[论文解读] 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 1

一句话总结

本文提出了一种混合框架，结合流程挖掘与基于规则的AI，利用校园管理系统（CMS）数据和正式的课程计划规定，分析学生的学业路径。通过整合流程挖掘技术从历史数据中提取模式，并利用事件演算和答案集编程的基于规则的AI来强制执行合规性并生成建议，该系统实现了对学生学业路径的实时合规性检查，为学生提供个性化学习规划，并为课程设计者提供课程分析支持。

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.

研究动机与目标

• 解决高等教育中个性化学习规划的挑战，其中僵化的课程计划常与学生的现实约束产生冲突。
• 通过识别并推荐基于历史数据的有效学习路径，提高学生的学业成功率。
• 为课程设计者提供数据驱动的课程有效性洞察以及与推荐计划的偏差分析。
• 开发双用途系统：一个面向学生（StudyBuddy），一个面向课程设计者（BuddyAnalytics），两者均基于正式规则与流程挖掘。
• 通过引入数据驱动的建议和动态合规性检查，克服静态规定带来的局限性。

提出的方法

• 应用流程挖掘技术（如DFG挖掘、流程发现）分析校园管理系统中的事件日志，以建模典型和成功的学业路径。
• 使用事件演算和答案集编程，将课程计划规定（包括学分要求、模块先修条件和考试顺序）形式化为基于规则的知识库。
• 将学习计划建模为逻辑规则，编码强制性要求（如学分门槛）和可选建议（如最优课程排序）。
• 通过将个体学生的事件日志与形式化的课程计划模型进行对比，执行合规性检查以检测偏差。
• 利用流程挖掘结果生成数据驱动的建议（如“先修X再修Y的学生通过率更高”），以补充正式规则。
• 实现两个应用：StudyBuddy（供学生验证和优化学习计划）和BuddyAnalytics（供设计者分析课程模式与偏差）。

实验结果

研究问题

• RQ1 如何通过校园管理系统数据的流程挖掘揭示高等教育中成功学业路径的模式？
• RQ2 基于规则的AI在多大程度上能够形式化考试规定和模块要求，以实现对学生学习计划的自动化合规性检查？
• RQ3 如何利用流程挖掘提取的数据驱动建议，补充正式规则，引导学生获得更高的学业成功率？
• RQ4 通过将正式学习模型与事件日志中的实际学生行为进行对比，能为课程设计者生成哪些洞察？
• RQ5 流程挖掘与基于规则的AI的整合如何提升学习规划与监控工具的准确性和可用性？

主要发现

• 对CMS数据的流程挖掘成功识别出成功学业路径的模式，包括与更高通过率相关的课程最优排序。
• 将基于规则的AI与形式化的考试规定相结合，实现了精确的合规性检查，能够检测出如缺少先修课程或学分累积错误等计划违规行为。
• 提取出的数据驱动建议（如先修统计学对数据科学课程有积极影响）可被用于增强正式课程计划。
• 系统在早期评估中表现出可行性，学生和教学人员对所提供反馈的质量与相关性均给予积极评价。
• 将课程注册数据加入现有的考试与成绩日志，提高了对学生学习意图建模的准确性，并揭示了预期与实际学习行为之间的差异。
• 该混合方法支持不变规则（符合规定的）与可变规则（学生或管理员特定的），实现了灵活的个性化规划，同时保持合规性。