多模态在线环境中 K-12 高危学生的识别：一种机器学习方法
计算机与社会
2020-06-02 v2 人机交互
机器学习
摘要
随着 K-12 在线学习平台的迅速涌现，教育的新时代已经开启。建立一个辍学预警框架以 preemptively（预先）识别有辍学风险的 K-12 在线课程学生至关重要。先前的研究者聚焦于预测大规模开放在线课程（MOOCs）中的辍学，这类课程通常提供高等教育，即顶尖机构的研究生水平课程。然而，极少有研究致力于为 K-12 在线课程学生开发机器学习方法。本文中，我们开发了一个机器学习框架，用于在 K-12 多模态在线环境中进行精准的高危学生识别。我们的方法考虑了 K-12 学生周围的线上与线下因素，旨在解决以下挑战：（1）多模态性，即 K-12 在线环境涉及来自视频、语音等不同模态的交互；（2）长度可变性，即具有不同学习历史长度的学生；（3）时间敏感性，即辍学可能性随时间变化；（4）数据不平衡，即仅有不到 20% 的 K-12 学生会选择退课。我们进行了广泛的离线与在线实验以证明方法的有效性。在离线实验中，我们在真实世界教育数据集上表明，与最先进的基线相比，我们的方法提升了辍学预测性能。在在线实验中，我们在一个第三方 K-12 在线辅导平台上测试了我们的方法长达两个月，结果显示超过 70% 的辍学学生被系统检测到。
引用
@article{arxiv.2003.09670,
title = {Identifying At-Risk K-12 Students in Multimodal Online Environments: A Machine Learning Approach},
author = {Hang Li and Wenbiao Ding and Zitao Liu},
journal= {arXiv preprint arXiv:2003.09670},
year = {2020}
}
备注
The 13th International Conference on Educational Data Mining (EDM 2020), 2020