[論文レビュー] Modelling student online behaviour in a virtual learning environment

Martin Hlosta, Drahomíra Herrmannová+4 more|Open Research Online (The Open University)|Nov 9, 2018

Intelligent Tutoring Systems and Adaptive Learning参考文献 6被引用数 14

ひとこと要約

本稿では、仮想学習環境（VLE）における学生のオンライン行動を、GUHAおよびマルコフ連鎖に基づく分析を用いてモデル化し、最初のチューター採点課題（TMA 1）の前に対象となる学生を予測することを目的としている。マルコフ連鎖アプローチは、時間依存の活動パターンを効果的に捉えており、特に後半の週（例：2〜4週目）にVLEでの活動がゼロの学生は、TMA 1に失敗する可能性が著しく高いことが明らかになった。一方、初期に活動がなかったが後に再開した学生は、成功の可能性が高まることが示された。

ABSTRACT

In recent years, distance education has enjoyed a major boom. Much work at The Open University (OU) has focused on improving retention rates in these modules by providing timely support to students who are at risk of failing the module. In this paper we explore methods for analysing student activity in online virtual learning environment (VLE) -- General Unary Hypotheses Automaton (GUHA) and Markov chain-based analysis -- and we explain how this analysis can be relevant for module tutors and other student support staff. We show that both methods are a valid approach to modelling student activities. An advantage of the Markov chain-based approach is in its graphical output and in the possibility to model time dependencies of the student activities.

研究の動機と目的

• 仮想学習環境（VLE）内での学生のオンライン行動のパターンが、学業成績と関連するかどうかを特定すること。
• 最初のチューター採点課題（TMA 1）の前までにVLEの相互作用データを分析することで、リスクを負う学生の早期特定を改善すること。
• GUHAおよびマルコフ連鎖に基づく手法が、時間的変化を伴う学生の活動パターンをモデル化する上で有効であるかどうかを評価すること。
• モジュールのチューターおよび学生支援スタッフが、退学防止のためのタイムリーな介入を実施できるように、実行可能なインサイトを提供すること。
• VLE内での特定の活動シーケンスが、初期の評価での成功または失敗を予測できるかどうかを検討すること。

提案手法

• 集約された学生のVLE活動データから関連ルールを発見するために、一般単一仮説自動機（GUHA）を採用した。
• 学生の活動強度の遷移を表現するため、時間的依存性を捉えるためにマルコフ連鎖に基づくモデリングを適用した。
• クリック数および活動の有無を示すバイナリフラグを用いて、週ごとおよびコンテンツタイプ（例：フォーラム、ウィキ、リソース）ごとにVLE相互作用データを集約した。
• 週0〜5における学生活動パターンのマルコフ連鎖を可視化するために、有向非巡回グラフ（DAG）を構築した。
• グラフィカル出力において、遷移矢印の色をコード化して、特定の行動シーケンスに従った学生の割合を示した。
• 少なくとも1週間にわたりVLEでの活動がゼロの学生に焦点を当て、TMA 1に合格したか否かを比較分析した。

実験結果

リサーチクエスチョン

• RQ1 GUHAおよびマルコフ連鎖に基づく手法は、最初のチューター採点課題の前において、VLE内での学生活動パターンを効果的にモデル化できるか？
• RQ2 TMA 1の失敗を最も予測できるVLEでの活動の欠如や活動強度のパターンは何か？
• RQ3 活動の欠如のタイミングと期間（例：コースの初期 vs. 後期）は、TMA 1の成績とどのように相関するか？
• RQ4 グラフィカルなマルコフ連鎖モデルは、リスクを負う学生を特定する支援のための解釈可能性を向上させ、学生支援スタッフの支援に役立つか？
• RQ5 コンテンツタイプごとの活動を組み込むことで、行動モデルの予測力が向上するか？

主な発見

• 2〜4週目にVLEでの活動がゼロの学生は、TMA 1に92.3%の確率で失敗した。これは、後半の週における活動の欠如と学業的失敗との強い相関を示している。
• 4週目にのみ活動がゼロの学生は、TMA 1で100%失敗した。これは、コース後半における活動の欠如が予測力に非常に高い影響を及えることを強調している。
• 初期の週（例：0週目）に活動がなかったが、後に再び活動を再開した学生は、TMA 1で71.8%の成功率を示した。これは、初期の離脱後に再参加する行動が、ポジティブなサインである可能性を示唆している。
• マルコフ連鎖に基づくアプローチは、解釈可能なグラフィカル出力を生成し、色の濃さで各パスに従った学生の割合を明確に可視化した。
• GUHA手法は解釈可能な関連ルールを生成したが、出力では時間的次元が失われており、時間的分析には限界があった。
• マルコフ連鎖モデルは、時間依存の行動を効果的に捉えており、活動シーケンスの時間的変化に基づく結果予測に、より適していることが分かった。