表明,我们的系统提出的结果与人类分级。
2018-12-01 cs.CY cs.GR
Who negatively influences me? Formalizing diffusion dynamics of negative exposure leading to student attrition in MOOCs
在这项工作中,我们解释了潜在的互动机制,管理学生的相互影响,在大规模开放式在线课程(MOOC)。具体来说,我们概述了学生在MOOC论坛上消极接触同龄人的不同方式,并讨论了学习网络扩散的一个简单公式,该公式正式说明了这种影响如何传播的本质,并可能随着时间的推移导致学生流失。我们还根据现实世界的MOOC行为来看待我们的学生建模的局限性,因此提出了扩展扩散模型以处理更复杂假设的方法。这样的理解对于MOOC设计者和教师来说非常有益,可以创造一个有利的学习环境,支持学生的成长并提高他们对课程的参与度。
2014-08-31 cs.CY cs.SI
Engaging Learning Analytics in MOOCS: the good, the bad, and the ugly
学习分析是教育技术和技术增强学习(TEL)的广阔领域中的一个新兴领域。它提供的工具和技术为研究人员提供了分析,研究和基准机构,学习者和教师以及MOOC等在线学习环境的能力。大规模开放式在线课程(MOOC)被认为是一种非常活跃和创新的形式,将教育内容带到广泛的社区。由于MOOC免费和向公众开放的原因,它吸引了大量不同教育水平,性别和年龄的异质学习者。然而,迫切需要调整托管课程的质量,以及控制高辍学率和缺乏互动。在学习分析的帮助下,可以包含这些问题。在本出版物中,我们讨论了在MOOC学习环境中使用学习分析的原则,并根据我们过去几年的经验回顾了其潜力和能力(好的),限制(坏的)和谬误分析(丑陋的)。
2016-06-12 cs.CY
Bridging MOOCs, Smart Teaching, and AI-Assisted Learning: A Unified Quantitative Model
The University of Queensland(昆士兰大学);AI U Course(AI U课程)
本文提出整合MOOCs、智能教学与AI的统一教学框架,通过分层知识转换模型提升教学效率与个性化学习效果。
2026-10-08 cs.AI cs.CY
Aspects on Finding the Optimal Practical Programming Exercise for MOOCs
大规模开放式在线课程(MOOC)侧重于多个学科,从社会科学到语言到技术技能,并使用不同的手段来训练相应的技能。教授编程技能的MOOC旨在将实践练习纳入课程语料库,为学生提供理解和掌握编程所需的实践经验。除了技术挑战外,这些练习还带来了一系列需要解决的问题,例如:参与者的时间应该占多少(与视频讲座和其他课程活动相比),应该针对哪些困难,应该提供多少指导以及应该包含多少重复?任务的感知难度取决于先前的知识,提供的提示,解决问题所需的时间和参与者失败的尝试次数。此外,问题描述的详细性和准确性、应用测试案例的限制性以及为特定练习提供的准备也会影响任务的感知难度。在本文中,我们探讨了三个编程课程的数据,以找到最佳的实际编程练习的标准。基于参与者提交的超过300万次执行和评分,我们的目标是扣除练习难度,学生完成任务的模式以及任务描述和准备视频中的潜在缺陷。我们将我们的研究结果与课堂培训和传统的,主要是基于视频和测验的MOOC进行比较。最后,我们提出的途径和方法,以改善编程课程的参与者以及教师。
2018-09-21 cs.CY cs.SE
"Why SuaCode?": Understanding African Students' Motivations for Taking a Smartphone-Based Online Coding Course
University of Ghana(加纳大学);Kwame Nkrumah University of Science and Technology(科怀·恩克鲁玛科技大学);Kwame AI Inc.(Kwame AI 公司);Charite Berlin(柏林夏里特医院);Georgia Institute of Technology(佐治亚理工学院);ETH Zurich(苏黎世联邦理工学院)
研究非洲学生参加基于智能手机的在线编码课程SuaCode的动机,通过对3000份问卷中随机抽取的450份进行扎根理论分析,发现多数学生因提升自我等内在原因参与,为面向非洲学生的编程MOOC设计提供启示。
2026-07-28 cs.CY cs.HC
