論文の概要: Learning Student Interest Trajectory for MOOCThread Recommendation

• arxiv url: http://arxiv.org/abs/2101.05625v2
• Date: Sat, 16 Jan 2021 05:01:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 08:18:23.656868
• Title: Learning Student Interest Trajectory for MOOCThread Recommendation
• Title（参考訳）: MOOCスレッドレコメンデーションのための学習者の興味軌跡
• Authors: Shalini Pandey, Andrew Lan, George Karypis, Jaideep Srivastava
• Abstract要約: 大規模オープンオンラインコース(MOOC)の学生の将来の興味の軌跡を予測するために提案します。 本モデルは,(1)更新操作と(2)投影操作の2つの操作からなる。 私たちのモデルはスレッドレコメンデーションの他のベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 9.560312630927601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Massive Open Online Courses (MOOCs) have witnessed immense growth in popularity. Now, due to the recent Covid19 pandemic situation, it is important to push the limits of online education. Discussion forums are primary means of interaction among learners and instructors. However, with growing class size, students face the challenge of finding useful and informative discussion forums. This problem can be solved by matching the interest of students with thread contents. The fundamental challenge is that the student interests drift as they progress through the course, and forum contents evolve as students or instructors update them. In our paper, we propose to predict future interest trajectories of students. Our model consists of two key operations: 1) Update operation and 2) Projection operation. Update operation models the inter-dependency between the evolution of student and thread using coupled Recurrent Neural Networks when the student posts on the thread. The projection operation learns to estimate future embedding of students and threads. For students, the projection operation learns the drift in their interests caused by the change in the course topic they study. The projection operation for threads exploits how different posts induce varying interest levels in a student according to the thread structure. Extensive experimentation on three real-world MOOC datasets shows that our model significantly outperforms other baselines for thread recommendation.
• Abstract（参考訳）: 近年、大規模なオープン・オンライン・コース(moocs)が人気が高まっている。 現在,最近のcovid-19パンデミックの状況から,オンライン教育の限界を押し上げることが重要である。 ディスカッションフォーラムは、学習者とインストラクターの間の対話の主要な手段である。 しかし,授業規模が大きくなるにつれ,学生は有用な議論フォーラムを見つけるという課題に直面している。 この問題は学生の興味をスレッドの内容と一致させることで解決できる。 基本的な課題は、学生の興味がコースを進むにつれて漂流し、学生やインストラクターが更新するにつれてフォーラムの内容が進化することである。 本稿では,学生の今後の関心軌道を予測することを提案する。 本モデルは,(1)更新操作と(2)投影操作の2つの操作からなる。 更新操作モデル 学生がスレッドに投稿するとき、再帰ニューラルネットワークを用いて、学生とスレッドの進化の間の相互依存度をモデル化する。 投射操作は、学生とスレッドの将来の埋め込みを推定する。 学生の場合、プロジェクション操作は、学習するコーストピックの変化によって引き起こされる興味のドリフトを学習する。 スレッドのプロジェクション操作は、スレッド構造に応じて、異なるポストが学生の興味レベルをいかに引き起こすかを利用する。 3つの実世界のMOOCデータセットに対する大規模な実験は、我々のモデルがスレッドレコメンデーションのために他のベースラインよりも大幅に優れていることを示している。

