[論文レビュー] Using learning analytics to provide personalized recommendations for finding peers

Irene‐Angelica Chounta|arXiv (Cornell University)|Jan 1, 2019

Online Learning and Analytics参考文献 12被引用数 2

ひとこと要約

本論文は、学習者モデリングとグレイエリア（Grey Area）概念を用いて、ゾーン・オブ・プロキマス・ディベロップメント（ZPD）の代理指標として機能させる学習分析フレームワークを提案する。学生の認知状態と知識水準をリアルタイムで評価することで、協同学習を最適化するペアリングを推薦し、教育的原則に基づいた適切なスキャフォールディングを提供する学習者とグループ化する。これはヴィゴツキーの社会的発達理論に基づくものである。

ABSTRACT

This work aims to propose a method to support students in finding appropriate peers in collaborative and blended learning settings. The main goal of this research is to bridge the gap between pedagogical theory and data driven practice to provide personalized and adaptive guidance to students who engage in computer supported learning activities. The research hypothesis is that we can use Learning Analytics to model students' cognitive state and to assess whether the student is in the Zone of Proximal Development. Based on this assessment, we can plan how to provide scaffolding based on the principles of Contingent Tutoring and how to form study groups based on the principles of the Zone of Proximal Development.

研究の動機と目的

• 協同学習環境における教育的理論とデータドリブンな実践の間のギャップを埋めること。
• 既存の学習分析システムにおける認知状態に配慮したグループ編成の欠如に応えること。
• 学生のリアルタイムの知識状態と認知状態に基づき、動的かつ適応的な方法で学習グループを編成する手法を開発すること。
• 機械学習と学習者モデリングを用いてZPDを実装可能なものにし、実用的導入を可能にすること。
• ヴィゴツキー理論に基づいた協同学習を通じたパーソナライズドスキャフォールディングと知識構築を支援すること。

提案手法

• リアルタイムでの学生の認知状態と知識水準のモデリングに、計算的学習分析と機械学習を活用する。
• 予測の信頼性が低い領域である「グレイエリア」を、ゾーン・オブ・プロキマス・ディベロップメント（ZPD）の代理指標として採用する。
• 実習中に学生モデルを動的に更新し、現在の知識状態と認知状態を反映させる。
• ZPDの原則に基づくグループ編成：ZPD未満の学生はZPD内またはそれ以上の学生とペアリングされ、ZPD内の学生はZPDを超える学生とペアリングされる。
• 状況に応じたチューティング（Contingent Tutoring）の原則を適用し、個々の学生のニーズに合わせたスキャフォールディングを適応させる。
• ドメイン知識表現とベイジアン・ベルーフ・ネットワーク（BBN）を用いて、知識状態の評価を支援する。

実験結果

リサーチクエスチョン

• RQ1 グループメンバー間の知識的距離が、協同学習タスクにおける個人およびグループの学習成果にどのように影響するか？
• RQ2 グレイエリアが、ゾーン・オブ・プロキマス・ディベロップメント（ZPD）にいる学生を特定する信頼できる代理指標として機能する程度はどの程度か？
• RQ3 学習分析を用いて、効果的な協同学習的知識構築を支援する動的グループ編成をどのように実現できるか？
• RQ4 ZPDに基づくペアリングが、ランダムまたは固定のグループ編成戦略と比較して、学生の関与度と学習効果に与える影響は何か？
• RQ5 機械学習に基づく学生モデルは、リアルタイムで適応的スキャフォールディングとペアリング推奨を効果的に導くことができるか？

主な発見

• グレイエリアは、ゾーン・オブ・プロキマス・ディベロップメント（ZPD）にいる学生を特定するための実用的でデータドリブンな代理指標として有効である。
• ZPD未満の学生は、ZPD内またはそれ以上の学生とペアリングされることで、最も効果的なスキャフォールディングを受ける。
• ZPDの原則に基づくグループ編成は、適切な認知的チャレンジと支援を確保することで、より効果的な協同学習を実現する。
• 動的学習者モデリングにより、ペアリングとスキャフォールディング戦略のリアルタイムでの適応が可能になる。
• 教育的理論（ZPD）と学習分析の統合により、ブレンド型および協同学習環境におけるより効果的でパーソナライズドなガイダンスが可能になる。
• 提案手法は、認知発達理論に基づいた確立された理論と整合するグループ編成を可能にし、複雑な教育的意思決定を支援する。