所有文章 > 正文

AAAI2019 | MOOC学习中的退课行为预测

作者: Wenzheng Feng

时间: 2019-08-19 17:55

MOOC (大规模开放式网络课程)兴起于2012年,由美国的顶尖大学首先创办,此后MOOC席卷全球。MOOC的产生变革了传统教育模式,使得每一个人都有机会享受最优质的教育资源。

原论文: http://keg.cs.tsinghua.edu.cn/jietang/publications/AAAI19-Feng-dropout-moocs.pdf

代码和数据: http://www.moocdata.cn

PPT: http://keg.cs.tsinghua.edu.cn/jietang/publications/2019-Jie-Tang-AI%20driven%20MOOCs.pptx

本文主要研究MOOC平台中学生的退课行为。MOOC (大规模开放式网络课程)兴起于2012年,由美国的顶尖大学首先创办,此后MOOC席卷全球。MOOC的产生变革了传统教育模式,使得每一个人都有机会享受最优质的教育资源。然而,MOOC也存在一定的缺陷,其中一个最大的缺陷就是学生的退课率要远远高于传统课堂的教育模式。据统计,大约只有4%~5%的用户会完成自己的MOOC课程。

本文以学堂在线(中国最大的MOOC平台)的数据为基础,详细探讨了三个问题:1)用户退课的原因,2)如何准确预测出学生的退课概率,3)如何才能挽留有退课风险的用户。

针对问题1),文章主要分析了用户在不同课程上退课的correlation(如果用户在一门课上退课,其是否也会有很大概率在另一门相似的课程上退课?)以及用户朋友的退课行为对其造成的影响,结果如下图:

dropout1.png

dropout2.png

针对问题2),文章中提出了一种上下文感知的特征交互模型(Context-aware Feature Interaction Network,CFIN),与其它退课预测的方法不同,CFIN可以充分考虑MOOC中用户行为的上下文信息(包括用户信息与课程的信息),适用于大规模用户在多门课程中的退课预测。CFIN在KDDCUP与XuetangX的数据集上均超过了baseline方法。下图为CFIN的模型示意图:

dropout3.png

针对问题 3),文章探讨了三种对退课学生的干预措施,并通过线上A/B test 实验对三种干预措施的有效性进行了验证。下图为A/B test结果:

dropout4.png

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多