A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics
यह शोध पत्र OULAD डेटासेट का उपयोग करके टेम्पोरल ड्रॉपआउट जोखिम भविष्यवाणी के लिए एक एकीकृत, बहु-आयामी उत्तरजीविता बेंचमार्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि व्यवहार संबंधी और टेम्पोरल संकेत स्थिर विशेषताओं से बेहतर प्रदर्शन करते हैं और मूल्यांकन संबंधी विसंगतियों से बचने के लिए मॉडल परिवारों को अलग करने की आवश्यकता पर प्रकाश डालते हैं।
मूल पेपर CC BY 4.0 (https://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
हर सेमेस्टर में, विश्वविद्यालयों को एक शांत संकट का सामना करना पड़ता है: वे छात्र जो अपने पाठ्यक्रम शुरू तो करते हैं लेकिन कभी उन्हें पूरा नहीं कर पाते। दशकों से, शिक्षक यह अनुमान लगाने की कोशिश कर रहे हैं कि किसकी छोड़ने की संभावना अधिक है, इस उम्मीद में कि बहुत देर होने से पहले मदद दी जा सके। लर्निंग एनालिटिक्स (learning analytics) के रूप में जाना जाने वाला यह क्षेत्र, छात्र डेटा को एक मानचित्र की तरह मानता है, जो उन पैटर्नों की तलाश करता है जो समस्या के संकेत देते हैं। पारंपरिक रूप से, ये मानचित्र स्थिर स्नैपशॉट रहे हैं, जो छात्र की पृष्ठभूमि, उनकी आयु, या पिछले वर्षों के उनके ग्रेड पर आधारित होते हैं। लेकिन एक छात्र की यात्रा एक एकल फोटोग्राफ नहीं है; यह एक फिल्म है जो सप्ताह दर सप्ताह चलती है। पाठ्यक्रम छोड़ने का जोखिम स्थिर नहीं रहता; यह बदलता और बढ़ता रहता है जैसे-जैसे एक छात्र अपनी ऑनलाइन सामग्री के साथ बातचीत करता है, समय सीमा चूक जाता है, या बस कोर्स वेबसाइट पर क्लिक करना बंद कर देता है। शोधकर्ताओं के लिए केंद्रीय प्रश्न यह रहा है कि क्या हम केवल शुरुआती क्रेडिट्स को देखने के बजाय, वास्तविक समय में इस फिल्म को देखकर एक बेहतर मानचित्र बना सकते हैं।
ईस्टर्न यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए विभिन्न तरीकों से छात्र ड्रॉपआउट (dropout) की भविष्यवाणी करने के तरीकों की तुलना करने के लिए एक नए प्रकार का परीक्षण बनाने के उद्देश्य से काम किया। उन्होंने ओपन यूनिवर्सिटी के एक विशाल, प्रसिद्ध डेटा संग्रह का उपयोग किया, जो कई पाठ्यक्रमों में हजारों छात्रों की निगरानी करता है। केवल एक कंप्यूटर मॉडल को विजेता घोषित करने के बजाय, उन्होंने एक कठोर प्रयोग डिजाइन किया जो समय को देखने के दो अलग-अलग तरीकों के बीच के अंतर का सम्मान करता था। मॉडलों के एक समूह ने, जिसे उन्होंने "डायनामिक वीकली" (Dynamic Weekly) परिवार कहा, छात्रों को सप्ताह दर सप्ताह देखा, और हर बार एक नई गतिविधि के प्रकट होने पर अपनी भविष्यवाणी को अपडेट किया। दूसरे समूह ने, जिसे "स्टैटिक अर्ली-विंडो" (Static Early-Window) परिवार कहा गया, एक अलग दृष्टिकोण अपनाया: इसने छात्र के व्यवहार के केवल पहले चार हफ्तों को देखा और फिर पूरे पाठ्यक्रम के लिए एक एकल, निश्चित भविष्यवाणी की। शोधकर्ताओं ने इन दोनों दृष्टिकोणों को एक-दूसरे के विरुद्ध प्रतिद्वंद्वी के रूप में नहीं, बल्कि एक ही घटना को देखने के दो अलग लेंसों के रूप में माना, जिससे यह सुनिश्चित हुआ कि तुलना निष्पक्ष हो और परिणाम डेटा के संगठन के तरीके से विकृत न हों।
अध्ययन ने चौदह अलग-अलग कंप्यूटर मॉडलों की तुलना की, जो सरल सांख्यिकीय उपकरणों से लेकर जटिल कृत्रिम बुद्धिमत्ता (AI) प्रणालियों तक विस्तृत थे। शोधकर्ताओं ने यह मापा कि प्रत्येक मॉडल दो चीजें कितनी अच्छी तरह कर सकता है: जोखिम स्तर के आधार पर छात्रों को सही ढंग से रैंक करना, और एक ऐसी संभाव्यता संख्या प्रदान करना जो वास्तव में ड्रॉपआउट होने वाले छात्रों की संख्या से मेल खाती हो। चूंकि दोनों परिवार अलग-अलग जोखिम संरचनाओं का उपयोग करते हैं, इसलिए शोधकर्ताओं ने एक एकल संयुक्त रैंकिंग बनाने के बजाय प्रत्येक परिवार के भीतर अलग से परिणाम