[논문 리뷰] Who negatively influences me? Formalizing diffusion dynamics of negative exposure leading to student attrition in MOOCs

Tanmay Sinha|arXiv (Cornell University)|2014. 07. 26.

Online Learning and Analytics참고 문헌 17인용 수 3

한 줄 요약

이 논문은 MOOC의 토론 포럼에서 저품질의 동료 상호작용에 노출되는 부정적 영향이 학생 네트워크를 통해 어떻게 퍼져나가는지를 형식화하기 위해 분기 과정 모델을 제안한다. 이로 인해 유료 위험이 증가한다. 영향 확산을 확률적 노출(p)과 네트워크 영향 범위(k)를 통해 모델링함으로써, p×k < 1이면 부정적 영향이 소멸되고, p×k > 1이면 지속된다는 것을 밝혀내었으며, 이는 MOOC 강사가 영향력이 큰 학생이나 포럼 품질을 대상으로 타겟팅한 간섭을 통해 유료를 예측하고 완화할 수 있음을 시사한다.

ABSTRACT

In this work, we explain the underlying interaction mechanisms which govern students' influence on each other in Massive Open Online Courses (MOOCs). Specifically, we outline different ways in which students can be negatively exposed to their peers on MOOC forums and discuss a simple formulation of learning network diffusion, which formalizes the essence of how such an influence spreads and can potentially lead to student attrition over time. We also view the limitations of our student modeling in the light of real world MOOC behavior and consequently suggest ways of extending the diffusion model to handle more complex assumptions. Such an understanding is very beneficial for MOOC designers and instructors to create a conducive learning environment that supports students' growth and increases their engagement in the course.

연구 동기 및 목표

• MOOC 포럼에서의 부정적 동료 상호작용이 시간이 지남에 따라 학생 이탈에 어떻게 기여하는지 이해하기 위해.
• MOOC에서의 학생 사회적 네트워크를 통해 부정적 노출의 확산 역학을 모델링하기 위해.
• 부정적 영향이 퍼지거나 소멸하는 조건을 특정하여 사전 간섭을 가능하게 하기 위해.
• MOOC 강사가 위험도가 높은 동료 영향 패턴을 탐지하고 완화할 수 있는 도구를 제공하기 위해.

제안 방법

• 각 영향을 받은 학생(A)이 확률 p로 k명의 취약한 학생(S)을 영향을 주는 분기 과정을 사용하여 부정적 영향의 확산을 모델링한다.
• 부정적 영향의 소멸 조건으로 p×k < 1을 정의하고, 지속적 확산 조건으로 p×k > 1을 정의한다.
• 노출 확률 p가 포스트의 나이가 들수록 감소하고, 더 이상 주로 조회되지 않음에 따라 시간에 따라 변하는 변형을 도입한다.
• 학생 v와 w 사이의 네트워크 근접도와 접촉 강도를 반영하기 위해 개인화된 영향 확률 p_{v,w}를 제안한다.
• MOOC 포럼 상호작용 데이터를 사용하여 노출 패턴을 추정하고 모델 가정을 검증한다.
• 모든 학생에게 p=1이라는 가정을 유지하는 기존 생존 분석의 가정을 완화함으로써, 현실 세계에서의 동료 영향의 다양성을 반영한다.

실험 결과

연구 질문

• RQ1 MOOC 포럼에서 저품질의 동료 포스트에 대한 부정적 노출이 시간이 지남에 따라 학생 네트워크를 통해 어떻게 퍼지는가?
• RQ2 MOOC 학습 네트워크에서 부정적 영향이 어떤 조건에서 소멸되거나 지속되는가?
• RQ3 네트워크 영향 범위(k)와 영향 확률(p)이 부정적 노출의 규모에 미치는 역할은 무엇인가?
• RQ4 MOOC 강사는 이 모델을 어떻게 활용하여 위험에 처한 학생을 식별하고 조기에 간섭할 수 있는가?
• RQ5 일정한 p와 모든 영향을 받은 포스트에 대한 완전한 노출이라는 가정이 모델의 현실성과 적용 가능성에 어떻게 영향을 미치는가?

주요 결과

• 부정적 영향은 각 영향을 받은 학생이 k명의 새로운 학생을 노출시킬 수 있는 분기 과정을 통해 퍼지며, 결과는 p×k에 의해 결정된다.
• p×k < 1이면 유한한 수의 웨이브 이후 확률 1로 부정적 영향이 소멸됨을 나타내며, 이는 소멸 위험을 의미한다.
• p×k > 1이면 부정적 영향이 양의 확률로 지속되며, 이는 웨이브를 거쳐도 지속적인 이탈 위험이 유지됨을 의미한다.
• 모델은 각 개인이 영향을 주는 학생 수(k) 또는 영향 확률(p)을 줄임으로써 부정적 영향의 확산을 억제할 수 있음을 드러낸다.
• 이전 생존 분석에서 흔히 사용되던 모든 학생에게 동일한 p=1이라는 가정은 다양한 MOOC 커뮤니티에서는 현실적이지 않으며, 변수 p_{v,w}로 대체되어야 한다.
• 포럼 콘텐츠의 노후화로 인해 노출 가능성이 시간이 지남에 따라 감소하므로, 포스트가 오래될수록 감소하는 시간에 따라 변하는 p를 도입하는 것이 타당하다.