Analizzare le performance degli studenti nei corsi online

Man mano che l'educazione online diventa sempre più comune, capire come se la cavano gli studenti nei corsi online rispetto a quelli nelle aule tradizionali è davvero importante. Anche se la gente guarda spesso ai voti finali per misurare il successo, è fondamentale anche esaminare come gli studenti interagiscono con i materiali del corso. Questo articolo parla di uno studio che utilizza un nuovo approccio per analizzare le interazioni degli studenti e prevedere le loro performance nei corsi online.

#L'importanza dell'apprendimento online

La pandemia di COVID-19 ha costretto molte istituzioni educative a passare all'apprendimento online. Questo cambiamento non ha riguardato solo le lezioni completamente online, ma ha anche cambiato il modo in cui si svolgono le lezioni in presenza, mescolando contenuti online con metodi tradizionali. Anche con questo cambiamento, rimangono preoccupazioni sull'efficacia dell'apprendimento online, come i tassi di abbandono elevati e il basso coinvolgimento degli studenti. Per affrontare questi problemi, gli educatori stanno sempre più utilizzando l'Analisi dell'apprendimento per valutare i dati delle piattaforme online e migliorare i risultati educativi.

#Il corso sotto esame

Lo studio si concentra su un corso introduttivo di programmazione Python offerto dalla Georgia Tech, disponibile sia in formato online che in aula. Entrambi i tipi di corsi condividono le stesse lezioni e compiti e utilizzano la piattaforma EdX per la distribuzione. Tuttavia, gli studenti del corso in aula sono generalmente laureandi a tempo pieno che seguono un programma semestrale, mentre gli studenti online possono venire da qualsiasi luogo e non hanno una tempistica fissa per completare il corso. Questa configurazione crea un'opportunità unica per confrontare i due stili di apprendimento.

#Confrontare le modalità di apprendimento

Attraverso questo studio, i ricercatori cercano di capire come le diverse strutture dell'apprendimento online e in aula influenzano le performance degli studenti. Ogni metodo di insegnamento ha i suoi benefici.

• Gli studenti dei corsi online apprezzano la libertà di imparare al proprio ritmo. Possono accedere ai materiali quando vogliono e scegliere su quali argomenti concentrarsi.
• Le lezioni in aula offrono più opportunità di interazione sociale, consentendo a studenti e insegnanti di connettersi in modo più personale.

In passato, molti corsi online sono stati considerati meno efficaci a causa dei bassi tassi di completamento. Tuttavia, i programmi online più recenti, strutturati in modo più simile ai corsi tradizionali, hanno mostrato un miglioramento nel successo degli studenti.

#Analizzare il comportamento di apprendimento

I ricercatori hanno utilizzato dati clickstream, che catturano come gli studenti interagiscono con i materiali online, per analizzare il comportamento di apprendimento. Questi dati possono fornire informazioni su quando e come gli studenti si impegnano con le risorse, aiutando a riprogettare i corsi per adattarli meglio alle loro esigenze. Studi passati hanno utilizzato con successo vari modelli per prevedere i rischi per gli studenti nei corsi online autogestiti.

Trasformando l'ambiente di apprendimento in un grafo, i ricercatori possono visualizzare come gli studenti progrediscono attraverso i materiali del corso. I grafi consentono di comprendere meglio le relazioni tra studenti, video e valutazioni. Le Reti Neurali Convoluzionali per Grafi (GCN) rappresentano un metodo per utilizzare queste informazioni per classificare il coinvolgimento degli studenti e identificare quelli a rischio sulla base dei loro comportamenti.

#Creare il Grafo della Conoscenza

Per condurre questa ricerca, il team ha costruito un Grafo della Conoscenza Eterogeneo (HKG) che ha catturato diversi elementi del corso-studenti, video, valutazioni e le loro interazioni. Questo grafo ha servito come base per il modello GCN, che aiuta a prevedere i risultati degli studenti in base ai contenuti con cui si sono impegnati nel corso.