Understanding Communication Patterns in MOOCs: Combining Data Mining and qualitative methods
大规模开放式在线课程(MOOC)提供了前所未有的大规模学习机会。在几年内,基于人群的学习现象已经获得了巨大的普及,全球数百万学习者参加了从流行音乐到天体物理学的课程。他们抓住了许多人的想象力,吸引了大量媒体的关注--《纽约时报》将2012年命名为“MOOC年”。“对于那些从事学习分析和教育数据采掘的人来说,MOOC提供了一个令人兴奋的机会,可以开发利用教育大数据的创新方法。
2016-07-25 cs.CY cs.SI physics.data-an
Predicting Performance on MOOC Assessments using Multi-Regression Models
George Mason University(乔治梅森大学)
在过去的几年里,用于分析从大规模开放式在线课程(MOOC)获得的数据的数据挖掘方法迅速增长。本研究的目的是开发一种方法来预测学生可能达到的分数在给定的等级相关的评估的基础上的信息,被认为是先前的表现或先前的活动在课程中。在尝试评估活动之前,我们开发了一个个性化的线性多元回归(PLMR)模型来预测学生的成绩。开发的模型是实时的,并跟踪学生在MOOC中的参与(通过点击流服务器日志),并预测学生在课程提供中的下一次评估中的表现。我们通过斯坦福大学的一项倡议,对从三个openEdX MOOC获得的数据进行了一组综合性实验。我们的实验结果表明,与基线方法相比,所提出的方法的承诺,也有助于识别与学生的学习习惯和学习行为相关的关键特征。
2016-05-08 cs.CY cs.LG
Resource Usage Analysis from a Different Perspective on MOOC Dropout
我们提出了一种新的学习分析方法,用于分析MOOC中资源的使用情况。我们的目标利益相关者是课程设计者,他们的目标是评估他们的学习材料。为了深入了解教育资源的使用方式,我们以非典型的方式看待辍学行为:我们不是将其用作失败的指标,而是将其用作计算其他特征的方法。为此,我们开发了一个原型,称为RUAF,它可以应用于由FutureLearn提供的数据格式。作为概念的证明,我们通过将此工具应用于来自四个MOOC的学习者的交互数据来进行研究。我们还研究了我们的计算质量,通过将它们与现有的过程挖掘方法进行比较。我们目前的结果,突出显示学习者如何使用资源的模式。我们还展示了课程设计者可以从中受益的实际结论的例子。
2017-10-16 cs.CY
Linking open-source code commits and MOOC grades to evaluate massive online open peer review
大规模开放式在线课程(MOOC)已被学生用作各种领域的低成本和低接触教育证书。了解这些课程作业背后的评分机制对于评估MOOC证书非常重要。一种常见的自由反应作业评分方法是大规模的同行评审,特别是用于那些不容易通过编程评分的作业。很难评估这些方法,因为这些反应通常需要人工评估。在这里,我们链接了来自GitHub上的公共代码存储库的数据和一个大型在线开放课程的课程成绩,以研究大规模同行评审的动态。这对于理解难以评分作业的动态具有重要意义。由于这项研究不是假设驱动的,我们在一个探索性的框架中描述了结果。我们发现三个不同的集群的重复同行评审提交,并使用这些集群来研究等级如何变化,以响应代码提交的变化。我们的探索还导致了一个重要的观察结果,即大规模同行评审分数是高度可变的,平均而言,随着重复提交而增加,分数的变化与构成重新提交基础的代码更改并不密切相关。
2021-04-15 cs.CY stat.AP
Communication Communities in MOOCs
大规模开放式在线课程(MOOC)汇集了来自不同地理和人口背景的数千人-但迄今为止,人们对他们如何学习或交流知之甚少。我们引入了一个新的内容分析MOOC数据集,并使用贝叶斯非负矩阵分解(BNMF)来提取学习者社区的基础上,他们的在线论坛帖子的性质。我们看到,与其他模型相比,BNMF为在线讨论提供了一个更好的概率生成模型,并且它所学习的社区由其复合学生的人口统计和课程成绩指标区分开来。这些研究结果表明,MOOC的计算效率高的概率生成模型可以为教育研究人员和实践者揭示重要的见解,并有助于开发更智能和响应更快的在线学习环境。
2014-04-16 cs.CY cs.SI stat.ML
