[論文レビュー] Understanding Communication Patterns in MOOCs: Combining Data Mining and qualitative methods

Rebecca Eynon, Isis Hjorth+2 more|arXiv (Cornell University)|Jul 25, 2016

Online Learning and Analytics参考文献 61被引用数 6

ひとこと要約

本論文は、データマイニングと定性的手法を統合することでMOOCにおける通信パターンを調査し、複数のコースのディスカッションフォーラムを分析して、社会的ダイナミクスと学習行動を解明した。研究では、通信がしばしばトピック中心であり、参加者間の相互作用が限定的であることが明らかになった。また、大規模オンライン教育環境における学習者相互作用を理解するには、定量的分析と解釈的知見を組み合わせることが重要であることが示された。

ABSTRACT

Massive Open Online Courses (MOOCs) offer unprecedented opportunities to learn at scale. Within a few years, the phenomenon of crowd-based learning has gained enormous popularity with millions of learners across the globe participating in courses ranging from Popular Music to Astrophysics. They have captured the imaginations of many, attracting significant media attention - with The New York Times naming 2012 "The Year of the MOOC." For those engaged in learning analytics and educational data mining, MOOCs have provided an exciting opportunity to develop innovative methodologies that harness big data in education.

研究の動機と目的

• 大規模なMOOCディスカッションフォーラムにおける学習者の相互作用を理解すること。
• 混合手法を用いて、学習者通信における構造的・行動的パターンを同定すること。
• トピックの関連性、参加頻度、社会的ダイナミクスがオンライン学習コミュニティの形成に果たす役割を検討すること。
• 定量的データマイニングと定性的解釈を統合し、学習者行動に関するより深い知見を得ること。
• 通信パターンの証拠に基づく理解を通じて、より効果的なMOOC学習環境の設計を支援すること。

提案手法

• 複数の分野にまたがるMOOCのディスカッションフォーラムデータを抽出・分析するため、データマイニング技術が適用された。
• 投稿頻度、スレッド長、応答遅延などの定量的指標が計算され、通信パターンを特徴づけた。
• 通信行動の意味や文脈を解釈するために、フォーラム投稿のサブセットに対する定性的分析が実施された。
• 統計的傾向と学習者ディス course からの解釈的知見を三角測定するため、混合手法フレームワークが用いられた。
• ネットワーク分析を用いて相互作用構造をマッピングし、中心的参加者と通信クラスタを同定した。
• 自動化されたデータ処理とテーマコンテンツの手動コーディングを組み合わせることで、文脈的正確性を確保した。

実験結果

リサーチクエスチョン

• RQ1 異なるコースにおけるMOOCディスカッションフォーラムでの通信の支配的パターンは何か？
• RQ2 参加レベルや相互作用構造は、異なるトピックや学習者グループでどのように変化するか？
• RQ3 通信パターンは、意味のある学習参加を反映しているのか、それとも表面的な参加にとどまるのか？
• RQ4 通信の定量的指標と、参加度や知識構築の定性的指標との相関はどの程度か？
• RQ5 社会的ダイナミクスとトピックの関連性は、オンラインディスカッションの質と持続可能性にどのような役割を果たすか？

主な発見

• MOOCフォーラムにおける通信はしばしばトピック中心であり、投稿数が多くてもスレッド間の相互作用は限定的である。
• 少数の非常に活発な参加者が、議論への貢献の大部分を占めており、参加構造が歪んでいることが示された。
• 応答時間は一般的に短く、迅速な相互作用サイクルが見られるが、多くの投稿が返信されず、フォローアップの参加が低いことが判明した。
• 定性的分析により、多くの投稿が短く取引的である一方で、一定数の投稿に自己内省的または協働的学習行動が見られた。
• 関連性が高く、難易度の高いトピックでは、より持続的で複雑な議論が生じており、トピックの顕著さが参加の深さに影響していることが示された。
• データマイニングと定性的コーディングの統合により、定量的分析では検出できない、感情的トーンや応答内の概念的整合性といった微細なパターンが明らかになった。