Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation
Kuaishou Technology（快手科技）
针对短视频推荐中现有平均观看时长预测方法无法捕捉用户行为不确定性的问题，提出条件分位数估计方法建模完整观看时长分布并设计多策略融合方案，经离线实验和亿级用户平台在线测试显著提升了多项核心指标。
2025-05-18 cs.AI cs.LG
Can Population-based Engagement Improve Personalisation? A Novel Dataset and Experiments
University College London（伦敦大学学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
这项工作探讨了基于人口的参与预测如何解决大型学习资源集合中的冷启动问题。本文介绍了i）VLE，一种新的数据集，包括从公开的科学视频讲座中提取的基于内容和视频的特征，再加上与学习者参与相关的隐式和显式信号，ii）与预测和排名上下文无关的参与视频讲座与初步基线相关的两个标准任务和iii）一组实验，验证了所提出的数据集的有用性。我们的实验结果表明，新提出的VLE数据集导致建立上下文无关的接合预测模型，是显着的性能比基于以前的数据集，主要归因于训练样本的增加。VLE数据集在构建面向计算机科学/人工智能教育的模型方面的适用性也得到了证明，这些教育侧重于电子学习/ MOOC用例。进一步的实验中结合所建立的模型与个性化算法显示出有前途的改进，在解决冷启动问题中遇到的教育决策者。据我们所知，这是涉及学习者参与预测任务的最大和最多样化的公开数据集。数据集、帮助工具、描述性统计和示例代码片段都是公开的。
2022-06-22 cs.AI cs.CY cs.DL
Why Are You More Engaged? Predicting Social Engagement from Word Use
IBM Research - Almaden（IBM阿尔马登研究院）
我们提出了一项研究，分析如何使用的话可以预测社会参与行为，如在Twitter上的回复和转发。我们计算心理语言学的类别分数从词的使用，并调查不同分数的人如何表现出不同的回复和转发Twitter上的行为。我们还发现心理语言学类别与这种社会参与行为具有显着的相关性。此外，我们已经建立了预测模型的答复和转推，从这种心理语言学类别为基础的功能。我们使用从Twitter收集的真实世界数据集进行的实验验证了这种预测可以以合理的准确度进行。
2014-02-26 cs.CL cs.CY cs.SI
Investigation of Audience Interaction Tools from the Perspective of Activity Theory
保持大量观众的参与并不容易。传统上，讲座和演示依赖于从演讲者到听众的单向沟通。如果没有持续的反馈，发言者就无法确保他们的发言速度适当，或者他们的信息被听众接收和理解。本研究建议使用实时观众参与解决方案（Xorro-Q），以促进讲师和学生观众之间的同步互动。使用活动理论作为一个理论框架，我们进行了一项研究，调查学生的参与和参与与观众的互动工具，在两个本科计算课程。在一个课堂环境中，讨论问题在课堂上提出，并向学生提供即时反馈。在第二种情况下，在讲座接近尾声时会提出与主题相关的问题，以评估学生对课堂上刚刚教授的概念的了解。在这项研究中，定量数据，如出勤率，响应率和评估结果收集，以探讨参与者的参与如何在不同的演讲技术的变化。研究结果表明，通过活动理论为基础的设置观众互动工具的持续使用比仅仅使用工具进行评估的目的，在传统的课堂设置。虽然这些研究结果处于非常初始的阶段，但它们对如何在课堂环境中开发实时观众参与工具以帮助教学和学习实践提供了一些指示。
2016-06-04 cs.CY
Reddit's Appetite: Predicting User Engagement with Nutritional Content
Graz University of Technology（格拉茨工业大学）
本文研究了Reddit上与食物相关的帖子中营养内容对用户参与度的影响，通过分析热量和宏量营养素与参与度的关系，发现营养特征能显著提高预测准确性，表明更高营养内容与更高用户参与度相关。
2026-05-20 cs.CY cs.SI
Predicting Healthcare Provider Engagement in SMS Campaigns
Impiricus
本文通过分析数百万条短信，利用逻辑回归、随机森林和神经网络模型，研究影响医疗保健提供者参与短信活动的关键因素。
2025-11-20 cs.AI cs.CY cs.LG
Teachers' Vocal Expressions and Student Engagement in Asynchronous Video Learning
