A Multi-Modal Learning Analytics Framework for Academic Early Warning and Student Risk Prediction in Higher Education
Deze studie stelt een multimodale learning analytics-framework voor en valideert dit, dat diverse academische, demografische, gedragsmatige en psychologische gegevens integreert met geavanceerde ensemble tree-modellen om het risiconiveau van studenten (laag, gemiddeld, hoog) nauwkeurig te voorspellen en proactieve academische interventie in het hoger onderwijs mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een school niet voor als een stille bibliotheek vol stoffige boeken, maar als een bruisend, hoogtechnologisch ruimteschip dat door een stormachtige zee navigeert. De bemanningsleden zijn studenten, en de computer van het schip houdt constant hun vitale functies in de gaten om te zorgen dat iedereen op koers blijft. Lange tijd controleerde de bemanning van het schip de logboeken pas nadat iemand begon te zinken—wachten tot een student een reeks vakken zou zakken voordat er hulp werd gestuurd. Maar dat is alsof wachten tot de motor rook begint te spuwen voordat je een monteur belt; tegen die tijd is het vaak al te laat om het schip te redden. Wetenschappers in het veld van "Learning Analytics" proberen dit te veranderen. Ze gebruiken een methode genaamd "Educational Data Mining", wat in feite lijkt op het zijn van een superintelligente detective die naar duizenden kleine aanwijzingen kijkt—hoe lang je studeert, hoe vaak je inlogt, zelfs hoe je je voelt—om te voorspellen wie in de problemen komt voordat het gebeurt. De grote vraag die ze stellen is: Kunnen we een kristallen bol bouwen die ons niet alleen vertelt wie er onvoldoende haalt, maar die ons precies vertelt waarin ze moeite hebben, zodat we hen op tijd kunnen helpen?
Dit artikel gaat over het bouwen van die kristallen bol, maar met een twist: in plaats van alleen naar cijfers te kijken, bouwden de onderzoekers een "multi-modaal" framework. Denk aan een detective die niet alleen naar het rapportcijfer van een verdachte kijkt, maar ook tegelijkertijd hun dagboek, hun sociale media-gewoonten, hun familieachtergrond en hun slaapschema controleert. Het team, onder leiding van Zhuotao Fang en collega's van de Minzu Normal University of Xingyi, verzamelde gegevens van 1.194 echte universiteitsstudenten. Ze keken niet naar slechts één ding; ze voegden 31 verschillende soorten informatie samen, variërend van "Huidig Cumulatiegemiddelde" (hoe goed ze het nu doen) tot "Dagelijkse Sociale Media Uren" (hoeveel tijd ze besteden aan scrollen) en zelfs "Woonsituatie" (of ze alleen wonen of bij hun familie).
De onderzoekers wilden zien of ze deze studenten konden sorteren in drie duidelijke groepen: "Laag Risico" (veilig en vaart soepel), "Middelmatig Risico" (een beetje wankel, heeft een duwtje nodig) en "Hoog Risico" (op het punt staat te kapseizen). Om dit te doen, gebruikten ze een slimme truc genaamd "One-vs-Rest". Stel je voor dat je drie verschillende beveiligers hebt. De enige taak van de ene bewaker is om de "Hoog Risico"-studenten op te sporen en de rest te negeren. De tweede bewaker kijkt alleen naar "Middelmatig Risico", en de derde alleen naar "Laag Risico". Door hen samen te laten werken, kan het systeem een zeer nauwkeurige beslissing nemen over waar een student bij hoort.
Voordat ze zelfs maar begonnen met het trainen van hun computermodellen, gebruikten het team een speciale visualisatietool genaamd t-SNE. Je kunt dit zien als een magische kaart die een enorme, 31-dimensionale kamer platdrukt tot een 2D-plattegrond. Toen ze de studenten op deze kaart plotten, zagen ze iets geweldigs: de "Hoog Risico"-studenten klonterden vanzelf samen in nauwe, geïsoleerde eilanden, terwijl de "Laag Risico"-studenten hun eigen afzonderlijke eilanden vormden. Dit bewees dat de aanwijzingen waar ze naar keken daadwerkelijk goed waren in het scheiden van de groepen, net zoals een goede vingerafdrukscanner twee mensen direct uit elkaar kan houden.
Toen ze hun definitieve model testten, waren de resultaten indrukwekkend. De computer was als een ervaren kapitein die naar de gegevens van een student kon kijken en kon zeggen: "Deze student heeft een kans van 95% om in de hoog-risicogroep te zitten," met zeer hoog vertrouwen. De belangrijkste aanwijzing? De cijfers van de student uit het vorige semester. Het blijkt dat je prestaties uit het verleden de sterkste voorspeller zijn van je toekomstige prestaties, werkend als een zwaar anker dat je in dezelfde richting trekt. Het model vond echter ook dat te veel tijd besteden aan sociale media een rood vlaggetje was, terwijl het bijwonen van lessen en dagelijks studeren goede tekenen waren. Interessant genoeg hadden zaken als gezinsinkomen of geslacht geen directe, eenvoudige link met de cijfers in deze specifieke dataset, wat suggereert dat dagelijkse gewoonten in deze context belangrijker zijn dan achtergrond.
De studie suggereert dat een dergelijk systeem een gamechanger kan zijn voor universiteiten. In plaats van te wachten tot een student faalt, zou het systeem een automatisch alarm naar een adviseur kunnen sturen op het moment dat de "risicoscore" van een student een bepaalde lijn overschrijdt. Dit zou "proactieve interventie" mogelijk maken, wat betekent dat een adviseur met een student kan gaan zitten en kan zeggen: "Hé, we merkten dat je veel tijd op sociale media doorbrengt en je aanwezigheid daalt. Laten we dit samen uitzoeken," voordat de student daadwerkelijk een cursus faalt. De onderzoekers vonden dat hun model zeer accuraat was, zelden fouten maakte, en niet in de war raakte, zelfs wanneer er minder "hoog-risico"-studenten waren dan "laag-risico"-studenten.
De auteurs merken echter voorzichtig op dat hun systeem geen perfecte magie is. Sommige gegevens kwamen van studenten die enquêtes over zichzelf invulden, wat betekent dat mensen details kunnen zijn vergeten of hebben gelogen. Ook is het model op sommige punten een "black box"; hoewel het het risico goed voorspelt, legt het niet altijd het waarom op een manier uit die een menselijke adviseur gemakkelijk kan begrijpen. Het team suggereert dat ze het systeem in de toekomst nog beter kunnen maken door het rechtstreeks te koppelen aan realtime logs van online leerplatformen, zodat het precies kan zien wat een student doet op het moment dat ze op een knop klikken, in plaats van te wachten tot ze een formulier invullen. Voor nu laat dit onderzoek echter zien dat we, door cijfers, gewoonten en levensdetails te combineren, een veel slimmer vangnet voor studenten kunnen bouwen, waardoor de computer van het schip verandert van een passieve recorder in een actieve bewaker.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.