A Comparative Analysis of Student Performance Predictions in Online Courses using Heterogeneous Knowledge Graphs
Georgia Institute of Technology（佐治亚理工学院）；IBB University, Yemen（也门伊卜大学）
本研究利用异构知识图谱和图卷积网络（GCN）分析学生与课程资源的交互，预测在线与校园课程的学生表现，识别有风险学生，模型准确率达70-90%。
2024-05-19 cs.AI cs.CY cs.LG
CourseGraph: Finding overlaps and differences in Computer Science courses across universities
Lund University（隆德大学）；Karlstad University（卡尔斯塔德大学）
本研究提出CourseGraph，利用BERT语言模型与随机森林分类器，通过课程网页信息的语义表示计算课程相似度，实现跨大学计算机科学课程重叠的自动识别，为课程对齐提供有效支持。
2026-08-10 cs.AI cs.CY
Grade prediction with course and student specific models
准确估计学生在未来课程中的成绩非常重要，因为它可以为下学期课程的选择提供信息，并创建个性化的学位途径，以促进成功和及时的毕业。本文提出了基于稀疏线性模型和低秩矩阵分解的未来课程成绩预测方法，该方法针对每门课程或学生-课程元组。这些方法在逐门课程的基础上识别先前课程的预测子集，并且更好地解决与学生课程历史成绩数据的非随机缺失性质相关联的问题。从明尼苏达大学获得的数据集上的方法进行了评估。该评估表明，课程特定的模型优于各种竞争方案，其中表现最好的方案在不同课程中的RMSE为0.632，而最佳竞争方法为0.661。
2019-05-30 cs.CY
Improving Students Performance in Small-Scale Online Courses -- A Machine Learning-Based Intervention
Åbo Akademi University（奥布学术大学）；University Politehnica of Bucharest（布加勒斯特理工大学）；University of Novi Sad（诺威萨德大学）
大规模开放式在线课程（MOOC）的诞生对教学方式产生了不可否认的影响。传统的课堂教学似乎越来越不受年轻一代的欢迎，这一代人希望选择何时，何地以及以何种速度学习。因此，许多大学正在转向在线学习课程，至少部分在线学习。然而，在线课程虽然对年轻一代的学习者很有吸引力，但也是有代价的。例如，这类课程的辍学率高于传统课程，与教师的面对面互动减少，导致教育工作者的指导和干预不够及时。基于机器学习（ML）的方法在其他领域取得了惊人的成功。现有的耻辱，应用基于ML的技术需要大量的数据似乎是一个瓶颈，当处理小规模的课程与有限的生产数据量。在这项研究中，我们不仅可以很好地利用从在线学习管理系统收集的数据，以预测学生的整体表现，但它也可以用来提出及时的干预策略，以提高学生的成绩水平。本研究结果显示，有效的介入策略可以在课程中途提出，以改善学生的学习进度。我们还提出了一个辅助教学工具的基础上，这项研究的结果，以协助确定具有挑战性的学生，并建议早期干预策略。
2020-11-23 cs.AI cs.CY
Computational Thinking with Computer Vision: Developing AI Competency in an Introductory Computer Science Course
Colby College（科尔比学院）
本文介绍了一门以计算机视觉为情境的CS入门课程，通过项目与阅读讨论培养计算思维与AI能力，调查显示学生归属感、自我效能感和AI伦理意识提升。
2025-03-24 cs.AI cs.CY
Reflection on Purpose Changes Students' Academic Interests: A Scalable Intervention in an Online Course Catalog
该研究在在线课程目录中嵌入目的反思干预，通过超4000名学生的随机实验发现其能改变学术兴趣，为高等教育中引导学生有意识探索兴趣提供了可扩展策略。
2024-12-26 cs.CY cs.HC
Personalized Course Sequence Recommendations
University of Miami（迈阿密大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
鉴于学生学习的可变性，根据学生的需求定制课程和课程顺序变得越来越重要。本文提出了一种系统的方法，为学生提供个性化的课程序列建议。首先，开发了一种前向搜索后向归纳算法，该算法可以最优地选择课程序列，以减少学生毕业所需的时间。该算法考虑了先决条件要求（通常存在于高等教育中）和课程可用性。其次，使用多武装土匪的工具，开发了一种算法，可以最佳地推荐一个课程序列，既减少了毕业时间，同时也增加了学生的整体GPA。该算法动态地学习不同背景的学生在给定课程序列下的表现，然后为新学生推荐最佳课程序列。使用来自加州大学洛杉矶分校机械和航空航天工程系的真实学生数据，我们说明了所提出的算法如何优于其他方法，不包括学生的上下文信息时，课程序列的建议。
2016-01-12 cs.CY cs.LG
Course Difficulty Estimation Based on Mapping of Bloom's Taxonomy and ABET Criteria
Vellore Institute of Technology（韦洛尔理工学院）
