arXiv cs.CY· Hitoshi Inoue, Koichi Yasutake·· 3 天前AI 评分15
OULAD 22 门课程研究：异步在线学习中的参与敏感收敛与“先分裂后收敛”模式
Participation-Sensitive Convergence and the Fragment First, Converge Later Pattern in Asynchronous Online Learning: A Topological Analysis Across 22 OULAD Courses
AI 导读
一项覆盖 OULAD 全部 22 门课程（N > 22,000，857 个周对）的研究发现，Zigzag Persistent Homology 得到的 β₀ 与活跃学习者数量强共变（合并 r = 0.387，逐课程 r_delta 中位数 0.459，20/22 门课程），是参与敏感的结构指标。
正文 · AI 翻译
摘要：异步在线学习以结构性代价换取了时间灵活性：学习社区往往趋于碎片化而非凝聚。$\beta_0$，即 Zigzag 持续同调中不连通行为簇的数量，可作为这一结构的群体级指标。有两个问题尚未在大规模上得到验证：(1) 表观的 $\beta_0$ 收敛反映的是真实的行为趋同还是学习者流失？(2) 评估截止日期是否会产生可复现的碎片化—收敛周期？我们在全部 22 门 OULAD 课程中（N > 22,000；857 个周对）对这两个问题进行了研究。$\beta_0$ 的变化与活跃学习者变化强烈共变（合并 r = 0.387；每门课程 r_delta 中位数 = 0.459，20/22 门课程），表明 $\beta_0$ 是一个对参与度敏感的指标：$\beta_0$ 与活跃学习者数量共同响应截止日期事件，而非一方导致另一方。截止日期在 82.6% 的评估中产生了碎片化，并在 60.2% 中产生了完整的“先碎片化、后收敛”（FFCL）周期。三阶段分析确认结构性碎片化是主导性的长期轨迹（90.9% 的课程），并受课程结构调节。这些发现确立了 $\beta_0$ 作为一个对参与度敏感的结构性指标，对 AI 增强的学习分析设计具有直接意义。
| 评论： | 作者版本，依据 APSCE 版权转让协议中保留的非商业权利发布。v2：方法描述已更正——epsilon = 1.5（而非 1.00），连通分量直接计算（未使用持续同调库），beta0 基于每周活跃学习者（而非固定队列）。结果不变 |
| 学科： | 计算机与社会（cs.CY）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.01738 [cs.CY] |
| （或 arXiv:2610.01738v2 [cs.CY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.01738 arXiv 颁发的 DOI，经由 DataCite |
|
| 期刊 参考： | Proceedings of ICLEA 2026: 2nd International Conference on Learning Evidence and Analytics, Asia-Pacific Society for Computers in Education, 2026 |
提交历史
来自：Hitoshi Inoue [查看电子邮件]
[v1]
2026年10月1日星期四 14:10:36 UTC（340 KB）
[v2]
2026年10月14日星期三 11:25:52 UTC（888 KB）
来源：arXiv cs.CY · arxiv.org