Event-Aligned Learning Analytics for Instructor Priority Review: Preceding Performance Signals and Task-Progression Interruption in a Large-Scale Online Course
本研究表明，通过分析大规模在线课程中任务进阶中断前具有可解释性的任务内表现信号，使教师能够在关键转换点优先处理资源受限的复习工作，从而通过专注于极小部分的风险人群，有效地识别出超过一半的后续学生中断情况。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在大型在线大学课程那广阔而寂静的走廊里，成千上万的学生登录、观看视频并提交作业。对于一名教师而言，这种数字足迹是一场数据的洪流：是点击、分数和时间戳构成的连续流。教育者面临的挑战并非缺乏信息，而是信息过剩。教师不可能实时阅读每一位学生不断变化的记录，但他们也无法承担错过那些悄然离去的学生的代价。传统的教学方法往往依赖于查看最终成绩或单一的低分来决定谁需要帮助，但这就像是在一名跑者已经倒下之后才去判断其耐力一样。一种更有用的方法是理解学生学习过程究竟在何时发生断裂，并寻找在断裂发生前出现的微妙迹象。这是对学习方式的一种全新的思考方式，它将教育视为一个具有不同阶段的旅程，而非一个静态的结果，其中跌跤发生的时间与跌跤本身同样重要。
一位研究人员致力于解决中国一所大学大规模人工智能课程中的一个实际问题。他们想知道，在课程进度中是否存在一个特定的时刻，学生在该时刻最容易停止完成任务，以及他们是否能在学生提交作业之前的作品中发现预警信号。该课程被划分为三个清晰的阶段：早期周、中期周和后期周，每个阶段都会发布三项计分作业。研究人员分析了来自该课程连续两年的近5,000名学生的记录。他们并没有试图预测谁会整个课程不及格，而是专注于一个特定的事件：学生第一次停止提交有效作业的完整周。他们将此称为“任务进度中断”。通过从这些中断点向后回溯，他们提出了一个简单的问题：那些最终停止工作的学生，在他们前一周提交的作品中是否表现出了挣扎的迹象？
答案是清晰且一致的：是的。研究人员发现，那些后来停止提交作业的学生，在中断发生前的一周内，其表现相对于同伴而言已经显著下降。这一模式在两年的课程中均成立，无论是从早期阶段到中期阶段的过渡，还是从中期阶段到后期阶段的过渡都是如此。然而，研究人员发现其中一个特定的转换期比另一个更为关键。从第一周到第二周的转变是中断发生最频繁的地方。在两年的数据中，在早期到中期的过渡期间停止工作的学生人数都多于后期过渡期间。此外，较低相对表现的预警信号也在此特定窗口中得到了复现。这确定了一个“关键转换窗口”，即课程进度中一个风险最高的学生工作流流失点，且在此之前可以观察到明显的困境信号。
这项研究随后测试了这种信号是否真的能帮助教师管理其有限的时间。想象一位只能审查班级中极小一部分学生作品的教师。如果他们只是随机抽取学生，很可能会错过大多数即将停止工作的学生。但当研究人员根据学生在前一周的相对表现进行排名时，情况发生了变化。通过仅审查表现排名后20%的学生，教师就能捕捉到超过一半即将经历首次重大中断的学生。在其中一年，审查约五分之一的学生就覆盖了随后停止工作的近60%的学生。在另一年中，覆盖率甚至更高。这意味着，教师不需要监控所有人来寻找遇到困难的学生；他们可以专注于一个更小的、有针对性的群体，并且仍然能触及大多数需要帮助的人。
至关重要的是，研究人员非常谨慎地定义了其数据所展示的内容及其未展示的内容。他们并未声称低分自动意味着学生放弃，也没有建议教师在没有进一步观察的情况下自动进行干预。数据无法区分提交空白作业的学生和完全没有提交作业的学生，因此“中断”被严格定义为缺乏有效的表现记录，而不一定是完全退出课程。该研究也是回顾性的，这意味着它是通过查找过往记录来寻找模式，而不是在实时环境中测试干行的干预措施。因此，研究结果表明存在一种有用的信号，并且它可以被用来优先处理任务，但它们并未证明根据该信号采取行动会改变每个人的结果。其价值在于搜索的效率：它允许教育者以比检查所有人少得多的精力，找到那些可能陷入困境的学生。
这种方法为教育技术提供了一种新的思考方式。研究人员并没有构建复杂的系统试图完美地预测未来，而是提出了一种符合教师实际决策方式的方法。他们将学生留下的数字痕迹视为地图而非水晶球。通过识别路径最可能断裂的地方，并寻找断裂前出现的特定不稳定迹象，教育者可以将有限的人类注意力集中在最重要的地方。这项研究并未提供适用于所有在线课程的普遍规则，因为这些关键时刻的时机取决于课程的具体设计。然而，它提供了一种在任何课程中寻找这些时刻的可靠方法。它表明，学习分析最有效的用途不是取代教师的判断，而是使其更加敏锐，将数据的洪流转化为一份可管理的优先级清单，从而尊重教师的时间现实和学生旅程的复杂性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。