利用图表示学习增强 MOOC 中成绩自动预测的性能
机器学习
2023-10-20 v1 人工智能
摘要
近年来，大规模开放在线课程（MOOCs）作为在线学习中迅速发展的现象获得了显著关注。与传统课堂不同，MOOC 为来自不同背景和地理位置的多样化受众提供了独特的机会。知名大学和 Coursera 等 MOOC 专属提供商提供各类学科的 MOOC 课程。由于高注册量和师生间有限的直接互动，诸如成绩和早期退课预测等自动评估任务是必要的。然而，当前的自动评估方法忽视了下游任务中不同实体（如学生和课程）之间的结构联系。我们的假设表明，这些通过交互图显现的结构关系包含有价值的信息，可增强当前任务的性能。为验证此假设，我们为一个大型 MOOC 数据集构建了独特的知识图，该图将向研究界公开。此外，我们利用图嵌入技术提取数据集中实体间交互所编码的潜在结构信息。这些技术不需要真实标签，并可用于多种任务。最后，通过结合实体特定特征、行为特征和提取的结构特征，我们增强了预测机器学习模型在学生作业成绩预测中的性能。我们的实验表明，结构特征能显著提升下游评估任务的预测性能。代码与数据可在 \url{https://github.com/DSAatUSU/MOOPer_grade_prediction} 获取。
引用
@article{arxiv.2310.12281,
title = {Enhancing the Performance of Automated Grade Prediction in MOOC using Graph Representation Learning},
author = {Soheila Farokhi and Aswani Yaramala and Jiangtao Huang and Muhammad F. A. Khan and Xiaojun Qi and Hamid Karimi},
journal= {arXiv preprint arXiv:2310.12281},
year = {2023}
}