[論文レビュー] Team Formation for Scheduling Educational Material in Massive Online Classes

Sanaz Bahargam, Dóra Erdös+2 more|arXiv (Cornell University)|Mar 26, 2017

Scheduling and Timetabling Solutions参考文献 32被引用数 5

ひとこと要約

本論文は、学生の学習効果を最大化することを目的として、大規模オンラインクラスにおけるチーム編成およびパーソナライズドスケジューリングのための新規アルゴリズム、CohPartを提案する。チーム編成を、締切制約を伴うクラスタリング問題として定式化し、学習ニーズに応じて学生をグループ化し、繰り返しスケジュールを最適化するための貪欲で反復的なアプローチを用いる。実験の結果、実データおよび合成データの両方において、ランダムな分割やk-meansよりも顕著に優れた性能を示した。

ABSTRACT

Whether teaching in a classroom or a Massive Online Open Course it is crucial to present the material in a way that benefits the audience as a whole. We identify two important tasks to solve towards this objective, 1 group students so that they can maximally benefit from peer interaction and 2 find an optimal schedule of the educational material for each group. Thus, in this paper, we solve the problem of team formation and content scheduling for education. Given a time frame d, a set of students S with their required need to learn different activities T and given k as the number of desired groups, we study the problem of finding k group of students. The goal is to teach students within time frame d such that their potential for learning is maximized and find the best schedule for each group. We show this problem to be NP-hard and develop a polynomial algorithm for it. We show our algorithm to be effective both on synthetic as well as a real data set. For our experiments, we use real data on students' grades in a Computer Science department. As part of our contribution, we release a semi-synthetic dataset that mimics the properties of the real data.

研究の動機と目的

• 大規模オンラインクラスにおける効果的な学生チーム編成の課題に取り組み、ペア学習および教育的成果を向上させること。
• 個々の学生のニーズと固定された締切を考慮して、教育的コンテンツの繰り返しを最適化するパーソナライズドスケジューリングシステムの開発。
• 「コhort選択問題」を形式的に定義し、時間的制約のもとで、学生をkチームにグループ化することで、集団としての学習効果を最大化すること。
• 提案されたアルゴリズムを実際の学生データおよび準合成データセット上で評価し、ベースライン手法よりも優れていることを示すこと。

提案手法

• 学生が異なる教育的トピックについて必要とする繰り返し回数に基づいて、グループ化を行うクラスタリング問題としてチーム編成を定式化する。
• 学生のニーズと締切制約を考慮し、グループごとの合計学習効果を最大化するように、貪欲で反復的なアルゴリズム（CohPart）を導入する。
• 大規模データセットにおけるスケーラビリティとパフォーマンスを向上させるために、候補クラスタをサンプリングする変種（CohPart_S）を採用する。
• 1人の学生が期限内にどのトピックを何回繰り返すかに基づいて、学習可能性を定量化するための利益関数（式5）を用いる。
• スケジュール生成プロセスを制御するためのベースおよびステップパラメータを適用し、実行可能でパーソナライズされた繰り返しスケジュールを保証する。
• 実データ（コンピュータサイエンス学科のBUCS）および準合成データセット（BUCSSynth）を用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 時間制約のある教育的環境において、学生をどのように最適にチームに編成すれば、集団としての学習効果を最大化できるか？
• RQ2 締切および個々の学習ニーズの制約のもとで、チーム編成およびスケジューリング問題の計算量的複雑性はどの程度か？
• RQ3 k-means やランダム分割といった標準ベースライン手法と比較して、提案されたアルゴリズム（CohPart）は、学習効果およびスケーラビリティの観点でどの程度優れているか？
• RQ4 真のグループ構造が既知の合成データにおいて、アルゴリズムはどの程度、真のクラスタリングパターンを保持できるか？
• RQ5 実データおよび合成データの両環境において、異なる締切長さおよびパrameter（ベースおよびステップ）設定の下で、CohPartのパフォーマンスはどのように変化するか？

主な発見

• CohPartは、実データ（BUCS）および合成データ（真のグループ構造、一様分布、パレート分布、正規分布、BUCSSynth）のすべてのデータセットにおいて、ランダム分割およびk-meansを顕著に上回る学習効果を達成した。
• BUCSデータセットにおいて、1から10のクラスタに増加するに従い、学習効果が急激に上昇し、10クラスタを超えると収益逓減の傾向を示した。これは、約10人の学生が最適なグループサイズであることを示唆している。
• 締切が平均的な総ニーズベクトル長に近い場合、CohPartはk-meansに明確な性能優位性を示した。k-meansは締切制約を無視しているため、性能が著しく劣っていた。
• 真のグループ構造を有するデータセットにおいて、CohPartは元のグループ構造を的確に回復したが、k-meansは類似したニーズを持つ学生を適切に同じクラスタにグループ化できなかった。
• 大規模な準合成データセットBUCSSynthにおいても、CohPartは効果的なスケーリングを示し、実世界のMOOCへの実用的適用可能性を裏付けた。
• ベースおよびステップパラメータを増加させることで、CohPartのパフォーマンスが向上し、特に学習ニーズの分布が複雑または多様な場合に顕著であった。