結合軌跡日誌、輟學預測與自我報告：分析 CS1 課程中不同風險學生的自主學習行為
arXiv - Computers and SocietyDenis Zhidkikh, Ville Isom\"ott\"onen, Toni Taipalus
本研究透過結合學習分析與自我報告，揭示了高低輟學風險學生在程式設計入門課程中截然不同的自主學習策略模式。
AI 幫你先抓重點
AI 重點 1
從「預測結果」轉向「行為模式解釋」的範式轉移
滑鼠懸停看 AI 判斷理由
傳統預測模型僅告訴我們誰會輟學，但本研究透過 SRL 框架解釋了「為什麼」會發生。這種從預測到解釋的轉變，能讓教育者從單純的風險監控，轉向針對特定行為模式進行精準干預。
AI 重點 2
區分「暫時性失敗」與「結構性輟學風險」的行為差異
滑鼠懸停看 AI 判斷理由
這對於實務干預至關重要。若能識別出學生只是處於暫時性的策略錯誤（可恢復），而非進入不可逆的輟學行為，教師就能避免過度干預，並在正確的時機提供適當的學習支撐。
核心研究發現
- 1
低輟學風險學生展現出三種明確的學習策略，其特徵在於能有效平衡任務完成度與課程教材的閱讀優先順序。
- 2
高輟學風險學生表現出九種不同的學習策略，其中包含部分可挽救的暫時性失敗策略，以及處於輟學邊緣的行為模式。
- 3
研究證實結合行為剖析（Profiling）與預測性學習分析，能有效解釋輟學預測模型，並識別出學生學習行為的轉折點。
對教育工作者的啟發
教育工作者應建立「預警後介入」機制。首先，不應僅依賴單一的成績指標，應整合學習管理系統（LMS）的行為軌跡（如教材閱讀與任務進度）來建立多維度的風險評估。其次，教學設計應針對高風險學生的「暫時性失敗策略」設計緩衝機制，例如提供即時的學習腳手架（Scaffolding）或引導式反思，幫助他們從錯誤的學習模式轉向有效的自主學習策略，而非僅在學生成績下滑後才進行補救。
原始文獻資訊
- 英文標題：
- Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports
- 作者：
- Denis Zhidkikh, Ville Isom\"ott\"onen, Toni Taipalus
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。