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
- Unleash Model Potential: Bootstrapped Meta Self-supervised Learning [12.57396771974944]
機械学習の長期的な目標は、監督なしで少数のデータから一般的な視覚表現を学習することである。
自己指導型学習とメタラーニングは、この目標を達成するための2つの有望なテクニックであるが、どちらもメリットを部分的に捉えているだけである。
本稿では,人間の学習過程をシミュレートすることを目的とした,ブートストラップ型メタ自己監視学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-28T02:49:07Z) - 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) - Designing Theory-Driven Analytics-Enhanced Self-Regulated Learning
Applications [0.0]
自己統制学習(SRL)を促進するための学習分析(LA)の適用への関心が高まっている。
この章では、LA強化SRLアプリケーションの設計の理論的基盤を探究する。
論文 参考訳(メタデータ) (2023-03-22T08:52:54Z) - Contrastive UCB: Provably Efficient Contrastive Self-Supervised Learning
in Online Reinforcement Learning [113.90282991169201]
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) - Variational Empowerment as Representation Learning for Goal-Based
Reinforcement Learning [114.07623388322048]
本稿では,標準目標条件付きRL (GCRL) を目的変動エンパワーメントによってカプセル化する方法について論じる。
我々の研究は、ゴールベースRLで表現学習技術を評価し、分析し、開発する新しい基礎を築いた。
論文 参考訳(メタデータ) (2021-06-02T18:12:26Z) - Fostering learners' self-regulation and collaboration skills and
strategies for mobile language learning beyond the classroom [0.0]
この章では、サポートは2つの重要な学習スキル、すなわち自己統制と効果的に協力できるスキルの開発に焦点を当てるべきである、と論じている。
究極の目的は、個別の適応学習パスを提供することによって、教室以外の言語学習を容易にすることである。
論文 参考訳(メタデータ) (2021-03-20T15:57:59Z) - Knowledge Transfer in Multi-Task Deep Reinforcement Learning for
Continuous Control [65.00425082663146]
連続制御のための知識伝達に基づく多タスク深層強化学習フレームワーク(KTM-DRL)を提案する。
KTM-DRLでは、マルチタスクエージェントがまずオフラインの知識伝達アルゴリズムを利用して、タスク固有の教師の経験から制御ポリシーを素早く学習する。
実験結果は,KTM-DRLとその知識伝達とオンライン学習アルゴリズムの有効性を正当化するとともに,最先端技術よりも大きなマージンによる優位性を示した。
論文 参考訳(メタデータ) (2020-10-15T03:26:47Z)
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。