检测网络安全练习中失败的学生——两种学习环境中的比较研究

本篇全论文在研究轨道中评估了使用网络安全练习中记录的数据来预测可能表现不佳的学生。动手练习对于学习至关重要，因为它们使学生能够练习技能。在网络安全领域，动手练习往往复杂且涉及众多主题。因此，学生可能因知识缺口而遗漏解决方案并感到沮丧，这会阻碍其学习。面向此问题的针对性帮助需要由教师提供，但由于教师时间有限，需要高效的方式来检测困扰的学生。本文开发了自动化工具来预测学生何时遇到困难。我们收集了来自两个国家两个学习环境（KYPO CRP 和 EDURange）的 313 名学生行为数据，用于机器学习算法预测这些环境中练习结果的成功情况。在提取特征后，我们对八种分类器进行训练和交叉验证，以评估其预测能力。本文的贡献在于比较两种特征工程、建模和分类性能在两个学习环境数据上的表现。使用来自两种学习环境的特征，我们能够检测并区分成功和困扰的学生。决策树分类器在两个学习环境的数据上实现了最高的平衡准确率和灵敏度。结果表明，网络安全练习的数据适合预测学生成功情况。在潜在应用中，这些模型可帮助教师检测困扰的学生并提供针对性帮助。我们发布数据和代码，以便他人采用或调整。