National Taiwan Normal University（台湾师范大学）；National Chung Cheng University（中正大学）；National Taiwan Ocean University（台湾海洋大学）
本研究探讨了教师的语音表达如何影响学生的情感参与度，发现积极情感表达如喜悦和惊讶能提升参与度，而愤怒等负面情绪则降低参与度。
2026-05-17 cs.CY cs.HC
Modeling and predicting students' engagement behaviors using mixture Markov models
National University of Computer and Emerging Sciences（巴基斯坦国立计算机与新兴科学大学）；University of Cordoba（科尔多瓦大学）
本研究针对学生（非）参与行为的建模与预测问题，提出基于K-means初始化的K-EM混合马尔可夫模型聚类方法，在真实数据集上表现优于基线，还可通过聚类可视化获得行为洞见。
2024-02-10 cs.CY cs.LG
Predicting engagement in online social networks: Challenges and opportunities
University of Arizona（亚利桑那大学）
自社交媒体引入以来，用户参与或参与很少受到研究关注。在这篇调查文章中，我们建立了参与社交媒体的概念，以及研究人员在探索这一现象时可能面临的主要挑战。我们调查了一些在这方面已经完成的研究文章，并试图提取，分析和总结研究人员执行的技术。我们根据任务定义对这些作品进行了分类，并探索了用于任何参与预测的机器学习模型。我们还探索了大量已被证明有用的功能，并将其分类，以便更好地理解和易于重新实现。我们发现，一项技术的成功主要取决于所研究的网络类型，并且没有通用的机器学习算法或特征集在所有类型的社交媒体中都能很好地工作。在实现最先进的机器学习技术（如神经网络）方面缺乏尝试，并且尚未探索迁移学习和领域自适应的可能性。
2019-07-11 cs.CY cs.LG cs.SI
Predicting User Engagement in Twitter with Collaborative Ranking
IBM Research – Ireland（IBM研究院（爱尔兰））
协同过滤（CF）是亚马逊、YouTube、Netflix和Twitter等流行的基于Web的服务的核心组件。大多数应用程序使用CF向用户推荐一小部分项目。例如，YouTube基于用户的评级和观看历史向用户呈现她接下来可能观看的前n个视频的列表。目前的CF评价方法主要集中在评估预测评级的质量或前n个推荐项目的排名性能。然而，将推荐系统的评价限制在这两个方面是相当有限的，并且忽略了可以更好地表征良好感知的推荐的其他维度。在本文中，而不是优化评级或top-n推荐，我们专注于预测哪些项目产生最高的用户参与度的任务。特别是，我们使用Twitter作为我们的测试平台，并将问题作为一个协作排名任务，从推文的元数据中提取的丰富功能有助于补充仅限于用户ID，项目ID，评级和时间戳的交易信息。我们学习了一个评分函数，它直接优化了预测排名中nDCG@10的用户参与度。在作为RecSys Challenge 2014的一部分发布的MovieTweetings数据集的扩展版本上进行的实验显示了我们方法的有效性。
2014-12-26 cs.CY cs.IR cs.LG
Social Engagement versus Learning Engagement -- An Exploratory Study of FutureLearn Learners
大规模开放式在线课程（MOOC）的入学人数继续增加，但只有一小部分入学者完成了MOOC。虽然很多研究都集中在预测完成情况上，但很少有研究分析MOOC的流行与学习者明显脱离之间的表面矛盾。具体而言，重要的是不仅要从学习的角度，而且要从社会的角度来分析参与。这一点尤其重要，因为MOOC提供了越来越多的活动，这些活动可以归类为社交互动。因此，本研究特别关注学习者如何与同龄人互动，以及他们在MOOC中的学习进展。此外，与大多数主要关注学习成果的现有研究不同，本研究采用了细粒度的时间方法来探索学习者在MOOC中的进步。这项研究是在探索较少的FutureLearn平台上进行的，该平台采用社会建构主义方法，促进协作学习。初步结果表明，潜在的有趣的细粒度预测模型的学习者行为，涉及每周监测的社会，非社会行为的活跃的学生（进一步分类为完成者和非完成者）。
2020-08-11 cs.CY cs.HC
Investigating the role of educational robotics in formal mathematics education: the case of geometry for 15-year-old students
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
