論文の概要: Deep neural networks for collaborative learning analytics: Evaluating
team collaborations using student gaze point prediction
- arxiv url: http://arxiv.org/abs/2010.12012v1
- Date: Fri, 16 Oct 2020 02:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:23:15.082595
- Title: Deep neural networks for collaborative learning analytics: Evaluating
team collaborations using student gaze point prediction
- Title（参考訳）: 協調学習分析のためのディープニューラルネットワーク:学生視線予測を用いたチームコラボレーションの評価
- Authors: Zang Guo and Roghayeh Barmaki
- Abstract要約: 本稿では,コンピュータビジョンソリューションによって抽出された視線点と共同視覚情報に基づくチームアセスメントツールを提案する。
以上の結果から,JVAは学生の学習結果と正の相関が認められた。
- 参考スコア（独自算出の注目度）: 3.655021726150368
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic assessment and evaluation of team performance during collaborative
tasks is key to the learning analytics and computer-supported cooperative work
research. There is a growing interest in the use of gaze-oriented cues for
evaluating the collaboration and cooperativeness of teams. However, collecting
gaze data using eye-trackers is not always feasible due to time and cost
constraints. In this paper, we introduce an automated team assessment tool
based on gaze points and joint visual attention (JVA) information extracted by
computer vision solutions. We then evaluate team collaborations in an
undergraduate anatomy learning activity (N=60, 30 teams) as a test user-study.
The results indicate that higher JVA was positively associated with student
learning outcomes (r(30)=0.50,p<0.005). Moreover, teams who participated in two
experimental groups, and used interactive 3-D anatomy models, had higher JVA
(F(1,28)=6.65,p<0.05) and better knowledge retention (F(1,28) =7.56,p<0.05)
than those in the control group. Also, no significant difference was observed
based on JVA for different gender compositions of teams. The findings from this
work offer implications in learning sciences and collaborative computing by
providing a novel mutual attention-based measure to objectively evaluate team
collaboration dynamics.
- Abstract（参考訳）: 協調作業中のチームパフォーマンスの自動評価と評価は、学習分析とコンピュータ支援協調作業研究の鍵となる。
チームのコラボレーションと協力性を評価するために、視線指向の手がかりを使うことに対する関心が高まっている。
しかし,アイトラッカを用いた視線データの収集は,時間やコストの制約から必ずしも実現可能とは限らない。
本稿では,コンピュータビジョンソリューションによって抽出された視線点とJVA情報に基づく自動チームアセスメントツールを提案する。
次に,大学生の解剖学学習活動(N=60,30チーム)におけるチームコラボレーションを,テストユーザスタディとして評価した。
その結果,高等JVAは学生の学習結果(r(30)=0.50,p<0.005)と正の相関を示した。
さらに,2つの実験グループに参加し,対話型3次元解剖モデルを用いた実験では,制御群よりもjva (f(1,28)=6.65,p<0.05)が高く,知識保持率 (f(1,28) =7.56,p<0.05) が高かった。
また、チームの性別構成が異なる場合、JVAによる有意差はみられなかった。
この研究から得られた知見は、チームコラボレーションのダイナミクスを客観的に評価するための、新しい相互注意に基づく尺度を提供することによって、学習科学と協調コンピューティングに影響を及ぼす。
関連論文リスト
- Code Collaborate: Dissecting Team Dynamics in First-Semester Programming Students [3.0294711465150006]
この研究は、第一期生が2Dゲームプロジェクトを開発するときに現れるコラボレーションのトレンドを強調している。
その結果、学生は自分の貢献をわずかに過大評価することが多く、より熱心な個人は間違いを認めやすいことが示唆された。
チームパフォーマンスは、国籍や性別構成に基づく大きな変化は示さないが、解散したチームは、しばしば孤独なオオカミで構成されていた。
論文 参考訳（メタデータ） (2024-10-28T11:42:05Z) - PICA: A Data-driven Synthesis of Peer Instruction and Continuous Assessment [0.0]
ここでは、PIとCAを組み合わせて、学生をペアにして、CAタスクで協力するPIセッションを行う。
このデータ駆動型協調学習の動機は、学生の学習、コミュニケーション、エンゲージメントを改善することである。
論文 参考訳（メタデータ） (2024-07-24T20:50:32Z) - Collaborative Team Recognition: A Core Plus Extension Structure [10.842779758836219]
本研究では,学術的なグラフデータを用いた共同チーム認識と内部パターンの探索に焦点をあてる。
大規模ネットワークにおける協調型チーム認識のための「コア+拡張型」チーム構造を用いた協調型チーム認識モデルを提案する。
論文 参考訳（メタデータ） (2024-06-07T07:12:35Z) - Graph Enhanced Reinforcement Learning for Effective Group Formation in Collaborative Problem Solving [3.392758494801288]
本研究では,協調的問題解決環境における効果的なグループ形成の課題について論じる。
本稿では,グラフ理論と強化学習を活用した新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-15T04:04:40Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳（メタデータ） (2024-03-11T09:21:11Z) - 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 Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳（メタデータ） (2023-04-08T14:32:12Z) - Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。
このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。
我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
論文 参考訳（メタデータ） (2023-02-28T14:53:29Z) - Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。
CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
論文 参考訳（メタデータ） (2021-03-15T13:16:03Z) - Evaluating and Rewarding Teamwork Using Cooperative Game Abstractions [103.3630903577951]
我々は、協調ゲーム理論を用いて、プロスポーツから、人工RLエージェントのチームと現実世界のチームを研究する。
データからCFを推定するための協調ゲーム抽象化(CGA)と呼ばれるパラメトリックモデルを導入する。
CGAモデルに対する識別結果とサンプル境界の複雑さと、CGAを用いたShapley値の推定における誤差境界を提供する。
論文 参考訳（メタデータ） (2020-06-16T22:03:36Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z)
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。