目前的教育制度使用分数或分数来评估学生的表现。学生的分数或等级取决于不同的参数，主要参数是课程的难度水平。计算该难度水平可以作为学生和教师的支持，以确定成功完成课程所需的培训水平。在本文中，我们提出了一种方法，估计的难度水平的课程映射布卢姆的分类行动的话，随着工程技术认证委员会（ABET）的标准和学习成果。根据学生获得的成绩历史，对估计的难度水平进行验证。
2021-11-16 cs.AI cs.CY
A Novel Study of the Relation Between Students Navigational Behavior on Blackboard and their Learning Performance in an Undergraduate Networking Course
本文概述了学生的行为分析学习管理系统（LMS），黑板（Bb）学习的核心数据通信课程的本科IT计划在信息科学与技术（IST）系在乔治梅森大学（GMU）。本研究试图了解学生在Blackboard Learn上的导航行为，这可以进一步归因于学生的整体表现。共有160名本科生参与了这项研究。收集了课程所有四个部分的大量学生活动数据。所有部分都有类似的内容，评估设计和教学方法。不同的评估方法和各种关键变量之间的相关性分析，如学生总时间，登录总数和各种其他因素进行，以评估学生在黑板上学习的参与。我们的研究结果可以帮助教师有效地识别学生的优势或劣势，并微调他们的课程，以提高学生的参与度和表现。
2018-11-08 cs.CY
Enhancing Student Engagement in Large-Scale Capstone Courses: An Experience Report
本文报告一门计算机科学顶点课程连续六学期扩容中的迭代设计，总结提升学生参与度和动机的教学法、评估证据及规模化建议。
2024-04-03 cs.CY
Predicting Student Performance Based on Online Study Habits: A Study of Blended Courses
在线工具为研究学生的学习习惯和解决问题的行为提供了独特的途径。在MOOC中，这些在线数据可用于通知教师并为学生提供自动指导。然而，这些技术可能不适用于面对面和在线组件的混合课程。我们报告的综合用户系统交互日志的研究，从3个计算机科学课程使用四个在线系统：LMS，论坛，版本控制，和家庭作业系统。我们的研究结果表明，学生很少在一个单一的会话中跨平台工作，最终的课堂表现可以从学生的系统使用预测。
2019-04-15 cs.CY
Gaining Insights into Group-Level Course Difficulty via Differential Course Functioning
Ruhr-Universität Bochum（鲁尔大学波鸿分校）；Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本文提出基于项目反应理论的差异课程功能（DCF）方法，在控制学生整体表现后检测不同群体间的课程难度差异，并利用两万余名学生数据验证其有效性，为教育公平干预提供依据。
2024-05-07 cs.CY cs.LG stat.AP
Teaching Introductory Electrical Engineering Course to CS Students in a Russian University
本文介绍了俄罗斯某大学信息技术系电气工程导论课程的开发和教学经验。该部门的课程符合美国工程学校的典型计算机科学课程，但明显遗漏了类似的电气工程课程。在开发课程时，我尽我所能关注系里学生的学习偏好。我还希望在一定程度上为满足电气工程CAD软件开发人员的劳动力市场需求做出贡献。至于灵感，我被米德和康威革命的想法迷住了，尽管与我的企业间接相关。
2011-07-19 cs.CY
Student Satisfaction mining in a typical core course of Computer Science
学生的满意度对一所教育机构的成功起着至关重要的作用。因此，许多教育机构不断改善他们的服务，以创造一个支持性的学习环境，以满足学生的需要。为此，教育机构收集学生满意度数据，以做出有关机构质量的决策，但到目前为止，它不能确定，因为学生满意度是一个复杂的问题，它受到学生和机构的各种特征的影响。有许多研究已经执行，以检查学生满意度的形式，大学服务，程序，学生住宿设施，师生互动，咨询时间等，所以，我们仍然不能有一个标准的方法来知道是怎么回事的满意度的情况下，核心课程。本研究以计算机科学核心课程为研究对象，探讨影响学生满意度的主要因素，以及其他因素的现状。
2015-04-16 cs.CY
Mining Student Responses to Infer Student Satisfaction Predictors
RMIT University（皇家墨尔本理工大学）
学生满意度的识别和分析是一个具有挑战性的问题。这一点变得越来越重要，因为学生满意度的衡量标准被视为一门课程教得有多好的指标。然而，这仍然是一个具有挑战性的问题，因为学生的满意度有各个方面。在本文中，我们制定的学生满意度估计作为一个预测问题，我们预测不同水平的学生满意度，并推断出有影响力的预测相关的课程和教师。我们提出了学生满意度的五个不同方面：1）课程内容，2）课堂参与，3）实现对课程的最初期望，4）与专业发展的相关性，以及5）课程是否将他们联系起来并有助于探索现实世界的情况。我们采用最先进的机器学习技术来预测学生满意度的各个方面。对于我们的实验，我们利用了一个大型的学生评价数据集，其中包括学生的看法，使用不同的属性相关的课程和教师。实验结果和综合分析表明，学生满意度受课程属性的影响大于教师相关属性。
2020-06-14 cs.CY cs.LG
How Does a Student-Centered Course on Communication and Professional Skills Impact Students in the Long Run?
