近十年来学习分析领域研究综述
A decade of learning analytics: Structural topic modeling based bibliometric analysis
作者: Xieling Chen et al.
学习分析自提出以来日渐成为一个活跃的领域，它专注于利用学习过程的数据来理解和改进学习。最近，研究者回顾了过去十年间的3900篇学习分析类文献，对研究的趋势和主题进行了归纳。研究发现，过去的学习分析研究大致可以分为15个类别（MOOCs、社交媒体、高等教育等等），研究探讨了这些类别中文献的变化趋势，并且简述了每一个类别中较为典型的文献。这15个类别又可以进一步由相关性归纳为4个大的研究群组。最后，研究讨论了学习分析领域最近的一些研究趋势，包括个性化反馈和推荐、多模态、协作支持、神经网络的运用、行为和对话分析、自我调节的分析分析和游戏化学习分析等等。如有兴趣请详细阅读原文。
深度学习和机器学习哪个比较准确？
Dropout prediction in Moocs using deep learning and machine learning
作者: Ram B. Basnet et al.
深度学习和机器学习都是常用的学习分析算法，但目前尚未有人对这两类算法进行对比，确定何种算法的性能更好。最近，研究者使用了MOOCs平台的数据，通过深度学习分类算法和机器学习分类算法来预测学生的辍学率。经过对比后，研究者发现，两类算法的性能同样优秀，都达到了80%以上的准确率。因此，两种算法都可以有效地运用于学习分析。
绩优生的自主学习行为有显著的逻辑关联
Temporal Structures and Sequential Patterns of Self-regulated Learning Behaviors in Problem Solving with an Intelligent Tutoring System
作者: Shan Li et al.
越来越多的研究关注自我调节的学习行为，并尝试从行为序列中了解学生的表现差异。最近，研究者报告了一项在智能辅导系统中进行的医学自主学习项目，重点关注了学习者自我调节学习的时间结构和行为转换模式。研究发现，成绩较低的学生在解决问题时出现了更多无明显关联的重复行为，而成绩较好者的重复行为有着显著的逻辑顺序。不仅如此，成绩好的学习者有着更高水平的行为转换概率，并且这种行为转变根据任务进程表现出一种周期性特点。
责任编辑：Diaw Maxwell
15117967419@126.com