論文の概要: Data-driven modelling and characterisation of task completion sequences
in online courses
- arxiv url: http://arxiv.org/abs/2007.07003v1
- Date: Tue, 14 Jul 2020 12:39:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 02:20:38.511525
- Title: Data-driven modelling and characterisation of task completion sequences
in online courses
- Title（参考訳）: オンラインコースにおけるデータ駆動モデルとタスク完了シーケンスのキャラクタリゼーション
- Authors: Robert L. Peach and Sam F. Greenbury and Iain G. Johnston and Sophia
N. Yaliraki and David Lefevre and Mauricio Barahona
- Abstract要約: 本稿では,オンライン授業におけるタスク完了の時間的シーケンスのデータ駆動分析の利用方法を示す。
コース設計における課題のタイプ間における臨界点と相違点を同定する。
対話的タスクや議論投稿などの非ロボット学習タスクは、より高いパフォーマンスと相関していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The intrinsic temporality of learning demands the adoption of methodologies
capable of exploiting time-series information. In this study we leverage the
sequence data framework and show how data-driven analysis of temporal sequences
of task completion in online courses can be used to characterise personal and
group learners' behaviors, and to identify critical tasks and course sessions
in a given course design. We also introduce a recently developed probabilistic
Bayesian model to learn sequence trajectories of students and predict student
performance. The application of our data-driven sequence-based analyses to data
from learners undertaking an on-line Business Management course reveals
distinct behaviors within the cohort of learners, identifying learners or
groups of learners that deviate from the nominal order expected in the course.
Using course grades a posteriori, we explore differences in behavior between
high and low performing learners. We find that high performing learners follow
the progression between weekly sessions more regularly than low performing
learners, yet within each weekly session high performing learners are less tied
to the nominal task order. We then model the sequences of high and low
performance students using the probablistic Bayesian model and show that we can
learn engagement behaviors associated with performance. We also show that the
data sequence framework can be used for task centric analysis; we identify
critical junctures and differences among types of tasks within the course
design. We find that non-rote learning tasks, such as interactive tasks or
discussion posts, are correlated with higher performance. We discuss the
application of such analytical techniques as an aid to course design,
intervention, and student supervision.
- Abstract（参考訳）: 学習の本質的な時間性は、時系列情報を活用できる方法論の採用を要求する。
本研究では、オンラインコースにおけるタスク完了の時間的シーケンスのデータ駆動分析を用いて、個人的および集団的学習者の振る舞いを特徴付け、所定のコース設計における重要なタスクやコースセッションを識別する方法を示す。
また,最近開発した確率ベイズモデルを導入し,学生のシーケンス軌跡を学習し,学生の成績を予測する。
オンラインビジネスマネジメントコースを受講する学習者からのデータに対するデータ駆動シーケンス分析の適用により、学習者のコーホート内で異なる行動が明らかになり、学習者や学習者のグループを識別し、コースで期待される名目上の順序から逸脱する。
コースグレードを後進として,ハイパフォーマンスと低パフォーマンスの学習者間の行動の違いについて検討する。
ハイパフォーマンスな学習者は、低パフォーマンスな学習者よりも週次セッションの進行に追随するが、各週次セッションのハイパフォーマンスな学習者は、名目上のタスク順序に縛られない。
次に,確率ベイズモデルを用いてハイパフォーマンスとローパフォーマンスの学生のシーケンスをモデル化し,パフォーマンスに関連するエンゲージメント行動の学習を可能にする。
また,データ・シーケンス・フレームワークをタスク中心の分析に利用し,重要な点とコース設計におけるタスクの種類の違いを特定する。
対話型タスクや議論投稿などの非ロボット学習タスクは高いパフォーマンスと相関していることがわかった。
本稿では,授業設計,介入,学生の指導を支援するため,このような分析手法の適用について論じる。
関連論文リスト
- Cross-course Process Mining of Student Clickstream Data -- Aggregation and Group Comparison [0.0]
本稿では,Moodle などの授業管理システムから抽出した学生のインタラクションデータを解析する新しい手法を提案する。
本稿では,コース横断のセクションラベルを標準化する手法を提案する。
論文 参考訳（メタデータ） (2024-09-04T11:28:02Z) - Exploring Correlations of Self-Supervised Tasks for Graphs [6.977921096191354]
本稿では,タスク相関に基づくグラフ自己教師型学習を新たに理解することを目的とする。
我々は,ある特定のタスクによって訓練された他のタスクにおける表現の性能を評価し,タスク相関を定量化するための相関値を定義した。
本稿では,タスク相関を説明するグラフタスク相関モデリング(GraphTCM)を提案する。
論文 参考訳（メタデータ） (2024-05-07T12:02:23Z) - Data-CUBE: Data Curriculum for Instruction-based Sentence Representation
Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。
タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。
インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文 参考訳（メタデータ） (2024-01-07T18:12:20Z) - Advancing continual lifelong learning in neural information retrieval: definition, dataset, framework, and empirical evaluation [3.2340528215722553]
連続的なニューラル情報検索の系統的なタスク定式化を示す。
包括的連続神経情報検索フレームワークを提案する。
経験的評価は,提案フレームワークが神経情報検索における破滅的な忘れ込みを効果的に防止できることを示唆している。
論文 参考訳（メタデータ） (2023-08-16T14:01:25Z) - Learning Goal-Conditioned Policies Offline with Self-Supervised Reward
Shaping [94.89128390954572]
本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。
提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T15:07:10Z) - 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) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳（メタデータ） (2022-10-12T15:02:04Z) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。
本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。
改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文 参考訳（メタデータ） (2022-08-16T13:46:39Z) - 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) - Leveraging Time Irreversibility with Order-Contrastive Pre-training [3.1848820580333737]
時系列データに基づく自己教師付き事前学習のための「順序コントラスト」手法について検討する。
本研究では,順序コントラスト事前学習で学習した表現の下流誤差に対する有限サンプル保証を証明した。
この結果から,特定の分布クラスや下流タスクのために設計された事前学習手法が,自己指導型学習の性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2021-11-04T02:56:52Z) - Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。
シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。
本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-07-10T10:28:54Z)
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。