MOOC 学习对辍学者而言有所不同吗？一种视觉驱动、多粒度的可解释机器学习方法

数百万人已注册并正在注册（尤其在新冠疫情世界中）MOOC。然而，学习者的留存率出了名地低。关于此问题的大部分研究工作聚焦于预测辍学率，但极少将可解释的学习模式作为该分析的一部分。然而，学习模式的视觉表征可对不同课程中学习者行为提供更深入的洞察，而数值分析能够——且可以说应当——用于确认后者。因此，本文提出并比较了针对课程完成者与未完成者学习模式（基于点击流数据）的不同粒度可视化方法。在我们分析的大规模 MOOC 中，跨多个领域，我们的细粒度、鱼眼可视化方法显示未完成者更可能在其学习时段中向前跳跃，常处于“赶进度”路径上，而完成者表现出线性行为。对于较粗的鸟瞰粒度可视化，我们观察到学习者在学习活动类型间的转换，获得了类型化转换图。由统计显著性分析与机器学习支撑的结果，为课程教师提供了洞察，使其通过调适课程设计来维持学习者参与度，不仅依据“干瘪”的预测值，还依据可提取的可解释、视觉可行的路径。