A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education

एक स्कूल की कल्पना एक शांत पुस्तकालय के रूप में नहीं, बल्कि एक हलचल भरे, उच्च-तकनीकी अंतरिक्ष यान के रूप में करें जो एक तूफानी समुद्र में यात्रा कर रहा है। इसके चालक दल के सदस्य छात्र हैं, और जहाज का कंप्यूटर लगातार उनके महत्वपूर्ण संकेतों (vital signs) की निगरानी करता है ताकि यह सुनिश्चित हो सके कि हर कोई सही रास्ते पर बना रहे। लंबे समय तक, जहाज के चालक दल ने केवल तब लॉग चेक किए जब कोई डूबने लगा—यानी तब तक इंतजार किया जब तक किसी छात्र के कई विषयों में फेल होने के कारण मदद भेजने की नौबत नहीं आ गई। लेकिन यह इंजन से धुआं निकलने का इंतजार करने जैसा है जब तक कि आप मैकेनिक को नहीं बुला लेते; तब तक अक्सर जहाज को बचाने के लिए बहुत देर हो चुकी होती है। "लर्निंग एनालिटिक्स" (Learning Analytics) के क्षेत्र के वैज्ञानिक इसे बदलने की कोशिश कर रहे हैं। वे "एजुकेशनल डेटा माइनिंग" (Educational Data Mining) नामक एक विधि का उपयोग करते हैं, जो मूल रूप से एक सुपर-स्मार्ट जासूस होने जैसा है जो हजारों सूक्ष्म सुरागों—जैसे कि आप कितनी देर पढ़ाई करते हैं, आप कितनी बार लॉग इन करते हैं, यहाँ तक कि आप कैसा महसूस करते हैं—को देखता है ताकि यह अनुमान लगाया जा सके कि किसे परेशानी होने वाली है, इससे पहले कि वह वास्तव में हो जाए। बड़ा सवाल यह है कि क्या हम एक ऐसा 'क्रिस्टल बॉल' (भविष्य बताने वाला गोला) बना सकते हैं जो न केवल हमें यह बताए कि कौन फेल हो रहा है, बल्कि यह भी बताए कि वे वास्तव में कैसे संघर्ष कर रहे हैं ताकि हम समय रहते उनकी मदद कर सकें?

यह शोध पत्र उसी क्रिस्टल बॉल को बनाने के बारे में है, लेकिन एक ट्विस्ट के साथ: केवल ग्रेड देखने के बजाय, शोधकर्ताओं ने एक "मल्टी-मोडल" (multi-modal) ढांचा तैयार किया है। इसे एक ऐसे जासूस के रूप में सोचें जो न केवल संदिग्ध की रिपोर्ट कार्ड देखता है, बल्कि उसकी डायरी, उसकी सोशल मीडिया आदतें, उसकी पारिवारिक पृष्ठभूमि और उसकी नींद के शेड्यूल को भी एक साथ जांचता है। ज़ुओताओ फांग (Zhuotao Fang) और ज़िंगयी के मिन्ज़ु नॉर्मल यूनिवर्सिटी के सहयोगियों के नेतृत्व में टीम ने 1,194 वास्तविक विश्वविद्यालय के छात्रों का डेटा एकत्र किया। उन्होंने केवल एक चीज़ नहीं देखी; उन्होंने 31 अलग-अलग प्रकार की जानकारी को मिला दिया, जिसमें "वर्तमान ग्रेड पॉइंट औसत" (वे अभी कैसा प्रदर्शन कर रहे हैं) से लेकर "दैनिक सोशल मीडिया घंटे" (वे स्क्रॉल करने में कितना समय बिताते हैं) और यहाँ तक कि "रहने की स्थिति" (क्या वे अकेले रहते हैं या परिवार के साथ) तक शामिल थे।

शोधकर्ता यह देखना चाहते थे कि क्या वे इन छात्रों को तीन स्पष्ट समूहों में वर्गीकृत कर सकते हैं: "लो रिस्क" (सुरक्षित और सुचारू रूप से चल रहे), "मीडियम रिस्क" (थोड़ा डगमगा रहे, जिन्हें एक हल्के धक्के की जरूरत है), और "हाई रिस्क" (लगभग डूबने ही वाले हैं)। ऐसा करने के लिए, उन्होंने "वन-वर्सेस-रेस्ट" (One-vs-Rest) नामक एक चतुर तकनीक का उपयोग किया। कल्पना करें कि आपके पास तीन अलग-अलग सुरक्षा गार्ड हैं। एक गार्ड का एकमात्र काम "हाई रिस्क" वाले छात्रों को पहचानना और बाकी सभी को अनदेखा करना है। दूसरा गार्ड केवल "मीडियम रिस्क" को देखता है, और तीसरा केवल "लो रिस्क" को देखता है। इन सबको एक साथ काम करके, सिस्टम बहुत सटीक निर्णय ले सकता है कि एक छात्र कहाँ फिट बैठता है।