研究表明，教育机器人（ER）可以提高学生的表现，兴趣，参与和协作。然而，到目前为止，机器人技术在正规教育中的应用仍然相对较少。除其他原因外，这是由于难以确定教育机器人学习活动与课程所设想的学习成果的一致性，以及它们与教师实践中已确立的传统非机器人学习活动的整合。这项工作调查ER到正规的数学教育的整合，通过准实验研究，采用Thymio机器人和Scratch编程教几何两个班的15岁的学生，共26名参与者。本研究提出了三个问题：（1）基于ER的理论讲座应该先于、继承还是取代传统的理论讲座？(2)学生对以英语为基础的讲座和练习的看法和参与度如何？(3)研究结果是否因学生先前对数学的欣赏而有所不同？实验结果表明，ER活动在帮助学生掌握相关理论概念方面与传统活动一样有效。机器人活动似乎特别有益的锻炼会议期间：学生自由选择做练习，包括机器人，评价他们作为显着更有趣和有用的比他们的传统同行，并表示有兴趣在其他数学讲座介绍ER。最后，喜欢和不喜欢数学的学生之间的结果基本一致，这表明使用机器人技术作为一种手段，以扩大学生的数量从事学科。
2021-06-21 cs.CY cs.RO
Mitigating AI Risks in Computing Education via LLM-Driven Lecture Video Curation
University of New South Wales（新南威尔士大学）
本研究测试了LLMs检索授课视频片段回答编程问题的有效性，对比三种模型与人类讲师，发现专有模型表现接近专家，试点部署获学生良好反馈，为安全整合LLMs到计算机课程提供了可行方案。
2026-08-18 cs.CY
Parametric Bayesian Rejuvenation in Ambient Assisted Living through Software-based Thematic 5G Management
改善老年人的参与对于恢复独立生活至关重要。然而，尽管有社会经济前景，推荐的做法缺乏对个人特质的认识。随着智能对象/事物和个性化服务的出现，物联网最近的激增为上下文感知服务管理铺平了道路。最后，本文的主要目标是开发一个上下文感知模型预测参与老年人护理。因此，确定了老年人参与的关键要求，即（a）发现相关背景（b）扩大参与（随着时间的推移）。然而，这一规定也面临着诸多挑战，如语境的不可观察性、语境的独立性和语境的复合性。因此，提出了一个基于主题模型的模型来解决上下文的可扩展性及其与参与度的共轭关系。最后，给出了系统框架，通过参与者的意见、使用和反馈，明确了上下文感知服务的关键目标。
2016-01-23 cs.CY
Facebook Ad Engagement in the Russian Active Measures Campaign of 2016
University of Florida（佛罗里达大学）
本文调查了俄罗斯互联网研究机构（IRA）在2015年6月至2017年8月期间创建的3，517个Facebook广告，这些广告是针对2016年美国大选的虚假信息活动。我们的目标是挖掘广告参与度（以广告点击量衡量）与广告元数据、社会语言学结构和情感相关的41个特征之间的关系。我们的分析有三个方面：（i）通过相关性分析理解参与度和特征之间的关系;（ii）通过特征选择找到最相关的特征子集以预测参与度;以及（iii）通过主题建模找到最好地表征数据集的语义主题。我们发现，广告支出、文本大小、广告寿命和情感是预测用户对广告参与度的主要特征。此外，积极情绪广告比消极广告更吸引人，社会语言学特征（例如，使用宗教相关的词）被认为是一个吸引人的广告的组成非常重要。线性SVM和逻辑回归分类器实现了最高的平均F分数（两种模型均为93.6%），确定了最佳特征子集分别包含12个和6个特征。最后，我们证实了相关研究的发现，即爱尔兰共和军专门针对美国人的分裂广告主题（例如，LGBT权利，非裔美国人赔偿）。
2020-12-23 cs.CY cs.LG cs.SI
"Your click decides your fate": Leveraging clickstream patterns from MOOC videos to infer students' information processing & attrition behavior
随着教育数据的广泛和无处不在的金矿，大规模开放式在线课程（MOOC）已成为学习分析研究的重要焦点。我们希望，这一新的发展浪潮将使公平获得终身学习机会的愿景切实可行。MOOC为学生提供了许多宝贵的学习体验，从视频讲座、阅读、作业和考试，到通过线程论坛和其他Web 2.0技术与他人联系和协作的机会。然而，尽管有这些潜力，MOOC到目前为止还没有证据表明这种潜力正在MOOC的实例中实现。在这项工作中，我们主要探索大规模开放式在线课程（MOOC）中的视频讲座互动，这是学生在这些教育平台上学习体验的核心。作为一项研究贡献，我们将学生的视频讲座点击流操作成行为动作，并构建了一个量化的信息处理指数，可以帮助教师更好地了解MOOC障碍和原因不满意的学习结果。我们的研究结果阐明了开发这种受认知心理学启发的指标的有效性，以回答有关学生参与度的关键问题，他们未来的点击互动和参与轨迹导致视频辍学。我们利用重复的点击行为来区分MOOC中学生的不同视频观看配置文件。此外，我们还讨论了完整课程辍学的预测，结合统计学和机器学习的不同观点，以提供一个更细致入微的视角来了解第二代MOOC如何受益，如果课程教师能够更好地理解导致学生流失的因素。
