Proceso de análisis diagnóstico de la relación causal olvidable en el comportamiento de aprendizaje en línea y su mecanismo de mejora adaptativa habilitador

Contenido principal del artículo

Xiaona Xia
Wanxue Qi

Resumen

El entorno de aprendizaje interactivo proporciona a los estudiantes un modo de aprendizaje más autónomo y personalizado. El comportamiento de aprendizaje puede estar completamente guiado por los propios estudiantes, y su participación y estado de aprendizaje estarán condicionados por diversos factores. La relación causal olvidable es un problema importante que conecta diversos factores dentro del proceso dinámico y sostenible del aprendizaje interactivo. Para la eficacia del aprendizaje, la relación causal olvidable no solo representa un posible riesgo, sino que también contiene valores de datos implícitos.


Este estudio obtiene instancias de comportamiento de aprendizaje de OULAD con una escala de datos de 1.6PB, que cubre a 32,593 estudiantes. De manera innovadora, se construye un nuevo proceso de análisis diagnóstico DAP-FCR, incorporando dos mecanismos clave: ELBP y MLBP para la relación causal olvidable, y se evalúa la tendencia de aprendizaje mediante el cálculo unificado de atributos, características y rutas del comportamiento de aprendizaje.


Experimentos comparativos suficientes han demostrado que este proceso de análisis diagnóstico DAP-FCR es factible y confiable. Los indicadores estadísticos clave, como Recall, Running Time, NDCG, Accuracy y Precision, han sido experimentalmente probados como superiores en comparación con otros modelos disponibles actualmente.


Además, se extraen valores clave para guiar y mejorar el comportamiento de aprendizaje. De este modo, la relación causal olvidable puede transformarse adaptativamente en una mayor autoconciencia y actitud positiva hacia el aprendizaje en línea, pasando de “me obligan a aprender” a “quiero aprender”. Así, el modo de aprendizaje interactivo se convierte en una “experiencia interesante”, lo que tiene una importancia práctica significativa para mejorar el interés en el aprendizaje, desarrollar preferencias de aprendizaje, aumentar la atención y participación, y explorar indirectamente un mecanismo de mejora flexible de la relación causal olvidable para optimizar las rutas del comportamiento de aprendizaje y mejorar la efectividad del aprendizaje.

Detalles del artículo

Sección

Digital Learning and E-Learning

Biografía del autor/a

Xiaona Xia, Faculty of Education, Qufu Normal University, Qufu, Shandong, 273165, China

Xiaona Xia is a professor and PhD advisor of Qufu Normal University. She is also a member of IEEE computer society and CCF. Her research interests include learning analytics, interactive learning environments, collaborative learning, educational big data, educational statistics, data mining, service computing, etc.

Wanxue Qi, Chinese Academy of Education Big Data, Qufu Normal University, Qufu, Shandong, 273165, China

Wanxue Qi is a professor and PhD advisor in Chinese Academy of EducationBig Data. He is a famous education expert and has made remarkable achievements in higher education and moral education theory. His researchinterests include educational big data, moral education, etc.