基于可解释机器学习的志愿小测验中学生疏离检测
人工智能
2025-07-08 v2 机器学习
摘要
学生对任务的疏离可能导致严重的长期后果，包括学业中断。这在距离教育中的学生尤其相关。衡量距离教育中疏离程度的一种方式是观察不同在线课程中对非必需练习的参与情况。本文针对一所基于距离教育的大学的42门课程（四个学期）中的非必需小测验，检测学生的疏离情况。我们仔细识别了可以从 Moodle 中提取和处理的、最具信息性的学生日志数据。随后，对八种机器学习算法进行训练和比较，以获得最高的预测准确率。采用 SHAP 方法，我们开发了一个可解释的机器学习框架，使实践者能够更好地理解训练算法的决策。实验结果显示，平衡准确率为 91%，约 85% 的疏离学生被正确检测到。在高度预测性能和可解释框架的基础上，我们提供了关于如何设计及时干预以最小化在线学习中志愿任务疏离的讨论。
引用
@article{arxiv.2507.02681,
title = {Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education},
author = {Behnam Parsaeifard and Christof Imhof and Tansu Pancar and Ioan-Sorin Comsa and Martin Hlosta and Nicole Bergamin and Per Bergamin},
journal= {arXiv preprint arXiv:2507.02681},
year = {2025}
}
备注
16 pages, 8 figures