Student-centric Model of Learning Management System Activity and Academic Performance: from Correlation to Causation

要約

タイトル：学習管理システム活動と学業成績の学生中心モデル：相関から因果へ

要約：
– 近年、学生のデジタルトレースを学習管理システム（LMS）内でモデル化することに大きな関心が集まっている。
– このトレースは、メタ認知や自己規制などの学生の学習行動のパターンを理解するために使用され、最終的な目標は、これらの洞察を行動情報に変換して、学生の学習成果を向上させるための支援を提供することである。
– しかし、既存の文献を考慮すると、学生中心ではなく、コース中心の多くのモデルが構築されていることと、相関関係にとどまるものが多いという2つの主な問題がある。
– これらの課題は、大学全体で設計されたサポートの大多数が学生レベルでの介入に向けられている場所で、介入の最も有望な実行可能ファクターを特定することが難しいということにつながる。
– そこで、本論文では、LMS活動データの学生中心の分析フレームワークを探求し、相関関係だけでなく観察データから因果関係の洞察を提供することを目的とした。
– このアプローチを、2019年の秋学期にアメリカの公立大学で1651人のコンピューティング専攻学生のデータセットを使用してデモンストレーションした。
– このデータセットには、学生の細かい粒度のLMSインタラクションログや人口統計情報や学業成績などの管理データが含まれている。
– さらに、LMSの行動指標のリポジトリを拡張して、ログインの時刻（クロノタイプなど）を特徴づける指標を含めた。
– 解析の結果、学生のログイン数量は、他のログイン行動指標と比較して、低い成績を持つ学生の中でも学業成績と強く相関し、因果関係があることが示された。
– これらの知見は、大学の学生支援グループが、効果的でスケーラブルな学生中心のターゲットとなる介入を開始するための説得力のある証拠を提供することが期待される。

要約(オリジナル)

In recent years, there is a lot of interest in modeling students’ digital traces in Learning Management System (LMS) to understand students’ learning behavior patterns including aspects of meta-cognition and self-regulation, with the ultimate goal to turn those insights into actionable information to support students to improve their learning outcomes. In achieving this goal, however, there are two main issues that need to be addressed given the existing literature. Firstly, most of the current work is course-centered (i.e. models are built from data for a specific course) rather than student-centered; secondly, a vast majority of the models are correlational rather than causal. Those issues make it challenging to identify the most promising actionable factors for intervention at the student level where most of the campus-wide academic support is designed for. In this paper, we explored a student-centric analytical framework for LMS activity data that can provide not only correlational but causal insights mined from observational data. We demonstrated this approach using a dataset of 1651 computing major students at a public university in the US during one semester in the Fall of 2019. This dataset includes students’ fine-grained LMS interaction logs and administrative data, e.g. demographics and academic performance. In addition, we expand the repository of LMS behavior indicators to include those that can characterize the time-of-the-day of login (e.g. chronotype). Our analysis showed that student login volume, compared with other login behavior indicators, is both strongly correlated and causally linked to student academic performance, especially among students with low academic performance. We envision that those insights will provide convincing evidence for college student support groups to launch student-centered and targeted interventions that are effective and scalable.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI