[論文レビュー] Communication Communities in MOOCs

Nabeel Gillani, Rebecca Eynon+3 more|arXiv (Cornell University)|Mar 18, 2014

Online Learning and Analytics参考文献 30被引用数 15

ひとこと要約

本稿では、ビジネス戦略MOOCからのコンテンツ分析データを用いて、MOOCのディスカッションフォーラムにおけるコミュニケーションコミュニティを同定するため、ベイジアン非負値行列分解（BNMF）モデルを提案する。BNMFは、潜在的なディスカッション構造を捉える点で他のモデルを上回ることを示し、異なる学習者コミュニティにおけるデモグラフィック要因、参加度、およびコース成績に統計的に有意な差異が存在することを明らかにし、教育的介入を的確に実施可能にする。

ABSTRACT

Massive Open Online Courses (MOOCs) bring together thousands of people from different geographies and demographic backgrounds -- but to date, little is known about how they learn or communicate. We introduce a new content-analysed MOOC dataset and use Bayesian Non-negative Matrix Factorization (BNMF) to extract communities of learners based on the nature of their online forum posts. We see that BNMF yields a superior probabilistic generative model for online discussions when compared to other models, and that the communities it learns are differentiated by their composite students' demographic and course performance indicators. These findings suggest that computationally efficient probabilistic generative modelling of MOOCs can reveal important insights for educational researchers and practitioners and help to develop more intelligent and responsive online learning environments.

研究の動機と目的

• 大規模なMOOCフォーラムディスカッションを分析するためのスケーラブルで確率的生成モデルの開発を目的とする。
• 投稿内容、対話行動、感情、トピック、スレッドへの関連性に基づいて、学習者間の明確に区別できるコミュニケーションコミュニティを同定することを目的とする。
• これらのコミュニティをデモグラフィック要因および成績指標と関連づけ、MOOCにおける学習者多様性の理解を深めることを目的とする。
• BNMFが、オンラインディスカッションコンテンツをモデル化するための、既存のモデル（LPGMなど）に比べ優れた代替手段であることを検証することを目的とする。
• グローバルなオンライン学習環境におけるコース設計および学習者支援の改善に役立つデータ駆動型の知見を提供することを目的とする。

提案手法

• 本研究では、90,000人の登録者を有するCourseraのビジネス戦略MOOCから収集された6,500件の手動コード処理済みフォーラム投稿の新規に整備されたデータセットを用いる。
• 投稿は、学習、コミュニケーション的意図、感情、トピック、スレッドへの関連性の5つの次元でコード化された。
• ベイジアン非負値行列分解（BNMF）を用いて、投稿のコンテンツコード特徴に基づき潜在的コミュニティを推定した。
• モデルは、非負で解釈可能な成分（コミュニティのプロファイルを表す）を捉える確率的生成フレームワークを採用している。
• 推論効率性およびフィット度指標を用いて、潜在的プロファイルグラフモデル（LPGM）および他のベンチマークと比較してモデルの性能を検証した。
• 後方確率推論に基づき、各ユーザーのコミュニティ所属を割り当て、デモグラフィック要因および成果の比較が可能になった。

実験結果

リサーチクエスチョン

• RQ1 コンテンツ分析済みデータを用いて、MOOCフォーラムにおける潜在的コミュニティ構造を効果的にモデル化する方法は何か？
• RQ2 コミュニケーション行動、感情、トピック集中度の観点から、学習者コミュニティの特徴は何か？
• RQ3 識別されたコミュニケーションコミュニティ間で、デモグラフィック要因およびコース成果にどのような差異が存在するか？
• RQ4 BNMFは、既存のモデルに比べて、MOOCフォーラムデータにおける意味のあるコミュニティ構造をどの程度うまく捉えられるか？
• RQ5 計算効率の良い確率的モデル（BNMFなど）は、オンライン教育プラットフォームにおけるリアルタイムの学習者プロファイリングを支援できるか？

主な発見

• BNMFは、LPGMおよび他のベンチマークを上回り、フォーラムコンテンツのモデリングにおいて優れたフィット度と計算効率を示した。
• ケースおよび最終課題フォーラムでは、5つの明確に区別できるコミュニケーションコミュニティが同定され、それぞれが対話行動、感情、トピック参加のパターンに特徴を持っていた。
• ケースフォーラムにおける「ディスカッションの発起者」グループには、アジアからの学習者の割合が高く、地域的コミュニケーションパターンが示唆された。
• 最終課題フォーラムにおける「プロジェクト支援要請者」グループには、南米からの学習者の割合が高く、地理的に集約された協働志向行動が示唆された。
• コミュニティ間でコース成績に顕著な差異が認められ、「道具的支援要請者」グループは投稿数が多くても顕著に低い合格率を示した。
• ケースフォーラムにおける「個人主義的学習者」グループは、大学院修了率が低く、合格率も低く、退屈感や単独学習の好みが示唆された。