脱落する恐れのある学生
内容
概要
バージョン3.4から、Moodle coreはオープンソースの、透明な次世代のラーニングアナリティクスを実装しました。 Moodle 3.4では、このシステムは "脱落する危険がある学生"と呼ばれる組み込みモデルを同梱しています。このドキュメントではこのモデルについて詳しく説明しています。
このモデルは、学生のエンゲージメントが低いことに基づいて、Moodleコースの未修了（ドロップアウト）のリスクがある学生を予測します。このモデルでは、「ドロップアウト」の定義は、「コースの最後の四半期には学生の活動がない」ということです。この予測モデルは、次の3つの部分からなる、学生のエンゲージメントのコミュニティ検索モデルを使用します。
- 認知的存在
- 社会的存在
- 教師の存在
これらの構成要素がモデル内でどのように定義されるかの詳細については、以下を参照してください。
特徴
- "認知的存在"と "社交的存在"の概念を抽象化することで、この予測モデルは多種多様なコースから分析と結論を導き出し、それらの結論を適用して新しいコースに関する予測を行います。前のシステム。モデルは、過去に提供されたコースの正確な複製においてのみ学生の成功について予測することに限定されません。
制限事項
- この予測モデルは、コースの開始日と終了日が決まっていることを前提としており、ローリング登録コースで使用するようには設計されていません。より幅広いコースタイプをサポートするモデルは、将来のバージョンのMoodleに含まれる予定です。
- このモデル設計の前提のため、このモデルを使用するには、各コースのコース開始日と終了日を正しく設定することが非常に重要です。過去のコースと現在進行中のコースの開始日と終了日の両方が正しく設定されていない場合、予測は正確にはなり得ません。
- 終了日が開始日より前の場合、コースはトレーニングや予測に含まれません。
- このモデルでは、すべての活動を時間範囲に分割するために、コース内のセクションを使用する必要があります。
- 開始日と終了日が1年以上離れているコースは使用されません。
- このモデルは、予測を行うために一定量のMoodleデータを必要とします。現在のところ、主要なMoodle活動のみが指標セットに含まれています（下記参照）。 「タイムスライス」あたりのいくつかのコアMoodle活動を含まないコースは、このモデルでは予測サポートが不十分になります。この予測モデルは、実質的なオンライン構成要素と完全にオンラインまたは「ハイブリッド」または「混合」コースで最も効果的になります。
コース終了日フィールドはMoodle 3.2でのみ導入され、過去にコース開始日を設定していないコースもあるため、コマンドラインインターフェーススクリプトを含めます。
$ admin/tool/analytics/cli/guess_course_start_and_end.php
このスクリプトは、受講者の登録数と受講者の活動ログを調べて、過去のコース開始日と終了日を推定しようとします。このスクリプトを実行した後、開始日と終了日の推定スクリプトの結果がかなり正しいことを確認してください。
ターゲット
ここでの目標は「受講生がコース外に退場する」（ネガティブターゲット）であり、次のように定義されます。
さらに、
- コースの終了日が現在の開始日より前である登録は、予測から除外されます。
- 1年以上続く登録は除外されます。
- コース修了は、有効になっている場合、成功指標として使用できます。
- そうでなければ、コースの最後の4分の1以内の活動は「脱落しない」と見なされます。
このターゲットのコードはmoodlesite /lib/classes/analytics/target/course_dropout.phpにあります。
moodlesiteはあなたのMoodleサイトのルートディレクトリです。
指標
指標は任意のコンテキストレベルで定義できます。このモデルで使用される指標は、「認知の深さ」と「社会的幅」の概念に基づいています。これらは、中核となる各活動モジュールに実装されています。
認知の深さ
認知の深さは、Community of Inquiry理論的枠組み内の構成要素「認知的存在」の尺度である。認知的存在は、「探究のコミュニティの特定の構成における参加者が持続的なコミュニケーションを通して意味を構築することができる範囲」として定義される（ Garrison、Anderson＆Archer、2000 、p 89）。認知的存在は通常、手動のコンテンツ分析による研究において決定されてきた。このモデルでは、学生に提供される活動のタイプ、および学生がその活動への認知的関与を示す程度に基づいて、この構成を定義します。深さのレベルは0から5の範囲で、0は学習者が活動を見たことがないことを示します。潜在的な認知深度のレベルは次のとおりです。
- 学習者は活動の詳細を見ました
- 学習者が活動にコンテンツを送信しました
- 学習者は、活動についてのインストラクターまたはピアからのフィードバックを見ました
- 学習者が活動内のインストラクターまたはピアにフィードバックを提供しました
- 学習者が活動の内容を修正または再送信した
このモデルは、認知度の潜在的な最大値を各活動モジュールに割り当てることから始まります。たとえば、Assignmentモジュールでは、認知深度を4にすることができます。これらのレベルがコア活動モジュールに割り当てられる方法の詳細については、以下を参照してください。
潜在的なレベルが割り当てられると、コースに参加している各学生は到達した潜在的な深さの割合に基づいて評価されます。例えば、活動がレベル3までしかサポートせず、学生がレベル3に到達した場合、学生は可能なレベルの認知深度の100％で参加しています。
