Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
यह शोध पत्र एक व्याख्यात्मक, उच्च-रिकॉल लॉजिस्टिक रिग्रेशन मॉडल प्रस्तुत करता है जो भारित शैक्षणिक गति (weighted academic momentum), बुनियादी जनसांख्यिकी और सरल एलएमएस (LMS) गतिविधि लॉग को संयोजित करके प्रथम वर्ष के सीएस1 (CS1) छात्र की विफलता की सफलतापूर्वक भविष्यवाणी करता है, जिससे सेमेस्टर के पांचवें सप्ताह तक समय पर हस्तक्षेप करना सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक शिक्षा के विशाल परिदृश्य में, हमारे क्लासरूम का प्रबंधन करने वाली डिजिटल प्रणालियों के भीतर एक शांत क्रांति हो रही है। दशकों से, शिक्षक यह मापने के लिए ग्रेड और उपस्थिति शीटों पर भरोसा करते रहे हैं कि एक छात्र कैसा प्रदर्शन कर रहा है, लेकिन ये पारंपरिक उपाय अक्सर एक संघर्षरत शिक्षार्थी की मदद करने के लिए बहुत देर से आते हैं। आज, जैसे-जैसे विश्वविद्यालय अपने पाठ्यक्रमों को तेजी से ऑनलाइन ले जा रहे हैं, हर क्लिक, हर लॉगिन और एक डिजिटल प्लेटफॉर्म पर बिताया गया हर क्षण एक निशान छोड़ जाता है। शोधकर्ता इन निशानों को "डिजिटल मार्कर" कहते हैं। ये एक पाठ्यक्रम में छात्र के दैनिक जीवन के पदचिह्न हैं, जो किसी भी अंतिम परीक्षा के लिखे जाने से बहुत पहले उनकी आदतों, जुड़ाव और संभावित संघर्षों की एक झलक प्रदान करते हैं। इस नए अध्ययन क्षेत्र को चलाने वाला प्रश्न सरल लेकिन गहरा है: क्या हम इन डिजिटल पदचिह्नों को पढ़कर उस छात्र को पहचान सकते हैं जो असफल होने वाला है, और क्या हम ऐसा इतना जल्दी कर सकते हैं कि उनका रास्ता बदला जा सके?
यह चुनौती ज़ाम्बिया विश्वविद्यालय के शोधकर्ताओं की एक टीम के सामने थी, जिन्होंने अपना ध्यान एक विशेष रूप से कठिन प्रथम वर्ष के पाठ्यक्रम: कंप्यूटर सिस्टम्स एंड आर्किटेक्चर (Computer Systems and Architecture) की ओर लगाया। इस कक्षा में, ऐतिहासिक रूप से लगभग चालीस प्रतिशत छात्र उत्तीर्ण नहीं हो पाते हैं, एक ऐसी दर जो कई प्रतिभाशाली दिमागों को उनकी पढ़ाई वास्तव में शुरू होने से पहले ही पीछे छोड़ देती है। प्रशिक्षक जानते थे कि कुछ गलत है, लेकिन उनके पास यह पहचानने का कोई तरीका नहीं था कि कौन जोखिम में है जब तक कि बहुत देर न हो जाए। इसे हल करने के लिए, टीम ने अंतिम ग्रेडों से परे देखने और इसके बजाय चार वर्षों में छात्रों द्वारा छोड़े गए डिजिटल ब्रेडक्रंब्स (डिजिटल टुकड़ों) की जांच करने का निर्णय लिया। उन्होंने लगभग तीन सौ छात्रों से डेटा एकत्र किया, जिसमें उनकी बुनियादी पृष्ठभूमि की जानकारी, शुरुआती क्विज़ और टेस्ट पर उनके स्कोर, और विश्वविद्यालय के ऑनलाइन लर्निंग सिस्टम के साथ उनके इंटरैक्शन के रॉ लॉग्स (raw logs) को शामिल किया गया। उनका लक्ष्य एक ऐसा मॉडल बनाना था जो एक प्रारंभिक चेतावनी प्रणाली (early warning system) के रूप में कार्य कर सके, जो उन छात्रों को चिह्नित कर सके जिनके विफल होने की संभावना है ताकि शिक्षक समय रहते सहायता के साथ हस्तक्षेप कर सकें।
