[論文レビュー] Capturing "attrition intensifying" structural traits from didactic interaction sequences of MOOC learners

Tanmay Sinha, Nan Li+2 more|arXiv (Cornell University)|Sep 20, 2014

Online Learning and Analytics被引用数 5

ひとこと要約

本稿では、動画のクリックストリームとフォーラム活動データを統合することで、MOOC学習者の相互作用シーケンスにおける「退学を助長する」構造的特徴を捉えるためのグラフベースのモデリング手法を提案する。ネットワーク科学的手法を用い、退学者を予測するのに有用な一貫性があり、定期的な相互作用パターンを同定し、n-gramベースラインを上回る結果を得た。

ABSTRACT

This work is an attempt to discover hidden structural configurations in learning activity sequences of students in Massive Open Online Courses (MOOCs). Leveraging combined representations of video clickstream interactions and forum activities, we seek to fundamentally understand traits that are predictive of decreasing engagement over time. Grounded in the interdisciplinary field of network science, we follow a graph based approach to successfully extract indicators of active and passive MOOC participation that reflect persistence and regularity in the overall interaction footprint. Using these rich educational semantics, we focus on the problem of predicting student attrition, one of the major highlights of MOOC literature in the recent years. Our results indicate an improvement over a baseline ngram based approach in capturing "attrition intensifying" features from the learning activities that MOOC learners engage in. Implications for some compelling future research are discussed.

研究の動機と目的

• MOOCの相互作用シーケンスにおける、参加意欲の低下および最終的な退学者を予測する構造的構成要因を特定すること。
• 学習者の動画およびフォーラム活動を統合的に、動的で重み付きグラフとしてモデル化し、行動間の教育的および運用的関係を捉えること。
• 参加の能動的・受動的側面を反映する指標を開発し、相互作用の履歴における継続性と規則性を示すこと。
• 従来のn-gramアプローチに比べ、より洗練されたグラフ構造表現を活用することで、退学者予測を向上させること。

提案手法

• 各学習者の相互作用シーケンスを、ノードが行動タイプ（例：動画再生、フォーラム投稿）である有向で重み付きグラフとして表現する。
• 連続する行動間の教育的および運用的関係を、出現頻度と時間的近接性に基づくエッジ重みによって符号化する。
• 中心性、再発現性、行動の分布といったグラフレベルの特徴を抽出し、参加の継続性と規則性を定量化する。
• 時間窓を適用して、即時の相互作用（例：動画視聴後15秒以内のフォーラム投稿）と遅延した相互作用（例：5日後）を区別する。
• 類似した相互作用シーケンスをグループ化し、退学者を予測する高頻度経路を特定するために、マルコフクラスタリングを適用する。
• 動画クリックストリームデータを、再視聴やスキップといった認知的に妥当な行動に変換し、相互作用の意味的豊かさを高める。

実験結果

リサーチクエスチョン

• RQ1 MOOCにおける学習者の相互作用シーケンスに、退学者を予測する構造的特徴は何か？
• RQ2 統合された動画およびフォーラム相互作用パターンは、時間経過に伴い参加意欲の継続または低下をどのように反映するか？
• RQ3 n-gramベースラインと比較して、相互作用シーケンスのグラフベース表現は、退学者予測をどの程度改善するか？
• RQ4 行動シーケンスにおける時間的パターン（例：即時の対応 vs. 遅延したフォーラム参加）の中で、退学者を示す兆候として最も顕著なものは何か？
• RQ5 相互作用パスのクラスタリングにより、退学者リスクに関連する明確な行動プロファイルが特定できるか？

主な発見

• グラフベースのアプローチは、n-gramベースラインに比べ、MOOCの相互作用シーケンスから「退学者を助長する」特徴を捉える上で優れている。
• 「Curr」設定（直近1週間の行動のみ）は、極めて低い偽陰性率を達成しており、分布が著しく不均衡なクラスでも、退学者予測の強力な指標であることが示された。
• 直近の行動パターン、特に直近1週間の行動が、蓄積された歴史的相互作用よりも退学者を予測する上でより強く関連している。
• 行動間の時間的近接性（例：動画視聴後30秒以内のフォーラム投稿）は、高い信頼度（例：0.7）を持つ強い関連ルールを形成しており、認知的または動機付けの要因を示唆している。
• 相互作用シーケンスのマルコフクラスタリングにより、退学者を予測する行動パターンと予測しないパターンを区別する繰り返し発生する経路が特定された。
• 本研究では、相互作用シーケンスにおける行動の重複と遷移確率が、参加の安定性と退学者リスクの主要な指標であることが同定された。