Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports

「CS1 における高・中退リスク学生の自己調整学習行動の理解：トレースログ、中退予測、自己報告の統合」と題された論文の詳細な技術的概要を以下に示す。

1. 問題定義

プログラミング入門課程（CS1）は、高い中退率と初学者にとっての重大な課題を特徴とする、コンピュータサイエンス教育における重要なボトルネックである。予測学習分析は高い精度でリスク学生を特定できるが、これらのモデルはしばしば説明可能性に欠ける。教育者は、なぜ特定の学生が中退すると予測されるのか、あるいはその学習行動がどのようにリスクに寄与しているのかを理解することに苦慮している。

既存の研究は、成績上位者と下位者の授業後の比較や、時間的粒度が欠如した自己報告に依存することが多い。以下のような手法が必要とされている：

• リアルタイムの行動データ（トレースログ）と予測的中退モデルを関連付けること。
• 一時的な困難と中退への不可逆的な経路を区別すること。
• これらの行動を解釈するために自己調整学習（SRL）理論を統合すること。

2. 研究方法

本研究は、自己調整学習（SRL）理論（特に Winne & Hadwin の戦術・戦略フレームワーク）に基づき、定量的学習分析と定性的自己報告を組み合わせた混合研究法を採用した。

2.1 データ収集

• 文脈： ユニバーシテ・ユヴァスキュラ（2023 年秋学期）の 6 単位 CS1 課程、登録学生 321 名。
• 参加者： トレースログを提供した同意学生 47 名、そのうち 29 名が授業終了後の自己報告アンケートを完了。
• データソース：
  • トレースログ： 仮想学習環境（VLE）からの 86,738 件の生イベント。教科書利用、講義、課題提出（入門、中核、基礎、ボーナス、グランド）、TA セッション、模範解答レビューを含む。
  • 成績データ： 週次課題スコア、試験スコア、最終成績。
  • 自己報告： 学習習慣、課題、リソース利用に関する自由記述質問。

2.2 データ分析パイプライン

著者は、生ログを解釈可能な学習プロファイルに変換するための 5 段階のパイプラインを開発した：

1. ログ前処理： 生イベントを、タスク完了時間の推定に基づき 25 分のカットオフ閾値を用いて学生セッションにグループ化。単一イベントのセッションはノイズ除去のために削除。
2. 学習戦術の発見：
   • セッションをイベント頻度ベクトル（82 種類の異なるイベントコード）に変換。
   • $k$-medoids クラスタリング（$\ell_1$距離使用）を適用し、12 の異なる学習戦術（例：「教科書資料への集中」、「中核課題の挑戦」、「前週の復習」）を特定。
3. 学習戦略の策定：
   • セッションに対応する戦術コードで再ラベル付け。
   • 11 週間の課程における戦略の進化を捉えるため、ログを週次サブログに分割。
   • 週次の戦術の連続性が学習戦略を構成する。
4. 学習戦略の特性化（リスクグループ化）：
   • 事前学習済みのロジスティック回帰中退予測モデル（課題成績に基づく）を各学生週に適用し、中退確率（$p_{drop}$）を生成。
   • 戦略を高リスク（$p_{drop} > 0.5$）または低リスク（$p_{drop} \leq 0.5$）にラベル付け。
   • クラスタリング： 各リスクグループ内の戦略を、戦術遷移の第一マルコフモデル（FOMM）を用いた期待最大化（EM）法でクラスタリング。
   • 解釈： クラスタをヒューリスティック・ネット（プロセスマイニング）とSHAP ウォーターフォールプロット（予測特徴の説明）で可視化し、固有の戦略タイプを定義。
5. 学生特性の特定：
   • 学生を、学期全体で使用した戦略タイプの頻度に基づいてクラスタリング（凝集クラスタリング）。
   • Brunner-Munzel 検定を用いて、成績、中退予測、自己報告の意見に関するクラスタ間の統計的比較を実施。
   • 自己報告の定性的内容分析を用いて、定量的クラスタを検証し文脈化。

