面向退课预测的大规模开放在线课程时序画像
信息检索
2017-10-11 v1 机器学习
摘要
大规模开放在线课程（MOOCs）正吸引着全世界人们的关注。无论在哪个平台，在线课程的注册人数都令人瞩目，但与此同时，完成率却令人失望。基于学习者画像理解退课机制在 MOOCs 中成为一项关键任务，因为这允许在正确的时刻进行干预，以协助学习者完成课程。在本文中，我们首先提取了描述学习者在课程中行为特征的特征，随后在两项任务中比较了三种分类器（逻辑回归、随机森林和 AdaBoost），从而对学习者在 MOOC 中的退课行为进行了深入研究：预测哪些用户将在某周前退课，以及预测哪些用户将在特定周退课。前者被证明要容易得多，三种分类器表现同样出色。然而，第二项任务的准确率较低，且逻辑回归的表现略优于另外两种算法。我们发现，反映用户对 MOOC 积极态度的特征（如提交作业、在论坛发帖和填写个人资料）是坚持学习的强有力指标。
引用
@article{arxiv.1710.03323,
title = {Massive Open Online Courses Temporal Profiling for Dropout Prediction},
author = {Tom Rolandus Hagedoorn and Gerasimos Spanakis},
journal= {arXiv preprint arXiv:1710.03323},
year = {2017}
}
备注
8 pages, ICTAI17