Exploring the determinants on massive open online courses continuance learning intention in business toward accounting context
本文基于计划行为理论构建研究框架,以会计MOOC为例,通过偏最小二乘结构方程模型分析问卷数据,揭示了界面便利性、设计美学、用户态度、感知行为控制、主观规范和学业自我效能感对持续学习意愿的影响及调节机制,并据此提出理论与实践启示。
2024-11-11 cs.CY
Top-Down vs. Bottom-Up Approaches for Automatic Educational Knowledge Graph Construction in CourseMapper
该研究在CourseMapper中比较教育知识图谱自动构建的自上而下与自下而上方法,经用户研究和专家验证发现自下而上更优,并引入人在回路完善图谱。
2025-05-15 cs.CY
IP Geolocation Underestimates Regressive Economic Patterns in MOOC Usage
大规模开放式在线课程(MOOC)承诺让每个人都能接受严格的高等教育,但之前的研究表明,注册者往往来自较高的社会经济地位。我们研究了2012年至2018年期间约600个哈佛和MITx课程的约76,000个美国注册的地理粒度经济模式,使用IP地理位置和用户报告的邮寄地址确定注册人的位置。通过这两种衡量标准,我们发现在繁荣程度或人口密度较高的邮政编码中,注册率较高。然而,我们也发现了IP地理定位存在偏见的证据:对于来自经济贫困地区的用户,它在地理和经济上都存在更大的错误;它不成比例地将用户放在繁荣地区;它低估了MOOC注册的回归模式。研究人员应在MOOC研究中小心使用IP地理定位,并考虑类似的经济偏见影响其其他学术,商业和法律用途的可能性。
2020-06-06 cs.CY cs.NI
Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks
Yanshan University(燕山大学);Huazhong University of Science and Technology(华中科技大学);Salesforce Research(Salesforce研究院)
针对MOOC直接推荐课程忽视用户专业水平差异的问题,提出基于异构信息网络和强化学习的概念推荐方法HinCRec-RL,利用注意力图神经网络建模用户表示,实验验证其有效性。
2023-05-09 cs.CY cs.IR cs.LG
Together we stand, Together we fall, Together we win: Dynamic Team Formation in Massive Open Online Courses
Vellore Institute of Technology(韦洛尔理工学院)
大规模开放式在线课程(MOOC)为电子学习提供了一个新的可扩展模式,为学生提供全球曝光和与世界各地数百万人联系和互动的机会。很多时候,学生作为团队工作,以有效地完成课程相关的任务。然而,由于缺乏面对面的互动,MOOC学生很难进行合作。此外,教师还面临着手动将学生组织成团队的挑战,因为学生大量涌向这些MOOC。因此,拟议的研究旨在开发一个强大的方法,在MOOC动态团队形成,其理论框架是基于组织团队理论,社会网络分析和机器学习的汇合。这样做的一个先决条件是,我们理解这样一个事实,即学生之间建立的每一个非正式联系都提供了影响和被影响的机会。因此,我们的目标是从MOOC中学生的内在联系中提取价值。这些联系对学生在网络学习社区中相互理解的方式产生了根本性的影响。我们的方法将使课程教师能够自动将学生分组到与同龄人具有相当平衡的社会联系的团队中,并根据适当选择的定性和定量网络指标进行定义。
2014-04-22 cs.CY cs.LG cs.MA
Subgroup Discovery in MOOCs: A Big Data Application for Describing Different Types of Learners
University of Cordoba(科尔多瓦大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
本研究提出基于MapReduce的扩展FP-Growth子群发现方法,结合阈值与后处理步骤,在edX平台16门课程数据上挖掘MOOC学习者的无冗余IF-THEN规则,效率优于传统串行方法,可支撑教学分析与个性化应用。
2024-02-10 cs.CY cs.DB cs.LG
Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View
