本文调研了MOOC教育大数据的研究现状，重点关注了学生在课程中的退出行为。研究团队主要来自MIT、清华和北大，通过分析国际会议和典型论文，如MIT关于Coursera课程的论文和北大采用不同预测模型的研究，探讨如何预测学生停课并降低退出率。尽管预测准确度有限，但这些工作揭示了MOOC辍学的复杂性，为改善在线学习体验提供了洞察。
研究团队
目前没有看到有专门的团队专攻MOOC大数据的研究，仅有一些文章发表，并且发表这些文章的人都来自全球顶尖的高校，如：国外MIT；国内清华、北大都有相关的文章发表。可能是因为这些高校都在知名MOOC网站上开设了一些课程，能取到许多相关的数据。
国际会议
国内对MOOC的研究比较重视，举办了一次专门针对MOOC教育的国际会议
典型论文介绍
1、 Likely to stop? Predicting Stopout in Massive Open Online Courses
这是MIT的一个硕士研究生写的论文。文章分析了Coursera 上2012年秋季《电子电路》课程中注册的所有学生在线行为数据，并根据学生的行为数据来对学生是否会提前退出以及何时退出进行预测。主要采用的预测模型是logistics。知道了预测结果之后，有利于采用一些干预方法使得学生退出率降低。这篇文章值得借鉴的地方如下：
- 退出时间点的定义：根据学生提交作业时间（若学生在第三周提交了作业，第四周没有提交作业，则学生是在第四周退出）
- 将学生分类，根据学生类型来进行预测：学生分为四类，即：仅听课，不参与论坛及wiki维护、听课，仅参与论坛互动、听课，仅参与wiki维护、听课、参与论坛互动及wiki维护
- 从数据中抽取了27个特征
- 采用了混淆矩阵及热力图的方式来展示预测准确度
最低0.47元/天 解锁文章
106
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
