Xing & Du (2018) — Dropout Prediction in MOOCs: Using Deep Learning for Personalized Intervention

Nguồn tham khảo: Xing, W., & Du, D. (2018). Dropout Prediction in MOOCs: Using Deep Learning for Personalized Intervention. Journal of Educational Computing Research, 57(3), 547–570. https://doi.org/10.1177/0735633118757015

Truy cập toàn văn: https://doi.org/10.1177/0735633118757015

Tóm tắt nội dung

Wanli Xing và Dongping Du nghiên cứu tỷ lệ bỏ học cao trong các khóa học trực tuyến mở đại trà (MOOC), hiện tượng thường được xem là cái giá của quy mô lớn. Với số lượng người học khổng lồ, cách làm giáo dục truyền thống khó nhận diện kịp thời người có nguy cơ bỏ học để can thiệp. Các mô hình dự báo dựa trên phân tích học tập có triển vọng, nhưng theo nhóm tác giả, cách xây dựng mô hình hiện hành chưa cho phép cá nhân hóa can thiệp.

Nghiên cứu vì vậy tối ưu hiệu năng mô hình theo hướng cá nhân hóa: dựa trên một cơ chế dự báo theo thời gian, nhóm tác giả dùng thuật toán học sâu để xây dựng mô hình và ước lượng xác suất bỏ học cho từng người học. Kết quả cho thấy mô hình chính xác hơn các thuật toán cơ sở, đồng thời tạo ra phương án cá nhân hóa và xếp thứ tự ưu tiên can thiệp dựa trên xác suất bỏ học của từng cá nhân.

Nhóm tác giả cũng thảo luận hàm ý của các phát hiện này. Đối với bài toán dự báo sinh viên có nguy cơ bỏ học, tài liệu gợi ý rằng đầu ra hữu ích nhất của mô hình không chỉ là nhãn “bỏ học” hay “không bỏ học” mà là xác suất rủi ro, nhờ đó nhà trường có thể sắp thứ tự hỗ trợ khi nguồn lực tư vấn có hạn.

Luận điểm liên quan trong bài viết chính

Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp