让团队留在比赛中：预测在线基于问题的学习竞赛中的退赛行为
机器学习
2023-12-29 v1 计算机与社会
人机交互
摘要
在线学习和慕课（MOOCs）近年来日益普及，鉴于技术繁荣，这一趋势将持续下去。迫切需要观察这些在线课程中学习者的行为，类似于教师在面对面课堂中的做法。学习者的策略和活动对于理解其行为至关重要。在线课程的一个主要挑战是预测和防止退赛行为。虽然已有几项研究试图进行此类分析，但仍缺乏利用不同数据流来理解和预测退赛率的研究。此外，研究很少使用完全在线的团队协作环境作为背景。因此，本研究采用在线纵向基于问题的学习（PBL）协作机器人竞赛作为测试平台。通过方法三角互证，本研究旨在通过参与团队的话语讨论论坛“活动”贡献以及自我报告的在线学习策略问卷（OSLQ）来预测退赛行为。本研究还使用定性访谈来增强真实性和结果。OSLQ 数据收集自 4000 多名参与者。此外，本研究旨在确立 OSLQ 的可靠性，以推进在线环境内的研究。应用了各种机器学习算法来分析数据。研究结果证实了 OSLQ 在我们大样本量下的可靠性，并揭示了预测在线竞赛退赛率的良好前景。
引用
@article{arxiv.2312.16362,
title = {Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition},
author = {Aditya Panwar and Ashwin T S and Ramkumar Rajendran and Kavi Arya},
journal= {arXiv preprint arXiv:2312.16362},
year = {2023}
}