Can we Take Advantage of Time-Interval Pattern Mining to Model Students Activity? - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Journal of Educational Data Mining Année : 2020

Can we Take Advantage of Time-Interval Pattern Mining to Model Students Activity?

Peut-on tirer parti de la fouille de motifs temporels afin de modéliser l'activité des étudiants ?

Résumé

Analyzing students’ activities in their learning process is an issue that has received significant attention in the educational data mining research field. Many approaches have been proposed, including the popular sequential pattern mining. However, the vast majority of the works do not focus on the time of occurrence of the events within the activities. This paper relies on the hypothesis that we can get a better understanding of students’ activities, as well as design more accurate models, if time is considered. With this in mind, we propose to study time-interval patterns. To highlight the benefits of managing time, we analyze the data collected about 113 first-year university students interacting with their LMS. Experiments reveal that frequent time-interval patterns are actually identified, which means that some students’ activities are regulated not only by the order of learning resources but also by time. In addition, the experiments emphasize that the sets of intervals highly influence the patterns mined and that the set of intervals that represents the human natural time (minute, hour, day, etc.) seems to be the most appropriate one to represent time gap between resources. Finally, we show that time-interval pattern mining brings additional information compared to sequential pattern mining. Indeed, not only the view of students’ possible future activities is less uncertain (in terms of learning resources and their temporal gap) but also, as soon as two students differ in their time-intervals, this difference indicates that their following activities are likely to diverge.
L'analyse des activités des étudiants dans leur processus d'apprentissage est une question qui a reçu une attention significative dans le domaine de la recherche en fouille de données éducatives. De nombreuses approches ont été proposées, y compris la populaire fouille de motifs séquentiels. Cependant, la grande majorité des travaux ne se concentrent pas sur le moment où les événements se produisent au sein des activités. Dans cet article, nous nous appuyons sur l'hypothèse selon laquelle nous pouvons mieux comprendre les activités des étudiants, ainsi que concevoir des modèles plus précis, si le temps est pris en compte. Dans cette optique, nous proposons d'étudier les motifs temporels. Pour mettre en évidence les avantages de la gestion du temps, nous analysons les données collectées sur 113 étudiants de première année d'université interagissant avec leur LMS. Les expériences révèlent que des motifs temporels fréquents sont effectivement identifiés, ce qui signifie que certaines activités des étudiants sont régulées non seulement par l'ordre des ressources d'apprentissage, mais aussi par le temps. De plus, les expériences soulignent que les ensembles d'intervalles influencent fortement les motifs extraits et que l'ensemble d'intervalles qui représente le temps naturel humain (minute, heure, jour, etc.) semble être le plus approprié pour représenter l'écart de temps entre les ressources. Enfin, nous montrons que l'exploration de motifs temporels apporte des informations supplémentaires par rapport à l'exploration de motifs séquentiels. En effet, non seulement la vue des activités futures possibles des étudiants est moins incertaine (en termes de ressources d'apprentissage et de leur écart temporel), mais aussi, dès que deux étudiants diffèrent dans leurs rythmes, cette différence indique que leurs activités suivantes sont susceptibles de diverger.
Fichier principal
Vignette du fichier
EDM_2020.pdf (298.32 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04054460 , version 1 (31-03-2023)

Identifiants

  • HAL Id : hal-04054460 , version 1

Citer

Oriane Dermy, Armelle Brun. Can we Take Advantage of Time-Interval Pattern Mining to Model Students Activity?. Journal of Educational Data Mining, 2020, pp.163-170. ⟨hal-04054460⟩
10 Consultations
39 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More