利用 MOOC 中的细粒度大规模行为数据建模学生行为

数字学习环境生成了学习者在与学习材料互动并完成练习以达成理解时所采取行动的精确实录。面对如此大量的序列数据，有可能应用时间序列模型，基于学生行动的细粒度记录来学习表征成功学习的潜在行为模式和趋势。存在多种方法用于考察学习环境中记录的此类纵向序列数据。在语言建模领域，传统的 n-gram 技术和现代循环神经网络（RNN）方法已被应用于算法化地发现语言结构，并根据句子或段落中的前序单词预测下一个单词。在本文中，我们类比这项工作，将 MOOC 中学生查看资源和互动的序列作为输入，并预测学生的下一次互动作为输出。在本研究中，我们仅针对获得结业证书的学生进行训练。通过这样做，该模型潜在地可用于推荐最终通向成功的序列，而不是延续无效行为。鉴于我们研究中使用的 MOOC 拥有超过 3,500 个独特资源，预测学生接下来将与哪个确切资源互动似乎是一个困难的分类问题。我们发现，仅遵循教学大纲（课程的内置结构）进行预测的平均准确率为 23%，其次是 n-gram 方法为 70.4%，基于 RNN 的方法为 72.2%。这项研究为 MOOC 及其他存在大量序列数据的数字学习环境中的推荐系统奠定了基础。