当前位置: X-MOL 学术arXiv.cs.HC › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Identifying At-Risk K-12 Students in Multimodal Online Environments: A Machine Learning Approach
arXiv - CS - Human-Computer Interaction Pub Date : 2020-03-21 , DOI: arxiv-2003.09670
Hang Li, Wenbiao Ding, Zitao Liu

With the rapid emergence of K-12 online learning platforms, a new era of education has been opened up. It is crucial to have a dropout warning framework to preemptively identify K-12 students who are at risk of dropping out of the online courses. Prior researchers have focused on predicting dropout in Massive Open Online Courses (MOOCs), which often deliver higher education, i.e., graduate level courses at top institutions. However, few studies have focused on developing a machine learning approach for students in K-12 online courses. In this paper, we develop a machine learning framework to conduct accurate at-risk student identification specialized in K-12 multimodal online environments. Our approach considers both online and offline factors around K-12 students and aims at solving the challenges of (1) multiple modalities, i.e., K-12 online environments involve interactions from different modalities such as video, voice, etc; (2) length variability, i.e., students with different lengths of learning history; (3) time sensitivity, i.e., the dropout likelihood is changing with time; and (4) data imbalance, i.e., only less than 20\% of K-12 students will choose to drop out the class. We conduct a wide range of offline and online experiments to demonstrate the effectiveness of our approach. In our offline experiments, we show that our method improves the dropout prediction performance when compared to state-of-the-art baselines on a real-world educational dataset. In our online experiments, we test our approach on a third-party K-12 online tutoring platform for two months and the results show that more than 70\% of dropout students are detected by the system.

中文翻译:

在多模式在线环境中识别有风险的 K-12 学生:一种机器学习方法

随着K-12在线学习平台的迅速兴起,开启了教育的新时代。重要的是要有一个辍学警告框架,以预先识别有辍学风险的 K-12 学生。之前的研究人员专注于预测大规模开放在线课程 (MOOC) 的辍学率,这些课程通常提供高等教育,即顶级机构的研究生课程。然而,很少有研究专注于为 K-12 在线课程的学生开发机器学习方法。在本文中,我们开发了一个机器学习框架,专门针对 K-12 多模式在线环境进行准确的有风险学生识别。我们的方法考虑了 K-12 学生的线上和线下因素,旨在解决 (1) 多种模式的挑战,即,K-12 在线环境涉及来自不同形式的交互,例如视频、语音等;(2) 长度可变性,即学习历史长度不同的学生;(3)时间敏感性,即dropout似然随时间变化;(4) 数据不平衡,即只有不到20%的K-12学生会选择退课。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。(2) 长度可变性,即学习历史长度不同的学生;(3)时间敏感性,即dropout似然随时间变化;(4) 数据不平衡,即只有不到20%的K-12学生会选择退课。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。(2) 长度可变性,即学习历史长度不同的学生;(3)时间敏感性,即dropout似然随时间变化;(4) 数据不平衡,即只有不到20%的K-12学生会选择退课。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。辍学可能性随时间变化;(4) 数据不平衡,即只有不到20%的K-12学生会选择退课。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。辍学可能性随时间变化;(4) 数据不平衡,即只有不到20%的K-12学生会选择退课。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。我们进行了广泛的离线和在线实验来证明我们方法的有效性。在我们的离线实验中,我们表明,与现实世界教育数据集上的最新基线相比,我们的方法提高了辍学预测性能。在我们的在线实验中,我们在第三方 K-12 在线辅导平台上测试了我们的方法两个月,结果表明系统检测到超过 70% 的辍学学生。
更新日期:2020-06-02
down
wechat
bug