基于短期教育科技日志数据预测学生长期表现
计算机与社会
2025-01-17 v2 人机交互
机器学习
摘要
教育利益相关者通常对稀疏、滞后的学生表现（如年终全州统考）特别感兴趣。此类评估的罕见发生使得识别可能不及格的学生变得更加困难，同时也使得研究人员和教育工作者难以评估特定教育工具的有效性。先前的工作主要集中在使用学生完整使用（例如全年）某教育产品的日志来预测表现，或者考虑使用几分钟的日志来预测短时间（例如1小时）课程后的表现。相比之下，我们研究了使用学生最初几小时使用期间的日志的机器学习预测器，能否为这些学生学年末的外部评估提供有用的预测洞察。我们在三个不同的数据集上进行了此操作：来自乌干达使用一款识字游戏产品的学生，以及来自美国使用两款数学智能辅导系统的学生。我们考虑了所得预测器准确性的各种衡量指标，包括其识别处于评估表现分布不同位置的学生能力。我们的研究结果表明，2-5小时的短期日志使用数据可用于提供关于学生长期外部表现的有价值信号。
引用
@article{arxiv.2412.15473,
title = {Predicting Long-Term Student Outcomes from Short-Term EdTech Log Data},
author = {Ge Gao and Amelia Leon and Andrea Jetten and Jasmine Turner and Husni Almoubayyed and Stephen Fancsali and Emma Brunskill},
journal= {arXiv preprint arXiv:2412.15473},
year = {2025}
}
备注
Accepted to the 15th International Learning Analytics and Knowledge Conference (LAK2025)