[论文解读] Team Formation for Scheduling Educational Material in Massive Online Classes

Sanaz Bahargam, Dóra Erdös+2 more|arXiv (Cornell University)|Mar 26, 2017

Scheduling and Timetabling Solutions参考文献 32被引用 5

一句话总结

本文提出了一种名为 CohPart 的新算法，用于在大规模在线课程中实现团队组建与个性化调度，以最大化学生的学习收益。该算法将团队组建问题形式化为带有截止日期约束的聚类问题，采用贪心迭代方法根据学生的学习需求分组，并优化重复学习的调度；实验结果表明，该方法在真实数据集和合成数据集上显著优于随机分组和 k-means 方法。

ABSTRACT

Whether teaching in a classroom or a Massive Online Open Course it is crucial to present the material in a way that benefits the audience as a whole. We identify two important tasks to solve towards this objective, 1 group students so that they can maximally benefit from peer interaction and 2 find an optimal schedule of the educational material for each group. Thus, in this paper, we solve the problem of team formation and content scheduling for education. Given a time frame d, a set of students S with their required need to learn different activities T and given k as the number of desired groups, we study the problem of finding k group of students. The goal is to teach students within time frame d such that their potential for learning is maximized and find the best schedule for each group. We show this problem to be NP-hard and develop a polynomial algorithm for it. We show our algorithm to be effective both on synthetic as well as a real data set. For our experiments, we use real data on students' grades in a Computer Science department. As part of our contribution, we release a semi-synthetic dataset that mimics the properties of the real data.

研究动机与目标

• 为解决大规模在线课程中组建高效学生团队的挑战，以增强同伴学习和教育成果。
• 开发一种个性化调度系统，根据个体学生的学习需求和固定截止日期，优化教育内容的重复学习。
• 正式定义并求解“群体选择”问题——在时间约束下将学生划分为 k 个团队，以最大化其集体学习收益。
• 在真实学生数据和半合成数据集上评估所提算法，证明其优于基线方法。

提出的方法

• 将团队组建形式化为聚类问题，其中学生根据其对不同教育主题所需重复次数进行分组。
• 提出一种贪心迭代算法（CohPart），通过最大化每组的总学习收益来选择聚类，同时考虑学生需求和截止日期约束。
• 采用一种变体（CohPart_S），通过采样候选聚类来提升在大规模数据集上的可扩展性和性能。
• 使用一个收益函数（公式 5）来量化学习潜力，基于学生在截止日期前对各主题的重复次数。
• 应用基础参数和步长参数来控制调度生成过程，确保可行且个性化的重复学习计划。
• 使用来自计算机科学系的真实数据（BUCS）和半合成数据集（BUCSSynth）对方法进行验证，后者模拟真实学生行为。

实验结果

研究问题

• RQ1 在时间受限的教育环境中，如何最优地将学生分组，以最大化其集体学习收益？
• RQ2 在截止日期和个体学习需求约束下，团队组建与调度问题的计算复杂度是多少？
• RQ3 与 k-means 和随机分组等标准基线方法相比，所提算法（CohPart）在学习收益和可扩展性方面表现如何？
• RQ4 在具有已知聚类模式的合成数据中，该算法在多大程度上保留了真实群组结构？
• RQ5 在真实和合成环境中，CohPart 的性能如何随不同截止日期长度和参数设置（基础参数和步长参数）而变化？

主要发现

• CohPart 在所有数据集上显著优于随机分组和 k-means，包括真实数据集（BUCS）和合成数据集（真实群组结构、均匀分布、帕累托分布、正态分布、BUCSSynth），在最大化学生学习收益方面表现优异。
• 在 BUCS 数据集上，学习收益从 1 个聚类到 10 个聚类间急剧上升，超过 10 个聚类后收益递减，表明最优团队规模约为 10 名学生。
• 当截止日期接近总需求向量长度的平均值时，CohPart 仍保持明显优于 k-means 的性能，后者因忽略截止日期约束而表现欠佳。
• 在真实群组结构数据集中，CohPart 有效恢复了原始群组结构，而 k-means 未能将具有相似需求的学生聚类在一起。
• 该算法在大规模半合成数据集 BUCSSynth 上表现出良好的可扩展性，证明其在真实世界 MOOC 中的实际适用性。
• 提高基础参数和步长参数可提升 CohPart 的性能，尤其在需求分布复杂或异质性较高的情况下更为显著。