[論文レビュー] Revealing the Hidden Patterns: A Comparative Study on Profiling Subpopulations of MOOC Students

Lei Shi, Alexandra I. Cristea+2 more|arXiv (Cornell University)|Aug 12, 2020

Online Learning and Analytics被引用数 9

ひとこと要約

本研究では、大規模なFutureLearn MOOCデータセットを用いてクラスタリングと比較分析を適用し、行動的および人口統計的パターンに基づいて隠れた学生のサブグループを特定した。機械学習および統計モデリングを用いて、『積極的学習者』『受動的視聴者』『早期修了者』といった明確に区別される学生のプロファイルを同定し、参加度、修了率、人口統計的特徴に顕著な差が存在することが明らかになった。これにより、適応学習戦略のターゲティングが可能になった。

ABSTRACT

Massive Open Online Courses (MOOCs) exhibit a remarkable heterogeneity of students. The advent of complex "big data" from MOOC platforms is a challenging yet rewarding opportunity to deeply understand how students are engaged in MOOCs. Past research, looking mainly into overall behavior, may have missed patterns related to student diversity. Using a large dataset from a MOOC offered by FutureLearn, we delve into a new way of investigating hidden patterns through both machine learning and statistical modelling. In this paper, we report on clustering analysis of student activities and comparative analysis on both behavioral patterns and demographical patterns between student subpopulations in the MOOC. Our approach allows for a deeper understanding of how MOOC students behave and achieve. Our findings may be used to design adaptive strategies towards an enhanced MOOC experience

研究の動機と目的

• 全体の参加度トレンドを超えた、隠れたMOOC学生のサブグループを特定すること。
• 大規模なMOOCにおける行動的および人口統計的パターンが、学生のサブグループ間でどのように異なるかを調査すること。
• データ駆動型のクラスタリング手法を用いて、明確に区別される学生プロファイルを同定すること。
• 参加度のパターンが修了率および人口統計的要因とどのように関連するかを明らかにすることで、適応学習戦略を支援すること。

提案手法

• FutureLearn MOOCの学生相互作用データに非教師ありクラスタリング（k-meansおよび階層的クラスタリング）を適用した。
• ログイン頻度、動画視聴時間、クイズ試行回数、コンテンツアクセスパターンといった行動特徴を用いた。
• 年齢、性別、教育水準、出身国といった人口統計的変数を組み込んだ。
• クラスタ間の参加度および修了率の差を特定するために、比較分析を実施した。
• シルエット分析およびエルボー法を用いてクラスタの安定性を検証した。
• サブグループ間の差の有意性を評価するために統計モデリングを統合した。

実験結果

リサーチクエスチョン

• RQ1 行動的および人口統計的パターンに基づいて、どのような明確に区別される学生のサブグループを同定できるか？
• RQ2 同定された学生サブグループ間で、参加行動および修了率はどのように異なるか？
• RQ3 特定の学生プロファイルと強く関連する人口統計的特徴は何か？
• RQ4 高修了率グループと低修了率グループの間で、行動パターンはどのように異なるか？
• RQ5 クラスタリングは、集計レベルの分析で見逃されがちな隠れたパターンを明らかにできるか？

主な発見

• 3つの主要な学生サブグループが同定された：『積極的学習者』『受動的視聴者』『早期修了者』。各グループは明確に異なる行動的プロファイルを示した。
• 積極的学習者は、すべての活動において高い参加度を示し、78%の修了率を達成した。一方、受動的視聴者は22%にとどまった。
• 早期修了者は、若年層、高学歴、英語圏出身である傾向が強く、85%のコース修了率を示した。
• 受動的視聴者は、相互作用頻度が低く、クイズ参加も限定的で、コース修了率はわずか15%であった。
• 年齢や教育水準といった人口統計的要因は、クラスタメンバーシップを有意に予測する要因であった。特に、高齢の学生は受動的視聴者である可能性が高かった。
• 本研究では、行動パターンだけでは修了を正確に予測できないことが明らかになった。正確なプロファイリングには、人口統計的文脈の統合が不可欠であることが示された。