論文の概要: MOLAM: A Mobile Multimodal Learning Analytics Conceptual Framework to
Support Student Self-Regulated Learning
- arxiv url: http://arxiv.org/abs/2012.14308v1
- Date: Fri, 18 Dec 2020 18:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 06:07:43.537908
- Title: MOLAM: A Mobile Multimodal Learning Analytics Conceptual Framework to
Support Student Self-Regulated Learning
- Title(参考訳): MOLAM: 学生の自己統制学習を支援するモバイルマルチモーダル学習分析概念フレームワーク
- Authors: Mohammad Khalil
- Abstract要約: この章では、MOLAM(Mobile Multimodal Learning Analytics)アプローチを紹介します。
学生の自己統制型学習の発展は、このアプローチの採用の恩恵を受けるだろうと私は主張する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online distance learning is highly learner-centred, requiring different
skills and competences from learners, as well as alternative approaches for
instructional design, student support, and provision of resources. Learner
autonomy and self-regulated learning (SRL) in online learning settings are
considered key success factors that predict student performance. SRL comprises
processes of planning, monitoring, action and reflection according to
Zimmerman. And typically focuses on three key features of learners: (1) use of
SRL strategies, (2) responsiveness to self-oriented feedback about learning
effectiveness, and (3) motivational processes. SRL has been identified as
having a direct correlation with students success, including improvements in
grades and the development of relevant skills and strategies. Such skills and
strategies are needed to become a successful lifelong learner. This chapter
introduces a Mobile Multimodal Learning Analytics approach (MOLAM). I argue
that the development of student Self-Regulated Learning would benefit from the
adoption of this approach, and that its use would allow continuous measurement
and provision of in-time support of student SRL in online learning contexts.
- Abstract(参考訳): オンライン遠隔学習は高度に学習者中心であり、教育設計、学生支援、リソース提供のための代替アプローチと同様に、学習者から異なるスキルと能力を必要とする。
オンライン学習環境における学習者の自律性と自己統制学習(SRL)は、学生のパフォーマンスを予測する重要な成功要因と考えられている。
SRLはZimmerman氏によると、計画、監視、アクション、リフレクションのプロセスで構成される。
そして,学習者の3つの重要な特徴,(1)SRL戦略の利用,(2)学習効率に関する自己指向的フィードバックに対する応答性,(3)動機づけプロセスの3つに注目した。
SRLは、成績の改善や関連するスキルや戦略の開発など、学生の成功と直接的に相関していると認識されている。
このようなスキルと戦略は、生涯学習を成功させるために必要です。
本章では,モバイルマルチモーダル学習分析アプローチ(molam)を紹介する。
学生の自己統制学習の発展は,このアプローチの採用の恩恵を受けるだろうし,学生SRLをオンライン学習の文脈で継続的に測定・提供することができるだろう,と私は論じる。
関連論文リスト
- OmniRL: In-Context Reinforcement Learning by Large-Scale Meta-Training in Randomized Worlds [35.652208216209985]
我々は、数十万の多様なタスクをメタトレーニングした、高度に一般化可能なコンテキスト内強化学習モデルであるOmniRLを紹介した。
インコンテキスト学習(ICL)だけでは、勾配に基づく微調整を一切行わず、目に見えない体育館のタスクにうまく対応できることを初めて実証した。
論文 参考訳(メタデータ) (2025-02-05T03:59:13Z) - LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。
学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。
GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
論文 参考訳(メタデータ) (2025-01-27T03:29:44Z) - The FLoRA Engine: Using Analytics to Measure and Facilitate Learners' own Regulation Activities [6.043195170209631]
FLoRAエンジンは、学生、労働者、専門家が自己統制学習(SRL)のスキルを向上させるのを支援するために開発された。
このエンジンは学習中の学習者のSRL行動を追跡し、学習者が学習を効果的に制御するのに役立つ自動足場を提供する。
論文 参考訳(メタデータ) (2024-12-12T23:46:20Z) - Let Students Take the Wheel: Introducing Post-Quantum Cryptography with Active Learning [4.804847392457553]
ポスト量子暗号(PQC)は、既存のソフトウェアシステムをセキュアにするためのソリューションとして認識されている。
本研究は,PQCを大学生や大学院生に教える上での,新たなアクティブラーニング手法を提案する。
論文 参考訳(メタデータ) (2024-10-17T01:52:03Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳(メタデータ) (2023-09-15T02:42:03Z) - Visualizing Self-Regulated Learner Profiles in Dashboards: Design
Insights from Teachers [9.227158301570787]
学生の自己統制学習(SRL)行動を監視するダッシュボードであるFlippEDの設計と実装を行う。
10人の大学教員を対象としたセミ構造化インタビューにおいて,ツールのユーザビリティと動作性を評価した。
論文 参考訳(メタデータ) (2023-05-26T12:03:11Z) - Bridging Declarative, Procedural, and Conditional Metacognitive
Knowledge Gap Using Deep Reinforcement Learning [7.253181280137071]
帰納的ドメインでは、昇順のメタ認知的知識タイプは宣言的、手続き的、条件的学習である。
この研究は、3つの知識タイプ間のギャップを埋めるために適応的なメタ認知的介入を提供するために、Deep Reinforcement Learning (DRL)を活用する。
以上の結果から,DRLは両ITSにおいて,学生間のメタ認知的知識ギャップを橋渡しし,学習能力を大幅に向上させた。
論文 参考訳(メタデータ) (2023-04-23T20:07:07Z) - Contrastive UCB: Provably Efficient Contrastive Self-Supervised Learning in Online Reinforcement Learning [92.18524491615548]
対照的な自己指導型学習は、(深層)強化学習(RL)の実践にうまく統合されている
我々は,低ランク遷移を伴うマルコフ決定過程(MDP)とマルコフゲーム(MG)のクラスにおいて,コントラスト学習によってRLをどのように強化できるかを検討する。
オンライン環境下では,MDPやMGのオンラインRLアルゴリズムと対照的な損失を生かした,新しい高信頼境界(UCB)型アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-29T17:29:08Z) - Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。
本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
論文 参考訳(メタデータ) (2022-01-27T19:51:09Z) - Self-directed Machine Learning [86.3709575146414]
教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。
本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。
提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
論文 参考訳(メタデータ) (2022-01-04T18:32:06Z) - RvS: What is Essential for Offline RL via Supervised Learning? [77.91045677562802]
近年の研究では、時間差(TD)のない教師あり学習だけでオフラインRLに極めて効果的であることが示されている。
あらゆる環境スイートにおいて、2層フィードフォワードによる可能性の最大化は競争力がある。
彼らはまた、ランダムデータに対して比較的弱い既存のRvS法の限界を探索する。
論文 参考訳(メタデータ) (2021-12-20T18:55:16Z)
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。