利用可解释机器学习揭示Moodle中的学生参与模式

通过数字平台理解和增强学生参与度在高等教育中至关重要。本研究引入了一种方法，利用虚拟学习环境（VLE）活动日志数据量化整个模块的参与度。通过使用学习会话频率、即时性和多样性，我们创建了一个累积参与度指标，并将其与每周VLE与资源的交互进行建模，以识别预测学生参与度的关键时期和资源。在伦敦大学学院统计科学系的一个计算机模块案例研究中，我们进一步考察了授课方式（在线、混合、面授）对学生行为的影响。在九个回归模型中，我们验证了随机森林模型的一致性，并强调了广义加性模型在分析参与模式方面的解释优势。结果表明，每周VLE点击量是可靠的参与度预测因子，其中早期几周和第一个评估期是关键。然而，由于模型间的不一致性，授课方式对参与度的影响尚无定论。这些发现支持早期干预策略，以帮助有脱离风险的学生。这项工作通过提出一种基于VLE的精细化参与度指标，并推进高等教育中数据驱动的教学策略，为学习分析研究做出了贡献。