Yanshan University(燕山大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Tsinghua University(清华大学);Beihang University(北京航空航天大学)
大规模开放式网络课程正在成为一种流行的教育方式,它为学生掌握知识提供了一个大规模、开放式的学习机会。为了吸引学生的兴趣,MOOC提供商应用推荐系统向学生推荐课程。然而,由于一门课程通常由多个视频讲座组成,每个视频讲座都涉及一些特定的知识概念,直接推荐课程忽略了学生对某些特定知识概念的兴趣。为了填补这一空白,本文研究了知识概念推荐问题。我们提出了一种端到端的图神经网络为基础的方法称为注意异构图卷积深度知识推荐(ACKRec)的MOOC知识概念推荐。与其他推荐问题一样,它也存在稀疏性问题。为了解决这个问题,我们利用内容信息和上下文信息通过图卷积网络来学习实体的表示。除了学生和知识概念之外,我们还考虑其他类型的实体(例如,课程、视频、教师),并构建异构信息网络,以捕获不同类型实体之间相应的富有成效的语义关系,并将其纳入表示学习过程。具体而言,我们使用元路径上的HIN引导学生的偏好传播。借助这些元路径,可以捕获学生关于候选知识概念的偏好分布。此外,我们提出了一个注意力机制,以自适应地融合来自不同元路径的上下文信息,以捕捉不同学生的不同兴趣。实验结果表明,所提出的ACKRecis能够有效地向在MOOC中进行在线学习的学生推荐知识概念。
2020-06-23 cs.CY cs.IR cs.LG
Personalized Thread Recommendation for MOOC Discussion Forums
社会学习,即,学生通过社会互动相互学习,有可能大大扩大在线教育的教学规模。在许多情况下,例如在大规模开放式在线课程(MOOC)中,社会学习是通过课程提供者主办的讨论论坛来促进的。在本文中,我们提出了一个概率模型的过程中,学习者张贴在这样的论坛,使用点过程。与现有的工作不同,我们的方法集成主题建模的帖子文本,时间尺度建模的衰减后活动随着时间的推移,学习者的主题兴趣建模到一个单一的模型,并推断这些信息从用户数据。我们的方法还根据线程结构的帖子引起的不同的兴奋水平,以反映在论坛中的典型通知设置。我们在三个真实世界的MOOC数据集上对所提出的模型进行了实验验证,其中最大的一个数据集包含多达6,000名学习者,在5,000个线程中发布了40,000个帖子。结果表明,我们的模型在线程推荐方面表现出色,在许多基线上取得了显着的改进,从而显示出能够更有效地将学习者引导到他们感兴趣的线程的希望。此外,我们展示了我们的模型参数可以提供的分析,例如课程中不同主题类别的时间尺度。
2018-06-22 cs.CY cs.SI stat.AP
Educational Content Linking for Enhancing Learning Need Remediation in MOOCs
自2011年推出以来,网络上已有超过4000个关于各种主题的MOOC,为超过3500万学习者提供服务。MOOC已经显示出使知识传播民主化的能力,并将世界上最好的教育带给每个学习者。然而,参与者之间的不同距离,学习者人口的规模,以及学习者背景的异质性使得教师很难及时与学习者互动,这对学习体验产生了不利影响。为了应对这些挑战,在这篇论文中,我们提出了一个框架:教育内容链接。通过将分散在各种课程材料中的学习内容链接和组织成一个易于访问的结构,我们假设这个框架可以为学习者提供指导并改善内容导航。由于MOOC中的大多数教学和知识获取都是在学习者调查课程材料时进行的,因此更好的内容导航可以帮助学习者找到支持信息来解决他们的困惑,从而提高学习效果和体验。为了支持我们的猜想,我们提出了端到端的研究,以调查我们的框架围绕两个研究问题:1)手动生成的链接可以提高学习?2)学习内容可以用机器学习方法生成吗?为了研究第一个问题,我们建立了一个界面,同时呈现学习材料和可视化它们之间的联系。我们发现,该界面使用户能够更有效地搜索所需的课程材料,并更容易保留更多的概念。对于第二个问题,我们提出了一个基于条件随机场的自动内容链接算法。我们证明,自动生成的链接仍然可以导致更好的学习,虽然改进的幅度比未链接的接口较小。
2021-01-12 cs.AI cs.CY
A survival model for course-course interactions in a Massive Open Online Course platform
