「脱落リスクのある学生」の版間の差分

提供:MoodleDocs
移動先:案内検索
3行目: 3行目:
バージョン3.4以降、Moodleコアはオープンソースの透過的な次世代[[アナリティクス|ラーニングアナリティクス]]を実装するようになりました。 Moodle 3.4では、このシステムには ''脱落リスクのある学生'' と呼ばれるモデルが組み込まれています。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。
バージョン3.4以降、Moodleコアはオープンソースの透過的な次世代[[アナリティクス|ラーニングアナリティクス]]を実装するようになりました。 Moodle 3.4では、このシステムには ''脱落リスクのある学生'' と呼ばれるモデルが組み込まれています。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、学生の関与が少ないことに基づいて、Moodleコースを修了しない(脱落する)リスクの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学生の活動がない'' です。この予測モデルは、学生エンゲージメントの[https://en.wikipedia.org/wiki/Community_of_inquiry Community of Inquiry]モデルを使用しており、次の3つの部分で構成されています。
このモデルは、学生の関与が少ないことに基づいて、Moodleコースを修了しない(脱落する)リスクの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学生の活動がない'' です。この予測モデルは、学生エンゲージメントの[https://en.wikipedia.org/wiki/Community_of_inquiry Community of Inquiry](探求コミュニティ)モデルを使用しており、次の3つの部分で構成されています。


*認知的存在
*認知的存在

2021年2月19日 (金) 09:56時点における版

概要

バージョン3.4以降、Moodleコアはオープンソースの透過的な次世代ラーニングアナリティクスを実装するようになりました。 Moodle 3.4では、このシステムには 脱落リスクのある学生 と呼ばれるモデルが組み込まれています。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、学生の関与が少ないことに基づいて、Moodleコースを修了しない(脱落する)リスクの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学生の活動がない です。この予測モデルは、学生エンゲージメントのCommunity of Inquiry(探求コミュニティ)モデルを使用しており、次の3つの部分で構成されています。

  • 認知的存在
  • 社会的存在
  • 教師の存在

これらのconstructsがモデル内でどのように定義されているかについての詳細は、以下を参照してください。

機能

  1. 認知的存在社会的存在 の概念を抽象化することにより、この予測モデルは、さまざまなコースから結論を分析して導き出し、それらの結論を適用して、これまでMoodleシステムで教えられたことのないコースであっても、新しいコースについて予測することができます。 モデルは、過去に提供されたコースの正確な複製でのみ、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

  1. この予測モデルは、コースの開始日と終了日が固定され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。幅広いコースタイプをサポートするモデルは、Moodleの将来のバージョンに含まれる予定です。
    1. 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適切に設定することが非常に重要です。過去のコースと進行中のコースの両方の開始日と終了日が適切に設定されていない場合、予測は正確ではありません。
    2. 終了日が開始日より前の場合、コースはトレーニングまたは予測に含まれません。
  2. 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。
  3. 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。
  4. このモデルは、予測を行うために一定量のMoodle内データを必要とします。現時点では、コアMoodle活動のみがインジケーターセットに含まれています(以下を参照)。“タイムスライス” ごとにいくつかのコアMoodle活動が含まれていないコースでは、このモデルの予測サポートが不十分になります。この予測モデルは、完全にオンラインのコース、または実質的なオンラインコンポーネントを備えた “ハイブリッド” または “ブレンド” コースで最も効果的です。

コース終了日フィールドはMoodle3.2でのみ導入され、一部のコースは過去にコース開始日を設定していない可能性があるため、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、学生の登録と学生の活動ログを調べて、過去のコースの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、推定開始日と終了日のスクリプト結果が適切に正しいことを確認してください。

ターゲット

ここでの ターゲットは、学生がコースから脱落する(ネガティブターゲット)であり、次のように定義されます。登録された学生はコースの最終四半期に活動を表示しません。

さらに、

  1. 時間の終了がコースの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。
  2. 1年以上続く登録は除外されます
  3. コースの完了は、有効になっている場合、成功の指標として使用できます
  4. それ以外の場合、コースの最後の四半期内の活動は 脱落していない 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。

ここで、 moodlesiteは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、コア活動モジュールごとに実装される 認知の深さ社会の幅 の概念に基づいています。

認知の深さ

認知の深さは、Community ofInquiry理論フレームワーク内のconstruct 認知的存在 の尺度です。認知的存在は、“探究のコミュニティの特定の構成の参加者が持続的なコミュニケーションを通じて意味を構築できる程度”(Garrison, Anderson & Archer, 2000, p 89)。認知的存在は通常、手動の内容分析による研究で決定されてきました。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。潜在的な認知の深さのレベルは次のとおりです。