这篇研究到实践类别的全文介绍了一项长期研究，探讨以学生为中心的课程对学生思想，态度和行为的沟通和专业技能的影响。该课程是欧洲一所大学开设的计算机科学硕士课程的一部分。本文分享了一项纵向研究的设计和挑战，这项研究落后了十年，采用了混合方法。除了介绍和解释调查结果外，我们还揭示了哪些特征往往会留在学生的脑海中，并影响他们在社会中的存在和行为方式。此外，我们建议在可比课程的设计和实践的影响，以最大限度地提高建设性的，可持续的影响，如改善积极倾听，演讲技巧，并开放其他观点。这些都是必不可少的（不仅是）计算机科学专业人员。我们的研究结果表明，该课程为绝大多数受访者提供了重要的学习，包括在考虑对方的同时进行演示，管理自己的压力，以及变得不那么害羞。总而言之，我们的目标是为那些以学生为中心的教师提供一个以证据为基础的激励来源。
2021-01-04 cs.CY
Predicting students' performance in online courses using multiple data sources
Paris-Saclay University（巴黎-萨克雷大学）；Instituto Nacional de Astrofísica, Óptica y Electrónica（国家天体物理、光学与电子学研究所）
数据驱动的决策正在服务和改变教育。我们通过使用来自在线课程的多个数据源（包括我们创建的一个数据源）来解决预测学生表现的问题。实验结果显示了初步的结论，对哪些数据被认为是任务。
2021-09-07 cs.CY cs.LG
A Prototype for Educational Planning Using Course Constraints to Simulate Student Populations
远程学习大学通常为学生提供灵活性，让他们按照自己的进度推进学习。这可能会导致一个程序的课程内的学生人数相当大的波动，可能会影响一个程序的学术可行性以及相关的所需资源。提供一种估计这一人口的方法可能对大学管理和学术人员有很大的帮助。我们描述了如何使用课程优先约束来计算替代学费路径，然后使用马尔可夫模型来估计未来的人口。在此过程中，我们确定了大规模潜在部署的关键问题。
2009-03-11 cs.AI cs.CY cs.DS
Transferable Student Performance Modeling for Intelligent Tutoring Systems
Carnegie Mellon University（卡内基梅隆大学）
全球数百万学习者正在使用智能辅导系统（ITS）。ITS的核心是依靠机器学习算法来跟踪每个用户随时间变化的表现水平，以提供个性化的指导。最重要的是，学生表现模型是使用以前的学习者的交互序列数据来训练的，以分析未来学习者生成的数据。当引入没有训练数据可用的新课程时，这引起冷启动问题。在这里，我们认为迁移学习技术是一种通过利用现有课程的日志数据为新课程提供准确性能预测的方法。我们研究了两种设置：（一）在天真的传输设置，我们提出了课程不可知的性能模型，可以应用于任何课程。(ii)在感应传输设置中，我们使用小规模目标课程数据（例如，在试点研究期间收集）。我们评估所提出的技术，使用来自5个不同的数学课程的学生交互序列数据，其中包含超过47,000名学生在现实世界中的大规模ITS的数据。使用由人类领域专家提供的附加特征（例如，新课程中的问题的难度评级）但没有用于新课程的学生交互训练数据的课程不可知模型实现了与使用来自新课程中的数千名学生的训练数据的标准BKT和PFA模型相当的预测准确性。在归纳设置我们的迁移学习方法产生更准确的预测比传统的性能模型时，只有有限的学生互动训练数据（<100名学生）都可用。
2022-02-08 cs.CY cs.LG
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
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
Analyzing Student Strategies In Blended Courses Using Clickstream Data
教育软件数据有望对学生的学习行为和成功的驱动因素提供独特的见解。虽然大部分工作都致力于大规模开放式在线课程的表现预测，但目前还不清楚是否可以将相同的方法应用于混合课程，并且通常缺乏对学生策略的更深入了解。我们使用模式挖掘和借鉴自然语言处理（NLP）的模型来了解学生的互动，并从混合大学课程中提取频繁的策略。细粒度的点击流数据是通过狄德罗收集的，狄德罗是一个非商业性的教育支持系统，涵盖了广泛的功能。我们发现，互动模式有很大不同的评估类型的学生正在准备，许多提取的功能可以用于可靠的性能预测。我们的研究结果表明，所提出的混合NLP方法可以提供有价值的见解，即使在低数据设置的混合课程提供足够的数据粒度。
2020-05-31 cs.CY cs.HC
Implicit Theories and Self-efficacy in an Introductory Programming Course