2014-07-26 cs.CY cs.HC
CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
Department of Computer Science, Rensselaer Polytechnic Institute（计算机科学系，拉特格斯理工学院）；Department of Biomedical Engineering, Rensselaer Polytechnic Institute（生物医学工程系，拉特格斯理工学院）
提出CourseBlueprint流程，通过结构化教学蓝图（含先决条件图、自适应控制、参与合约）从课程语料库生成自适应教学视频，实验证明显式教学合约比表面流畅性更关键。
2026-06-23 cs.AI cs.CV cs.CY
Exploring Student Engagement and Outcomes: Experiences from Three Cycles of an Undergraduate Module
教育数据采掘的许多研究都针对特定的学习者群体，例如第一次参加高等教育的家庭，或者关注性别或种族等特征的差异，目的是预测表现并设计干预措施以改善结果。就高等教育而言，这反映在对机构一级的学生群体分析以及向高等教育机构推广支持数据收集、整合和分析的工具的极大兴趣上。然而，对于那些学位课程的主要模块/单元来说，现实可能与中央领导的数据分析所倡导的看似得到充分支持和日益复杂的方法相去甚远。模块负责人经常发现自己与一些学生数据系统没有集成，可能包含相互冲突的数据，并且需要大量的努力来提取，清理和有意义地分析数据。本文认为，在这种情况下，可以从模块一级的经验教训，并从多年来收集的相关数据的后续分析。报告描述了每年的变化，并采用了一系列事后数据分析方法，以确定与四个重点领域有关的调查结果。主要的发现是，在前三周不参与虚拟学习环境是失败的最强预测因素，早期参与与最终成绩的相关性最强。一般性的建议是从调查结果中得出的，这应该是有价值的模块领导人在环境中，获得综合的，最新的学生信息仍然是一个日常的挑战，并将提出见解，这种自下而上的活动可能会通知机构/自上而下的规划，在使用相关技术。
2022-12-22 cs.CY
An AI-based Solution for Enhancing Delivery of Digital Learning for Future Teachers
Swinburne University of Technology（斯威本科技大学）；VidVersity；Monash University（蒙纳士大学）
疫情加速了最近向数字化学习的快速转变，但也受到数字化工具和平台无处不在的影响，使数字化学习变得更加容易。扩展数字学习和教学的一个组成部分和最困难的部分之一是能够评估学习者的知识和能力。教育工作者可以录制讲座或创建数字内容，这些内容可以交付给数千名学习者，但评估学习者非常耗时。在本文中，我们提出了一种基于人工智能（AI）的解决方案，即VidVersityQG，用于从预先录制的视频讲座中自动生成问题。该解决方案可以基于从视频中推断的上下文和语义信息自动生成不同类型的评估问题（包括简答、多项选择、真/假和填空问题）。所提出的解决方案采用以人为本的方法，其中教师能够修改/编辑任何AI生成的问题。这种方法鼓励教师在教育中使用和实施人工智能方面的信任和参与。基于人工智能的解决方案由7位经验丰富的教学专业人士和我们的行业合作伙伴VidVersity提供给我们的来自多个领域的117个教育视频评估了其生成问题的准确性。VidVersityQG解决方案在从视频自动生成高质量问题方面取得了可喜的成果，从而大大减少了教育工作者手动生成问题的时间和精力。
2021-12-08 cs.AI cs.CY
Next-Gen Education: Enhancing AI for Microlearning
本文研究如何利用ChatGPT等AI工具自动生成微学习材料，以减轻教师负担并提升计算机科学教育中的学生参与度和学习效果。
2025-08-13 cs.AI cs.CY cs.ET
Beyond Trial-and-Error: Predicting User Abandonment After a Moderation Intervention
IIT-CNR（意大利国家研究委员会信息技术与机器人研究所）；University of Pisa（比萨大学）
本文提出预测用户在内容管理干预后放弃平台的方法，通过训练二元分类器识别高风险用户，实现从反应性到预测性的管理转变。
2026-02-06 cs.CY