  1. 学習者は活動の詳細を表示しました
  2. 学習者が活動にコンテンツを送信しました
  3. 学習者は、活動に関するインストラクターまたはピアからのフィードバックを確認しました
  4. 学習者は、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
  5. 学習者がコンテンツを改訂および/または活動に再送信しました

このモデルは、認知深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、課題モジュールでは、最大4の認知深度が許可されます。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、コースに登録された各学生は、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

社会的幅は、Community ofInquiry 理論フレームワーク内の [1] 社会的存在 の尺度です。これは、“参加者がグループまたは学習コースを識別し、信頼できる環境で意図的にコミュニケーションを取り、個々の個性を投影することによって、個人的で感情的な関係を徐々に発展させる能力” と定義されています(-global.com/chapter/communities-inquiry-online-learning/11779 Garrison, 2009, p 352)。過去には、社会的存在は通常、コース後の調査と手動の談話分析によって測定されていましたが、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ションをとる機会の幅を調べることにより、社会的幅 として社会的存在を実装します。幅のレベルは0から5の範囲で、0は学習者が誰とも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。

  1. 学習者は、この活動の他の参加者と対話していません(たとえば、ページを読んだことがあります)
  2. 学習者は少なくとも1人の他の参加者と対話しました(たとえば、課題を提出したか、フィードバックを提供する自己採点小テストを試みました)
  3. 学習者は、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やり取りしました。
  4. 学習者は、コミュニケーションの少なくとも1つの ボレー で参加者とやり取りしました。
  5. 学習者は、クラス外の人々と交流しました。たとえば、本物の実践コミュニティで

このモデルは、各活動モジュールに社会的幅の潜在的な最大値を割り当てることから始まります。たとえば、課題モジュールでは、最大2つのソーシャル幅が許可されます。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、コースに登録された各学生は、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に達した場合、学生は社会的幅の可能なレベルの100%で参加しています。

選択した活動モジュールの潜在的な指標レベル

認知的存在と社会的存在を介したエンゲージメントの可能性は、存在を教えるための重要な要素の1つである インストラクショナルデザイン を構成します。 この図は、すべてのコア活動と選択した非コア活動の潜在的な認知の深さと社会的幅を示しています。

潜在的な認知の深さと社会的幅

潜在的な認知の深さと社会的幅によって各活動を分類することにより、その活動インスタンスでの多くの学習者のアクションの履歴がなくても、学習者がサポートする(そしておそらく期待される)エンゲージメントのレベルを予測できます。各軸に沿った上位レベルにはすべての下位レベルが含まれることに注意してください。つまり、学生とすべてのピア(社会的幅3)が関与する活動には、レベル1(学生のみ)とレベル2(学生+1)が自動的に含まれます。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コアの活動のみをサポートしていることに注意してください。いくつかの非コア活動が例としてここに含まれています。)

分析可能

このモデルのMoodleの 分析可能 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処理し、モデルをトレーニングするか予測を行うために各コースを処理することを示しています。予測は、コースのコンテキスト内の各 サンプル エンティティ(以下を参照)に対して行われます。

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がマージされます。

サンプル

機械学習のコンテキストでの サンプル は、分析の単位を示します。このモデルでのサンプルは、学生ロールのコース登録者です。終了したコースでのこれまでの学生登録者全員について観察されたデータに基づいてモデルのトレーニングが行われた上で、コースの各学生登録者について予測が行われます。

有効なサンプル

有効なサンプルは、モデルのトレーニングとモデルの予測の観点から、モデルごとに定義されています。このモデルでの基準は次のとおりです。

  • 予測の対象 = 進行中のコース
  • トレーニングの対象 = 終了したコースの内、活動が設置されているもの

洞察

洞察は、サンプル(この場合はコースへの学生の登録)で定義された各ユニットのモデルによって生成された特定の予測であり、そのモデル(この場合はそれぞれコース)。コンテキストは、そのコンテキストのケイパビリティmoodle/analytics:listinsightsに基づいて通知を受信するユーザを定義するために使用されます。このモデルでは、このパーミッション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、洞察はバイナリです。つまり、脱落リスクのある学生 または 脱落リスクのない学生 です。

アクション

各インサイトには、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、アクションは次のとおりです。

  • 学生にメッセージを送信する
  • このコースの学生の概要レポートを表示する
  • 予測の詳細を表示する
  • 通知を確認します
  • 通知を 役に立たない としてマークします


Insights and Actions

推奨される時間分割方法

モデルを有効にすると、時間分割方法が選択されます。これは、コースの一般的な長さと追加/削除期間の長さ(該当する場合)によって異なります。 16週間のコースの最初の2週間以内に予測を確認したい場合は、10分の1 を使用する必要があります。 (16週間= 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週間ごとに予測を表示する場合は、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時間分割メソッドを反復処理するため、有効になっている時間分割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(モデルのトレーニングに時間がかかります)。