用于在线学习中自我调节学习评估的过程挖掘
计算机与社会
2024-03-20 v1 机器学习
摘要
近几十年来，在线学习场景中的内容评估已得到广泛改善。然而，在线学习过程可能产生时空差距，这不仅对内容评估，而且对学生获取自我调节学习等核心技能的评估构成了有趣的挑战。我们的目标是通过使用过程挖掘技术，发现在线学习课程期间学生的自我调节学习过程。我们在教育领域应用了一种名为 Inductive Miner 的新算法，处理了在 Moodle 2.0 平台上进行的一个学期课程中 101 名大学生的交互轨迹。从该平台的事件日志中提取了包含 21629 条轨迹的数据，以发现有助于改善教学过程的学生自我调节模型。Inductive Miner 算法在该数据集中为及格和不及格的学生发现了在适应度方面最优的模型，以及在一定粒度水平上可以用教育术语解释的模型，这是模型发现中最重要的成就。我们可以得出结论，尽管及格的学生并未完全遵循教师的建议，但他们确实遵循了成功的自我调节学习过程的逻辑，这与他们不及格的同学不同。过程挖掘模型还允许我们检查学生执行了哪些具体操作，特别有趣的是，在及格组中看到了与论坛支持的协作学习相关操作的高出现率，而在不及格组中则没有这些操作。
引用
@article{arxiv.2403.12068,
title = {Process mining for self-regulated learning assessment in e-learning},
author = {R. Cerezo and A. Bogarin and M. Esteban and C. Romero},
journal= {arXiv preprint arXiv:2403.12068},
year = {2024}
}