[論文レビュー] Grade Prediction with Temporal Course-wise Influence

Zhiyun Ren, Xia Ning+1 more|arXiv (Cornell University)|Sep 15, 2017

Online Learning and Analytics参考文献 16被引用数 14

ひとこと要約

本稿では、時間的ダイナミクスとコース別影響効果を組み込んだ因子分解ベースの新規モデル、時系列的コース別影響を伴う行列分解（MFTCI）を提案する。この手法は、最先端のベースラインを上回り、学術プログラムの構造を反映する意味のあるコンテンツ関連のコース影響パターンを学習する。

ABSTRACT

There is a critical need to develop new educational technology applications that analyze the data collected by universities to ensure that students graduate in a timely fashion (4 to 6 years); and they are well prepared for jobs in their respective fields of study. In this paper, we present a novel approach for analyzing historical educational records from a large, public university to perform next-term grade prediction; i.e., to estimate the grades that a student will get in a course that he/she will enroll in the next term. Accurate next-term grade prediction holds the promise for better student degree planning, personalized advising and automated interventions to ensure that students stay on track in their chosen degree program and graduate on time. We present a factorization-based approach called Matrix Factorization with Temporal Course-wise Influence that incorporates course-wise influence effects and temporal effects for grade prediction. In this model, students and courses are represented in a latent "knowledge" space. The grade of a student on a course is modeled as the similarity of their latent representation in the "knowledge" space. Course-wise influence is considered as an additional factor in the grade prediction. Our experimental results show that the proposed method outperforms several baseline approaches and infer meaningful patterns between pairs of courses within academic programs.

研究の動機と目的

• より良い成績予測を通じて、学生の早期修了と学業的成功を促進する挑戦に応えること。
• 静的でない学生およびコースの埋め込みを越えて、先行コースが将来のパフォーマンスに与える動的影響をモデル化すること。
• より正確な次学期成績予測のため、行列分解に時間的要因とコース別影響を統合すること。
• 学術プログラムの構造とコンテンツ依存関係を反映する解釈可能なコース影響パターンを明らかにすること。
• データ駆動型のインサイトを通じて、パーソナライズドな学術アドバイスと学位計画を支援すること。

提案手法

• MFTCIモデルは、学生とコースを共通の潜在的「知識」空間に表現するための行列分解を用い、成績はそれらの潜在的ベクトルの内積として予測される。
• 先行して履修したコースの影響を捉えるために、コース別影響行列Aを導入する。
• 時間的要因は、複数の先行学期の学生のパフォーマンスを組み込むことでモデル化され、実験により2つの先行学期が最も情報量が多いことが示された。
• 学生要因（U, V）、影響行列（A）、時間的成分（Z1, Z2, U1, U2）を更新するため、勾配降下法を用いた交互最適化を採用する。
• 時間的成分Z1は特異値分解（SVD）を用いて計算され、追加の潜在的行列（U1, U2）は学生パフォーマンスの時間依存的シフトをモデル化する。
• 本モデルは、George Mason University（2009年秋学期から2016年春学期まで）の歴史的学生記録を用いて学習され、6つの専攻をカバーし、転入生および非転入生を含む。

実験結果

リサーチクエスチョン

• RQ1 標準的な行列分解と比較して、コース別影響を組み込むことで、次学期成績予測の正確性はどの程度向上するか？
• RQ2 学生パフォーマンスへの時間的影響をモデル化するにあたり、最適な先行学期数は何か？
• RQ3 学習されたコース影響パターンは、実際の学術プログラム構造とコースコンテンツの依存関係を反映しているか？
• RQ4 時間的要因とコース別影響が、予測性能にどのように統合的に影響を与えるか？
• RQ5 本モデルは、カリキュラムマップに明示的に定義されていない、意味のある先行科目に類する関係を同定できるか？

主な発見

• MFTCIモデルは、評価されたすべてのデータセットにおいて、複数の最先端ベースライン手法を顕著に上回る次学期成績予測性能を達成した。
• 本モデルは、時間的ダイナミクスとコース別影響を組み込むことで性能が向上し、後者の方が予測精度に顕著な寄与を示した。
• コンピュータサイエンス（CS）専攻では17件、応用情報技術（AIT）専攻では13件のコース影響関係が、公式の学術プログラムガイドマップと一致した。
• MFTCIが学習したコース影響パターンは、実際のコースコンテンツと強く相関しており、たとえば「マルチメディア＆ウェブデザイン」が「応用ITプログラミング」と「グローバル経済におけるIT」に影響を与えるなど、内容に基づく関係を示している。
• 2つの先行学期を考慮することで予測性能が最良となることが示され、学生の学習進行に強い時間的依存性があることが明らかになった。
• コース影響行列の可視化により、バイオロジー（BIOL）、都市工学（CEIE）、コンピュータプロフェッショナルエンジニアリング（CPE）、心理学（PSYC）など複数の専攻にわたり、解釈可能なコンテンツベースの関係が明らかになった。