[논문 리뷰] Evaluation of E-Learners Behaviour using Different Fuzzy Clustering Models: A Comparative Study

Mofreh A. Hogo|arXiv (Cornell University)|2010. 03. 07.

Text and Document Classification Technologies참고 문헌 16인용 수 35

한 줄 요약

이 연구는 정규, 일하는 자, 관찰자, 나쁜, 결석자와 같은 프로파일로 학습자를 분류하기 위해 흐린 클러스터링 모델—특히 흐린 c-의미(FCM)와 커널화된 흐린 c-의미(KFCM)—를 사용하여 e-학습자 행동을 평가한다. 연구는 KFCM가 FCM를 능가함을 입증하며, 실제 학습자 행동과 예측된 프로파일 간의 일치율이 78%에 이를 정도로 높은 정확도를 기록한다. 이는 비선형적 패턴을 더 잘 포착할 수 있는 커널화된 흐린 클러스터링의 우수성을 시사한다.

ABSTRACT

This paper introduces an evaluation methodologies for the e-learners' behaviour that will be a feedback to the decision makers in e-learning system. Learner's profile plays a crucial role in the evaluation process to improve the e-learning process performance. The work focuses on the clustering of the e-learners based on their behaviour into specific categories that represent the learner's profiles. The learners' classes named as regular, workers, casual, bad, and absent. The work may answer the question of how to return bad students to be regular ones. The work presented the use of different fuzzy clustering techniques as fuzzy c-means and kernelized fuzzy c-means to find the learners' categories and predict their profiles. The paper presents the main phases as data description, preparation, features selection, and the experiments design using different fuzzy clustering models. Analysis of the obtained results and comparison with the real world behavior of those learners proved that there is a match with percentage of 78%. Fuzzy clustering reflects the learners' behavior more than crisp clustering. Comparison between FCM and KFCM proved that the KFCM is much better than FCM in predicting the learners' behaviour.

연구 동기 및 목표

• 데이터 기반 클러스터링 기법을 활용하여 e-학습자 행동 평가 방법론을 개발하기 위해.
• 목표 교육 간섭을 위한 정규, 일하는 자, 관찰자, 나쁜, 결석자와 같은 구분된 행동 프로파일로 e-학습자를 분류하기 위해.
• 흐린 c-의미(FCM)와 커널화된 흐린 c-의미(KFCM)의 성능을 비교하여 학습자 프로파일 예측 능력을 평가하기 위해.
• e-학습 시스템 성능 향상과 성과가 열악한 학습자 재진입을 위해 의사결정자에게 실질적인 피드백을 제공하기 위해.
• 실제 학습자 행동과의 일치를 검증하여 클러스터링 결과의 실용적 관련성을 확보하기 위해.

제안 방법

• 학습자 행동 특징을 추출하기 위해 e-학습 시스템 로그에서 데이터 수집 및 전처리를 수행하기 위해.
• 클러스터링에 가장 관련성이 높은 행동 지표를 식별하기 위해 특징 선택을 수행하기 위해.
• 학습자를 행동 프로파일로 그룹화하기 위해 흐린 c-의미(FCM) 및 커널화된 흐린 c-의미(KFCM) 알고리즘을 적용하기 위해.
• KFCM에서 커널 함수를 사용하여 클러스터 간 비선형 분리 능력을 향상시켜 분류 정확도를 향상시키기 위해.
• 기준 행동 레이블과의 비교를 통해 클러스터링 결과를 평가하기 위한 실험 설계를 수행하기 위해.
• 모델 성능 평가를 위해 예측된 프로파일과 실제 학습자 프로파일 간 일치 비율을 사용하기 위해.

실험 결과

연구 질문

• RQ1 흐린 클러스터링 모델은 얼마나 정확하게 e-학습자를 사전 정의된 행동 프로파일로 분류할 수 있는가?
• RQ2 e-학습 환경에서 실제 학습자 행동을 예측하는 데 있어 FCM와 KFCM 중 어느 모델이 더 우수한가?
• RQ3 흐린 클러스터링은 날것의 클러스터링 방법보다 학습자 행동 패턴을 얼마나 더 잘 포착하는가?
• RQ4 식별된 프로파일은 '나쁜' 학습자를 '정규' 학습자로 전환하기 위한 타겟팅 간섭을 지원할 수 있는가?
• RQ5 예측된 학습자 프로파일과 실제 관찰된 행동 간 일치 수준은 어느 정도인가?

주요 결과

• 제안된 흐린 클러스터링 접근법은 예측된 학습자 행동 프로파일과 실제 행동 프로파일 간 78%의 일치율을 달성하였다.
• 커널화된 흐린 c-의미(KFCM)는 표준 흐린 c-의미(FCM)보다 학습자 프로파일 예측에서 뛰어난 성능을 보였다.
• 흐린 클러스터링 모델은 날것의 클러스터링 방법보다 학습자 행동의 미묘한 특징을 더 잘 반영하는 것으로 나타났다.
• 정규, 일하는 자, 관찰자, 나쁜, 결석자로 구성된 다섯 가지의 명확한 프로파일 분류는 e-학습 시스템 향상에 실질적인 통찰을 제공하였다.
• 결과는 KFCM를 e-학습 시스템에서 학습자 행동 평가 및 간섭 계획 수립에 신뢰할 수 있는 도구로 활용할 수 있음을 뒷받침한다.