基于群体的参与度能否改善个性化？一种新颖数据集与实验

本工作探索基于群体的参与度预测如何在大规学习资源集合中规模化解决冷启动问题。论文引入i) VLE，一种由公开可用科学视频讲座中提取的基于内容与视频的特征，以及与之相关的学习者隐式与显式参与信号组成的新颖数据集；ii) 两个关于预测和排序视频讲座中上下文无关参与度的标准任务及初步基线；iii) 一组验证所提数据集有用性的实验。我们的实验结果表明，新提出的VLE数据集可构建显著优于基于先前数据集的上下文无关参与度预测模型，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、聚焦电子学习/MOOC用例的模型方面的适用性也得到了证明。将所构建模型与个性化算法结合的进一步实验显示出在解决教育推荐系统中遇到的冷启动问题方面有前景的改进。据我们所知，这是处理学习者参与度预测任务的最大且最多样的公开可用数据集。该数据集、辅助工具、描述性统计和示例代码段均公开可用。