理解 CS1 课程中不同 dropout 风险学生的自我调节学习行为：结合轨迹日志、 dropout 预测与自报告数据
计算机与社会
2026-04-28 v2
摘要
大学层面的编程入门课程 (CS1) 常被视为尤其具有挑战性，这导致计算机科学学生的 dropout 率较高。识别学生在该课程中何时何地遇到困难对于提供有针对性的支持至关重要。本研究以自我调节学习 (SRL) 为理论框架，探讨 CS1 学生在不同 dropout 风险下的行为模式。我们利用学习分析工具，对来自虚拟学习环境的轨迹日志和任务性能数据进行分析，以绘制资源使用模式，并利用学生 dropout 预测方法区分低风险与高风险行为。我们使用 47 名同意参与的学生完成分析。此外，来自 29 名参与者的自报告问卷数据丰富了所观察模式的解释。研究结果揭示了不同周次的学习策略类型，并对课程行为进行了分类。在低 dropout 风险学生中，识别出三种不同的学习策略，这些策略在学生如何优先完成任务和阅读课程材料方面存在差异。高 dropout 风险学生表现出九种不同的策略，其中一些代表可以从中恢复的暂时性不成功策略，而另一些则表明即将 dropout 的学生行为。这一研究凸显了结合学生行为轮廓与预测性学习分析来解释 dropout 预测并制定有针对性干预的价值。本研究的实践发现可用于帮助教师、助教及其他从业者更好地识别和应对即将 dropout 的学生。
引用
@article{arxiv.2506.09178,
title = {Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports},
author = {Denis Zhidkikh and Ville Isomöttönen and Toni Taipalus},
journal= {arXiv preprint arXiv:2506.09178},
year = {2026}
}
备注
41 pages, 8 figures, 4 tables, submitted to ACM Transactions on Computing Education