出资额：本研究探讨学生的努力和表现，在介绍编程课程方面的学生举行的内隐理论和自我效能感。背景资料：内隐理论和自我效能感揭示了理解学业成功，这是在制定有效的编程学习策略时必须考虑的。研究问题：智力和编程的内隐理论，以及编程效能与学生在编程中的成功相关吗？是否有可能使用这些结构的子集来预测学生的课程表现？方法：两个连续的调查（N=100和N=81）进行了管理，非CS工程专业的学生在伊萨克大学。调查结果：内隐理论和自我信念与努力、成绩和以前的失败相关，学生用“编程能力是固定的”理论解释编程课程的失败，并且编程对他们来说是一项困难的任务。
2017-10-25 cs.CY
When is the best time to learn? -- Evidence from an introductory statistics course
我们分析学习数据的电子评估平台的介绍数理统计课程，更具体地说，当学生学习的一天的时间。我们提出了统计模型来预测学生的成功，并描述他们的行为，特别侧重于以下几个方面。首先，我们发现白天学习而不是晚上学习是预测期末考试成功的一个相关变量。第二，我们观察到，好的和非常好的学生往往在下午学习，而一些学生谁失败了我们的课程更有可能在晚上学习，但不成功。第三，我们讨论平均花在练习上的时间。关于这一点，参加考试的学生花在做练习上的时间比以前退课的学生多。
2021-02-17 cs.CY
Identifying Student Communities in Blended Courses
混合课程已成为中学后教育的常态。大学使用大规模的学习管理系统来管理课程内容。教师在线提供阅读，讲座和办公时间;学生使用智能导师，网络论坛和在线提交系统;班级通过网络论坛进行交流。这些在线工具允许学生建立新的社交网络或将社交关系带到网上。他们还允许我们收集学生社会关系的数据。在本文中，我们报告了我们的研究社区形成的基础上，在线论坛互动的混合课程。我们发现，通过他们的帖子和回复结构，使用标准的社区发现算法将学生分组到社区是可能的，并且学生的成绩与他们最亲密的同龄人显著相关。
2017-09-29 cs.CY cs.SI
Development of Rubrics for Capstone Project Courses: Perspectives from Teachers and Students
本研究试图发展公平、相关、内容有效的课程评鉴工具。为此目的，提出了以规则概念为基础的新的评级工具。为了确保新工具的有效性和公平性，与计算科学系的教师和学生举行了几次会议（即，计算机科学和信息技术）先后进行。8名教师和10名学生参加了这项研究。经过与教师和学生的一系列仔细审议，完成了文书的最终版本。教师和学生认为新的仪器比以前的更公平。由于最后的仪器将在本学期部署，他们的优点和缺点还不知道在这个时候。提出了今后研究的方向。
2020-11-22 cs.CY
Insights into undergraduate pathways using course load analytics
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
从LMS和招生功能推断的课程负荷分析（CLA）可以为学生提供比学分更准确的课程工作量表示，并可能有助于他们的选课决策。在这项研究中，我们制作并评估了第一个机器学习的学生课程负荷预测，并将我们的模型推广到一所大型公立大学的全部10，000门课程目录。然后，我们回顾性地分析了学生课程选择的学期负荷在整个学位期间的纵向差异。CLA按学期显示，学生在大学的第一个学期是他们最高的学期之一，而不是基于学分的分析，这将表明它是他们最低的。调查预测的课程负荷可能发挥什么作用，在程序保留，我们发现，谁保持一个学期的负荷是低的学分，但高的CLA测量的学生更有可能离开他们的学习计划。课程负荷的这种差异在STEM中特别相关，并与高先决条件课程相关。我们的研究结果对学术咨询，新生体验的机构处理以及面向学生的分析具有影响，以帮助学生更好地计划，预测和准备他们所选的课程。
2022-12-20 cs.CY cs.LG
Machine Learning Based Student Grade Prediction: A Case Study
在高等教育机构，许多学生不得不努力完成不同的课程，因为没有专门的支持提供给学生谁需要特别关注的注册课程。机器学习技术可以用于学生在不同课程中的成绩预测。这种技术将有助于学生根据预测的成绩提高成绩，并使教员能够确定在课程中可能需要帮助的人。在本文中，我们使用协同过滤（CF），矩阵分解（MF）和限制玻尔兹曼机（RBM）技术，系统地分析了从信息技术大学（ITU），拉合尔，巴基斯坦收集的真实世界的数据。我们评估被国际电联电气工程系学士学位课程录取的国际电联学生的学习成绩。结果表明，RBM技术在预测学生在特定课程中的表现方面优于其他技术。
2017-08-17 cs.CY
Cross-course Process Mining of Student Clickstream Data -- Aggregation and Group Comparison
