論文の概要: Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network
- arxiv url: http://arxiv.org/abs/2008.01613v2
- Date: Sat, 15 Aug 2020 07:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 23:47:58.099749
- Title: Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network
- Title（参考訳）: グラフニューラルネットワークを用いた対話型オンライン質問プールにおけるピアインスパイア学習者のパフォーマンス予測
- Authors: Haotian Li, Huan Wei, Yong Wang, Yangqiu Song, Huamin Qu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 56.62345811216183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Student performance prediction is critical to online education. It can
benefit many downstream tasks on online learning platforms, such as estimating
dropout rates, facilitating strategic intervention, and enabling adaptive
online learning. Interactive online question pools provide students with
interesting interactive questions to practice their knowledge in online
education. However, little research has been done on student performance
prediction in interactive online question pools. Existing work on student
performance prediction targets at online learning platforms with predefined
course curriculum and accurate knowledge labels like MOOC platforms, but they
are not able to fully model knowledge evolution of students in interactive
online question pools. In this paper, we propose a novel approach using Graph
Neural Networks (GNNs) to achieve better student performance prediction in
interactive online question pools. Specifically, we model the relationship
between students and questions using student interactions to construct the
student-interaction-question network and further present a new GNN model,
called R^2GCN, which intrinsically works for the heterogeneous networks, to
achieve generalizable student performance prediction in interactive online
question pools. We evaluate the effectiveness of our approach on a real-world
dataset consisting of 104,113 mouse trajectories generated in the
problem-solving process of over 4000 students on 1631 questions. The experiment
results show that our approach can achieve a much higher accuracy of student
performance prediction than both traditional machine learning approaches and
GNN models.
- Abstract（参考訳）: 生徒のパフォーマンス予測はオンライン教育に不可欠である。
オンライン学習プラットフォームでは、ドロップアウト率の推定、戦略的介入の促進、適応型オンライン学習の実現など、多くのダウンストリームタスクにメリットがある。
インタラクティブなオンライン質問プールは、学生に興味深いインタラクティブな質問を与え、オンライン教育で知識を実践する。
しかし,対話型オンライン質問プールにおける学生のパフォーマンス予測に関する研究はほとんど行われていない。
オンライン学習プラットフォームにおいて,MOOCプラットフォームのような事前定義されたコースカリキュラムと正確な知識ラベルを持つ学習者のパフォーマンス予測ターゲットに関する既存の研究は,対話型オンライン質問プールにおける学生の知識進化を完全にモデル化することはできない。
本稿では,対話型オンライン質問プールにおける生徒のパフォーマンス予測にグラフニューラルネットワーク(GNN)を用いた新しい手法を提案する。
具体的には,学生と学生のインタラクションを用いた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とともに,異種ネットワークに内在的に機能する新たなGNNモデルR^2GCNを提案する。
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する。
実験の結果,従来の機械学習手法やgnnモデルに比べて,学生のパフォーマンス予測の精度がはるかに高いことがわかった。
関連論文リスト
- A Comparative Analysis of Student Performance Predictions in Online Courses using Heterogeneous Knowledge Graphs [0.0]
学生,コースビデオ,フォーマティブアセスメント,および学生のパフォーマンス予測のためのインタラクションからなる異種知識グラフを分析した。
次に、同一コースの5つのオンラインMOOCスタイルインスタンスと2つの完全オンラインMOOCスタイルインスタンスを比較した。
このモデルは、生徒が消費したコンテンツ、コース、モダリティに基づいて、特定の問題に合格するかどうかを予測する精度を70～90%向上した。
論文 参考訳（メタデータ） (2024-05-19T03:33:59Z) - Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。
GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。
PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-03T12:37:16Z) - 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) - CLGT: A Graph Transformer for Student Performance Prediction in
Collaborative Learning [6.140954034246379]
協調学習のための拡張グラフトランスフォーマーフレームワーク(CLGT)を提案する。
実験結果から,提案したCLGTは,実世界のデータセットに基づいて予測を行うという点で,ベースラインモデルよりも優れていたことが確認された。
論文 参考訳（メタデータ） (2023-07-30T09:54:30Z) - A Few-shot Learning Graph Multi-Trajectory Evolution Network for
Forecasting Multimodal Baby Connectivity Development from a Baseline
Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。
これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文 参考訳（メタデータ） (2021-10-06T08:26:57Z) - Graph-based Exercise- and Knowledge-Aware Learning Network for Student
Performance Prediction [8.21303828329009]
学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。
我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
論文 参考訳（メタデータ） (2021-06-01T06:53:17Z) - 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) - Comparative Study of Learning Outcomes for Online Learning Platforms [47.5164159412965]
パーソナライゼーションとアクティブラーニングは、学習の成功の鍵となる側面です。
私たちは2つの人気のあるオンライン学習プラットフォームの学習結果の比較正面調査を実施します。
論文 参考訳（メタデータ） (2021-04-15T20:40:24Z) - 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) - Analyzing Student Strategies In Blended Courses Using Clickstream Data [32.81171098036632]
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。
論文 参考訳（メタデータ） (2020-05-31T03:01:00Z)
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。