関連論文リスト

• Real-time estimation of overt attention from dynamic features of the face using deep-learning [0.0]
  我々は,眼球運動に基づく注意度を推定するために,深層学習モデルを訓練する。 学生が同じ教育ビデオを見ている間、10秒間隔で眼球運動の物体間相関を測定した。 ソリューションは軽量で、クライアント側で操作できるため、オンラインの注意監視に関連するプライバシー上の懸念が軽減される。
  論文  参考訳（メタデータ） (2024-09-19T20:49:39Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Towards Generalizable Detection of Urgency of Discussion Forum Posts [0.0]
  MOOCなどのオンラインコースを受講している学生は、講座のディスカッションフォーラムを使って質問したり、問題に遭遇したときにインストラクターに連絡したりする。 我々は,各フォーラム投稿の緊急性を自動的に判断する予測モデルを構築し,これらの投稿をインストラクターの注意を惹きつけることができるようにした。 本稿は,2値決定のカットオフだけでなく,ポストの緊急度を7ポイントのスケールで予測することによって,これまでの作業を越えている。
  論文  参考訳（メタデータ） (2023-07-14T20:21:50Z)
• Student Usage of Q&A Forums: Signs of Discomfort? [6.191437386496068]
  本稿では,CS1コースにおける学生のQ&Aフォーラムの利用状況について検討する。 CS1コースで収集したフォーラムデータを2年連続で分析した。 熱意に満ちた学生のコホートは少ないものの,ほとんどの学生はフォーラムで積極的に読書や投稿をしていないことを確認した。
  論文  参考訳（メタデータ） (2023-05-30T03:47:38Z)
• UNIKD: UNcertainty-filtered Incremental Knowledge Distillation for Neural Implicit Representation [48.49860868061573]
  最近の神経暗黙表現(NIR)は、3次元再構成と新しいビュー合成のタスクにおいて大きな成功を収めている。 それらは、異なるカメラビューからのシーンのイメージを、一度のトレーニングで利用できるようにする必要がある。 これは特に大規模なシーンと限られたデータストレージを持つシナリオでは高価である。 我々は、破滅的な問題を緩和するために、学生-教師の枠組みを設計する。
  論文  参考訳（メタデータ） (2022-12-21T11:43:20Z)
• TANet: Thread-Aware Pretraining for Abstractive Conversational Summarization [27.185068253347257]
  我々はRedditコミュニティの複数人による議論に基づいて,RCSと呼ばれる大規模(11M)事前学習データセットを構築した。 次に、スレッド対応のTransformerベースのネットワークであるTANetを紹介する。 会話を文の列として扱う既存の事前学習モデルとは異なり、本質的な文脈依存は会話全体を理解する上で重要な役割を担っていると論じる。
  論文  参考訳（メタデータ） (2022-04-09T16:08:46Z)
• Improving Teacher-Student Interactions in Online Educational Forums using a Markov Chain based Stackelberg Game Model [5.004814662623874]
  オンラインフォーラム(OEF)におけるインストラクターと学生のインタラクションをキャプチャするための連続時間マルコフ連鎖(CTMC)に基づく分析モデルを提案する。 学生はインストラクターの関与が増大する中で,非単調性の程度が多様であることが観察された。 本モデルは,特定のパラメータ構成下で経験的に観察された超ポスター現象を示し,OEFの学生参加を最大化するためのインストラクターに最適なプランを推奨する。
  論文  参考訳（メタデータ） (2021-11-25T09:48:20Z)
• 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)
• Unification of HDP and LDA Models for Optimal Topic Clustering of Subject Specific Question Banks [55.41644538483948]
  オンラインコースの人気が高まると、学者向けのコース関連クエリの数が増加することになる。 個々の質問に答えるのに費やす時間を短縮するために、それらをクラスタリングするのは理想的な選択です。 階層ディリクレプロセスを用いて、LDAモデルの実行に対して最適なトピック番号を入力します。
  論文  参考訳（メタデータ） (2020-10-04T18:21:20Z)
• Revealing the Hidden Patterns: A Comparative Study on Profiling Subpopulations of MOOC Students [61.58283466715385]
  MOOC(Massive Open Online Courses)は、学生の異質性を示す。 MOOCプラットフォームからの複雑な“ビッグデータ”の出現は、学生がMOOCにどのように従事しているかを深く理解する上で、難しいが報われる機会である。 本報告では,MOOCにおける学生活動のクラスタリング分析と,学生集団間の行動パターンと人口動態の比較分析について述べる。
  論文  参考訳（メタデータ） (2020-08-12T10:38:50Z)
• 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)

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。