本文提出跨课程学生点击流数据的过程挖掘方法，通过SQL自动化数据流和章节标签标准化，实现跨课程聚合分析，发现高绩效学生更频繁参与活动且动态移动，聚合后模式更显著。
2024-09-04 cs.CY cs.HC
Integrating Large Language Models and Evaluating Student Outcomes in an Introductory Computer Science Course
本文设计并评估一门将 LLM 整合为学习工具的 CS1 课程，发现考试表现与历史课程相近、开放式项目价值突出，且学生总体认可工具但担忧过度依赖。
2025-10-21 cs.CY
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
Revolutionizing student course selection: Exploring the application prospects and challenges of blockchain token voting technology
本文探讨将区块链代币投票技术应用于学生选课系统，利用共识机制和智能合约设计透明公平的投票流程，以缓解现有系统问题并展望其革新教育领域的潜力。
2024-04-22 cs.CY
Toward Finding and Supporting Struggling Students in a Programming Course with an Early Warning System
本研究开发早期预警系统，通过评估认知技能预测编程课程学生失败风险，并验证语法练习的积极效果，以支持困难学生。
2024-01-25 cs.CY cs.HC
Deep Learning to Predict Student Outcomes
Udacity（优达学城）
在线课程内容的开发周期越来越快，以及每个在线课堂中不同的学生人口统计数据，使得实时学生成绩预测成为工业研究和实际需求的一个有趣话题。在本文中，我们解决的问题，实时学生的表现预测正在进行的课程使用领域自适应框架。这个框架是一个基于以前课程中标记的学生成果数据进行训练的系统，但它意味着要部署在另一门课程上。特别是，我们引入了一个GritNet架构，并开发了一个无监督的领域自适应方法转移GritNet培训过去的课程，以一个新的课程，没有任何学生的结果标签。我们对真实Udacity学生毕业预测的结果表明，GritNet不仅在不同的Nanodegree课程中从一门课程推广到另一门课程，而且还在准确预测最具挑战性的前几周明确增强了实时预测。
2019-04-27 cs.CY cs.LG stat.ML
Effectiveness of an Online Course in Programming in a State University in the Philippines
在线课程作为一种教学方法，在2019年冠状病毒病大流行时期蓬勃发展。由于大流行的原因，大学从传统的面对面课程转向在线远程学习。本研究旨在确定在线课程在学习编程课程方面的有效性。本研究采用混合方法研究，通过一个有效的调查问卷，包括封闭式和开放式的问题。Python编程是选择进行研究的课程，并进行了评估，以确定学生的反应。学生受访者来自布拉干州立大学，在菲律宾的州立大学，在信息技术计划的科学学士学位。根据他们的回答，学生们发现在线Python编程非常有效，总体平均值为4.49。这一结果表明，学生发现在线课程有效，提供了适当的课程设计和内容，让他们花足够的时间完成任务，并提供了沟通和互动与他们的教师和同学。此外，当被问及他们的教师在课程交付方面做得很好时，学生们给予了压倒性的积极回应，并为进一步改进和交付课程提供了富有洞察力和建设性的意见。这项研究发现，大多数学生强烈同意并相信异步提供Python编程课程的有效性。从学生的角度和评价这种积极的结果，该课程可以加强，继续在布拉干州立大学提供优质教育。
2022-11-23 cs.CY cs.SE
From Teaching to Coaching: A Case Study of a Technical Communication Course
领先的大学目标之一是为学生提供必要的技能，以便在未来的学习中更好地发挥作用。获得和发展技能，包括技术技能和软技能，是成功职业生涯的关键基石。传统的教学过程包括讲课和考试，强调提高技术知识，而不是在学生中建立自尊和加强技能发展。非技术技能的发展，如自尊，学生的终身学习是一个成功的职业生涯至关重要。本文旨在实现的目标，确定方法，使学生与非技术技能以及技术技能。在这项研究工作中采用的方法是将学院范围内的课程从教学转变为辅导。教学和辅导之间的一个显著区别是将学生的动机从分数转向终身学习。因此，大学生最大限度地提高技能，通过辅导，如课程结构，课程交付，课程评估和学生参与。作为一个案例研究，所提出的方法是成功的测试和验证在阿卜杜勒阿齐兹国王大学（KAU）的计算和信息技术学院（FCIT）教授的课程。本案例研究的结果表明，有很大的潜力，对提高自我责任感。将来，这种方法可以扩展到其他旨在培养技能的课程，如英语课程，计算机和预备/基础年的沟通技能课程。
