科研之友
微信
新浪微博
Facebook
分享链接
摘要
MOOCs的较低完成率极大地制约了其持续发展。尽早预测学习者是否退课将有助于改善其学习效果，提高课程的完成率。本研究以学堂在线平台的37门计算机类课程中学习者产生的行为数据为研究对象，整合资源访问度和资源访问规律两类因素，构建了28个学习行为指标并分类，采用三种经典的机器学习算法支持向量机(SVM)、逻辑回归(LR)和朴素贝叶斯(NB),探索并分析有效预测退课的指标。研究发现：①在不同类型的学习行为指标的预测上，资源访问规律指标预测效果最好且超过了指标全集的预测结果；②在预测退课的最优指标组合上，会话数、活跃天数、访问间隔天数等七个行为指标构成预测退课的最优组合。通过对影响退课的行为指标分析，可以为MOOCs平台识别退课者并实施对应的教学干预措施提供判断参考。
- 单位
