[論文レビュー] Evaluation of E-Learners Behaviour using Different Fuzzy Clustering Models: A Comparative Study

Mofreh A. Hogo|arXiv (Cornell University)|Mar 7, 2010

Text and Document Classification Technologies参考文献 16被引用数 35

ひとこと要約

本研究では、ファジィc-平均（FCM）およびカーネル化ファジィc-平均（KFCM）を用いてeラーナーの行動を評価し、定期的、作業者、カジュアル、不良、欠席者といった行動プロファイルに分類する。KFCMはFCMを上回る性能を示し、予測されたプロファイルと実世界のeラーナー行動との一致率が78%に達した。これは、非線形な学習パターンを捉えるのにカーネル化ファジィクラスタリングが優れていることを示している。

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.

研究の動機と目的

• データ駆動型クラスタリング技術を用いてeラーナー行動を評価するための手法を開発すること。
• eラーナーを定期的、作業者、カジュアル、不良、欠席者といった明確な行動プロファイルに分類し、教育的介入を的確に行うためのもの。
• ファジィc-平均（FCM）とカーネル化ファジィc-平均（KFCM）の両モデルが、ラーナー行動プロファイルを予測する能力を比較すること。
• eラーニング意思決定者に、システムのパフォーマンス向上および成績不良ラーナーの再参加を促すための実行可能なフィードバックを提供すること。
• クラスタリングの結果が実世界のラーナー行動と一致するかを検証し、実用的妥当性を保証すること。

提案手法

• eラーニングシステムのログからデータ収集および前処理を行い、ラーナー行動特徴量を抽出する。
• クラスタリングに最も関連する行動指標を特定するための特徴選択。
• ラーナーを行動プロファイルにグループ化するために、ファジィc-平均（FCM）およびカーネル化ファジィc-平均（KFCM）アルゴリズムを適用する。
• KFCMにおけるカーネル関数の使用により、クラスタの非線形的分離を向上させ、分類の正確性を向上させる。
• 実地実験として、クラスタリングの結果と真値の行動ラベルを比較する。
• モデルのパフォーマンスを評価するために、予測されたプロファイルと実際のラーナー行動との一致率を用いる。

実験結果

リサーチクエスチョン

• RQ1 ファジィクラスタリングモデルは、事前に定義されたeラーナー行動プロファイルをどの程度正確に分類できるか？
• RQ2 eラーニング環境において、実世界のラーナー行動を予測する際に、FCMとKFCMのどちらのクラスタリングモデルが優れているか？
• RQ3 ファジィクラスタリングは、クリスプクラスタリングに比べて、ラーナー行動パターンをどの程度よく捉えられるか？
• RQ4 識別されたプロファイルは、「不良」ラーナーを「定期的」ラーナーに変換するための的確な介入を可能にするか？
• RQ5 予測されたラーナー行動プロファイルと実際に観察された行動との間にどの程度の一致があるか？

主な発見

• 提案されたファジィクラスタリング手法は、予測された行動プロファイルと実際のeラーナー行動との一致率が78%に達した。
• カーネル化ファジィc-平均（KFCM）は、標準的なファジィc-平均（FCM）に比べ、ラーナー行動プロファイルの予測において優れた性能を示した。
• ファジィクラスタリングモデルは、クリスプクラスタリング手法に比べ、ラーナー行動の微細な特徴をより的確に反映していることが判明した。
• 定期的、作業者、カジュアル、不良、欠席者という5つの明確なプロファイルへのラーナー分類は、eラーニングシステムの改善に向けた実行可能なインサイトを提供した。
• 結果から、KFCMはeラーニングシステムにおけるラーナー行動評価および介入計画立案の信頼性あるツールとして使用可能であることが支持された。