[论文解读] Capturing "attrition intensifying" structural traits from didactic interaction sequences of MOOC learners

Tanmay Sinha, Nan Li+2 more|arXiv (Cornell University)|Sep 20, 2014

Online Learning and Analytics被引用 5

一句话总结

本文提出一种基于图的建模方法，通过整合视频点击流与论坛活动数据，捕捉MOOC学习者交互序列中的‘流失加剧’结构性特征。利用网络科学，识别出可预测辍学的持久且规律的交互模式，其在检测参与度下降的行为指标方面优于基线的n-gram方法。

ABSTRACT

This work is an attempt to discover hidden structural configurations in learning activity sequences of students in Massive Open Online Courses (MOOCs). Leveraging combined representations of video clickstream interactions and forum activities, we seek to fundamentally understand traits that are predictive of decreasing engagement over time. Grounded in the interdisciplinary field of network science, we follow a graph based approach to successfully extract indicators of active and passive MOOC participation that reflect persistence and regularity in the overall interaction footprint. Using these rich educational semantics, we focus on the problem of predicting student attrition, one of the major highlights of MOOC literature in the recent years. Our results indicate an improvement over a baseline ngram based approach in capturing "attrition intensifying" features from the learning activities that MOOC learners engage in. Implications for some compelling future research are discussed.

研究动机与目标

• 识别MOOC交互序列中可预测参与度下降及最终辍学的结构性配置。
• 将学习者的视频与论坛活动组合建模为动态加权图，以捕捉行为之间的教学与操作关系。
• 开发反映交互足迹中持续性与规律性的主动与被动参与指标。
• 通过采用比传统n-gram方法更丰富的图结构表示，提升辍学预测性能。

提出的方法

• 将每位学习者的交互序列表示为有向加权图，其中节点为活动类型（如视频播放、论坛发帖），边表示时间上的状态转移。
• 通过序列频率与时间接近度计算得出的边权重，编码连续活动之间的教学与操作关系。
• 提取图级别的特征，如中心性、重复性及活动分布，以量化参与的持续性与规律性。
• 应用时间窗口技术，区分即时与延迟交互（如视频观看后15秒内发帖 vs. 5天后发帖）。
• 使用马尔可夫聚类对相似的交互序列进行分组，识别出可预测辍学的高频路径。
• 将视频点击流数据转化为认知上合理的操作行为（如重新观看、跳过），以丰富交互语义。

实验结果

研究问题

• RQ1 学习者交互序列中的哪些结构性特征可预测MOOC中的辍学？
• RQ2 视频与论坛的组合交互模式如何反映随时间推移的参与持续性或下降趋势？
• RQ3 与n-gram基线相比，交互序列的图结构表示在多大程度上提升了辍学预测性能？
• RQ4 哪些时间模式（如即时与延迟的论坛参与）在交互序列中最能指示辍学？
• RQ5 交互路径的聚类能否揭示与辍学风险相关的不同行为特征？

主要发现

• 基于图的方法在捕捉MOOC交互序列中‘流失加剧’特征方面优于基线n-gram方法。
• Curr设置（仅当前一周行为）实现了极低的假阴性率，表明即使在类别高度不平衡的情况下，也具有极强的辍学预测能力。
• 近期行为模式——尤其是最近一周的行为——比累积的历史交互更具辍学预测力。
• 行为之间的时间接近度（如视频观看后30秒内发帖）形成了置信度高的强关联规则（如0.7），提示可能存在认知或动机触发机制。
• 交互序列的马尔可夫聚类揭示了可区分辍学预测性与非预测性行为模式的重复路径。
• 本研究发现，交互序列中的活动重叠与转移概率是参与稳定性和辍学风险的关键指标。