論文の概要: Identifying At-Risk K-12 Students in Multimodal Online Environments: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2003.09670v2
• Date: Sat, 30 May 2020 14:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 13:26:43.756101
• Title: Identifying At-Risk K-12 Students in Multimodal Online Environments: A Machine Learning Approach
• Title（参考訳）: マルチモーダルオンライン環境におけるAt-Risk K-12学生の同定 : 機械学習アプローチ
• Authors: Hang Li, Wenbiao Ding, Zitao Liu
• Abstract要約: オンライン講座から退学するリスクがあるK-12学生を事前に識別するためのドロップアウト警告フレームワークを持つことが不可欠である。 我々は,K-12マルチモーダルオンライン環境に特化した,リスクの高い学生識別を行う機械学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 23.02984017971824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid emergence of K-12 online learning platforms, a new era of education has been opened up. It is crucial to have a dropout warning framework to preemptively identify K-12 students who are at risk of dropping out of the online courses. Prior researchers have focused on predicting dropout in Massive Open Online Courses (MOOCs), which often deliver higher education, i.e., graduate level courses at top institutions. However, few studies have focused on developing a machine learning approach for students in K-12 online courses. In this paper, we develop a machine learning framework to conduct accurate at-risk student identification specialized in K-12 multimodal online environments. Our approach considers both online and offline factors around K-12 students and aims at solving the challenges of (1) multiple modalities, i.e., K-12 online environments involve interactions from different modalities such as video, voice, etc; (2) length variability, i.e., students with different lengths of learning history; (3) time sensitivity, i.e., the dropout likelihood is changing with time; and (4) data imbalance, i.e., only less than 20\% of K-12 students will choose to drop out the class. We conduct a wide range of offline and online experiments to demonstrate the effectiveness of our approach. In our offline experiments, we show that our method improves the dropout prediction performance when compared to state-of-the-art baselines on a real-world educational dataset. In our online experiments, we test our approach on a third-party K-12 online tutoring platform for two months and the results show that more than 70\% of dropout students are detected by the system.
• Abstract（参考訳）: K-12オンライン学習プラットフォームが急速に出現し、新しい教育の時代が開かれた。 オンラインコースから抜け出す危険のあるk-12の生徒を事前に特定するための、ドロップアウト警告フレームワークを持つことは重要です。 以前の研究者は、上位機関の高等教育、すなわち大学院レベルのコースを提供するMOOC(Massive Open Online Courses)の減少を予測することに集中していた。 しかし、K-12オンラインコースの学生向けの機械学習アプローチの開発に焦点を当てた研究はほとんどない。 本稿では,K-12マルチモーダルオンライン環境に特化した,リスクの高い学生識別を行う機械学習フレームワークを開発する。 Our approach considers both online and offline factors around K-12 students and aims at solving the challenges of (1) multiple modalities, i.e., K-12 online environments involve interactions from different modalities such as video, voice, etc; (2) length variability, i.e., students with different lengths of learning history; (3) time sensitivity, i.e., the dropout likelihood is changing with time; and (4) data imbalance, i.e., only less than 20\% of K-12 students will choose to drop out the class. 我々は,このアプローチの有効性を示すために,オフラインおよびオンラインの幅広い実験を実施している。 オフライン実験では,実世界の教育データセットにおける最先端のベースラインと比較して,ドロップアウト予測性能が向上することを示す。 オンライン実験では,K-12オンライン学習プラットフォームを2カ月間テストし,70 %以上のドロップアウト学生がシステムによって検出されていることを示した。

関連論文リスト

• Virtual teaching assistant for undergraduate students using natural language processing & deep learning [0.0]
  新型コロナウイルスの影響で、多くの大学がオンライン教育に切り替えざるを得なくなった。 ますます多くの機関が、オンラインで行われている一部の部分と、他の部分とのブレンドラーニングを検討している。 本稿では,VTAボットという仮想教示アシスタントの初期実装とシステムアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2024-11-13T20:02:17Z)
• SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
  体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。 本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。 本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
  論文  参考訳（メタデータ） (2024-03-01T21:27:03Z)
• Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition [0.4779196219827506]
  この研究は、オンライン長手問題ベース学習(PBL)協調ロボティクスコンペティションをテストベッドとして採用している。 本研究は、参加チームの談話討論フォーラム「活動」への貢献と、自己報告型オンライン学習戦略アンケート(OSLQ)を通じて、ドロップアウト行動を予測することを目的とする。 以上の結果から,OSLQの信頼性は極めて高いサンプルサイズであり,オンライン競争におけるドロップアウト率の予測には有望な結果が得られた。
  論文  参考訳（メタデータ） (2023-12-27T00:08:19Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Educational Robotics in Online Distance Learning: An Experience from Primary School [0.0]
  本研究は,小学校におけるオンライン遠隔学習のための教育ロボティクス活動の展開について紹介する。 考案された活動は、コミュニケーションとコラボレーションを促進するためによく使われるソーシャルメディアによって補完されるペンと紙のアプローチに基づいている。
  論文  参考訳（メタデータ） (2021-05-20T12:20:44Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Student Barriers to Active Learning in Synchronous Online Classes: Characterization, Reflections, and Suggestions [29.903934269672572]
  この研究は、同期オンライン環境におけるアクティブラーニングに対する生徒の障壁を特徴づけることに焦点を当てている。 テーマ分析により、人間側、技術側、環境側の障壁のテーマの中で、学生のオンラインアクティブな学習障壁のリストを作成する。
  論文  参考訳（メタデータ） (2021-04-10T21:03:15Z)
• Improving Students Performance in Small-Scale Online Courses -- A Machine Learning-Based Intervention [0.0]
  オンライン学習管理システムから収集したデータは,学生全体のパフォーマンスを予測するために有効に活用できることを示す。 本研究の結果から,学生の進路を改善させるための効果的な介入戦略が,授業の途中で提案される可能性が示唆された。
  論文  参考訳（メタデータ） (2020-11-23T14:12:55Z)
• Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network [56.62345811216183]
  本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。 具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。 1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
  論文  参考訳（メタデータ） (2020-08-04T14:55:32Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。