2021-07-20 cs.CY
Engineering Students' Self-Efficacy, Perceptions, and Performance in a Flipped CS1 Course
North Carolina State University（北卡罗来纳州立大学）；University of Florida（佛罗里达大学）
本研究通过分析602名工程学生的调查和考试数据，发现自我效能感与考试成绩正相关，而感知难度与成绩负相关，且不同人口群体在信念上存在差异。
2026-05-31 cs.CY
Domain Adaptation for Real-Time Student Performance Prediction
Udacity（优达学城）
在线课程内容的日益快速的开发和更新周期，以及每个在线课堂中学生的不同人口统计数据，使得学生表现预测在实时的【形】（在课程结束之前）和/或课程上没有特定的历史表现数据，这对于工业研究和实际需求都是有趣的话题。在这项研究中，我们解决了实时的【形】的学生成绩预测与正在进行的课程在一个领域自适应框架，这是一个系统训练学生的标记结果从一组以前的课程，但要部署在另一个。特别是，我们首先介绍了最近开发的GritNet架构，这是目前最先进的学生成绩预测问题，并开发了一个新的\emph{unsupervised}领域自适应方法转移GritNet训练在过去的课程到一个新的课程没有任何（学生的结果）标签。我们对真正的Udacity学生的毕业预测结果表明，GritNet不仅\emph{generalizes}以及从一门课程到另一门课程在不同的纳米学位课程，但增强了实时的【形】预测明确在前几个星期时，准确的预测是最具挑战性的。
2019-03-17 cs.CY cs.LG stat.ML
AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI
Technion - Israel Institute of Technology（以色列理工学院）
通过分析15000多个真实课程中的学生-AI互动单元，揭示互动模式高度结构化，存在少量重复模式，且不同课程间呈现系统性差异。
2026-06-28 cs.CY
What will you do next? A sequence analysis on the student transitions between online platforms in blended courses
学生与在线工具的互动可以让我们深入了解他们的学习和工作习惯。之前的研究表明，这些习惯，即使是简单的行动数量或在在线平台上花费的时间，也可以区分表现较好的学生和表现较差的学生。这些习惯也经常被用来预测学生在课堂上的表现。这些行动的一个关键特征是经常被忽视的是学生如何以及何时在不同的在线平台之间过渡。在这项工作中，我们研究了学生在混合课程中在线工具之间的转换序列，并确定哪些习惯在高性能组和低性能组之间产生最大的差异。虽然我们的研究结果表明，大部分时间学生专注于一个单一的工具，我们能够找到他们的过渡模式，以区分高和低性能组。这些发现可以帮助教师对学生进行程序性指导，以及识别有害习惯并及时进行干预。
2019-05-02 cs.CY
The Transition Matrix -- A classification of navigational patterns between LMS course sections
University of Applied Sciences Technikum Wien（维也纳应用科技大学）
本研究通过分析Moodle LMS中747门课程的导航数据，利用转移矩阵和热图识别课程部分间导航模式，发现大多数课程存在对角线导航模式。
2025-12-15 cs.CY cs.HC
Student's Use of Generative AI as a Support Tool in an Advanced Web Development Course
本研究针对有丰富编程经验的本科生Web开发课程，调研GenAI作为支持工具的使用情况，发现其可提升学习与生产力，但学生存在过度依赖等顾虑并需提示策略培训。
2025-03-19 cs.CY
Trial by Flyer: Building Quadcopters From Scratch in a Ten-Week Capstone Course
University of Califonia, San Diego 9500 Gilman Dr San Diego California 92093-0404；University of Califonia, San Diego
我们描述了我们的经验教学密集的顶点课程，其中对学生建立的硬件和软件的遥控器四旋翼飞机（即，四轴飞行器或“无人机”）在一个为期10周的季度内从无到有。该课程涵盖印刷电路板（PCB）设计和组装，基本控制理论和传感器融合，以及嵌入式系统编程。为了减少课程工作人员的工作量，并提供更高质量的反馈学生的设计，我们已经实施了一个自动化的PCB设计检查工具/autograder。我们详细描述了课程内容，确定了它给学生和课程工作人员带来的挑战，并提出了修改，以进一步提高学生的成功和提高课程的可扩展性。