#Panoramica dei contenuti del corso

Il corso introduttivo di Python è composto da diversi moduli, ognuno con brevi video, materiali testuali e valutazioni. Gli studenti avevano l'opzione di scegliere diversi sottoggetti e completare esercizi interattivi che non contavano per i loro voti finali. C'erano anche compiti valutati e un test finale alla fine di ogni modulo.

Il dataset utilizzato in questo studio includeva milioni di eventi clickstream raccolti sia dalle versioni online che da quelle in aula del corso. I ricercatori si sono concentrati sui dati avviati dagli utenti, comprese le visualizzazioni dei video e le sottomissioni delle valutazioni, che hanno fornito informazioni pertinenti su come gli studenti si sono impegnati con i materiali.

#Implementazione del modello

Il modello GCN è stato costruito utilizzando l'HKG e progettato per prevedere la probabilità che uno studente superi compiti specifici in base alle sue interazioni precedenti. Il modello è stato addestrato su un sottoinsieme dei dati, escludendo le informazioni meno rilevanti per garantire accuratezza.

I ricercatori hanno scoperto che il modello ha funzionato bene, ottenendo un tasso di accuratezza del 70-90% nella previsione del successo degli studenti. Sono state osservate variazioni nelle performance a seconda del tipo di corso-online contro in aula-e ciascuna istanza del corso ha mostrato risultati diversi nella previsione degli esiti degli studenti.

#Risultati e discussione

Il modello GCN ha fornito risultati interessanti, con punteggi AUC che indicano quanto bene poteva prevedere il successo. Per i corsi in aula, i punteggi variavano tra il 50 e l'80%, mentre i risultati aggregati su più esecuzioni mostrano una maggiore capacità predittiva per l'intero dataset. Al contrario, i corsi online hanno avuto risultati più coerenti.

Una scoperta notevole è stata che l'efficacia del modello variava significativamente tra le diverse istanze del corso. Questa variazione indica che alcuni corsi presentavano più sfide nella previsione accurata delle performance degli studenti, probabilmente a causa di differenze nel numero di partecipanti e nei loro livelli di coinvolgimento.

#Variabilità nelle previsioni

Nonostante il successo del modello GCN, sono emerse incoerenze all'interno delle singole istanze del corso. Questa incoerenza suggerisce che classi più piccole potrebbero distorcere le previsioni, portando a risultati meno affidabili. In confronto, i corsi online più grandi presentavano risultati più stabili.

Inoltre, il modello GCN si è dimostrato non trasferibile tra diverse istanze del corso a causa della natura variabile dei dati. Per una migliore accuratezza, deve essere sviluppato un metodo per unificare i contenuti dei corsi in modo da migliorare le previsioni del modello.

#Direzioni future

Questa ricerca mette in evidenza il potenziale per migliorare la comprensione delle performance e del coinvolgimento degli studenti nei corsi online. Tuttavia, è necessario fare di più per espandere queste scoperte. Studi futuri dovrebbero esplorare altri corsi e percorsi educativi diversi per fornire una prospettiva più ampia.

Inoltre, l'integrazione di più dati sulle interazioni degli studenti, come la partecipazione ai forum di discussione e modelli più dettagliati di coinvolgimento nei video, potrebbe aiutare a migliorare le previsioni. Sviluppare un metodo per connettere vari componenti del corso attraverso diverse offerte consoliderà ulteriormente la capacità di prevedere gli esiti.

#Conclusione

Studiare le performance degli studenti nei corsi online è cruciale nel panorama educativo di oggi. Utilizzando metodi innovativi come i dati clickstream e le Reti Neurali Convoluzionali per Grafi, i ricercatori possono ottenere approfondimenti più profondi su come gli studenti interagiscono con i materiali.

Anche se i risultati di questo studio sono promettenti, è necessaria ulteriore ricerca per comprendere appieno le complessità dell'apprendimento online. Con l'evoluzione del settore educativo, abbracciare questi nuovi strumenti analitici aiuterà gli educatori a personalizzare le esperienze di apprendimento per soddisfare meglio le esigenze degli studenti, portando infine a risultati migliori per tutti.