अपने कंप्यूटर मॉडल को प्रशिक्षित करने से पहले ही, टीम ने t-SNE नामक एक विशेष विज़ुअलाइज़ेशन टूल का उपयोग किया। आप इसे एक जादुई मानचित्र के रूप में देख सकते हैं जो एक विशाल, 31-आयामी (31-dimensional) कमरे को एक सपाट, 2D फर्श योजना में सिकोड़ देता है। जब उन्होंने छात्रों को इस मानचित्र पर अंकित किया, तो उन्होंने कुछ अद्भुत देखा: "हाई रिस्क" वाले छात्र स्वाभाविक रूप से घने, अलग-थलग द्वीपों के रूप में एक साथ आए, जबकि "लो रिस्क" वाले छात्रों ने अपने स्वयं के विशिष्ट द्वीप बनाए। इससे यह सिद्ध हुआ कि वे सुराग जिन्हें वे देख रहे थे, वास्तव में समूहों को अलग करने में सक्षम थे, ठीक वैसे ही जैसे एक अच्छा फिंगरप्रिंट स्कैनर दो लोगों को तुरंत अलग पहचान सकता है।

जब उन्होंने अपने अंतिम मॉडल का परीक्षण किया, तो परिणाम प्रभावशाली थे। कंप्यूटर एक अनुभवी कप्तान की तरह था जो छात्र के डेटा को देखकर कह सकता था, "इस छात्र के हाई-रिस्क समूह में होने की संभावना 95% है," और बहुत उच्च आत्मविश्वास के साथ। सबसे महत्वपूर्ण सुराग क्या था? पिछले सेमेस्टर के उनके ग्रेड। यह सच है कि आपका पिछला प्रदर्शन आपके भविष्य के प्रदर्शन का सबसे मजबूत भविष्यवक्ता है, जो एक भारी लंगर की तरह काम करता है जो आपको उसी दिशा में खींचता है। हालाँकि, मॉडल ने यह भी पाया कि सोशल मीडिया पर बहुत अधिक समय बिताना एक चेतावनी का संकेत था, जबकि कक्षा में उपस्थित होना और प्रतिदिन अध्ययन करना अच्छे संकेत थे। दिलचस्प बात यह है कि पारिवारिक आय या लिंग जैसी चीजों का ग्रेड के साथ कोई सीधा, सरल संबंध नहीं था, जो यह सुझाव देता है कि इस विशिष्ट डेटासेट के संदर्भ में दैनिक आदतें पृष्ठभूमि से अधिक मायने रखती हैं।

अध्ययन सुझाव देता है कि इस तरह की प्रणाली विश्वविद्यालयों के लिए गेम-चेंजर हो सकती है। छात्र के विफल होने का इंतजार करने के बजाय, सिस्टम एक काउंसलर को स्वचालित अलर्ट भेज सकता है जैसे ही छात्र का "रिस्क स्कोर" एक निश्चित रेखा को पार करता है। इससे "प्रोएक्टिव इंटरवेंशन" (सक्रिय हस्तक्षेप) संभव होगा, जिसका अर्थ है कि एक काउंसलर छात्र के साथ बैठकर कह सकता है, "हे, हमने देखा है कि आप सोशल मीडिया पर बहुत अधिक समय बिता रहे हैं और आपकी उपस्थिति कम हो रही है। आइए मिलकर इसका समाधान निकालें," इससे पहले कि छात्र वास्तव में किसी पाठ्यक्रम में फेल हो जाए। शोधकर्ताओं ने पाया कि उनका मॉडल बहुत सटीक था, शायद ही कभी गलती करता था, और यह भ्रमित नहीं हुआ भले ही "हाई-रिस्क" वाले छात्र "लो-रिस्क" छात्रों की तुलना में कम थे।

हालाँकि, लेखक सावधानीपूर्वक नोट करते हैं कि उनका सिस्टम कोई जादुई समाधान नहीं है। कुछ डेटा छात्रों द्वारा स्वयं के बारे में भरे गए सर्वेक्षणों से आया था, जिसका अर्थ है कि लोग झूठ बोल सकते थे या विवरण भूल सकते थे। इसके अलावा, मॉडल कुछ मायनों में एक "ब्लैक बॉक्स" है; हालाँकि यह जोखिम की भविष्यवाणी अच्छी तरह से करता है, लेकिन यह हमेशा 'क्यों' को उस तरह से स्पष्ट नहीं करता जिसे एक मानव काउंसलर आसानी से समझ सके। टीम का सुझाव है कि भविष्य में, वे सिस्टम को और भी बेहतर बना सकते हैं यदि इसे ऑनलाइन लर्निंग प्लेटफॉर्म के वास्तविक समय (real-time) लॉग से सीधे जोड़ा जाए, ताकि यह देख सके कि एक छात्र बटन क्लिक करते ही वास्तव में क्या कर रहा है, बजाय इसके कि फॉर्म भरने का इंतजार करे। फिलहाल के लिए, यह शोध दिखाता है कि ग्रेड, आदतों और जीवन के विवरणों को जोड़कर, हम छात्रों के लिए एक बहुत अधिक स्मार्ट सुरक्षा जाल बना सकते हैं, जिससे जहाज का कंप्यूटर एक निष्क्रिय रिकॉर्डर से बदलकर एक सक्रिय संरक्षक बन जाता है।