2019-02-27 cs.CY cs.RO
On bias in social reviews of university courses
大学课程排名论坛是传播有关课程内容和教学质量满意度的信息的流行手段，特别是本科生。大学管理者、教学设计者和教学人员的各种政策决定会影响学生对特定课程、课堂和在线教学的有效性的看法。虽然有大量的研究背后使用学术评级网站的定性驱动因素，有（潜在的）隐式的学生偏见，对在机构层面上的理想的课程结果说论坛的调查很少。为此，我们研究课程成果（学生报告的GPA）和初级课程讲师的整体排名之间的联系，以及课程成果性质的评级差异，根据从一个流行的学术评级论坛收集的数据，在弗吉尼亚理工大学教授的几百门课程。我们还复制了我们对美国几所公立大学的分析。我们的实验表明，有一个明显的，虽然复杂的偏见，对课程成绩的教授评级注册的学生。
2019-05-06 cs.CY cs.SI
A Social Network Analysis on Blended Courses
近年来，大规模的在线管理系统（如Moodle）、在线论坛（如Piazza）和在线作业系统（如WebAssign）在混合课程中得到了广泛的应用。教师可以使用这些系统来提供课堂内容和材料。学生可以通过在线论坛与同学交流，分享课程材料，并讨论课程问题。随着网络教学系统的广泛使用，大量的学生互动数据被收集起来。这些数据可以用来分析学生的学习行为和预测学生的学习成果。在这项工作中，我们收集了学生的互动数据在三个不同的混合课程。我们将数据表示为有向图，并研究了社交图属性与学生最终成绩之间的相关性。研究结果显示，在所有的班级中，在论坛上提问越多、得到反馈越多的学生，成绩越高。这项工作的意义在于，我们可以利用这些结果鼓励学生更多地参与论坛，以更好地学习课堂材料;我们还可以根据社会指标建立一个预测模型，在学期初向我们展示表现不佳的学生。
2017-09-29 cs.CY cs.SI
Exploring the context of course rankings on online academic forums
大学生经常使用在线课程排名论坛提供的工具来分享和讨论他们对各种课程的教学质量和内容的满意度。学生对一门课程中所采用的教学法的有效性的看法是教授、教学设计者和大学管理者的众多决定的反映。这种复杂性激发了大量关于课程排名的效用、可靠性和行为相关性的研究。然而，很少有调查（潜在的）隐含的学生偏见，在这些论坛上对理想的课程成果在机构一级。为此，我们研究课程成果（学生报告的GPA）和初级课程讲师的整体排名之间的联系，以及课程成果性质的评级差异，基于两个流行的学术评级论坛的数据。我们对弗吉尼亚理工大学及其25所SCHEV批准的同行机构教授的一万多门课程的排名数据进行了实验，结果表明，在学生注册的教授评级中，对课程结果存在明显但复杂的偏见。
2019-07-10 cs.CY cs.SI
Context-aware Non-linear and Neural Attentive Knowledge-based Models for Grade Prediction
Department of Computer Science and Engineering University of Minnesota（明尼苏达大学计算机科学与工程系）
对学生尚未选修的未来课程的成绩预测很重要，因为它可以在课程选择过程中帮助他们和他们的顾问，以及设计个性化的学位计划并根据他们的表现进行修改。基于累积知识的回归模型（CKRM）是准确预测学生未来课程成绩的成功方法之一。CKRM学习浅层线性模型，预测学生的成绩作为他/她的知识状态和目标课程之间的相似性。然而，学生之前学习的课程可能具有\black{different contributions when estimating a student's knowledge state and towards each target course, which}，无法通过线性模型捕获。此外，CKRM和其他等级预测方法忽略了同时采取的课程对学生在目标课程的表现的影响。在本文中，我们提出了上下文感知的非线性和神经注意模型，可以更好地估计学生的知识状态，从他/她以前的课程信息，以及模型之间的相互作用的目标课程和并发课程。与竞争的方法相比，我们的实验上的一个大型的真实世界的数据集，包括超过$1.5$ M成绩表明，所提出的模型在准确预测学生的成绩的有效性。此外，神经注意力模型学习的注意力权重可以帮助更好地设计他们的度计划。
2020-03-09 cs.CY cs.LG stat.ML
Integrating ChatGPT in a Computer Science Course: Students Perceptions and Suggestions
本研究通过访谈七名学生，探讨了在计算机科学课程中整合ChatGPT的看法，发现其能增强学习体验但过度依赖可能损害批判性思维，强调需谨慎平衡使用。
