在线课程中任务完成序列的数据驱动建模与表征

学习的内在时间性要求采用能够利用时间序列信息的方法论。在本研究中，我们利用序列数据框架，展示如何对在线课程中任务完成的时间序列进行数据驱动分析，以表征个人与群体学习者的行为，并识别给定课程设计中的关键任务与课程环节。我们还引入一种近期发展的概率贝叶斯模型，以学习学生的序列轨迹并预测学生表现。我们将基于序列的数据驱动分析应用于修读在线工商管理课程的学习者数据，揭示了学习者群体中的不同行为，识别出偏离课程预期 nominal 顺序的学习者或学习者群体。利用课程成绩的事后数据，我们探究了高表现与低表现学习者之间的行为差异。我们发现高表现学习者比低表现学习者更规律地遵循每周环节间的进度，但在每个每周环节内，高表现学习者较少受限于 nominal 任务顺序。随后我们使用该概率贝叶斯模型对高、低表现学生的序列建模，表明我们可以学习与表现相关的参与行为。我们还展示数据序列框架可用于以任务为中心的分析；我们识别了课程设计中的关键节点及各类任务间的差异。我们发现非死记硬背的学习任务，如互动任务或讨论发帖，与更高表现相关。我们讨论了此类分析技术作为课程设计、干预与学生督导辅助手段的应用。