[논문 리뷰] Supporting MOOC Instruction with Social Network Analysis

Tanmay Sinha|arXiv (Cornell University)|2014. 01. 21.

Online Learning and Analytics참고 문헌 34인용 수 16

한 줄 요약

이 논문은 사회적 네트워크 분석을 MOOC의 토론 포럼에 적용하여 위험에 처한 학생들과 활발히 참여하는 학생들을 식별하고, 종단적 포럼 행동을 통해 참여 패턴을 탐지한다. 상호작용 네트워크와 게시 동역학을 분석함으로써, 강사가 수강생을 사전에 지원할 수 있도록 하여 대규모 온라인 강좌에서 데이터 기반 수업 개선 조치를 통해 탈락률을 낮춘다.

ABSTRACT

With an expansive and ubiquitously available gold mine of educational data, Massive Open Online courses (MOOCs) have become the an important foci of learning analytics research. In this paper, we investigate potential reasons as to why are these digitalized learning repositories being plagued with huge attrition rates. We analyze an ongoing online course offered in Coursera using a social network perspective, with an objective to identify students who are actively participating in course discussions and those who are potentially at a risk of dropping off. We additionally perform extensive forum analysis to visualize student's posting patterns longitudinally. Our results provide insights that can assist educational designers in establishing a pedagogical basis for decision-making while designing MOOCs. We infer prominent characteristics about the participation patterns of distinct groups of students in the networked learning community, and effectively discover important discussion threads. These methods can, despite the otherwise prohibitive number of students involved, allow an instructor to leverage forum behavior to identify opportunities for support.

연구 동기 및 목표

• MOOC에서 높은 탈락률의 원인을 사회적 네트워크 분석을 통해 탐구한다.
• 수업 토론에 적극적으로 참여하는 학생들과 탈락 위험이 있는 학생들을 식별한다.
• MOOC 포럼의 종단적 게시 패턴을 분석하여 참여 역학을 밝혀낸다.
• 교육 설계자에게 MOOC 설계 및 지원 메커니즘 향상에 실질적인 통찰을 제공한다.
• 대규모 온라인 학습 환경 내에서 핵심 토론 스레드와 커뮤니티 구조를 탐지한다.

제안 방법

• 연구는 Coursera MOOC의 토론 포럼 데이터를 사회적 네트워크 분석 기법을 사용하여 분석한다.
• 학생 간 상호작용은 네트워크로 모델링되며, 노드는 학생을, 엣지는 소통(예: 댓글, 언급)을 나타낸다.
• 종단적 분석을 통해 참가 강도와 네트워크 중심성의 시간에 따른 변화를 추적한다.
• 도수, 중간성, 고유벡터 중심성과 같은 중심성 측정법을 사용하여 영향력 있는 또는 고립된 학생을 식별한다.
• 진화하는 토론 스레드와 커뮤니티 클러스터를 시각화하기 위해 시각화 도구를 적용한다.
• 네트워크 지표를 활용하여 활동 감소 또는 낮은 연결성으로 인한 잠재적 탈락자로 간주되는 학생을 경고한다.

실험 결과

연구 질문

• RQ1 학습자 포럼 참여 패턴은 어떻게 활발히 참여하는 학습자와 탈락 위험이 있는 학습자를 구분하는가?
• RQ2 대규모 MOOC 토론 포럼에서 참여 역학은 시간이 지남에 따라 어떻게 변화하는가?
• RQ3 온라인 학습 공동체 내에서 어떤 토론 스레드가 핵심적이거나 영향력 있는가?
• RQ4 네트워크 기반 지표는 MOOC에서 학습자 탈락을 신뢰성 있게 예측할 수 있는가?
• RQ5 토론 네트워크의 어떤 구조적 특징이 학습자 참여 또는 이탈과 관련이 있는가?

주요 결과

• 토론 네트워크에서 중간성 중심성이 높은 학생들은 과정 전반에 걸쳐 더 높은 참여도를 유지할 가능성이 높았다.
• 게시 빈도 감소와 네트워크 연결성 감소는 잠재적 탈락의 강력한 조기 경고 신호였다.
• 분석을 통해 학생 상호작용과 지식 공유의 핵심이 되는 핵심 토론 스레드를 성공적으로 식별하였다.
• 여러 개의 토론 스레드에 참여한 학생들은 고립된 참여자들보다 유의미하게 높은 유지를 보였다.
• 네트워크 시각화를 통해 하위 공동체의 출현을 확인하였으며, 일부 그룹은 초반 참여 후 지속적인 참여를 보였고, 다른 그룹은 활동을 멈추는 경향을 보였다.
• 이 방법은 10,000명이 넘는 참가자 규모에서도 위험에 처한 학생을 식별할 수 있었으며, 실제 MOOC 환경에서의 실현 가능성을 입증하였다.