提前退学是在线高等教育的主要问题之一，尤其是在学位的第一年。加泰罗尼亚大学(UOC)的一个跨学科研究团队开发了一种基于人工智能算法的新系统，该系统可以每天识别那些有失败风险的学生，并可以通过发送电子邮件自动采取早期行动个性化消息可以扭转局面。

研究人员表示，这种持续监控有助于缩短出现风险迹象和系统干预之间的时间，以帮助防止学生辍学。

该技术已经在UOC经济与商业学院多个学士学位课程第一学期课程的581名学生中进行了试点测试，结果发现该技术可以降低辍学率并提高学期的参与度。

该研究由互联网跨学科研究所(IN3)系统、软件和模型研究实验室(SOM研究实验室)的成员DavidBañeres领导。他负责协调一个多学科团队，其中包括技术增强知识和交互小组(TEKING)首席研究员AnaElenaGuerrero以及计算机科学、多媒体和电信学院成员MaríaElenaRodríguez-González，该研究小组成员小组和教师，以及经济与商业学院研究员PauCortadas。

LIS系统的预测改进

这些有希望的成果的取得得益于一种名为“风险辍学风险分析”(PDAR)的新预测模型的开发，该模型已被纳入学习智能系统(LIS)。该系统由同一研究团队开发，可以预测学生是否有不及格的风险，并且自2019年以来在UOC学生的各种试点测试中取得了良好的结果。

到目前为止，LIS系统只有一个预测模型，可以根据历史课程数据(在UOC机构项目评估单位的数据集市中收集)以及持续评估活动的结果来决定学生是否有可能完成一个学年。本学年期间。因此，在每项活动结束后，LIS系统都会预测学生在下一项活动中应获得的最低成绩才能通过课程，并指定失败风险级别，然后显示在学生的个人区域中交通灯的形式。

如果检测到高风险，系统会以向学生发送消息的形式激活适用的干预机制。“这种预测虽然对学生非常有用，但也有缺点，主要是因为监控仅限于每次活动后的某些检查点(通常每学期三到四个)，这意味着当学生已经放弃时，相关干预可能为时已晚今年缺席，”巴涅雷斯说道。

相比之下，新的PDAR模型显着改善了监控，因为它使用学生特征、学年表现以及他们在UOC在线校园上的点击和其他日常行为的数据来生成每日辍学风险预测。

“该模型评估学生的日常参与度是否与课程的平均水平相匹配。换句话说，这种评估是根据每门课程和每项活动进行的，”他说。

避免误报

新模型的挑战之一是避免误报：系统错误地将人们识别为处于危险之中。这个错误主要影响那些在虚拟学习环境中并不总是活跃的学生。因此，新模型还考虑了根据学年、活动类型及其难度自动计算的时间窗口。

换句话说，为了确认学生确实存在退学风险并启动适当的干预机制，学生必须连续处于退学风险类别中一定的天数，即规定的天数。对于每项活动。如果学生面临较高的辍学风险，系统会向他们发送一条自动干预消息。

个性化自动消息

系统干预的目的是提高学生的积极性，例如通过提出时间管理建议、设定短期目标或提供有关未完成活动可能产生的负面后果的信息。它还提供额外的学习材料和练习来帮助学生实现他们的目标。

此外，课程的教学人员可以设计和个性化消息内容，并根据风险级别进行调整。最后，该工具具有各种不同的仪表板，允许教学人员和学生单独确定他们当前的状态和潜在风险。

为了评估这一新预测模型的纳入情况，我们将辍学结果与前一年(当时PDAR尚未实施)使用LIS系统的学生组以及选择不使用LIS系统的学生组进行了比较。在没有LIS系统支持的情况下参加学习并参加课程。

由UOC联合主编的《高等教育国际教育技术杂志》发表的研究结果显示，学年结束时所有活动的辍学率均显着下降，学生之间的差距为12%参加试点研究的人和没有参加试点研究的人，与上学期单独使用LIS且没有新的预测模型时相比，差异为5%。

为教学人员服务的工具

这个新系统使教学人员有机会主动干预解决学生的问题。“有了这个早期检测系统，学生可以在问题发生之前收到通知，我们可以24/7监控他们，”Bañeres说。

此外，它还是一个可扩展的工具，允许教学人员全面监控大量学生的课程。“例如，其中一项试点研究是在一门有1,500名学生的课程中进行的，该系统允许教学人员监控有退学风险的学生，而不会让协调教授或课程讲师负担过重，”他说。

一个可以适应任何在线学习环境的系统

LIS系统的一个主要优点是它不依赖于特定的学习管理技术，因此可以在任何有学生学术数据的环境中使用。

“这意味着，即使UOC目前正在过渡到基于另一种技术(例如Canvas)的新校区，该系统仍然可以通过从相关信息源获取数据来使用，”Bañeres说。例如，研究人员团队目前正在为欧洲专利局开展一个教学个性化项目，其中LIS系统将用于在其基于Moodle的教学平台内监控学生。

此外，LIS还可以针对每个项目进行专门配置，以适应其中的活动，并使用以前通过该项目的学生的数据来训练必要的预测模型。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：