論文の概要: Improving Students Performance in Small-Scale Online Courses -- A
Machine Learning-Based Intervention
- arxiv url: http://arxiv.org/abs/2012.01187v1
- Date: Mon, 23 Nov 2020 14:12:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 02:55:48.464002
- Title: Improving Students Performance in Small-Scale Online Courses -- A
Machine Learning-Based Intervention
- Title（参考訳）: 小規模オンラインコースにおける学生のパフォーマンス向上 - 機械学習による介入-
- Authors: Sepinoud Azimi, Carmen-Gabriela Popa, and Tatjana Cuci\'c
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The birth of massive open online courses (MOOCs) has had an undeniable effect
on how teaching is being delivered. It seems that traditional in class teaching
is becoming less popular with the young generation, the generation that wants
to choose when, where and at what pace they are learning. As such, many
universities are moving towards taking their courses, at least partially,
online. However, online courses, although very appealing to the younger
generation of learners, come at a cost. For example, the dropout rate of such
courses is higher than that of more traditional ones, and the reduced in person
interaction with the teachers results in less timely guidance and intervention
from the educators. Machine learning (ML) based approaches have shown
phenomenal successes in other domains. The existing stigma that applying ML
based techniques requires a large amount of data seems to be a bottleneck when
dealing with small scale courses with limited amounts of produced data. In this
study, we show not only that the data collected from an online learning
management system could be well utilized in order to predict students overall
performance but also that it could be used to propose timely intervention
strategies to boost the students performance level. The results of this study
indicate that effective intervention strategies could be suggested as early as
the middle of the course to change the course of students progress for the
better. We also present an assistive pedagogical tool based on the outcome of
this study, to assist in identifying challenging students and in suggesting
early intervention strategies.
- Abstract（参考訳）: 大規模なオープンオンラインコース(MOOCs)の誕生は、教育の届け方に大きな影響を与えている。
クラスでの伝統的な教育は、いつ、どこで、どのペースで学習しているかを選択したい若い世代にはあまり人気がないように思われる。
そのため、多くの大学は、少なくとも一部は、オンラインでコースを受講している。
しかし、若い世代の学習者にとって非常に魅力的なオンラインコースはコストがかかる。
例えば、これらのコースのドロップアウト率は従来のコースよりも高く、教師との直接の交流が減少すれば、教育者からのタイムリーな指導や介入は少なくなる。
機械学習(ML)ベースのアプローチは、他の領域で驚くべき成功を収めている。
MLベースのテクニックを適用するという既存のスティグマは、限られた量の生成されたデータで小規模のコースを扱う場合、大量のデータを必要とする。
本研究では,オンライン学習管理システムから収集したデータを学生の全体的なパフォーマンスを予測するために活用できるだけでなく,学生のパフォーマンスを高めるためのタイムリーな介入戦略を提案するためにも利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。
また,本研究の成果に基づいて,課題学生の特定や早期介入戦略の提案を支援する支援的教育的ツールを提案する。
関連論文リスト
- PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - 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 Machine Learning system to monitor student progress in educational
institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。
信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文 参考訳（メタデータ） (2022-11-02T08:24:08Z) - Real-time Attention Span Tracking in Online Education [0.0]
本稿では,オンライン授業中の学生のリアルタイムの注意レベルを監視するために,カメラフィードとマイクロホン入力を利用するメカニズムを提案する。
我々は,5つの異なる非言語的特徴を用いて,コンピュータによるタスク中の学生の注意スコアを計算し,学生と組織の両方に対してリアルタイムのフィードバックを生成するシステムを提案する。
論文 参考訳（メタデータ） (2021-11-29T17:05:59Z) - 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) - Distribution Matching for Machine Teaching [64.39292542263286]
機械学習の逆問題である機械学習は、学習者の目標仮説に向けて学習者を操ることを目的としている。
機械教育に関するこれまでの研究は、それらの最良の指導例を見つけるための教育のリスクとコストのバランスに重点を置いていた。
本稿では,分布マッチングに基づく機械教育戦略を提案する。
論文 参考訳（メタデータ） (2021-05-06T09:32:57Z) - Data-efficient Online Classification with Siamese Networks and Active
Learning [11.501721946030779]
オンライン分類におけるラベル付き・非定常・不均衡データからの学習について検討する。
本研究では,シアムニューラルネットワークとアクティブラーニングを相乗的に組み合わせた学習手法を提案する。
提案手法はデータの非定常性と不均衡に対して頑健であり,学習速度と性能の両面で,ベースラインと最先端アルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2020-10-04T19:07:19Z) - 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) - Computer-Aided Personalized Education [15.811740322935476]
過去10年間で、導入コースを受講する米国の学生数は3倍に増えている。
大規模なオープンオンラインコース(MOOC)は、この制約を緩和する方法として推進されている。
計算ツールに依存したパーソナライズド教育はこの課題に対処できる。
論文 参考訳（メタデータ） (2020-07-07T18:00:04Z) - 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。