大规模开放式在线课程(MOOC)平台包含大型课程目录,单个学生可以注册多门课程。我们进行了基于网络的学生成绩分析,考虑如何课程互动可能会积极或消极地影响学生的成功。我们的数据集包括378,000名用户和1,000,000个在法国Universite Numerique(FUN)的唯一注册事件,这是一个国家MOOC平台。我们适应可靠性理论模型的证书完成率与威布尔生存函数,直觉,学生“生存”在一个过程中的一段时间之前,随机辍学。课程-课程交互被发现是很好地描述了一个单一的参数,用户参与,可以从用户的注册配置文件估计。反过来,用户参与度与所有课程的证书率相关,无论具体内容如何。可靠性的方法,以捕捉几个证书率模式,被忽视的传统回归模型。用户参与度是一个自然的指标,用于跟踪学生在人口统计数据和时间上的进步。
2019-05-10 cs.CY stat.AP
TipsC: Tips and Corrections for programming MOOCs
Indian Institute of Technology, Kanpur(坎普尔印度理工学院)
随着MOOC在学术机构中的广泛采用,必须提出更好的技术来解决编程课程带来的辅导和评分问题。编程是一种新的“写作”,确保社会的大部分人接触编程是一个挑战。由于学生学习能力的梯度,课程教师必须确保每个人都能应付材料,并在学习过程中获得足够的帮助来完成作业。我们为这个任务引入了TipsC。通过分析大量正确的提交,TipsC可以搜索与给定的错误解决方案相似的正确代码。在不透露实际代码的情况下,TipsC然后建议更改不正确的代码,以帮助学生修复逻辑运行时错误。此外,这也可以作为讲师的聚类可视化工具,揭示用户提交的不同模式。我们评估了TipsC的聚类算法的有效性,从以前的产品的介绍性编程课程在IIT坎普尔进行的成绩是由人类TA收集的数据。结果显示,当相似的提交被分组在一起时,集群的分数的加权平均方差比所有程序被分组在一起时的情况小47%。
2018-04-02 cs.AI cs.CY
Why Are Some Online Educational Programs Successful? Student Cognition and Success
大规模开放式在线课程(MOOC)曾经提供了可访问性和可负担性的承诺。然而,MOOC通常缺乏专家反馈和社交互动,学生参与度和保留率较低。因此,在线教育的替代方案已经出现,包括在美国的一所主要公立大学的计算机科学的在线研究生课程。该计划被认为是成功的,现在有9000多名学生参加了该计划。我们采用认知科学的视角来回答为什么只有一些网络教育课程成功的问题。我们在该计划的一门课程中衡量学习者的动机和自我调节,特别是人工智能(AI)课程。对学生的调查表明,学生自我报告的自我效能感,认知策略的使用和课程的内在价值的评估不仅相当高,而且在学习过程中普遍增加。这些数据表明,在线人工智能课程可能是成功的,因为学生有很高的自我效能感,课程促进了自我调节学习。
2022-09-04 cs.CY
Failure Risk Prediction in a MOOC: A Multivariate Time Series Analysis Approach
Université de Lorraine(洛林大学);Université de Haute-Alsace(上阿尔萨斯大学)
本研究针对MOOC完成率低的问题,采用多元时间序列分类方法在课程不同阶段预测学习者失败风险,在OULAD数据集的三门课程上验证了方法的有效性,指出交互数据量会影响预测准确率。
2025-07-17 cs.AI cs.CY cs.LG
Towards Feature Engineering at Scale for Data from Massive Open Online Courses
我们研究了开发模型的工程特征的过程,这些模型可以提高我们对MOOC中学习者在线行为的理解。由于功能工程在很大程度上依赖于人类的洞察力,我们认为,应该作出额外的努力,从事人群的功能建议,甚至他们的操作。我们展示了两种方法,我们已经开始参与人群。我们还展示了如何评估特征在预测准确性方面的相关性。当我们在预测停止的背景下检查众包特征时,它们不仅有细微差别,而且还考虑了学习者和平台之间的不止一种交互模式以及学习者的相对表现。我们能够识别出不同的影响力特征,用于停止预测,这取决于学习者是否在4个队列中的1个,这些队列由他们与课程讨论论坛或wiki的参与程度定义。本报告是一个纲要的一部分,该纲要考虑了MOOC数据科学和停止预测的不同方面。
2014-07-20 cs.CY
Differences in Online Course Usage and IP Geolocation Bias by Local Economic Profile
