探索学习管理系统（LMS）互动与学业表现之间的关系：学习周期方法

关于学生在学习管理系统（LMS）中的数字痕迹与他们学业表现之间关系的研究，一直以来都是学习分析领域的一个关注点。为了实现高度的可解释性和普遍适用性，本研究回顾了以往的研究，定义了一种新的LMS互动分类方案，并调查了学生活动的点击流数据与最终成绩之间的关系。对来自三门不同性质课程的Moodle日志数据进行的多重回归分析结果表明，相较于之前的分类方案，新的分类方案——基于学习周期的互动分类（CILC）提高了解释力。分析表明，模型的预测能力可能依赖于交付模式，随着交付模式从面对面学习过渡到在线学习，预测能力有所改善。这一发现突显了关于学习过程的具体情境考虑的必要性。与以往的研究相比，分析还揭示了一些细微差别，表明这些关系可能依赖于教学设计。最后，研究结果还似乎支持增加数据数量和质量可能改善预测模型的观点。总之，这项研究为LMS互动、课程交付模式、教学设计和学业表现之间的相互作用提供了有价值的见解，并倡导在学习分析研究中平衡探索白箱与黑箱建模方法。