基于在线学习环境的学生自主学习行为多层次跟踪聚类分析方案
摘要：使用一种新的分析模式，分析跟踪数据并可视化学生在基于掌握的在线学习模块平台中的自我调节学习策略。平台的教学设计导致学生跟踪数据中的事件类型较少，变异性也较小。当前的分析模式通过进行三个层次的聚类分析来克服这些挑战。在事件层次上，采用混合模型拟合来区分异常短暂和正常的评估尝试和学习事件。在模块层次上，使用三种不同的方法生成跟踪之间的距离度量进行跟踪级聚类，选择表现最佳的输出用于下一步。在序列层次上，基于模块级别的聚类在模块级簇的基础上进行跟踪级聚类，以揭示学生随时间变化的学习策略的变化。我们证明，基于学习理论生成的距离度量比纯数据驱动或混合方法产生更好的聚类结果。分析结果显示，大多数学生在学期开始时具有有益的学习策略，但在面对日益困难和压力增加时，相当一部分学生转向多种不太有益的策略。这些观察结果可能促使教师重新思考常规课程结构，并在适当的时机实施干预措施，改善自我调节能力。
作者：Tom Zhang, Michelle Taub, Zhongzhou Chen
论文ID：2112.01982
分类：Physics Education
分类简称：physics.ed-ph
提交时间：2021-12-06