网站动态:
  • 产品总数:565198
  • 求购总数:4212
  • 企业总数:25773
  • 在线会员:3
 
当前位置: 首页 » 资讯 » 包装纸业资讯 » 正文

新技术可以帮助识别有辍学风险的学生

放大字体  缩小字体 发布日期:2018-12-01  浏览次数:17
核心提示:大规模在线公开课(mooc)让大量的人获得了世界级的教育资源,但他们也面临着高流失率。在某种程度上,这是不可避免的:许多参加慕

大规模在线公开课(mooc)让大量的人获得了世界级的教育资源,但他们也面临着高流失率。

 

在某种程度上,这是不可避免的:许多参加慕课的人可能对做作业没有兴趣,只是计划在业余时间听视频讲座。


然而,另一些人可能带着完成学业的坚定愿望开始课程,但却被生活的其他要求所干扰。在这些人辍学之前确定他们的身份,并为他们提供额外的帮助,可以让他们参与MOOC的效率大大提高。


问题是,在MOOC完成之前,你不知道谁真正退出了——或者用MOOC的话说,“退出”了。错过一个最后期限不能构成中途退出;但在第二次或第三次错过最后期限之后,干预行动可能为时已晚,于事无补。


上周,在国际人工智能教育会议上,麻省理工学院(MIT)的研究人员展示了一种基于某门课程数据的辍学预测模型,这种模型可以帮助预测哪些学生将放弃下一门课程。即使课程的组织发生了变化,预测仍然是相当准确的,因此在一次课程中收集的数据与下一次课程中收集的数据并不完全匹配。


”有一个已知的机器学习领域叫做转移学习,你训练一个机器学习模型在一个环境,看看你要做什么去适应一个新环境,“说Kalyan Veeramachaneni,研究科学家麻省理工学院计算机科学和人工智能实验室的Sebastien Boyer一起进行这项研究,研究生在麻省理工学院的技术和政策程序。因为如果你不能做到这一点,那么这个模型就没有任何价值,除了它可能带给你的洞察力。它不能用于实时预测。

Veeramachaneni和Boyer的第一步是开发一组变量,使他们能够比较在同一门课程的不同课程中收集到的数据,或者实际上是不同课程中收集到的数据。这包括每个正确的家庭作业平均花费的时间,以及花在视频讲座或其他资源上的时间。


接下来,对于同一门课的三个不同课程,他们将这些变量的原始值与班级平均水平进行标准化。举个例子,如果一个学生每周花两个小时看视频,而班上的平均成绩是3个小时,那么他看视频的分数是0.67,而如果一个学生每周花四个小时看视频,那么他的分数是1.33。


他们通过一种机器学习算法运行第一门课的标准化数据,这种算法试图找出变量的特定值与stopout之间的相关性。然后,他们利用这些相关性,试图预测这门课接下来两个课程的中途停课。他们在提供第二门课程时重复了这个过程,使用得到的模型预测第三门课程的中途停课。

模型的预测已经相当准确。但维拉马沙尼和博耶尔希望做得更好。他们尝试了几种不同的技术来提高模型的准确性,但最成功的一种被称为重要抽样。例如,对于每一个选修第二门课程的学生,他们发现第一门课程的学生提供了最接近的匹配,这是由一个“距离函数”决定的,该函数将所有变量都考虑在内。然后,根据匹配的紧密程度,他们给出了第一个学生在机器学习过程中权重更大的数据。


一般情况下,使用重要抽样的模型版本比未修改的模型版本更准确。但差别并不大。在目前的工作中,Veeramachaneni和Boyer正在对距离函数和相应权重的计算进行修补,希望能够提高模型的准确性。


它们还会继续扩展模型可以考虑的变量集。“我认为,一个非常重要的变量是学生在周末课程上花费的时间比例,”维拉马沙尼说。这个变量必须代表他们有多忙。把这些因素和其他变量结合起来,你会发现学生有很强的动力去做这项工作,但是越来越忙。这是我下一步要优先考虑的。


 
 
[ 资讯搜索 ]  [ 加入收藏 ]  [ 告诉好友 ]  [ 打印本文 ]  [ 关闭窗口 ]

 
0条 [查看全部]  相关评论

 
推荐图文
推荐资讯
点击排行
 
网站首页 | 网站地图 | 排名推广 | 广告服务 | 积分换礼 | 网站留言 | RSS订阅