शोधकर्ताओं ने उन लोगों को सुनना शुरू किया जो इस पाठ्यक्रम को सबसे अच्छी तरह जानते थे: प्रशिक्षक, ट्यूटर और स्वयं छात्र। साक्षात्कार और सर्वेक्षणों के माध्यम से, उन्होंने दस कारकों की पहचान की जो सफलता को प्रभावित करते प्रतीत होते थे, जैसे कि समय प्रबंधन, प्रेरणा, और क्या छात्र के पास कंप्यूटर है। उन्होंने फिर इन मानवीय अंतर्दSightों को डेटा पॉइंट्स में अनुवादित किया, जिससे परीक्षण के लिए विशेषताओं की एक व्यापक सूची तैयार हुई। उन्होंने "वेटेड एकेडेमिक मोमेंटम" (weighted academic momentum) नामक एक विशेष स्कोर विकसित किया, जो यह देखता था कि छात्र ने अपने बिल्कुल पहले के क्विज़ और टेस्ट में कैसा प्रदर्शन किया, जिसमें बाद के अधिक व्यापक शुरुआती मूल्यांकनों को अधिक महत्व दिया गया। उन्होंने यह भी ट्रैक किया कि क्या किसी छात्र ने कभी ऑनलाइन सिस्टम में लॉगिन किया भी है या नहीं, और वे कितने अलग-अलग दिनों तक सक्रिय रहे। इस सारी जानकारी को एक कंप्यूटर मॉडल में फीड करके, उन्होंने परीक्षण किया कि कौन सा संयोजन कारकों का समूह यह अनुमान लगाने में सबसे अच्छा हो सकता है कि कौन विफल होगा।
उन्होंने जो खोजा वह आश्चर्यजनक और आश्वस्त करने वाला दोनों था। विफलता का सबसे शक्तिशाली भविष्यवक्ता छात्र की प्रेरणा के बारे में कोई जटिल सर्वेक्षण या कंप्यूटर के साथ उनका पिछला अनुभव नहीं था, बल्कि तीन चीजों का एक सरल संयोजन था: उनका शुरुआती शैक्षणिक मोमेंटम, उनकी बुनियादी पृष्ठभूमि, और एक साधारण हाँ या ना वाला सवाल कि क्या उन्होंने कभी ऑनलाइन लर्निंग सिस्टम का उपयोग किया है। मॉडल ने पाया कि शुरुआती कुछ हफ्तों के मूल्यांकन पर छात्र का प्रदर्शन उनके भविष्य की सफलता का सबसे मजबूत संकेत था। हालांकि, यह संकेत तब और भी स्पष्ट हो गया जब इसे डिजिटल उपस्थिति की एक सरल जांच के साथ जोड़ा गया। यदि किसी छात्र का शुरुआती स्कोर उच्च था लेकिन उसने कभी ऑनलाइन सिस्टम में लॉगिन नहीं किया था, तो वह फिर भी महत्वपूर्ण जोखिम में था। इससे पता चला कि कुछ छात्र अपनी स्वाभाविक क्षमता या पूर्व ज्ञान के भरोसे चल रहे थे, इस बात से अनभिज्ञ कि वे ऑनलाइन उपलब्ध सहायता संरचनाओं को मिस कर रहे हैं, या शायद पाठ्यक्रम सामग्री के साथ जुड़ने के बिना पास होने की अपनी क्षमता को लेकर अति-आत्मविश्वासी थे।
