Modeling Nonlinear Ability Trajectories and Learner Heterogeneity in Online Learning: A Bayesian Nonparametric Dynamic IRT Framework
Zhihua Ma, Alice Xu, Icy Zhang, Guanyu Hu · arXiv (2026) · doi:10.48550/arxiv.2606.15525 · gemini-3.1-flash-lite
Суть роботи
Дослідники створили нову статистичну модель для відстеження того, як знання студентів змінюються з часом під час онлайн-курсу зі статистики. Вони виявили, що студенти переважно розподіляються на чотири окремі групи, проте рівень їхніх здібностей залишався надзвичайно стабільним протягом семестру. Як не дивно, прості показники активності студентів, такі як загальний час або кількість сесій, не допомогли спрогнозувати прогрес у навчанні.
Метод і вибірка: Вибірка складається зі 198 студентів бакалаврату (із 213 зарахованих) курсу вступної статистики, які використовували платформу CourseKata взимку 2023 року. Методологія використовує баєсівську непараметричну динамічну модель IRT, що включає B-сплайн розширення для оцінки ефектів залученості та апріорний розподіл суміші скінченних сумішей (MFM). Модель валідована за допомогою симуляційного дослідження Монте-Карло зі 100 незалежними реплікаціями, що відтворюють емпіричні умови (N=198, T=9, J=230).
#Динамічна IRT#Баєсівська статистика#Аналітика навчання#Непараметричне моделювання#Освітні вимірювання#Психометрія