3. 主要な貢献

• 方法論的統合： プロセスマイニング、予測モデリング、自己報告を組み合わせ、単なる分類を超えて「なぜ」学生がリスクにあるかを説明する新規パイプライン。
• 詳細な戦略分類： リスクレベル別に分類された12 の異なる週次学習戦略タイプの特定：
  • 3 つの低リスク戦略： 課題志向（成績重視）、理解追求（リソース多量利用）、リソース重視（課題より教材）。
  • 9 つの高リスク戦略： 回復可能な困難（例：「遅いスタート」、「例題を用いた挑戦」）から致命的な失敗モード（例：「遅れ、苦悩に気づくのが遅すぎる」、「必須課題のみへの危険な集中」）まで。
• 縦断的プロファイリング： 学生が学期全体を通じてこれらの戦略をどのようにナビゲートしたかに基づく5 つの学生学習プロファイルタイプの定義。
• 三角測量： トレースログデータにおける曖昧さを自己報告がどのように解消するか（例：「危険な」戦略を使用している学生がなぜ合格したのかを説明）を実証。

4. 主要な結果

4.1 低中退リスク行動（RQ1）

低中退リスクの学生は、一般的に 3 つの主要な週次戦略を示した：

1. 課題志向： 必須および基礎課題の効率的な完了に焦点を当てる。
2. 理解追求： 課題に挑戦する前に、講義や補足リソースを通じて深い理解を優先する。
3. リソース重視： 即時的な課題完了よりも、教科書資料や模範解答に多くの時間を費やす。

• プロファイル： これらの行動は、文脈に応じて戦略を調整する**「適応的理解追求者」や「能動的課題志向学習者」**といったプロファイルと相関していた。

4.2 高中退リスク行動（RQ2）

高リスク学生は 9 つの異なる戦略を示した。重要なのは、本研究が一時的なリスクと致命的なリスクを区別した点である：

• 回復可能なリスク： 「遅いスタート」や「理解の困難」などの戦略は、最終的に回復し合格した学生によって頻繁に使用された。
• 致命的リスク： 「遅れ、苦悩に気づくのが遅すぎる（課題を行わず模範解答を見る）や**「必須課題のみへの危険な集中」**などの戦略は、中退した学生と強く関連していた。
• 洞察： 中退した学生は、通常、離脱の 1〜2 週間前に高リスク戦略へ回帰し、多くの場合、特定の困難なトピックが導入された後であった。

4.3 学生プロファイルと自己報告（RQ3）

本研究は 5 つの学生プロファイルを特定した：

1. 適応的理解追求者（N=20）： 週次のトピックに基づき戦略を調整。多様なリソースとの高い関与。
2. 勤勉な教材追従者（N=14）： 推奨スケジュールを厳格に遵守。TA やピアグループへの依存度が高い。
3. 能動的課題志向学習者（N=5）： 一貫して低リスク戦略を使用。高い課題完了率。
4. 最後まで粘る者（N=1）： 高リスク戦略（最小限の課題作業）を使用したが、卓越した試験成績により最高得点で合格した外れ値。自己報告により、この学生は時間管理は苦手だが情報検索能力に優れていたことが判明。
5. 課程中退者（N=7）： 全員が学期中盤までに中退。離脱に先行する週には、一貫して高リスク戦略のみを使用。

検証： 自己報告は定量的な知見を確認した。例えば、「適応的」グループは個人的事情によりルーチンを調整したと報告し、「勤勉な」グループは外部支援への重度の依存を報告した。単一の「粘る」外れ値の自己報告は、トレースログのみでは失敗と誤分類されかねない独自のプロセス（試験重視）を説明した。

5. 意義と実践的示唆

• ターゲットを絞った介入： 本研究は、TA や教員が単に「誰が」リスクにあるかを特定するだけでなく、「どのような具体的な行動」がリスクを引き起こしているかを特定するための枠組みを提供する。例えば、「模範解答への遅れた依存」を使用する学生には、課題完了を強制する介入が必要であり、「遅いスタート」を使用する学生には時間管理コーチングが必要であるなど、異なる介入が求められる。
• 早期警告システム： 週次の戦略タイプと中退確率を関連付けることで、教育者は事後分析ではなく、授業中に介入できる。
• 包括的視点： トレースログと自己報告の組み合わせは誤解を防ぐ。「危険」に見える学生が、単に異なる（しかし効果的な）戦略を持つ「粘る」学習者である場合、不要または誤った介入を防ぐことができる。
• スケーラビリティ： パイプラインは既存の VLE データと標準的な機械学習モデルを使用するため、侵入的な新しいデータ収集方法を必要とせず、大規模な CS1 コホートに適用可能である。

結論として、本論文は、生きた活動カウントよりも学習戦略タイプの方が予測的かつ説明力が高いことを実証している。行動を特定のリスクプロファイルに分類することで、本研究は、タイムリーかつ行動固有のサポートを通じて CS1 の脱落率を削減するための実行可能なロードマップを提供する。