जब शोधकर्ताओं ने अपने अंतिम मॉडल का परीक्षण छात्रों के एक ऐसे समूह पर किया जिसे उसने पहले कभी नहीं देखा था, तो यह अपने प्राथमिक कार्य में उल्लेखनीय रूप से प्रभावी साबित हुआ: संकट में पड़े छात्रों को खोजना। सिस्टम ने उन ८७ प्रतिशत छात्रों की सही पहचान की जो अंततः पाठ्यक्रम में विफल रहे। इस उच्च सफलता दर के साथ एक समझौता भी आया: मॉडल ने उन छात्रों को भी जोखिम में बताया जो उत्तीर्ण होने वाले थे, जिसके परिणामस्वरूप ४१ प्रतिशत की 'फॉल्स अलार्म' (गलत चेतावनी) दर रही। शोधकर्ताओं का तर्क है कि शैक्षिक सेटिंग में यह एक स्वीकार्य कीमत है। उस छात्र को अतिरिक्त मदद देना जो वास्तव में उसकी आवश्यकता नहीं है, उससे कहीं बेहतर है कि उस छात्र को मिस कर दिया जाए जो चुपचाप संघर्ष कर रहा है और विफल होने वाला है। मॉडल ने यह उपलब्धि सेमेस्टर के केवल पांच सप्ताह के भीतर उपलब्ध डेटा का उपयोग करके हासिल की, जो प्रशिक्क्षकों को हस्तक्षेप करने के लिए एक महत्वपूर्ण समय सीमा प्रदान करता है।
अध्ययन ने यह भी खुलासा किया कि अधिक जटिल डेटा जोड़ने से भविष्यवाणी आवश्यक रूप से बेहतर नहीं हुई। छात्र की भावनाओं या उनके विशिष्ट पाठ्यक्रम कार्यभार के बारे में विस्तृत सर्वेक्षण शामिल करने से मॉडल की सटीकता में सुधार नहीं हुआ। वास्तव में, सबसे सरल दृष्टिकोण—शुरुआती ग्रेड और ऑनलाइन गतिविधि की एक बुनियादी जांच पर ध्यान केंद्रित करना—सबसे अच्छा काम कर गया। यह सुझाव देता है कि इस विशिष्ट पाठ्यक्रम के लिए, शुरुआती हफ्तों में छात्र द्वारा किए गए कार्य उनके बैकग्राउंड या शुरुआती आत्मविश्वास की तुलना में उनके भविष्य का अधिक विश्वसनीय संकेतक हैं। शोधकर्ताओं ने यह समझने के लिए कि मॉडल ने अपने निर्णय क्यों लिए, SHAP विश्लेषण नामक पद्धति का उपयोग किया, जिसने पुष्टि की कि 'वेटेड एकेडेमिक मोमेंटम' सबसे महत्वपूर्ण कारक था, और इसके ठीक बाद उस मोमेंटम और छात्र ने ऑनलाइन सिस्टम के साथ कितनी संलग्नता दिखाई, इसके बीच का संबंध था।
यह कार्य एक व्यावहारिक ब्लूप्रिंट प्रदान करता है कि कैसे विश्वविद्यालय अपने छात्रों की सहायता के लिए उपलब्ध डेटा का उपयोग कर सकते हैं। सरल, शुरुआती डिजिटल मार्करों पर ध्यान केंद्रित करके, शिक्षक विफलता की प्रतिक्रिया देने के बजाय उसे रोकने की दिशा में बढ़ सकते हैं। शोधकर्ता अपने निष्कर्षों को एक लाइव डैशबोर्ड में बदलने की योजना बना रहे हैं जो स्वचालित रूप से प्रशिक्क्षकों को अलर्ट करेगा जब कोई छात्र परेशानी के संकेत दिखाएगा, जिससे उन्हें चेतावनी के स्पष्ट कारण मिल सकेंगे ताकि वे लक्षित सहायता प्रदान कर सकें। हालांकि यह अध्ययन ज़ाम्बिया के एक एकल विश्वविद्यालय में किया गया था, लेकिन यह दृष्टिकोण एक सार्वभौमिक सत्य का सुझाव देता है: डिजिटल युग में, जिस तरह से एक छात्र उपस्थित होता है, भले ही वह सबसे छोटे तरीकों से हो, अक्सर उनकी पृष्ठभूमि या उनके शुरुआती आत्मविश्वास से कहीं अधिक मुखर होता है। सफलता का मार्ग हमेशा जटिल आंकड़ों में छिपा नहीं होता, बल्कि कभी-कभी कक्षा में उपस्थित होने के शांत, निरंतर लय में होता है, चाहे वह व्यक्तिगत रूप से हो या ऑनलाइन।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।