尽管大规模在线开放课程(MOOC)有希望让每个人都能接受严格的高等教育,但之前的研究表明,注册者往往来自较高的社会经济地位。在这项工作中,我研究地理粒度的经济模式注册哈佛和MITx课程,并在确定用户的位置,从他们的IP地址的准确性。使用MaxMind IP地理位置数据库识别的邮政编码,我发现人均注册率与经济繁荣和人口密度相关。将这些邮政编码与用户提供的邮寄地址进行比较,我发现了MaxMind地理定位存在偏见的证据:对于来自经济贫困地区的用户,它在地理和经济上都犯了更大的错误;它不成比例地将用户地理定位到繁荣地区;它低估了MOOC注册的回归模式。类似的经济偏见可能会影响其他学术,商业和法律环境中的IP地理定位。
2019-06-25 cs.CY cs.NI
Evaluating the Explainers: Black-Box Explainable Machine Learning for Student Success Prediction in MOOCs
EPFL(洛桑联邦理工学院);Sharif University(谢里夫大学);University of Cagliari(卡利亚里大学)
神经网络在应用于教育的机器学习中无处不在。他们在预测性能方面的普遍成功伴随着一个严重的弱点,他们的决策缺乏可解释性,特别是在以人为本的领域。我们实现了五种最先进的方法来解释黑盒机器学习模型(LIME,PermutationSHAP,KernelSHAP,DiCE,CEM),并检查了每种方法在五个大规模开放在线课程的学生成绩预测下游任务上的优势。我们的实验表明,对于具有相同代表性学生集的相同双向LSTM模型,解释者家族在特征重要性上意见不一。我们使用主成分分析,詹森-香农距离和斯皮尔曼的排名顺序相关性,以定量交叉检查跨方法和课程的解释。此外,我们验证解释器的性能跨基于脚本的先决条件的关系。我们的研究结果得出了一个令人担忧的结论,即解释器的选择是一个重要的决定,实际上对预测结果的解释至关重要,甚至比模型训练的过程更重要。源代码和模型发布在http://github.com/epfl-ml4ed/evaluating-explainers。
2022-07-01 cs.CY cs.LG
Coordinating Collaborative Chat in Massive Open Online Courses
Carnegie Mellon University(卡内基梅隆大学)
早期的一项关于大规模开放式在线课程(MOOC)中协作聊天干预的研究发现,在开始活动之前,要求学生与一个合作伙伴进行匹配,这对自然减员产生了负面影响。该研究提出了如何在MOOC环境中协调协作聊天干预的问题,以便在没有协调困难的情况下提供同步社交参与的好处。在本文中,我们提出了一个仔细分析的干预措施,旨在克服协调困难,欢迎学生进入聊天滚动的基础上,因为他们到达,而不是要求他们与合作伙伴开始之前匹配。结果表明,当与一个伴侣聊天时,而不是与更多或更少的伴侣聊天时,会产生最积极的影响。对聊天数据的定性分析揭示了这些配置之间的差异体验,这表明了对这种影响的潜在解释,并为未来的研究提出了问题。
2017-04-18 cs.AI cs.CL cs.CY
Assessing the Use of Social Media in Massive Open Online Courses
本研究探讨了在大规模开放式在线课程中使用Twitter是否促进了学习者之间的互动。社会网络分析表明,辅导员在社会媒体传播中仍然扮演着非常核心的角色,学生之间的交流网络随着时间的推移而缩小。仅仅使用社交媒体并不能促进学习者与学习者之间的互动。需要更多的研究来了解学习者的动机,以及教学设计如何帮助提高他们的参与度和参与度。
2016-08-17 cs.CY cs.SI
TeachNow: Enabling Teachers to Provide Spontaneous, Realtime 1:1 Help in Massive Online Courses
本研究提出TeachNow系统,让全球志愿教师无需排期即可为MOOC学生提供即时一对一帮扶,部署实验显示其提升课程留存率近15%,还充分利用了志愿时间。
2024-04-18 cs.CY
Likely to stop? Predicting Stopout in Massive Open Online Courses
Massachusetts Institute of Technology(麻省理工学院)
