[論文レビュー] An Artificial Intelligence driven Learning Analytics Method to Examine the Collaborative Problem solving Process from a Complex Adaptive Systems Perspective

Fan Ouyang, Weiqi Xu+1 more|arXiv (Cornell University)|Oct 28, 2022

Innovative Teaching and Learning Methods被引用数 10

ひとこと要約

本稿では、複雑適応系理論を応用してマルチモーダル共同問題解決（CPS）データを分析するAI駆動型学習分析フレームワークを提案する。音声、スクリーン録画、概念図を機械学習と統合することで、3つの異なる共同パターン——行動志向型（タイプ1、中程度のパフォーマンス）、コミュニケーション・行動・協働の統合型（タイプ2、高いパフォーマンス）、コミュニケーション志向型（タイプ3、低いパフォーマンス）——を同定し、動的で適応的かつ自己組織的であるグループ行動の特徴を明らかにする。

ABSTRACT

Collaborative problem solving (CPS) enables student groups to complete learning tasks, construct knowledge, and solve problems. Previous research has argued the importance to examine the complexity of CPS, including its multimodality, dynamics, and synergy from the complex adaptive systems perspective. However, there is limited empirical research examining the adaptive and temporal characteristics of CPS which might lead to an oversimplified representation of the real complexity of the CPS process. To further understand the nature of CPS in online interaction settings, this research collected multimodal process and performance data (i.e., verbal audios, computer screen recordings, concept map data) and proposed a three-layered analytical framework that integrated AI algorithms with learning analytics to analyze the regularity of groups collaboration patterns. The results detected three types of collaborative patterns in groups, namely the behaviour-oriented collaborative pattern (Type 1) associated with medium-level performance, the communication - behaviour - synergistic collaborative pattern (Type 2) associated with high-level performance, and the communication-oriented collaborative pattern (Type 3) associated with low-level performance. The research further highlighted the multimodal, dynamic, and synergistic characteristics of groups collaborative patterns to explain the emergence of an adaptive, self-organizing system during the CPS process.

研究の動機と目的

• 共同問題解決（CPS）プロセスの動的で適応的かつマルチモーダルな性質に関する実証的研究の不足を補うため。
• オンライン環境におけるCPSの時間的変化を、豊富なマルチモーダルデータを用いて分析するため。
• 人工知能と学習分析を統合した、3層構造の分析フレームワークを構築するため。
• 異なるグループパフォーマンスレベルと関連する明確な共同パターンを同定・特徴づけるため。
• コミュニケーション、行動、知識構築の相互作用を通じて、CPSにおける自己組織的で適応的なシステムの出現を説明するため。

提案手法

• 本研究では、共同学習セッションから、会話の音声トランスクリプト、コンピュータ画面の録画、概念図の成果物を含むマルチモーダルデータを収集した。
• 3層構造の分析フレームワークを設計した：データ前処理、AIアルゴリズムを用いたパターン検出、共同ダイナミクスの解釈。
• 自然言語処理（NLP）と音声分析を用いて、音声データからコミュニケーションパターンを抽出した。
• コンピュータビジョンとインタラクションログ記録技術を用いて、スクリーン録画データの行動的および認知的行動を分析した。
• 概念図分析を実施し、グループ作業における知識構築と構造的複雑性を評価した。
• 機械学習モデルを用いて、統合された行動的・コミュニケーション的・協働的特徴に基づき、グループを異なる共同パターンに分類した。

実験結果

リサーチクエスチョン

• RQ1 オンライン環境における共同問題解決プロセスは、どのように動的で適応的かつ自己組織的な行動として現れるか？
• RQ2 CPS中に現れる明確な共同パターンは何か。それらはグループパフォーマンスレベルとどのように関連しているか？
• RQ3 音声、スクリーン、概念図を含むマルチモーダルデータは、CPSにおける協働的で複雑適応的システムの特徴をどの程度明らかにするか？
• RQ4 AI駆動型学習分析は、CPSプロセスの複雑さを効果的にモデル化・分類できるか？
• RQ5 コミュニケーション、行動、知識構築は、高パフォーマンスと低パフォーマンスの共同パターンを形成する上で果たす役割は何か？

主な発見

• 3つの明確な共同パターンが同定された：行動志向型（タイプ1）、コミュニケーション・行動・協働の統合型（タイプ2）、コミュニケーション志向型（タイプ3）。
• タイプ2グループは、コミュニケーション・行動・協働性が統合された特徴を持ち、最高のパフォーマンスを達成した。
• タイプ1グループは中程度のパフォーマンスを示し、強い調整や知識統合がなく、主にタスク実行に注力していた。
• タイプ3グループは低パフォーマンスを示し、効果的な行動的・認知的調整が欠如した過剰なコミュニケーションが特徴であった。
• 結果から、高パフォーマンスグループは、複雑適応系と整合する自己組織的で適応的かつ協働的なダイナミクスを示すことが明らかになった。
• マルチモーダルデータから、適応的共同は直線的ではなく、コミュニケーション、行動、知識構築の動的相互作用によって生じることが明らかになった。