早期预警是在线学习中的重要主题,通过早期预警识别有不及格风险的学生可帮助教师及时开展个性化教学干预。使用深度学习模型对学生微观行为模式进行分析以提高早期预警的效果,并提出结合LSTM-autoencoder特征处理和注意力权重计算的不及格风险学生早期预警模型(LSTM-autoencoder and attention based early warning model,LAA)。该方法通过LSTM-autoencoder对学生行为时间序列数据进行特征处理,采用注意力机制计算关键预测因子。实验结果表明,LAA比基线模型取得更高的召回率,对低交互型和非持续型学生具有更好的识别效果,且能将教学干预时间提前;此外,该方法可识别影响成绩的关键周次和行为,可用于辅助教师开展在线教学指导。
移动学习是信息时代教育变革的必然。其具有先天的便捷性和泛在性,更具情景性、交互性和社会性,它极大地改进了人们获取知识与再造知识的途径。同时,MOOC(Massive Open Online Courses)理论与机制经过十多年的研究发展也日趋完善,其服务模式与移动学习环境的融合正成为研究热点。本文立足于MOOC与移动学习技术构建适应高等学校教学规律的辅助在线教学应用以促进高校教育教学的变革,设计开发的"移动云课堂"注重MOOC学习资源、学习活动及情景交互的整合,既直接服务于华中师大数万师生教与学的实践,也为移动学习创新服务模式提供实证环境。实践与比较分析验证了基于MOOC构建高校移动云课堂的可行性和优势所在。
