Analyse der Student*innenleistung in Online-Kursen

Da Online-Bildung immer alltäglicher wird, ist es super wichtig zu verstehen, wie die Schüler in Online-Kursen im Vergleich zu denen in traditionellen Klassen performen. Während viele Leute oft die Endnoten betrachten, um den Erfolg zu messen, ist es auch entscheidend, sich anzusehen, wie die Schüler mit den Kursinhalten interagieren. In diesem Artikel wird eine Studie vorgestellt, die einen neuen Ansatz verwendet, um die Interaktionen der Schüler zu analysieren und ihre Leistung in Online-Kursen vorherzusagen.

#Die Bedeutung von Online-Lernen

Die COVID-19-Pandemie hat viele Bildungseinrichtungen gezwungen, auf Online-Lernen umzusteigen. Dieser Wechsel beinhaltete nicht nur komplett Online-Kurse, sondern veränderte auch, wie Präsenzkurse durchgeführt wurden, indem Online-Inhalte mit traditionellen Methoden vermischt wurden. Trotz dieser Veränderung bleiben Bedenken hinsichtlich der Effektivität des Online-Lernens, wie hohe Abbrecherquoten und geringe Schülerengagements, bestehen. Um diese Probleme anzugehen, nutzen Lehrkräfte zunehmend Learning Analytics, um Daten von Online-Plattformen auszuwerten und die Bildungsergebnisse zu verbessern.

#Der Kurs im Fokus

Diese Studie beschäftigt sich mit einem Einführungskurs in die Python-Programmierung, der von Georgia Tech angeboten wird und sowohl online als auch im Klassenraum verfügbar ist. Beide Kursarten haben die gleichen Vorlesungen und Aufgaben und verwenden die EdX-Plattform zur Durchführung. Die Schüler im Präsenzkurs sind in der Regel Studenten, die einen Abschluss anstreben und einem Semesterplan folgen, während Online-Lernende von überall kommen und keinen festen Zeitrahmen haben, um den Kurs abzuschliessen. Dieses Setup bietet eine einzigartige Gelegenheit, die beiden Lernstile zu vergleichen.

#Vergleich der Lernmodalitäten

Durch diese Studie wollen die Forscher verstehen, wie die verschiedenen Strukturen des Online- und Präsenzlernens die Schülerleistung beeinflussen. Jede Lehrmethode hat ihre eigenen Vorteile.

• Schüler in Online-Kursen schätzen die Freiheit, in ihrem eigenen Tempo zu lernen. Sie können auf die Materialien zugreifen, wann immer sie wollen, und entscheiden, auf welche Themen sie sich konzentrieren möchten.
• Präsenzkurse bieten mehr Möglichkeiten zur sozialen Interaktion, was es Schülern und Lehrenden ermöglicht, sich persönlicher zu verbinden.

Früher wurden viele Online-Kurse als weniger effektiv angesehen, weil die Abschlussquoten niedrig waren. Neuere Online-Programme, die strukturierter sind und traditionellen Kursen ähneln, haben jedoch eine verbesserte Schülererfolg gezeigt.

#Analyse des Lernverhaltens

Die Forscher verwendeten Clickstream-Daten, die erfassen, wie Schüler mit Online-Materialien interagieren, um das Lernverhalten zu analysieren. Diese Daten können Einblicke darüber geben, wann und wie Schüler mit den Ressourcen umgehen, was hilft, die Kurse besser an ihre Bedürfnisse anzupassen. Frühere Studien haben verschiedene Modelle erfolgreich genutzt, um Risiken für Schüler in selbstgesteuerten Online-Kursen vorherzusagen.

Indem das Lernumfeld in ein Diagramm verwandelt wird, können die Forscher visualisieren, wie Schüler durch die Kursmaterialien fortschreiten. Diagramme erlauben ein klareres Verständnis der Beziehungen zwischen Schülern, Videos und Bewertungen. Graph Convolutional Networks (GCNs) sind eine Methode, um diese Informationen zu nutzen, um das Engagement der Schüler zu klassifizieren und gefährdete Lernende anhand ihres Verhaltens zu identifizieren.

#Erstellung des Wissensgraphen

Für diese Forschung baute das Team einen Heterogenen Wissensgraphen (HKG), der verschiedene Elemente des Kurses erfasste-Schüler, Videos, Bewertungen und deren Interaktionen. Dieser Graph diente als Grundlage für das GCN-Modell, das hilft, die Schülerergebnisse basierend auf den Inhalten, mit denen sie sich im Kurs beschäftigt haben, vorherzusagen.

#Überblick über die Kursinhalte

Der Einführungskurs in Python besteht aus mehreren Modulen, die jeweils kurze Videos, textbasierte Materialien und Bewertungen enthalten. Die Schüler hatten die Möglichkeit, verschiedene Untermodule auszuwählen und interaktive Übungen zu machen, die nicht in ihre Endnoten einflossen. Es gab auch benotete Aufgaben und einen abschliessenden Test am Ende jedes Moduls.

