Τεχνολογίες μάθησης για την υποστήριξη εκπαιδευομένων σε Μαζικά Ανοικτά Διαδικτυακά Μαθήματα (MOOCs)

Abstract

Massive Open Online Courses (MOOCs) emerged with the promise of making knowledge globally accessible, transcending geographical, economic, and so-cial barriers. However, their educational potential is undermined by the persis-tent problem of extremely high dropout rates. The majority of participants en-roll but do not complete the courses, thereby limiting the social and pedagogi-cal impact of this technology. The dropout problem cannot be reduced merely to a technical issue; it is deeply linked to challenges regarding how learners motivate themselves, organize their study, and manage their time and cognitive resources in highly autonomous environments. At the core of these challenges lies Self-Regulated Learning (SRL). SRL is a critical determinant of success, as it defines the extent to which learners are able to set goals, monitor their progress, adapt strategies, and persevere in the face of difficulties. In MOOCs, where the lack of direct instructional support and the sense of isolation are common, self-regulation skills become even more deci-sive. Learners with low SRL are more likely to drop out quickly, while those with high SRL demonstrate greater resilience, consistency, and likelihood of course completion. Strengthening SRL is therefore not merely desirable but essential for the sustainability of MOOCs. This thesis approaches the dropout problem through three interconnected re-search dimensions. First, it examines the performance of classical machine learning algorithms in predicting dropout, employing different evaluation met-rics and data balancing techniques in order to achieve more reliable estimations of dropout propensity. Second, it highlights the significance of learners’ self-reported data, identifying crucial predictive indicators with particular emphasis on SRL, which proves to be a key factor in both predicting and preventing dropout. Third, it explores the development and implementation of artificial intelligence–based interventions, designed to actively foster learners’ self-regulation and provide personalized guidance in real time. Drawing on empirical studies conducted in real MOOCs, the thesis demonstrates that effectively addressing dropout requires the integration of three strategies: algorithmic prediction, the cultivation of SRL skills, and dynamic support through artificial intelligence tools. Dropout prediction is not an end in itself; it serves as an early diagnostic mechanism. SRL interventions are not merely the-oretical approaches; they function as practical instruments for empowering learners. And artificial intelligence is not a neutral technological addition; it becomes a catalyst enabling personalization, scalability, and continuous adapta-tion of support. Overall, the thesis argues that the future of MOOCs depends on their capacity to evolve from passive content repositories into dynamic learning ecosystems, where self-regulation is actively cultivated and supported, and where artificial intelligence acts as a mediator between dropout risk diagnosis and the en-hancement of learning skills. The proposition is clear: only through an interdis-ciplinary, multifactorial approach can MOOCs overcome their inherent limita-tions and emerge as truly sustainable and effective tools of education.

