論文の概要: Characterizing Student Engagement Moods for Dropout Prediction in
Question Pool Websites
- arxiv url: http://arxiv.org/abs/2102.00423v2
- Date: Tue, 2 Feb 2021 19:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 12:49:52.985537
- Title: Characterizing Student Engagement Moods for Dropout Prediction in
Question Pool Websites
- Title(参考訳): 質問プールウェブサイトにおける学生エンゲージメント・ムードのドロップアウト予測
- Authors: Reza Hadi Mogavi, Xiaojuan Ma, Pan Hui
- Abstract要約: 我々は,QP学生のエンゲージメント・ムードを,チャレンジ・シーカー,主題・シーカー,興味・シーカー,喜び・シーカー,非シーカーの5つに分けた。
学生は各エンゲージメント・ムードにおける質問に対する回答を総合的に選好しており,これらの選好からの逸脱は,退学確率を著しく高めている。
本稿では,QPにおける学生のドロップアウトを予測するために,新しいハイブリッド機械学習モデル(Dropout-Plusと呼ぶ)を導入することで貢献する。
- 参考スコア(独自算出の注目度): 44.044073134427656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Problem-Based Learning (PBL) is a popular approach to instruction that
supports students to get hands-on training by solving problems. Question Pool
websites (QPs) such as LeetCode, Code Chef, and Math Playground help PBL by
supplying authentic, diverse, and contextualized questions to students.
Nonetheless, empirical findings suggest that 40% to 80% of students registered
in QPs drop out in less than two months. This research is the first attempt to
understand and predict student dropouts from QPs via exploiting students'
engagement moods. Adopting a data-driven approach, we identify five different
engagement moods for QP students, which are namely challenge-seeker,
subject-seeker, interest-seeker, joy-seeker, and non-seeker. We find that
students have collective preferences for answering questions in each engagement
mood, and deviation from those preferences increases their probability of
dropping out significantly. Last but not least, this paper contributes by
introducing a new hybrid machine learning model (we call Dropout-Plus) for
predicting student dropouts in QPs. The test results on a popular QP in China,
with nearly 10K students, show that Dropout-Plus can exceed the rival
algorithms' dropout prediction performance in terms of accuracy, F1-measure,
and AUC. We wrap up our work by giving some design suggestions to QP managers
and online learning professionals to reduce their student dropouts.
- Abstract(参考訳): 問題ベース学習(英語: problem-based learning, pbl)は、問題解決によるハンズオントレーニングを支援する、一般的な指導手法である。
LeetCode、Code Chef、Math Playgroundといった質問プールのウェブサイト(QP)は、学生に本物で多様な、文脈に応じた質問を提供することでPBLを支援する。
いずれにせよ、QPに登録されている学生の40%から80%は2ヶ月以内に退学している。
本研究は,学生の参加感情を活用し,qpsからの学生の退学を理解・予測する最初の試みである。
データ駆動型アプローチを採用することで、QP学生にとって5つの異なるエンゲージメント・ムード、すなわちチャレンジ・シーカー、主題シーカー、興味シーカー、喜びシーカー、非シーカーを識別する。
学生は、各エンゲージメントのムードで質問に答える集団的な選好を持ち、その選好からの逸脱は、退学する確率を著しく高めている。
最後に、この論文はQPの学生のドロップアウトを予測するための新しいハイブリッド機械学習モデル(我々はDropout-Plusと呼ぶ)を導入することで貢献します。
テストの結果、中国で人気のqpで1万人近い学生がおり、dropout-plusは、精度、f1-measure、aucの点でライバルアルゴリズムのドロップアウト予測性能を上回っている。
学生のドロップアウトを減らすために、QPマネージャーやオンライン学習の専門家にデザイン提案を行うことで、作業をまとめています。
関連論文リスト
- Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。
LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。
教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
論文 参考訳(メタデータ) (2024-07-12T10:11:40Z) - Student Answer Forecasting: Transformer-Driven Answer Choice Prediction for Language Learning [2.8887520199545187]
近年の研究では、学生の特定の解答選択に対するパフォーマンスよりも、解答の正しさに焦点が当てられている。
MCQStudentBertは,学生の回答履歴の文脈的理解と質問や回答のテキストを統合した回答予測モデルである。
この作業は、よりパーソナライズされたコンテンツ、モジュール化、そして粒度の細かいサポートへの扉を開く。
論文 参考訳(メタデータ) (2024-05-30T14:09:43Z) - ClickTree: A Tree-based Method for Predicting Math Students' Performance Based on Clickstream Data [0.0]
我々は,学生のクリックストリームデータに基づいて,数学的課題における生徒のパフォーマンスを予測するための木ベースの手法であるClickTreeを開発した。
この手法は2023年の教育データマイニングカップで0.78844のAUCを達成し、大会では2位となった。
エンド・ユニット・アサイン問題への回答が良好であった学生は、イン・ユニット・アサイン問題により関与し、より多くの問題に正しく答えた。
論文 参考訳(メタデータ) (2024-03-01T23:39:03Z) - UKP-SQuARE: An Interactive Tool for Teaching Question Answering [61.93372227117229]
質問応答の指数的増加(QA)は、あらゆる自然言語処理(NLP)コースにおいて必須のトピックとなっている。
本稿では、QA教育のプラットフォームとしてUKP-SQuAREを紹介する。
学生は様々な視点から様々なQAモデルを実行、比較、分析することができる。
論文 参考訳(メタデータ) (2023-05-31T11:29:04Z) - Looking For A Match: Self-supervised Clustering For Automatic Doubt
Matching In e-learning Platforms [1.0705399532413613]
我々は,自己教師型手法を用いて学習した表現に基づいて,ラベルに依存しない疑似マッチングパラダイムを開発する。
本稿では、ドメイン固有の拡張と対照的な目的を、適切に構築されたさまざまなデータビューに対して組み合わせたカスタムBYOLを提案する。
論文 参考訳(メタデータ) (2022-08-20T04:12:19Z) - Continuous Examination by Automatic Quiz Assessment Using Spiral Codes
and Image Processing [69.35569554213679]
紙のキズは安価で、教室のキャンパス教育の範囲内にある。
クイズの修正は かなりの障害だ
本稿では,新しい画像処理技術によって問題を緩和することを提案する。
論文 参考訳(メタデータ) (2022-01-26T22:58:15Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳(メタデータ) (2021-07-23T22:41:28Z) - 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) - Instructions and Guide for Diagnostic Questions: The NeurIPS 2020
Education Challenge [40.96530220202453]
この競技では,参加者は,複数項目の診断質問に対する生徒の回答記録に集中する。
我々は,Eediの数学質問に対する学生の回答を2000万件以上提供した。
論文 参考訳(メタデータ) (2020-07-23T15:17:36Z)
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。