2023-12-22 cs.CY cs.HC
A systematic literature review of capstone courses in software engineering
高等教育机构的目标是为计算机科学和软件工程学生的工作生活做好准备。虽然大部分技术原理都包含在较低级别的课程中，但基于团队的顶点项目是为学生提供实践经验和教授软技能的常见方式。本文探讨了软件工程顶点课程在文献中提出的特点。这项工作的目标是通过综合软件工程顶点课程和相关经验的各个方面来了解不同方法的利弊。在2007-2022年的系统性文献综述中，我们确定了127项主要研究。这些研究分析的基础上，他们提出的课程特点和报告的课程成果。这些特征被合成为一个分类法，包括持续时间，团队规模，客户和项目来源，项目实施和学生评估。我们发现，顶点课程通常持续一个学期，并将学生分成4-5人一组，他们为客户做一个项目。对于大多数课程来说，客户是课程工作人员之外的，学生通常需要制作一个概念验证级别的软件产品作为主要的最终交付成果。这些课程还为整个项目的学生提供多功能评估。本文在前人研究的基础上，对软件工程顶尖课程的特点进行了分类，为研究者和教育工作者提供了一个参考。我们进一步综合了对顶点课程报告结果的见解。我们的审查研究旨在帮助教育工作者确定组织顶点的各种方式，并有效地计划和提供自己的顶点课程。这些特征也有助于研究人员对软件工程的顶点进行进一步的研究。
2023-01-09 cs.CY cs.SE
Enhancing Student Feedback Using Predictive Models in Visual Literacy Courses
本研究利用朴素贝叶斯模型分析五年视觉素养课程同行评审数据，发现名词和谎言因子为关键特征，相比Beasley方法提供更具体的预测框架，经保留法和k折交叉验证，能有效预测并改善课程反馈。
2024-05-23 cs.CY cs.MM
An Empirical Study of Teaching Methodologies and Learning Outcomes for Online and in-class Networking Course Sections
为了提高学生的学习，我们展示了一个实验研究，分析学生的学习成果，在网上和课堂上的部分的核心数据通信课程的本科信息科学与技术（IST）部门在乔治梅森大学（GMU）。在这项研究中，学生的表现是根据课程评估。这包括家庭和实验室作业，基于技能的评估，以及课程所有4个部分的传统期中考试。所有部分都有类似的内容，评估计划和教学方法。在我们的研究中，学生的人口统计数据，如考试类型和位置偏好，可能会在他们的学习过程中发挥重要作用。我们必须从学习管理系统（LMS），黑板（BB）学习收集大量的数据，以比较和研究几个评估结果的所有学生在各自的部门和其他部门的学生之间的结果。然后，我们试图了解人口统计学是否有任何影响学生的表现，通过关联个别学生的调查反应，他/她在课堂上的表现。截至学期中期的数值结果揭示了学生在在线和面对面（F2 F）部分的成功显着的见解。
2017-11-15 cs.CY physics.ed-ph stat.AP
Development of Mobile-Interfaced Machine Learning-Based Predictive Models for Improving Students Performance in Programming Courses
Federal University, Oye-Ekiti（奥耶埃基蒂联邦大学）；Federal University of Technology, Akure（阿库雷联邦理工大学）；Caleb University（迦勒大学）；LAUTECH（拉多克·阿金托拉科技大学）
学生表现建模是评估和提高学生学习语篇表现的关键步骤。然而，大多数现有的SPM是基于统计方法，这一方面是基于概率，描绘的结果是基于估计;另一方面，隐藏的因素，是特有的学生，讲师，学习环境和家庭的实际影响，连同他们的整体效果对学生的表现还没有彻底调查。本文利用M5 P决策树和线性回归分类器建立了提高学生程序设计成绩的学生成绩模型。使用的数据是使用结构化问卷从200和300级学习的295名学生中收集的，他们在2012年至2016年期间在尼日利亚的Oye-Ekiti联邦大学提供Web编程，C或JAVA。隐藏的因素是显着的学生在编程中的表现被确定。相关数据被收集、标准化、编码并准备为变量和因子数据集，并输入MDT算法和LRC以开发预测模型。所获得的评价结果表明，基于变量的LRC产生的最佳模型的MAE，均方根误差，RAE和RRSE产生的最小值在所有进行的评价。进一步取得的结果建立了学生和讲师的态度，学生的恐惧感，不稳定的电源，大学设施，学生的健康和学生出勤率的学生在编程课程的表现有很强的意义。本文提出的基于变量的LRC模型可以提供有关学生表现的基线信息，从而为提高编程课程的教学/学习效果提供更好的决策。
2019-01-09 cs.CY cs.LG stat.ML
