探索学生参与度与学业结果：一门本科课程三个周期的教学经验

教育数据挖掘中的许多研究针对特定的学习者群体（如家族中首位接受高等教育者），或聚焦于性别、族裔等特征差异，旨在预测学业表现并设计干预措施以改善结果。在高等教育中，这体现为机构对学员群体层面数据分析的浓厚兴趣，以及向高等教育机构推广用于支持数据收集、整合与分析的工具。然而，对于学位项目中负责课程模块/单元的教师而言，现实往往与中央主导数据分析所倡导的那些看似得到充分支持且日益复杂的方法相去甚远。模块负责人常发现自己要使用多个未整合的学生数据系统，这些系统可能包含相互冲突的数据，且需要投入大量精力来提取、清理并有意义地分析数据。本文认为，在此背景下从模块层面的经验以及随后对多年相关数据的分析中可汲取重要教训。文中描述了每年所做的改动，并采用多种数据分析方法，在事后识别与四个关注领域相关的发现。关键发现是：开学前三周未使用虚拟学习环境（Virtual Learning Environment）是学业失败的最强预测因子，而早期参与度与最终成绩相关性最强。基于这些发现提出了一般性建议，对于仍面临获取整合、最新学生信息这一日常挑战的模块负责人应具有价值，并将展示此类自下而上活动如何为机构层面/自上而下在相关技术使用上的规划提供见解。