识别用于预测学业风险学生的关键学习管理系统特征
计算机与社会
2022-05-02 v1 机器学习
摘要
学习管理系统（LMS）已成为高等教育中不可或缺的部分，并在帮助教育机构促进学生成功方面发挥重要作用。传统上，LMS 被高等教育机构用于管理、报告与教学内容交付。在本文中，我们提出 LMS 的一种附加用途：利用其数据日志进行数据分析并识别学业风险学生。数据驱动的洞察将使教育机构和教育者能够制定并实施针对学业风险学生的教学干预。我们使用了本学院在 2019 年秋季、2020 年春季和 2020 年秋季学期由 Brightspace LMS 创建的匿名数据日志。使用监督机器学习算法预测学生课程最终表现，发现若干算法表现良好，准确率超过 90%。使用 SHAP 值方法评估预测模型中各特征的相对重要性。还使用无监督学习根据学生与 LMS 交互/参与的相似性将其分组为不同簇。在有监督与无监督学习中，我们均识别出两个最重要特征（作业提交次数与内容完成量）。更重要的是，我们的研究为开发可集成到 LMS 中的实时数据分析指标奠定了基础并提供框架。
引用
@article{arxiv.2204.13700,
title = {Identifying Critical LMS Features for Predicting At-risk Students},
author = {Ying Guo and Cengiz Gunay and Sairam Tangirala and David Kerven and Wei Jin and Jamye Curry Savage and Seungjin Lee},
journal= {arXiv preprint arXiv:2204.13700},
year = {2022}
}