[论文解读] Modelling student online behaviour in a virtual learning environment

Martin Hlosta, Drahomíra Herrmannová+4 more|Open Research Online (The Open University)|Nov 9, 2018

Intelligent Tutoring Systems and Adaptive Learning参考文献 6被引用 14

一句话总结

本文提出结合GUHA与马尔可夫链分析方法，对虚拟学习环境（VLE）中的学生在线行为进行建模，重点在于首次教师评分作业（TMA 1）前预测潜在风险学生。马尔可夫链方法有效捕捉了时间依赖的活动模式，揭示出在后期周次（如第2至4周）内VLE活动为零的学生，其TMA 1失败的可能性显著更高；而早期活动缺失但后期重新参与的学生，其成功概率则有所提升。

ABSTRACT

In recent years, distance education has enjoyed a major boom. Much work at The Open University (OU) has focused on improving retention rates in these modules by providing timely support to students who are at risk of failing the module. In this paper we explore methods for analysing student activity in online virtual learning environment (VLE) -- General Unary Hypotheses Automaton (GUHA) and Markov chain-based analysis -- and we explain how this analysis can be relevant for module tutors and other student support staff. We show that both methods are a valid approach to modelling student activities. An advantage of the Markov chain-based approach is in its graphical output and in the possibility to model time dependencies of the student activities.

研究动机与目标

• 识别虚拟学习环境（VLE）中与学业表现相关的学生活动模式。
• 通过分析首次教师评分作业（TMA 1）前的VLE交互数据，提升对潜在风险学生的早期识别能力。
• 评估GUHA与基于马尔可夫链的方法在建模时间性学生活动模式方面的有效性。
• 为课程导师与学生支持人员提供可操作的洞察，支持及时干预以提高保留率。
• 探究VLE中特定活动序列是否能预测早期评估中的成功或失败。

提出的方法

• 采用通用单一假设自动机（GUHA）从聚合的学生VLE活动数据中发现关联规则。
• 应用基于马尔可夫链的建模方法，表示学生在不同周次间活动强度的转移，捕捉时间依赖性。
• 按周及内容类型（如论坛、维基、资源）对VLE交互数据进行聚合，使用点击次数和活动存在性二值标记。
• 构建有向无环图（DAG）以可视化第0至5周学生活动模式的马尔可夫链。
• 在图形输出中使用彩色箭头表示特定行为序列的学生比例。
• 重点分析至少有一周VLE活动为零的学生，比较其通过或未通过TMA 1的结果。

实验结果

研究问题

• RQ1 GUHA与基于马尔可夫链的方法能否有效建模首次教师评分作业前的VLE学生活动模式？
• RQ2 哪些VLE活动缺失或活动强度模式最能预测TMA 1的失败？
• RQ3 活动缺失的时机与持续时间（如课程早期 vs. 晚期）与TMA 1表现之间有何关联？
• RQ4 图形化马尔可夫链模型是否能增强可解释性，并为学生支持人员识别潜在风险学生提供支持？
• RQ5 包含内容类型特异性活动的分析是否能提升行为模型的预测能力？

主要发现

• 在第2至4周内VLE活动为零的学生，其TMA 1失败概率高达92.3%，表明后期活动缺失与学业失败存在强烈相关性。
• 仅在第4周活动为零的学生，其TMA 1失败率为100%，凸显了课程后期活动缺失的预测能力。
• 在早期周次（如第0周）出现活动缺失但后期重新参与的学生，其TMA 1通过率为71.8%，表明早期脱离后重新参与可能是一个积极信号。
• 基于马尔可夫链的方法生成了可解释的图形输出，清晰地可视化了行为转换路径，颜色深浅表示各路径上学生所占比例。
• GUHA方法生成了可解释的关联规则，但输出中丢失了时间维度，限制了其在时间分析中的实用性。
• 马尔可夫链模型成功捕捉了时间依赖行为，使其更适合基于随时间变化的活动序列预测结果。