Towards predicting student learning outcomes from learning management system interactions using machine learning
Notice bibliographique
Résumé
Advancements in classroom technology have resulted in new types of data collection in educational settings. Along with improvements in the fields of artificial intelligence and machine learning, this educational data can be used to study how we learn and create more personalised learning environments. Starting in March 2020 all in-person courses were abruptly moved to remote instruction in order to combat the COVID-19 pandemic. This influx of students taking remote courses presented a new opportunity to study how students interact with course materials. Remote learning courses at the University of Manitoba are offered using a learning management system (LMS) that centralizes all course activities and files and records user-activities. The use of machine learning techniques with education-based data is an emerging discipline that offers an opportunity to provide new insights in this area. This thesis presents a code-based tool to create student timelines from raw LMS date-time stamp data and extract features describing student behaviours within a single-term online course. The successes and limitations of these features to predict student grade outcomes were investigated using supervised and unsupervised machine learning models. The LMS data was also explored using neural network-based CNNs and transformers. The experiments presented in this thesis indicate that students predominately interact with the system at the same time on any given day relative to their previous interaction. The results further demonstrate that temporal features created from LMS interactions can predict student outcomes with greater than random accuracy. The neural network-based classifiers produced more accurate student outcome predictions than the feature-based ML models at the expense of interpretability. This thesis contributes to the body of knowledge on student modelling and prediction, as well as student behaviour within an LMS in an online course, and suggests that educators can help to reduce students' cognitive load and improve students' learning by updating the LMS at a consistent time of day.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».