論文の概要: Analyzing Student Strategies In Blended Courses Using Clickstream Data
- arxiv url: http://arxiv.org/abs/2006.00421v1
- Date: Sun, 31 May 2020 03:01:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 20:42:19.387217
- Title: Analyzing Student Strategies In Blended Courses Using Clickstream Data
- Title(参考訳): クリックストリームデータを用いたブレンドコースにおける学生戦略の分析
- Authors: Nil-Jana Akpinar, Aaditya Ramdas, Umut Acar
- Abstract要約: パターンマイニングと、自然言語処理から借用したモデルを用いて、学生のインタラクションを理解します。
きめ細かいクリックストリームデータは、非商業的な教育支援システムであるDiderotを通じて収集される。
提案手法は,混合コースの低データ設定においても有意な洞察を得られることが示唆された。
- 参考スコア(独自算出の注目度): 32.81171098036632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Educational software data promises unique insights into students' study
behaviors and drivers of success. While much work has been dedicated to
performance prediction in massive open online courses, it is unclear if the
same methods can be applied to blended courses and a deeper understanding of
student strategies is often missing. We use pattern mining and models borrowed
from Natural Language Processing (NLP) to understand student interactions and
extract frequent strategies from a blended college course. Fine-grained
clickstream data is collected through Diderot, a non-commercial educational
support system that spans a wide range of functionalities. We find that
interaction patterns differ considerably based on the assessment type students
are preparing for, and many of the extracted features can be used for reliable
performance prediction. Our results suggest that the proposed hybrid NLP
methods can provide valuable insights even in the low-data setting of blended
courses given enough data granularity.
- Abstract(参考訳): 教育ソフトウェアデータは、学生の学習行動や成功の要因に関するユニークな洞察を約束する。
大規模なオープンオンラインコースのパフォーマンス予測に多くの作業が費やされてきたが、ブレンドコースに同じ方法が適用可能かどうかは不明であり、学生戦略のより深い理解が欠落していることが多い。
我々は,自然言語処理(nlp)から借用されたパターンマイニングとモデルを用いて,学生のインタラクションを理解し,ブレンドした大学コースから頻繁な戦略を抽出する。
細かなクリックストリームデータは、さまざまな機能にまたがる非商用教育支援システムであるdiderotを通じて収集される。
その結果,学生が準備している評価タイプによって相互作用パターンが大きく異なり,抽出した特徴の多くは信頼性の高い性能予測に利用できることがわかった。
提案するハイブリッドnlp手法は,データ粒度が十分であれば,ブレンドコースの低データ設定においても有用な知見が得られることが示唆された。
関連論文リスト
- Enhancing the Performance of Automated Grade Prediction in MOOC using
Graph Representation Learning [3.4882560718166626]
大規模オープンオンラインコース(MOOCs)は、オンライン学習において急速に成長する現象として大きな注目を集めている。
現在の自動評価アプローチでは、下流タスクに関わるさまざまなエンティティ間の構造的リンクを見落としている。
我々は、大規模なMOOCデータセットのためのユニークな知識グラフを構築し、研究コミュニティに公開します。
論文 参考訳(メタデータ) (2023-10-18T19:27:39Z) - Enhancing Student Performance Prediction on Learnersourced Questions
with SGNN-LLM Synergy [11.735587384038753]
本稿では,SGNN(Signed Graph Neural Networks)とLLM(Large Language Model)を統合化するための革新的な戦略を提案する。
提案手法では, 学生の回答を包括的にモデル化するための署名付き二部グラフを用いて, 雑音耐性を高めるコントラスト学習フレームワークを補完する。
論文 参考訳(メタデータ) (2023-09-23T23:37:55Z) - Reinforcement Learning Based Multi-modal Feature Fusion Network for
Novel Class Discovery [47.28191501836041]
本稿では,人間の認知過程をシミュレートするために強化学習フレームワークを用いる。
また,マルチモーダル情報から特徴を抽出・融合するマルチエージェントフレームワークをデプロイした。
我々は、OS-MN40、OS-MN40-Miss、Cifar10データセットを用いて、3Dドメインと2Dドメインの両方でのアプローチの性能を示す。
論文 参考訳(メタデータ) (2023-08-26T07:55:32Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - When Do Curricula Work in Federated Learning? [56.88941905240137]
カリキュラム学習は非IID性を大幅に軽減する。
クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。
本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
論文 参考訳(メタデータ) (2022-12-24T11:02:35Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳(メタデータ) (2022-11-24T13:18:27Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Process-BERT: A Framework for Representation Learning on Educational
Process Data [68.8204255655161]
本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。
我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。
当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
論文 参考訳(メタデータ) (2022-04-28T16:07:28Z) - DMCNet: Diversified Model Combination Network for Understanding
Engagement from Video Screengrabs [0.4397520291340695]
エンゲージメントは知的教育インタフェースの開発において重要な役割を果たしている。
非深さ学習モデルは、Histogram of Oriented Gradient(HOG)、SVM(Support Vector Machine)、SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)といった一般的なアルゴリズムの組み合わせに基づいている。
ディープラーニングには、Densely Connected Convolutional Networks (DenseNet-121)、Residual Network (ResNet-18)、MobileNetV1がある。
論文 参考訳(メタデータ) (2022-04-13T15:24:38Z) - Multi-Pretext Attention Network for Few-shot Learning with
Self-supervision [37.6064643502453]
補助的なサンプルに依存しない自己教師付き学習のための,新しい拡張不要な手法を提案する。
さらに,従来の拡張信頼手法とGCを組み合わせるために,特定の注意機構を利用するマルチテキスト注意ネットワーク(MAN)を提案する。
miniImageNetおよびtieredImageNetデータセット上でMANを幅広く評価し、提案手法が最新(SOTA)関連手法より優れていることを実証した。
論文 参考訳(メタデータ) (2021-03-10T10:48:37Z) - 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)
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。