帮助学生坚持MOOCs

时间:2019-03-04 16:17:53 阅读:2次
MOOCs - 大规模开放式在线课程 - 为大量人群提供世界一流的教育资源,但他们也遭受了高流失率。
在某种程度上,这是不可避免的:许多报名参加MOOC的人可能没有兴趣做家庭作业,而只是计划在业余时间听录像讲座。
然而,其他人可能会以完成这些课程的坚定意图开始课程,但会因生活的其他要求而脱轨。在辍学之前识别这些人并为他们提供额外帮助可以使他们的MOOC参与更有成效。
问题是你不知道究竟是谁辍学了 - 或者用MOOC的说法,“停了下来” - 直到MOOC完成。一个错过的截止日期不是止损;但是在第二次或第三次错过最后期限之后,干预做任何好事都可能为时已晚。
上周,在国际人工智能教育会议上,麻省理工学院的研究人员表明,对一门课程提供的数据进行培训的辍学预测模型可以帮助预测哪些学生将停止下一次提供。即使课程的组织发生变化,预测仍然相当准确,因此在一次提供期间收集的数据与下一次提供的数据不完全匹配。
“在机器学习中有一个已知的领域称为转移学习,你可以在一个环境中训练机器学习模型,看看你需要做些什么才能使它适应新环境,”麻省理工学院计算科学研究科学家Kalyan Veeramachaneni说。与麻省理工学院技术与政策项目研究生Sebastien Boyer一起进行研究的人工智能实验室。 “因为如果你无法做到这一点,那么除了可能给你的洞察力之外,模型不值得。它不能用于实时预测。“
通用描述符
Veeramachaneni和Boyer的第一步是开发一组变量,这些变量可以让他们比较同一课程的不同产品中收集的数据 - 或者实际上是不同课程的产品。这些包括诸如每个正确的家庭作业问题花费的平均时间和用于视频讲座或其他资源花费的时间量之类的事情。
接下来,对于同一课程的三个不同产品中的每一个,他们将这些变量的原始值与类别平均值进行标准化。因此,例如,一个学生每周花两个小时观看课程平均分为三的视频,观看得分为0.67,而每周花四小时观看视频的学生则得分为1.33。
他们通过机器学习算法运行第一个课程提供的标准化数据,该算法试图找到变量的特定值和停止之间的相关性。然后,他们使用这些相关性来尝试预测课程的下两个课程中的停止。他们使用第二个课程提供重复该过程,使用得到的模型预测第三个课程的停止。
小费平衡
该模型的预测已经相当准确。但Veeramachaneni和Boyer希望做得更好。他们尝试了几种不同的技术来提高模型的准确性,但最好的技术称为重要性抽样。对于参加课程的第二次提供的每个学生,他们发现第一次提供的学生提供了最接近的匹配,由所有变量中考虑的“距离函数”确定。然后,根据比赛的接近程度,他们在机器学习过程中给出了第一个提供更大权重的学生的统计数据。
通常,使用重要性采样的模型版本比未修改版本更准确。但差异并不是很大。在正在进行的工作中,Veeramachaneni和Boyer正在修补距离函数和相应权重的计算,以期提高模型的准确性。
他们还继续扩展模型可以考虑的变量集。 “我认为非常重要的变量之一是学生花在周末课程上的时间比例,”Veeramachaneni说。 “这个变量必须代表它们的繁忙程度。与其他变量放在一起应该告诉你,学生有很强的动力去做这项工作,但却很忙。那是我接下来要优先考虑的那个。“
帮助学生坚持MOOCs所属专题:坚持专题 帮助专题 《帮助学生坚持MOOCs》链接:http://www.zhouchuanxiong.net/462

帮助学生坚持MOOCs相关文章