An Approach to Detect Abnormal Submissions for CodeWorkout Dataset

学生在学习环境中解决问题时的互动（即日志数据）经常用于支持学生的学习。例如，研究人员使用日志数据开发系统，可以根据学生的知识水平为他们提供个性化的问题建议。然而，学生日志数据中的异常情况，例如作弊解决编程问题，可能会引入日志数据中的隐藏偏差。因此，这些系统可能会提供不准确的问题建议，从而失败。经典的作弊检测方法，如MOSS，可以用于检测代码抄袭。然而，这些方法无法检测其他异常事件，例如学生通过多次尝试类似的解决方案来操纵特定编程问题的系统。本文提供了一项初步研究，以分析带有异常的日志数据。我们的工作目标是克服在编程学习环境中建模个性化建议时的异常情况。

使用学生日志数据进行个性化编程学习推荐时，学生作弊等异常事件可能会引入偏差，如何解决这个问题？

通过分析带有异常数据的日志数据，提出了一种解决个性化编程学习推荐中异常事件的方法。该方法基于聚类算法，将学生分为不同的组，然后在每个组中分别进行个性化推荐。

论文使用了来自两个在线编程学习平台的真实数据集进行实验，并与传统的推荐方法进行了比较。实验结果表明，该方法可以有效地减少异常数据的影响，并提高了推荐的准确性。此外，论文还提出了一些未来的研究方向，如如何处理不同类型的异常数据等。

在相关研究方面，近年来已经有一些研究探索如何使用学生日志数据来支持学习，如使用日志数据进行学习行为分析、诊断和推荐等。其中一些研究包括："Mining MOOC Data to Understand the Effects of Gaming Elements on Students’ Learning Experience"、"A Survey of Educational Data Mining"等。