edtechailearning analyticshigher educationassessment

E2Vec：結合時間資訊的特徵嵌入，用於分析電子書系統中的學生行為

arXiv - Computers and SocietyYuma Miyazaki, Valdemar \v{S}v\'abensk\'y, Yuta Taniguchi, Fumiya Okubo, Tsubasa Minematsu, Atsushi Shimada

提出 E2Vec 以時間資訊嵌入學生電子書互動，提升風險預測準確度。

AI 幫你先抓重點

AI 重點 1

時間資訊嵌入能捕捉細緻學習行為差異，提升預測精度。

滑鼠懸停看 AI 判斷理由
傳統統計特徵忽略時間序列，導致對個別學習行為的辨識不足；E2Vec 透過詞嵌入將時間視為語言特徵，讓模型更能辨識行為模式，進而改進風險預測。
AI 重點 2

fastText 等 NLP 技術可直接應用於教育資料，降低特徵工程門檻。

滑鼠懸停看 AI 判斷理由
將 NLP 嵌入方法引入學習分析，利用預訓練詞向量快速生成學生行為向量，減少人工設計特徵的工作量，促進跨領域技術整合。

核心研究發現

  1. 1

    E2Vec 將操作日誌與時間間隔視為字符序列，利用 fastText 生成 305 名學生的嵌入向量。

  2. 2

    實驗顯示，E2Vec 嵌入在學生風險檢測任務中，表現優於傳統統計特徵。

  3. 3

    模型的泛化能力強，適用於不同課程與學科的電子書互動資料。

對教育工作者的啟發

教育工作者可將 E2Vec 嵌入向量整合進早期預警系統，透過時間序列分析辨識學習停滯點；開發者可在電子書平台嵌入 fastText 模型，實時生成學生行為向量，並結合機器學習模型進行風險評估；課程設計者可利用嵌入結果了解學生在不同章節的互動節奏，調整教學資源與互動方式，提升學習成效。

原始文獻資訊

英文標題：
E2Vec: Feature Embedding with Temporal Information for Analyzing Student Actions in E-Book Systems
作者：
Yuma Miyazaki, Valdemar \v{S}v\'abensk\'y, Yuta Taniguchi, Fumiya Okubo, Tsubasa Minematsu, Atsushi Shimada
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。