Circadian Cycles and Work Under Pressure: A Stochastic Process Model for E-learning Population Dynamics

Internetanalysetechniken, konzipiert zur Quantifizierung von Internetnutzungsmustern, erlauben ein tieferes Verstandnis menschlichen Verhaltens. Neueste Modelle menschlicher Verhaltensdynamiken haben gezeigt, dass im Gegensatz zu zufallig verteilten Ereignissen, Menschen Tatigkeiten ausuben, die schubweises Verhalten aufweisen. Besonders die Teilnahme an Internetkursen zeigt haufig Zeitraume von Inaktivitat und Prokrastination gefolgt von haufigen Besuchen kurz vor den Prufungen. Hier empfehlen wir ein stochastisches Prozessmodell, welches solche Muster kennzeichnet und Tagesrhythmen menschlicher Aktivitaten einbezieht. Wir bewerten unser Modell anhand von realen Daten, die wahrend einer Zeitspanne von zwei Jahren auf einer Plattform fur Universitatskurse gesammelt wurden. Anschliesend schlagen wir ein dynamisches Modell vor, welches sowohl Prokrastinationszeitraume als auch Zeitraume des Arbeitens unter Zeitdruck berucksichtigt. Da Tagesrhythmen und Prokrastination-Druck-Kreislaufe wesentlich fur menschliches Verhalten sind, kann unsere Methode auf andere Tatigkeiten ausgeweitet werden, wie zum Beispiel die Auswertung von Surfgewohnheiten und Kaufverhalten von Kunden.

[1]  Neil D. Lawrence,et al.  Latent Force Models , 2009, AISTATS.

[2]  Christian Bauckhage,et al.  Predicting Purchase Decisions in Mobile Free-to-Play Games , 2015, AIIDE.

[3]  Albert-László Barabási,et al.  The origin of bursts and heavy tails in human dynamics , 2005, Nature.

[4]  Ryan P. Adams,et al.  Tractable nonparametric Bayesian inference in Poisson processes with Gaussian process intensities , 2009, ICML '09.

[5]  Robert G. Gallager,et al.  Discrete Stochastic Processes , 1995 .

[6]  Christian Bauckhage,et al.  Mathematical Models of Fads Explain the Temporal Dynamics of Internet Memes , 2013, ICWSM.

[7]  Christos Faloutsos,et al.  Rise and fall patterns of information diffusion: model and implications , 2012, KDD.

[8]  Christian Bauckhage,et al.  Insights into Internet Memes , 2011, ICWSM.

[9]  Christian Bauckhage,et al.  Variable Attention and Variable Noise: Forecasting User Activity , 2016, LWDA.

[10]  D. Cox Some Statistical Methods Connected with Series of Events , 1955 .

[11]  Adilson E. Motter,et al.  A Poissonian explanation for heavy tails in e-mail communication , 2008, Proceedings of the National Academy of Sciences.

[12]  Christian Bauckhage,et al.  The Playtime Principle: Large-scale cross-games interest modeling , 2014, 2014 IEEE Conference on Computational Intelligence and Games.

[13]  Fang Wu,et al.  Novelty and collective attention , 2007, Proceedings of the National Academy of Sciences.

[14]  G. Shedler,et al.  Simulation of Nonhomogeneous Poisson Processes by Thinning , 1979 .