Detecting Student Engagement in an Online Learning Environment Using a Machine Learning Algorithm

doi:10.3390/informatics12020044

2025-08-17

Youssra Bellarhmouch *

Hamid Tairi

Nadia Benjelloun

DOI：10.3390/informatics12020044

原文链接

原文求助

摘要

En 中文

本文探讨了在线学习者参与度，这是一个涵盖多个维度（行为、情感和认知）的复杂概念，并被认为是学习效果的关键指标。参与度涉及参与、动机、坚持和反思，有助于促进内容理解。预测参与度，尤其是行为参与度，可以鼓励互动，并帮助教师调整教学方法。研究目标是开发一个预测模型，根据参与度对学习者进行分类，使用学业成果等指标识别困难迹象。本研究表明，测验和考试中的参与度可以预测课程参与度，从而促进个性化学习。我们利用监督机器学习算法，基于Kaggle数据库，预测三个层次的参与度：测验、考试和课程。测验和考试成绩被用于创建课程的预测模型。模型的性能通过经典指标（如精确率、召回率和F1分数）进行评估。在所评估的模型中，决策树模型表现最佳，分别实现了97%和98.49%的准确率，用于预测测验和考试的参与度。K-最近邻（KNN）和梯度提升模型也表现出色，尽管略逊于决策树。结果表明，三个层次的参与度预测之间存在强相关性。这表明测验和考试中的参与度（即评估参与度）是整体参与度的相关指标。积极的学习者在这些评估中表现更好。及早识别有风险的学习者可以实施针对性干预，优化其参与度。

Keyword:

online learner engagement

behavioral engagement

machine learning

predictive modeling

educational assessment