将行为分析与机器学习集成以预测线上学习表现：一种计量分析与实证研究

使用机器学习算法预测线上学习表现的兴趣正在稳步增加。我们首先进行计量分析，以系统性综述该领域的研究。发现表明，大多数现有研究在不考虑学习行为模式的情况下应用机器学习方法，这可能损害机器学习方法的预测准确性和精确度。该研究提出一种集成框架，将学习行为分析与机器学习算法结合，以提高学生线上学习表现的预测准确性。具体而言，该框架通过采用聚类分析识别学生的不同学习模式，并在每种模式内实现各种机器学习算法进行表现预测。为演示 purposes，本研究将该集成框架应用于 edX 的真实数据集，并区分出两种学习模式，即低自主学生和有动力的学生。结果表明，该框架对自主学生几乎实现完美的预测表现，对有动力的学生则表现令人满意。此外，本研究比较了该集成框架与直接应用机器学习方法（不进行学习行为分析）的预测表现，使用了全面的评估指标。结果一致显示，集成框架在预测性能上优于直接方法，尤其是与表现最佳的 XGBoost 方法集成时效果更佳。此外，该框架在改善有动力学生以及最差性能的随机森林方法的预测准确性方面也具有显著作用。本研究还使用 LightGBM 结合 SHAP 值评估了每种学习行为在不同模式中的重要性。就该集成框架及其结果对线上教育实践和未来研究的意义作了讨论。