[論文レビュー] What will you do next? A sequence analysis on the student transitions between online platforms in blended courses

Niki Gitinabard, Sarah Heckman+2 more|arXiv (Cornell University)|May 2, 2019

Online Learning and Analytics参考文献 31被引用数 8

ひとこと要約

本研究では、混合学習環境における学生の複数のオンラインプラットフォーム間の遷移を、N-gramおよびApriori手法を用いて、4つのツール（Moodle、Piazza、WebAssign、GitHub）のログデータを同期させたものに対して逐次分析を適用した。その結果、成績が優秀な学生は、特にフォーラムに再び戻るなど、複数のプラットフォームを横断して遷移する傾向を示した一方、成績が低い学生はMoodleのような単一プラットフォームに長時間かつ反復的に使用する傾向を示し、成績の高い学生と低い学生の間で顕著な行動パターンの違いが明らかになった。この差は、早期干渉や予測モデリングの支援に役立つ。

ABSTRACT

Students' interactions with online tools can provide us with insights into their study and work habits. Prior research has shown that these habits, even as simple as the number of actions or the time spent on online platforms can distinguish between the higher performing students and low-performers. These habits are also often used to predict students' performance in classes. One key feature of these actions that is often overlooked is how and when the students transition between different online platforms. In this work, we study sequences of student transitions between online tools in blended courses and identify which habits make the most difference between the higher and lower performing groups. While our results showed that most of the time students focus on a single tool, we were able to find patterns in their transitions to differentiate high and low performing groups. These findings can help instructors to provide procedural guidance to the students, as well as to identify harmful habits and make timely interventions.

研究の動機と目的

• 混合学習環境における学生が複数のオンライン教育プラットフォームをどのように遷移するかを理解すること。
• 特に、成績が優秀（Distinction）と低い（Non-distinction）学生を区別する遷移シーケンスを含む行動パターンを同定すること。
• 生徒の効果的でない習慣と有害な習慣を明らかにすることで、教員が的確な手順的ガイダンスを提供できるようにすること。
• 遷移に基づく行動特徴を組み込むことで、学生の成績予測モデルを改善すること。
• 同様の教育的役割を果たす異なるツール（例：WebAssignとGitHub）の間で、研究結果が一般化可能かどうかを検討すること。

提案手法

• Moodle（LMS）、Piazza（ディスカッションフォーラム）、WebAssign（課題提出）、GitHub（バージョン管理およびコード提出）の4つの異なるオンラインプラットフォームから学生の活動ログを収集し、同期化した。
• 時間的近接性とユーザーの文脈に基づいて、個々の行動を学習セッションにグループ化した。
• 各セッション内でのプラットフォーム遷移のシーケンスを抽出し、学生行動を順序付きの行動シーケンスとしてモデル化した。
• N-gram分析を用いて、全学生に共通する最も頻度の高い遷移パターンを同定した。
• Aprioriアルゴリズムを用いて関連ルールを発見し、優秀（Distinction）とそうでない（Non-distinction）グループで顕著に頻度が高い遷移を特定した。
• 最終成績に基づいて、学生をDistinction（A-以上）とNon-distinction（B+以下）の成績グループに分類した。

実験結果

リサーチクエスチョン

• RQ1 混合学習課程において、異なるコースツール間で最も一般的な遷移は何か？
• RQ2 成績が優秀（Distinction）と低い（Non-distinction）学生の間で、顕著に異なるオンラインプラットフォーム間の遷移は何か？
• RQ3 プラットフォーム固有の行動と遷移パターンは、学生の成績結果とどのように相関しているか？

主な発見

• 学生の大多数の行動は、1つのプラットフォーム内で連続して発生しており、両成績グループにおいてもMoodleで最も連続行動の頻度が高かった。
• Non-distinctionグループの学生は、Distinctionグループの学生と比較して、Moodleでの連続行動の時間的長さと頻度が顕著に長く多かった。
• Distinctionグループの学生は、他のプラットフォームを使用した後にPiazzaに戻る遷移が顕著に多く、他者とのディスカッションに能動的に参加していることが示唆された。
• 他のプラットフォームで複数回の行動を行った後にPiazzaに戻るというパターンは、大多数のコース提供において、Distinctionグループの学生に顕著に多く見られた。
• WebAssignのような短時間の提出用ツールと、GitHubのような長時間のコーディング作業に適したツールであっても、同様の教育的役割を果たす場合、遷移パターンは一般化可能である。
• Moodle → Piazza や Piazza → Moodle といった特定の遷移シーケンスが、生産的な学習行動の強力な指標であることが同定され、成績予測モデルの改善に活用できる。