社会的幅
社会的な幅は、コミュニティの探究の理論的枠組みの中で構築物「社会的存在」の尺度です。それは、「参加者がグループまたは研究コースと同一視し、信頼できる環境で意図的にコミュニケーションをとり、個々の個性を投影することによって次第に個人的および感情的関係を築く能力」と定義されます（ Garrison、2009 、p 352）。これまで、社会的存在はコース後調査と手動談話分析によって通常測定されてきましたが、このプロセスを自動化する試みが増えています。このモデルは、参加者が他の人とコミュニケートする必要がある機会の幅を調べることによって、社会的存在を「社会的幅」として実装します。幅は0から5の範囲で、0は学習者が他の人と対話していないことを示します。潜在的な社会的広がりのレベルは次のとおりです。
- 学習者は、この活動の他の参加者と対話していません（例、彼らはページを読んでいます）。
- 学習者が少なくとも1人の他の参加者と対話した（例えば、彼らは課題を提出した、またはフィードバックを提供する自己評価小テストを試みた）
- 学習者は、例えばディスカッションフォーラム、Wiki、データベースなどへの投稿など、この活動の複数の参加者と対話しました。
- 学習者は、少なくとも1回の「ボレー」のやりとりで参加者と対話しました。
- 学習者がクラス外の人々、たとえば本物の練習コミュニティで交流している
このモデルは、各活動モジュールに社会的幅の最大の潜在的価値を割り当てることから始まります。たとえば、Assignmentモジュールでは、最大2の社会的幅を設定できます。これらのレベルがコア活動モジュールに割り当てられる方法の詳細については、以下を参照してください。
潜在的なレベルが割り当てられると、コースに参加している各学生は到達した潜在的な深さの割合に基づいて評価されます。たとえば、活動がレベル3までしかサポートしておらず、学生がレベル3に達している場合、学生は社会的幅の可能なレベルの100パーセントで参加しています。
選択した活動モジュールの潜在的指標レベル
認知的プレゼンスと社会的プレゼンスを介したエンゲージメントの可能性はインストラクションデザインを構成します 。これはプレゼンスを教える上での重要な要素の1つです。この図は、すべての中核的活動の潜在的な認知の深さと社会的広がりを示し、非中核的活動を選択しています。
潜在的な認知の深さと社会的な幅によって各活動を分類することによって、たとえその活動インスタンスにおける多くの学習者の行動の歴史がなくても、学習者に対してどの程度の関与のレベルが支持されるか（そしておそらく期待される）かを予測できます。各軸の上位レベルには、下位レベルすべてが含まれます。つまり、学生とすべての仲間（社会的幅3）を含む活動には、自動的にレベル1（学生のみ）と2（学生+1）が含まれます。多くの場合、特定のレベルは活動のパラメータ設定を分析することによってのみ決定できます。 （Moodle 3.4に含まれているモデルはMoodle Coreの活動のみをサポートしています。コア以外の活動のいくつかは例としてここに含まれています。）
分析可能
このモデルに対するMoodleの " 分析可能な "要素はコースです。これは、モデルがサイト上のコースを反復して各モデルを処理し、モデルのトレーニングまたは予測を行うことを示します。コースのコンテキスト内で、各「サンプル」エンティティ（下記参照）について予測が行われます。
スケーラビリティの理由から、コースレベルでのすべての計算はコースごとに実行され、すべてのサイトコース分析が完了すると、結果のデータセットはマージされます。
サンプル
機械学習の文脈における「 サンプル 」は、分析の単位を示します。このモデルでは、サンプルはコースへの学生登録です。終了したコースへの以前のすべての学生登録についてモデルのトレーニング中に観察されたデータに基づいて、コースへの各学生登録について予測が行われます。
有効サンプル
モデル学習とモデル予測の観点から、各モデルに対して有効なサンプルが定義されています。このモデルの基準は次のとおりです。
- 予測＝継続コース
- 訓練用=活動を終えたコース
洞察
洞察力は、モデル（この場合は各コース）のコンテキスト内で、サンプルで定義されている各単位（この場合はコースへの入学）に対してモデルによって生成される特定の予測です。コンテキストは、そのコンテキストのmoodle / analytics：listinsights機能に基づいて通知を受け取る人を定義するために使用されます。このモデルでは、この権限はデフォルトで教師のロールに対して定義されています。
このモデルでは、洞察は二元的、すなわち「脱落する危険がある学生」または「脱落する危険がない学生」です。
行動
各洞察には、1つ以上のアクションを定義できます。このモデルの場合、アクションは以下のとおりです。
- 学生にメッセージを送る
- このコースの学生の概要レポートを見る
- 予測の詳細を見る
- 通知を承認する
- 通知を「無効」としてマークする
推奨時間分割方法
時間分割方法は、モデルが有効になっているときに選択されます。これは、コースの一般的な長さと追加/削除期間の長さ（関連する場合）によって異なります。 16週間のコースの最初の2週間以内に予測を見たい場合は、「10分の1」を使用する必要があります。 （16週= 112日なので、予測は約11日ごとに計算されます。）ただし、8週間のコースで2週間ごとに予測を確認したい場合は、「四半期」で十分です。評価プロセスは有効になっているすべてのタイムスプリットメソッドを繰り返すので、有効にするタイムスプリットメソッドが多いほど、実行するたびに評価プロセスが遅くなります（モデルの学習にかかる時間が長くなります）。
