深入探究 MOOC 学生辍学预测
人工智能
2017-02-22 v1 计算机与社会
摘要
为了获得自动 MOOC 辍学预测器的可靠准确度估计，必须以与其实际使用方式一致的方式训练和测试它们。然而，大多数先前关于 MOOC 辍学预测的研究都在用于训练分类器的同一门课程上测量测试准确度，这可能导致过于乐观的准确度估计。为了更好地理解准确度如何受训练+测试模式的影响，我们比较了标准辍学预测架构（点击流特征 + 逻辑回归）在 4 种不同训练范式下的准确度。结果表明：(1) 在同一门课程上训练和测试（“事后”）可能会高估准确度几个百分点；(2) 基于学生持久性的代理标签训练的辍学分类器与事后训练相比具有惊人的竞争力（在 40 门 HarvardX MOOC 的 8 周内平均 AUC 为 87.33% 对比 90.20%）；(3) 分类器性能在不同学科间没有显著差异。最后，我们还研究了基于深度全连接前馈神经网络的新辍学预测架构，并发现 (4) 具有多达 5 个隐藏层的网络可以在统计上显著提高测试准确度，超过逻辑回归。
引用
@article{arxiv.1702.06404,
title = {Delving Deeper into MOOC Student Dropout Prediction},
author = {Jacob Whitehill and Kiran Mohan and Daniel Seaton and Yigal Rosen and Dustin Tingley},
journal= {arXiv preprint arXiv:1702.06404},
year = {2017}
}