Der Datensatz, der in dieser Studie verwendet wurde, umfasste Millionen von Clickstream-Ereignissen, die sowohl aus Online- als auch aus Präsenzkursversionen gesammelt wurden. Die Forscher konzentrierten sich auf nutzerinitiierte Daten, einschliesslich Videoaufrufe und Abgabe von Bewertungen, die relevante Informationen darüber lieferten, wie Schüler mit den Materialien umgegangen sind.

#Modellimplementierung

Das GCN-Modell wurde unter Verwendung des HKG erstellt und darauf ausgelegt, die Wahrscheinlichkeit zu prognostizieren, dass ein Schüler bestimmte Aufgaben besteht, basierend auf seinen vorherigen Interaktionen. Das Modell wurde mit einem Teil der Daten trainiert und weniger relevante Informationen verworfen, um die Genauigkeit sicherzustellen.

Die Forscher fanden heraus, dass das Modell gut abschneidet und eine Genauigkeitsrate von 70-90 % bei der Vorhersage des Schülererfolgs erreichte. Unterschiede in der Leistung wurden je nach Art des Kurses-online versus Präsenz-beobachtet, und jede Kursinstanz zeigte unterschiedliche Ergebnisse bei der Vorhersage der Schülerergebnisse.

#Ergebnisse und Diskussion

Das GCN-Modell lieferte aufschlussreiche Ergebnisse, wobei AUC-Werte angaben, wie gut es den Erfolg vorhersagen konnte. Bei Präsenzkursen variierten die Werte zwischen 50-80 %, während die aggregierten Ergebnisse über mehrere Durchläufe eine höhere Vorhersagefähigkeit für den gesamten Datensatz zeigten. Im Gegensatz dazu hatten die Online-Kurse konsistentere Ergebnisse.

Ein bemerkenswerter Befund war, dass die Effektivität des Modells zwischen verschiedenen Kursinstanzen erheblich variierte. Diese Variabilität deutet darauf hin, dass einige Kurse mehr Herausforderungen bei der genauen Vorhersage der Schülerleistung mit sich brachten, wahrscheinlich aufgrund von Unterschieden in der Anzahl der Teilnehmer und deren Engagement.

#Variabilität in den Vorhersagen

Trotz des Erfolgs des GCN-Modells traten innerhalb einzelner Kursinstanzen Inkonsistenzen auf. Diese Inkonsistenz legt nahe, dass kleinere Klassen die Vorhersagen verzerren können, was zu weniger zuverlässigen Ergebnissen führt. Im Vergleich dazu zeigten die grösseren Online-Kurse stabilere Ergebnisse.

Darüber hinaus stellte sich heraus, dass das GCN-Modell aufgrund der variierenden Daten nicht auf verschiedene Kursinstanzen übertragbar war. Für eine bessere Genauigkeit muss eine Methode entwickelt werden, um verschiedene Kursinhalte so zu vereinen, dass die Vorhersagen des Modells verbessert werden.

#Zukünftige Richtungen

Diese Forschung hebt das Potenzial für ein besseres Verständnis der Schülerleistung und des Engagements in Online-Kursen hervor. Es ist jedoch noch mehr Arbeit nötig, um diese Erkenntnisse auszuweiten. Zukünftige Studien sollten andere Kurse und verschiedene Bildungswege erkunden, um eine breitere Perspektive zu bieten.

Zudem könnte die Einbeziehung von mehr Daten über die Interaktionen der Schüler, wie die Teilnahme an Diskussionsforen und detailliertere Muster des Videoengagements, helfen, die Vorhersagen zu verbessern. Eine Methode zu entwickeln, um verschiedene Kurskomponenten über unterschiedliche Angebote hinweg zu verbinden, würde die Fähigkeit zur Vorhersage von Ergebnissen weiter festigen.

#Fazit

Die Untersuchung der Schülerleistung in Online-Kursen ist in der heutigen Bildungslandschaft entscheidend. Durch den Einsatz innovativer Methoden wie Clickstream-Daten und Graph Convolutional Networks können Forscher tiefere Einblicke gewinnen, wie Schüler mit Materialien interagieren.

Obwohl die Ergebnisse dieser Studie vielversprechend sind, ist mehr Forschung nötig, um die Komplexitäten des Online-Lernens vollständig zu verstehen. Während sich der Bildungssektor weiterhin weiterentwickelt, wird das Nutzen dieser neuen Analysetools den Lehrenden helfen, die Lernerfahrungen besser auf die Bedürfnisse der Schüler zuzuschneiden, was letztendlich zu verbesserten Ergebnissen für alle führt.