A Multi-Level Trace Clustering Analysis Scheme for Measuring Students’ Self-Regulated Learning Behavior in a Mastery-Based Online Learning Environment
A Multi-Level Trace Clustering Analysis Scheme for Measuring Students’ Self-Regulated Learning Behavior in a Mastery-Based Online Learning Environment
复制标题
用于测量学生在基于掌握的在线学习环境中自我调节学习行为的多级跟踪聚类分析方案
DOI：
10.1145/3506860.3506887
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Chen, Zhongzhou
中科院分区：
文献类型：
--
作者：
Zhang, Tom;Taub, Michelle;Chen, Zhongzhou
本研究提出了一种新的分析方案，在基于掌握的在线学习模块平台上分析跟踪数据，并将学生的自主学习策略可视化。该平台的教学设计减少了事件类型，减少了学生跟踪数据的变化。目前的分析方案克服了这些挑战，进行三个层次的聚类分析。在事件水平上，采用混合模型拟合来区分异常短和正常的评估尝试和研究事件。在模块级别上，使用三种不同的方法执行跟踪级别聚类，以生成跟踪之间的距离度量，并在下一步中使用性能最好的输出。在序列层次上，在模块层次聚类的基础上进行迹层次聚类，以揭示学生学习策略随时间的变化。我们证明了基于学习理论生成的距离度量比纯数据驱动或混合方法产生更好的聚类结果。分析表明，大多数学生开始了这学期的生产性学习策略，但显着的一部分转移到众多的生产性策略，以应对日益增加的内容难度和压力。这些观察结果可能会促使教师重新思考传统的课程结构，并实施干预措施，以提高最佳时间的自我调节。
This study introduces a new analysis scheme to analyze trace data and visualize students’ self-regulated learning strategies in a mastery-based online learning modules platform. The pedagogical design of the platform resulted in fewer event types and less variability in student trace data. The current analysis scheme overcomes those challenges by conducting three levels of clustering analysis. On the event level, mixture-model fitting is employed to distinguish between abnormally short and normal assessment attempts and study events. On the module level, trace level clustering is performed with three different methods for generating distance metrics between traces, with the best performing output used in the next step. On the sequence level, trace level clustering is performed on top of module-level clusters to reveal students’ change of learning strategy over time. We demonstrated that distance metrics generated based on learning theory produced better clustering results than pure data-driven or hybrid methods. The analysis showed that most students started the semester with productive learning strategies, but a significant fraction shifted to a multitude of less productive strategies in response to increasing content difficulty and stress. The observations could prompt instructors to rethink conventional course structure and implement interventions to improve self-regulation at optimal times.
登录
查看更多内容
从认知建模到自我调节：社会认知职业道路
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
B. Zimmerman
通讯作者：
B. Zimmerman
提高衡量在线教学对学生物理问题解决技能迁移能力影响的准确性
影响因子：
3.1
作者：
Whitcomb, Kyle M.;Guthrie, Matthew W.;Singh, Chandralekha;Chen, Zhongzhou
通讯作者：
Chen, Zhongzhou
Trace-SRL：根据跟踪数据分析自我调节学习微观过程的框架
影响因子：
3.7
作者：
John Saint;A. Whitelock;D. Gašević;A. Pardo
通讯作者：
A. Pardo
衡量 COVID-19 导致的校园关闭对物理在线学习模块中学生自主学习的影响
DOI：
10.1145/3448139.3448150
发表时间：
2021
期刊：
LAK21: 11th International Learning Analytics and Knowledge Conference
影响因子：
--
作者：
Zhang, Tom;Taub, Michelle;Chen, Zhongzhou
通讯作者：
Chen, Zhongzhou
DOI：
10.1103/physrevphyseducres.14.010128
发表时间：
2018-05-18
影响因子：
3.1
作者：
Gutmann, Brianne;Gladding, Gary;Stelzer, Timothy
通讯作者：
Stelzer, Timothy