[論文レビュー] A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education

Miriam Wagner, Hayyan Helal+8 more|arXiv (Cornell University)|Jan 1, 2022

Business Process Modeling and Analysis被引用数 1

ひとこと要約

本論文では、キャンパス管理システム（CMS）データと公式な履修プログラム規則を用いて、学生の学習経路を分析するためのハイブリッドフレームワークを提示する。プロセスマイニングを用いて履歴データからパターンを抽出し、イベント計算とアンサーセットプログラミングを介したルールベースAIを用いて準拠性を保証し、レコメンデーションを生成することで、リアルタイムでの準拠性チェックと学生向けのパーソナライズドな履修計画、プログラム設計者向けのカリキュラム分析を可能にする。

ABSTRACT

This paper presents an approach of using methods of process mining and rule-based artificial intelligence to analyze and understand study paths of students based on campus management system data and study program models. Process mining techniques are used to characterize successful study paths, as well as to detect and visualize deviations from expected plans. These insights are combined with recommendations and requirements of the corresponding study programs extracted from examination regulations. Here, event calculus and answer set programming are used to provide models of the study programs which support planning and conformance checking while providing feedback on possible study plan violations. In its combination, process mining and rule-based artificial intelligence are used to support study planning and monitoring by deriving rules and recommendations for guiding students to more suitable study paths with higher success rates. Two applications will be implemented, one for students and one for study program designers.

研究の動機と目的

• 厳格な履修プログラムが学生の現実世界の制約と衝突する場合に、個別化された履修計画の課題に取り組むこと。
• 履歴データから導かれた効果的な履修経路を同定し、レコメンデーションを提供することで、学生の修了率を向上させること。
• カリキュラムの有効性や推奨計画からの逸脱について、データドリブンなインサイトを提供することで、履修プログラム設計者を支援すること。
• 学生向け（StudyBuddy）とプログラム設計者向け（BuddyAnalytics）の二重用途システムを構築すること。両者とも公式なルールとプロセスマイニングに根ざしていること。
• 静的規則の限界を克服し、データドリブンなレコメンデーションと動的準拠性チェックを組み込むこと。

提案手法

• キャンパス管理システムのイベントログからプロセスマイニング技術（例：DFGマイニング、プロセス発見）を適用し、一般的で成功した履修経路をモデル化する。
• 単位数要件、モジュールの必須科目、試験の順序など、履修プログラム規則をイベント計算とアンサーセットプログラミングを用いて形式化し、ルールベースの知識ベースに変換する。
• 必須要件（例：単位の閾値）と任意のレコメンデーション（例：最適な科目の順序）を符号化する論理的ルールとして履修計画をモデル化する。
• 個々の学生のイベントログを形式化された履修プログラムモデルと比較することで、準拠性チェックを実施し、逸脱を検出する。
• プロセスマイニングの結果を活用し、データドリブンなレコメンデーション（例：「XをYより前に受講した学生は、高い合格率を示す」）を抽出し、公式なルールを補完する。
• StudyBuddy（学生が計画を検証・最適化するため）とBuddyAnalytics（設計者がカリキュラムパターンと逸脱を分析するため）の2つのアプリケーションを実装する。

実験結果

リサーチクエスチョン

• RQ1 キャンパス管理システムのデータを用いたプロセスマイニングは、高等教育分野における成功した履修経路のパターンをどのように明らかにできるか？
• RQ2 ルールベースAIは、試験規則やモジュール要件をどれほど形式化できるか。これにより、学生の計画に対する自動準拠性チェックが可能になるか？
• RQ3 プロセスマイニングから得られるデータドリブンなレコメンデーションは、公式なルールを補完し、学生が高い修了率を達成するよう導くのにどの程度有効か？
• RQ4 形式化された履修モデルと実際の学生行動（イベントログに記録されたもの）を比較することで、履修プログラム設計者にどのようなインサイトが得られるか？
• RQ5 プロセスマイニングとルールベースAIを統合することで、履修計画および監視ツールの正確性と使いやすさはどの程度向上するか？

主な発見

• CMSデータのプロセスマイニングにより、合格率の高い関連が見られる科目の最適な順序付けを含む、成功した履修経路のパターンが明確に特定された。
• ルールベースAIと形式化された試験規則の統合により、必須科目の欠落や単位の誤った蓄積といった計画違反を正確に検出できる準拠性チェックが可能になった。
• データドリブンなレコメンデーション（例：統計をデータサイエンスの前に受講すると良い影響がある）が抽出され、公式の履修計画の強化に利用可能となった。
• 初期評価において、システムの実用性が確認され、学生および教職員から提供されたフィードバックの質と関連性について肯定的な反応が得られた。
• 既存の試験および成績ログに授業受講データを追加することで、学生の意思のモデル化精度が向上し、意図した学習行動と実際の行動との乖離が明らかになった。
• ハイブリッドアプローチにより、規則準拠の不変ルール（インvariant）と学生または管理者固有の可変ルール（variant）の両方を扱えるようになり、柔軟でパーソナライズドな計画が可能になった一方で、規則準拠を維持した。