.png){kind=icon}
返回
Quantile-based e-Learning Student Engagement Classification
.png){kind=icon}
OA
AI
DOI：10.34190/ejel.24.3.4678.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确分类学生参与度对于及时进行学术干预至关重要；然而，大多数现有方法依赖任意定义的阈值，缺乏统计依据，且难以在不同机构背景下迁移。这一局限性降低了参与度分析在教育环境中的实际应用价值。本研究通过对比两个不同数据集，评估了一种基于分位数的参与度分类框架的有效性、迁移性和预测特征的一致性。与基于阈值的方法不同，所提出的框架直接从数据集特定的交互分布中推导参与度类别。开放大学学习分析数据集（OULAD）代表大规模完全在线学习，而Unistudium数据集反映了一个较小的混合学习环境。这两个数据集在规模和交付模式上存在显著差异，学生比例为约17.4:1。这种对比为评估方法的迁移性提供了严格的基础。参与度类别（被动、中等和活跃）通过数据集特定的四分位数阈值（Q1和Q3）推导得出。该策略能自动适应本地交互分布，避免手动参数调整。提取了五个时间行为特征，包括活跃天数、独特操作和学习一致性。随机森林被用作提出的模型，而决策树分类器作为基线进行比较评估。结果表明，所提出的框架在不同教育背景下均保持有效。在OULAD数据集中，模型准确率达到92.04%，Cohen's kappa为0.87。在Unistudium数据集中，准确率达到72.50%，Cohen's kappa为0.59。尽管不同数据集的表现存在差异，但方差保持较低。特征重要性分析进一步揭示了跨情境的强一致性，Spearman相关系数为0.90。活跃天数和独特操作在两种情况下均为最 influential 的预测因子。基线比较进一步证实了随机森林在两个数据集上均优于决策树基线。这些发现通过为机构提供一种具有统计依据且自动化的参与度分类方法，支持了电子学习实践。该方法消除了对任意阈值的需求，并减少了分析部署中的运营开销。从研究角度来看，本研究为不同机构规模的参与度分析建立了现实性能基准，证明了基于分位数的参与度分类在异构数据集上的适用性，并证实了关键行为参与指标在在线和混合学习环境中的可靠迁移。
Keyword:
Learning analytics
Student engagement
Quantile classification
Cross-dataset validation
Random forest
Educational data mining