रिपोर्ट किए। "स्टैटिक अर्ली-विंडो" समूह के भीतर, 'रैंडम सर्वाइवल फॉरेस्ट' (Random Survival Forest) नामक मॉडल सबसे विश्वसनीय बनकर उभरा। यह उन छात्रों की पहचान करने में सबसे अच्छा था जो जोखिम में थे और महत्वपूर्ण रूप से, इसके संभाव्यता अनुमान बहुत सटीक थे। उदाहरण के लिए, जब इस मॉडल ने भविष्यवाणी की कि किसी छात्र के ड्रॉपआउट होने की तीस प्रतिशत संभावना है, तो उस समूह के छात्रों की वास्तविक ड्रॉपआउट दर तीस प्रतिशत के बहुत करीब थी। यह सटीकता अत्यंत महत्वपूर्ण है क्योंकि इसका अर्थ है कि स्कूल यह तय करने के लिए कि किसे मदद की आवश्यकता है, इन नंबरों पर भरोसा कर सकते हैं। "डायनामिक वीकली" समूह के भीतर, मॉडल प्रदर्शन में एक-दूसरे के बहुत करीब रहे, जिसमें 'पॉइसन पीसवाइज-एक्सपोनेंशियल' (Poisson Piecewise-Exponential) मॉडल ने एक विशिष्ट मीट्रिक में मामूली बढ़त दिखाई, हालांकि कोई भी एकल मॉडल सभी मापदंडों में हावी नहीं हुआ।
शायद सबसे महत्वपूर्ण खोज यह नहीं थी कि कौन सा कंप्यूटर मॉडल सबसे स्मार्ट था, बल्कि यह थी कि मॉडल वास्तव में अपने निर्णय लेने के लिए किस जानकारी का उपयोग करते हैं। शोधकर्ताओं ने इसे मॉडलों से एक-एक करके विभिन्न प्रकार के डेटा को हटाकर परीक्षण किया। उन्होंने स्थिर पृष्ठभूमि जानकारी को हटा दिया, जैसे कि छात्र की आयु, लिंग, या पूर्व शिक्षा। फिर, उन्होंने व्यवहार संबंधी डेटा को हटाया, जैसे कि छात्र कितनी बार कोर्स सामग्री पर क्लिक करता है या वह कितने सप्ताह सक्रिय रहा। परिणाम स्पष्ट और लगभग हर मॉडल में सुसंगत थे: पृष्ठभूमि की जानकारी का बहुत कम महत्व था। जब व्यवहार संबंधी डेटा को हटा दिया गया, तो मॉडलों की ड्रॉपआउट की भविष्यवाणी करने की क्षमता ढह गई। प्रमुख संकेत यह नहीं था कि छात्र कौन था, बल्कि यह था कि वह क्या कर रहा था। विशेष रूप से, पहले चार हफ्तों में क्लिक की संख्या और सक्रिय हफ्तों की संख्या सबसे मजबूत भविष्यवक्ता थे। यह सुझाव देता है कि ड्रॉपआउट किसी व्यक्ति का एक निश्चित गुण नहीं है, बल्कि एक प्रक्रिया है जो उनकी दैनिक सहभागिता के माध्यम से विकसित होती है।
अध्ययन ने यह भी खुलासा किया कि विश्वसनीयता के मामले में सभी मॉडल समान नहीं होते हैं। जबकि अधिकांश शीर्ष प्रदर्शन करने वाले मॉडलों ने ईमानदार संभाव्यता अनुमान दिए, स्टैटिक समूह के एक मॉडल, जिसे 'XGBoost AFT' कहा जाता है, ने हर स्तर पर खराब प्रदर्शन किया। इसने छात्रों को सही ढंग से रैंक करने में संघर्ष किया और इसके संभाव्यता अनुमान बहुत गलत थे, जो यह सुझाव देता है कि इसकी गणितीय संरचना छात्र जोखिम की बदलती प्रकृति को संभालने के लिए पर्याप्त लचीली नहीं थी। यह निष्कर्ष इस विचार को पुष्ट करता है कि मॉडल कैसे बनाया गया है, यह उस डेटा जितना ही महत्वपूर्ण है जिसे वह देखता है। शोधकर्ताओं ने निष्कर्ष निकाला कि उन संस्थानों के लिए जो प्रारंभिक चेतावनी प्रणाली बनाना चाहते हैं, सबसे अच्छा दृष्टिकोण एक ऐसे मॉडल का उपयोग करना है जो व्यवहार के पहले महीने पर ध्यान केंद्रित करता है। वे चौथे सप्ताह के अंत में क्लिक काउंट और सक्रिय हफ्तों जैसे सरल डेटा का उपयोग करके छात्रों को स्कोर कर सकते हैं, उच्च जोखिम वाले छात्रों को चिह्नित कर सकते हैं, और हस्तक्षेप कर सकते हैं। अध्ययन ने यह दावा नहीं किया कि यह तरीका प्रत्येक विश्वविद्यालय या प्रत्येक पाठ्यक्रम के लिए काम करता है, क्योंकि डेटा एक विशिष्ट सेट के मॉड्यूल से आया था, लेकिन इसने जोखिम को मापने के लिए एक स्पष्ट, एकीकृत ढांचा प्रदान किया। निष्कर्ष यह है कि स्कूल में बने रहने का मार्ग दैनिक कार्यों से बना होता है, और यह अनुमान लगाने का सबसे अच्छा तरीका कि कौन छोड़ देगा, यह देखना है कि वे क्या कार्य कर रहे हैं, न कि इस पर निर्भर रहना कि वे वहां आने से पहले कौन थे।
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।