Dropout Prediction in MOOCs using Learner Activity Features

• Sherif Halawa ^[1] ; Daniel Greene ^[1] ; John Mitchell ^[1]
  1. [1] Stanford University

     Stanford University

     Estados Unidos

     
• Localización: eLearning Papers, ISSN-e 1887-1542, Nº. 37 (This special issue of the eLearning Papers is based on the contributions made to the EMOOCS 2014 con), 2014 (Ejemplar dedicado a: Experiences and best practices in and around MOOCs)
• Idioma: inglés
• Títulos paralelos:
  • Predicción de abandono en los MOOC utilizando las características de la actividad del alumno
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 8 Citas
• Resumen
  • español

    Los estudiantes se unen a un curso con la motivación de persistir durante parte o la totalidad del curso, pero varios factores, como el desgaste o la falta de satisfacción, pueden llevarlos a desconectarse o abandonar por completo.

    Las intervenciones educativas dirigidas a estos factores de riesgo puede ayudar a reducir las tasas de abandono. Sin embargo, el diseño de intervención requiere la capacidad de predecir con precisión los abandonos y con tiempo suficiente para permitir la administración de la intervención oportuna. En este trabajo, presentamos un predictor de abandono que utiliza características de actividad estudiantil para predecir el cual los estudiantes tienen un alto riesgo de abandono. El predictor tiene éxito en rojo de pabellón 40% - 50% de los abandonosmientras que están todavía activos. Un 40% adicional - 45% son marcado dentro de los 14 días de ausencia del curso.

  • English

    While MOOCs offer educational data on a new scale, many educators have been alarmed by their high dropout rates. Learners join a course with the motivation to persist for some or the entire course, but various factors, such as attrition or lack of satisfaction, can lead them to disengage or totally drop out. Educational interventions targeting such risk factors can help reduce dropout rates. However, intervention design requires the ability to predict dropouts accurately and early enough to allow for timely intervention delivery. In this paper, we present a dropout predictor that uses student activity features to predict which students have a high risk of dropout. The predictor succeeds in red-flagging 40% - 50% of dropouts while they are still active. An additional 40% - 45% are red-flagged within 14 days of absence from the course.