了解学生为什么会辍学将有助于了解学生如何在MOOC中学习。在这份报告中,作为3个单元纲要的一部分,我们描述了我们如何建立MOOC学生辍学的准确预测模型。我们记录了一个可扩展的,停止预测方法,端到端,从原始源数据模型分析。我们试图预测2012年秋季提供的6.002x的止损。这涉及到为数千名学生提取的超过25个预测特征的细致和众包工程,创建用于预测建模的时态和非时态数据表示,使用各种最先进的机器学习技术推导出超过1万个模型,并通过检查超过70000个模型来分析特征重要性。我们发现停止预测是一个容易处理的问题。当提前一周预测时,我们的模型实现了高达0.95(通常为0.88)的AUC(受试者工作特征曲线下面积)。即使是更困难的预测问题,例如仅用一周的数据预测课程结束时的停止,模型也达到了0.7的AUC。
2014-08-14 cs.CY cs.LG
An Identification of Learners' Confusion through Language and Discourse Analysis
在线学习的大幅增长,特别是大规模开放式在线课程(MOOC),支持研究开发更好的有效学习模式。学习者的“困惑”是影响整个学习过程的一个方面,最终影响课程的流失。对于学习者来说,困惑是一种困惑和不确定如何前进的个体状态。大多数最近的作品忽视了“个人”因素,并衡量社区相关方面(如投票,意见)的影响,混淆分类。虽然这是一个有用的衡量标准,因为一个人的帖子的受欢迎程度可以表明许多其他学生对课程主题有类似的困惑,但这些模型忽略了个性化的背景,例如个人的影响或情绪。某些生理方面(如面部表情,心率)已被用来分类在中小型教室的混乱。然而,这些技术在MOOC中具有挑战性。为了弥补这一差距,我们提出了一种方法,完全基于语言和话语方面的学习者,这优于以前的模型。我们的贡献,通过一个新的语言特征集的发展,是预测混乱分类。我们使用一个域训练混淆分类器,成功地将其应用于其他域。
2019-03-08 cs.CY
MORF: A Framework for Predictive Modeling and Replication At Scale With Privacy-Restricted MOOC Data
The University of Michigan(密歇根大学);The University of Pennsylvania(宾夕法尼亚大学)
来自大规模在线开放课程(MOOC)等在线学习平台的大数据存储库代表了一个前所未有的机会,可以大规模推进教育研究,并影响全球学习者。到目前为止,这种研究一直受到重现性差和缺乏复制的阻碍,主要是由于三种类型的障碍:实验,推理和数据。我们提出了一个新的大规模计算研究系统,MOOC复制框架(MORF),以共同解决这些障碍。我们讨论MORF的架构,一个开源的平台即服务(PaaS),其中包括一个简单,灵活的软件API提供多种模式的研究(预测建模或产生式规则分析)集成了一个高性能的计算环境。在MORF上进行的所有实验都使用可执行的Docker容器,这确保了完全的可重复性,同时允许使用可以安装在基于Linux的Docker容器中的任何软件或语言。每个实验工件都分配了一个DOI,并公开提供。MORF有潜力加速其大规模数据库的研究并使其民主化,该数据库目前包括200多个MOOC,正如在该平台上进行的初步研究所证明的那样。我们还强调的方式,MORF代表一个解决方案模板,在其他领域的计算研究人员所面临的更一般的一类问题。
2018-08-21 cs.CY cs.LG cs.SE
Towards MOOCs for Lipreading: Using Synthetic Talking Heads to Train Humans in Lipreading at Scale
IIIT Hyderabad(海得拉巴国际信息技术研究所);University of Bath(巴斯大学)
许多患有某种形式听力损失的人认为唇读是他们日常交流的主要方式。然而,寻找资源来学习或提高一个人的唇读技能可能是具有挑战性的。在COVID-19大流行期间,由于限制与同龄人和语言治疗师的直接互动,这一情况进一步恶化。如今,在线MOOC平台,如Coursera和Udemy,已成为许多类型技能发展的最有效培训形式。然而,在线唇读资源是稀缺的,因为创建这样的资源是一个广泛的过程,需要数月的人工努力来记录雇用的演员。由于手动管道,这些平台在词汇、支持的语言、口音和扬声器方面也受到限制,并且具有很高的使用成本。在这项工作中,我们研究的可能性,取代真正的人类说话的视频与合成生成的视频。合成数据可以很容易地包含更大的词汇表、口音的变化,甚至本地语言和许多说话者。我们提出了一个端到端的自动化流水线开发这样一个平台,使用国家的最先进的说话头视频生成器网络,文本到语音模型,和计算机视觉技术。然后,我们进行了广泛的人类评估,使用经过深思熟虑的唇读练习,以验证我们设计的平台对现有唇读平台的质量。我们的研究具体指出了我们的方法在开发大规模唇读MOOC平台方面的潜力,该平台可以影响数百万听力损失患者。
2022-10-04 cs.CV cs.CY