[論文レビュー] Modeling the Dynamics of Online Learning Activity

Charalampos Mavroforakis, Isabel Valera+1 more|arXiv (Cornell University)|Oct 18, 2016

Opinion Dynamics and Social Influence参考文献 18被引用数 7

ひとこと要約

本稿では、オンライン教育プラットフォームにおける学習行動の共通パターンを解明するために、複数ユーザーからの連続的時刻ストリーミングデータをクラスタリングする確率的モデルである階層的ディリクレ・オークス過程（HDHP）を提案する。階層的ディリクレ過程を用いた無限クラスタリングによるコンテンツと時間的ダイナミクスのモデル化と、自己励起的なイベント発生タイミングを扱うオークス過程を組み合わせることで、数百万件のユーザー行動に対してスケーラブルかつ効率的な推論が可能となり、HDPと比較してパターンの質が20%向上（周辺度が低減）し、探索行動や忠誠心といったユーザー行動の変化を時間経過に伴って正確に追跡できる。

ABSTRACT

People are increasingly relying on the Web and social media to find solutions to their problems in a wide range of domains. In this online setting, closely related problems often lead to the same characteristic learning pattern, in which people sharing these problems visit related pieces of information, perform almost identical queries or, more generally, take a series of similar actions. In this paper, we introduce a novel modeling framework for clustering continuous-time grouped streaming data, the hierarchical Dirichlet Hawkes process (HDHP), which allows us to automatically uncover a wide variety of learning patterns from detailed traces of learning activity. Our model allows for efficient inference, scaling to millions of actions taken by thousands of users. Experiments on real data gathered from Stack Overflow reveal that our framework can recover meaningful learning patterns in terms of both content and temporal dynamics, as well as accurately track users' interests and goals over time.

研究の動機と目的

• リアルタイムのユーザー行動トレースを用いて、オンライン教育プラットフォームにおける動的でコンテンツ豊富な学習パターンをモデル化・解明すること。
• 時間的ダイナミクスを無視するか、複数ユーザーからのグループ化ストリーミングデータにスケーリングできない既存モデルの限界を是正すること。
• ユーザーの多様な行動様式（例：探索や忠誠心）を、時間経過に伴う学習パターンへの関与の仕方を追跡することで特徴づけること。
• ユーザー数およびアクション数に対して線形にスケーリングする効率的な推論アルゴリズムを開発し、リアルタイムでの導入を可能にすること。
• 教育分野に限らず、ニュース閲覧やウェブブラウジングなど、他の分野にも応用可能な、グループ化ストリーミングデータの統合クラスタリングフレームワークを提供すること。

提案手法

• HDHPは、ユーザー間で共有される無限個の学習パターンをモデル化するため、階層的ディリクレ過程（HDP）を用い、非パrametricクラスタリングを実現する。
• 各ユーザーの学習行動は、共有パターンパラメータから抽出されたディリクレ過程に従う多変量オークス過程としてモデル化される。
• オークス過程は学習行動における自己励起性を捉え、関連するアクションのバースト発生とその後の無活動状態をモデル化し、実際のユーザー行動を反映する。
• 逐次モンテカルロに基づく推論アルゴリズムにより、ユーザー数およびアクション数に対して線形にスケーリング可能な効率的推論が可能となる。
• 本モデルは、コンテンツの内容と、バースト性や人気度を含む時間的ダイナミクスを同時に推論する。
• オンライン推論をサポートしており、ユーザー関心のリアルタイム追跡と、進化するユーザー行動に基づく動的パターン発見が可能となる。

実験結果

リサーチクエスチョン

• RQ1 連続的時刻のグループ化ストリーミングデータとして得られるオンラインユーザー行動から、意味的でコンテンツ豊富な学習パターンを自動で発見する方法は何か？
• RQ2 オンライン学習プラットフォームではどのようなユーザー行動様式が生じるのか？また、それらはパターンの採用頻度やタスクの所要時間においてどのように異なるか？
• RQ3 バースト発生や無活動といった学習行動の時間的ダイナミクスを、従来のモデルよりも効果的にモデル化できるか？
• RQ4 時間的ダイナミクスを組み込むことで、静的クラスタリングモデルと比較して学習パターンの質がどの程度向上するか？
• RQ5 本モデルは、Stack Overflowの4年間分のユーザー行動ログのような実世界の大規模データセットにもどの程度スケーリング可能か？

主な発見

• HDHPモデルはHDPベースラインと比較して20%の周辺度低減を達成し、コンテンツ面での意味的で整合性の高い学習パターンが得られることを示した。
• 本モデルは、新しい学習パターンを頻繁に切り替える「探索者」と、数個のパターンに長期間集中する「忠誠心を持つユーザー」の2種類の明確な行動タイプを特定した。
• 観察期間4年間において、約87%のユーザーが5〜25の学習パターンを採用したが、5%は5個以下のパターンに限定され、10%は25個を超えるパターンを探索した。
• ユーザーのタスクの約75%以上が1〜4か月の間に完了したが、約10%は1か月未満で完了しており、平均的には中程度のタスク期間であった。
• 推論アルゴリズムは16,000人のユーザーから得られた160万件のアクションに対しても効率的にスケーリングでき、データサイズに対して線形スケーリングを示した。
• 本モデルはリアルタイムでの関心追跡が可能であり、進化するユーザー行動に基づく動的レコメンデーションのオンライン導入が可能である。