Τα Μαζικά Ανοιχτά Διαδικτυακά Μαθήματα (MOOCs) εμφανίστηκαν με την υπόσχεση να καταστήσουν τη γνώση παγκόσμια διαθέσιμη, υπερβαίνοντας γεωγραφικά, οικονομικά και κοινωνικά εμπόδια. Ωστόσο, η εκπαιδευτική τους δυναμική υπονομεύεται από το επίμονο πρόβλημα των εξαιρετικά υψηλών ποσοστών εγκατάλειψης. Η πλειονότητα των συμμετεχόντων εγγράφεται, αλλά δεν ολοκληρώνει τα μαθήματα, περιορίζοντας έτσι τον κοινωνικό και παιδαγωγικό αντίκτυπο της τεχνολογίας. Το πρόβλημα της εγκατάλειψης δεν μπορεί να αναχθεί αποκλειστικά σε τεχνικό ζήτημα; συνδέεται με βαθύτερες προκλήσεις που σχετίζονται με το πώς οι εκπαιδευόμενοι παρακινούνται, οργανώνουν τη μελέτη τους και διαχειρίζονται τον χρόνο και τους γνωστικούς τους πόρους σε ένα περιβάλλον μεγάλης αυτονομίας. Στην καρδιά αυτών των προκλήσεων βρίσκεται η Αυτορρύθμιση της Μάθησης (Self-Regulated Learning – SRL). Η SRL αποτελεί κρίσιμο παράγοντα επιτυχίας, καθώς καθορίζει τον βαθμό στον οποίο οι εκπαιδευόμενοι μπορούν να θέτουν στόχους, να παρακολουθούν την πρόοδό τους, να προσαρμόζουν στρατηγικές και να επιμένουν παρά τις δυσκολίες. Στα MOOCs, όπου η απουσία άμεσης υποστήριξης από διδάσκοντες και η αίσθηση απομόνωσης είναι συχνές, οι δεξιότητες αυτορρύθμισης γίνονται ακόμη πιο καθοριστικές. Εκπαιδευόμενοι με χαμηλή SRL τείνουν να εγκαταλείπουν πιο γρήγορα, ενώ εκείνοι με υψηλή SRL εμφανίζουν μεγαλύτερη ανθεκτικότητα, συνέπεια και πιθανότητα ολοκλήρωσης. Η ενίσχυση της SRL, επομένως, δεν είναι απλώς επιθυμητή, αλλά αναγκαία για τη βιωσιμότητα των MOOCs.Η παρούσα διατριβή προσεγγίζει το πρόβλημα της εγκατάλειψης μέσα από τρεις αλληλένδετες ερευνητικές διαστάσεις. Πρώτον, εξετάζει την απόδοση κλασικών αλγορίθμων μηχανικής μάθησης στην πρόβλεψη εγκατάλειψης, αξιοποιώντας διαφορετικές μετρικές αξιολόγησης και τεχνικές εξισορρόπησης δεδομένων, ώστε να αποτυπωθεί πιο αξιόπιστα η πιθανότητα αποχώρησης. Δεύτερον, εστιάζει στη σημασία των αυτοαναφερόμενων δεδομένων των εκπαιδευόμενων, εντοπίζοντας κρίσιμους προγνωστικούς δείκτες με ιδιαίτερη έμφαση στον παράγοντα της SRL, ο οποίος αποδεικνύεται κλειδί για την πρόβλεψη και πρόληψη εγκατάλειψης. Τρίτον, διερευνά την ανάπτυξη και εφαρμογή παρεμβάσεων βασισμένων στην τεχνητή νοημοσύνη, οι οποίες σχεδιάζονται για να ενισχύουν ενεργά τη μαθησιακή αυτορρύθμιση και να προσφέρουν εξατομικευμένη καθοδήγηση σε πραγματικό χρόνο. Μέσα από εμπειρικές μελέτες σε πραγματικά MOOCs, η διατριβή τεκμηριώνει ότι η αποτελεσματική αντιμετώπιση της εγκατάλειψης απαιτεί τη σύζευξη τριών στρατηγικών: της αλγοριθμικής πρόβλεψης, της καλλιέργειας δεξιοτήτων SRL και της δυναμικής υποστήριξης με εργαλεία τεχνητής νοημοσύνης. Η πρόβλεψη εγκατάλειψης δεν αποτελεί αυτοσκοπό αλλά λειτουργεί ως μηχανισμός έγκαιρης διάγνωσης. Οι παρεμβάσεις SRL δεν είναι απλώς θεωρητικές προσεγγίσεις. Λειτουργούν ως πρακτικά εργαλεία ενδυνάμωσης των εκπαιδευόμενων. Και η τεχνητή νοημοσύνη δεν αποτελεί μια ουδέτερη τεχνολογική προσθήκη, αλλά μετατρέπεται σε καταλύτη που επιτρέπει την προσωποποίηση, την κλιμάκωση και τη διαρκή προσαρμογή της υποστήριξης. Συνολικά, η διατριβή υποστηρίζει ότι το μέλλον των MOOCs εξαρτάται από τη δυνατότητά τους να μετασχηματιστούν από παθητικά αποθετήρια περιεχομένου σε δυναμικά οικοσυστήματα μάθησης, όπου η αυτορρύθμιση καλλιεργείται και υποστηρίζεται ενεργά και όπου η τεχνητή νοημοσύνη λειτουργεί ως διαμεσολαβητής ανάμεσα στη διάγνωση κινδύνου εγκατάλειψης και στην ενίσχυση των μαθησιακών δεξιοτήτων. Η πρόταση είναι σαφής: μόνο μέσα από μια διεπιστημονική, πολυπαραγοντική προσέγγιση, τα MOOCs μπορούν να ξεπεράσουν τα εγγενή τους όρια και να αναδειχθούν σε πραγματικά βιώσιμα και αποτελεσματικά εργαλεία εκπαίδευσης.