Fugu-MT 論文翻訳(概要): Course Difficulty Estimation Based on Mapping of Bloom's Taxonomy and ABET Criteria

論文の概要: Course Difficulty Estimation Based on Mapping of Bloom's Taxonomy and ABET Criteria

arxiv url: http://arxiv.org/abs/2112.01241v1
Date: Tue, 16 Nov 2021 12:53:21 GMT
ステータス: 処理完了
システム内更新日: 2021-12-06 03:09:51.729018
Title: Course Difficulty Estimation Based on Mapping of Bloom's Taxonomy and ABET Criteria
Title（参考訳）: ブルームの分類とアベット基準のマッピングに基づくコース難易度推定
Authors: Premalatha M, Suganya G, Viswanathan V, G Jignesh Chowdary
Abstract要約: コースの難易度を推定する手法を提案する。評価難易度は,学生の学歴に基づいて評価される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Current Educational system uses grades or marks to assess the performance of the student. The marks or grades a students scores depends on different parameters, the main parameter being the difficulty level of a course. Computation of this difficulty level may serve as a support for both the students and teachers to fix the level of training needed for successful completion of course. In this paper, we proposed a methodology that estimates the difficulty level of a course by mapping the Bloom's Taxonomy action words along with Accreditation Board for Engineering and Technology (ABET) criteria and learning outcomes. The estimated difficulty level is validated based on the history of grades secured by the students.
Abstract（参考訳）: 現在の教育システムでは、成績や成績を学生のパフォーマンス評価に用いている。学生の得点や成績は異なるパラメータに依存し、主なパラメータはコースの難易度である。この難易度の計算は、学生と教師の両方がコースを成功させるために必要な訓練レベルを修正するための支援となる。本稿では,Bloom's Taxonomy Action wordsとAccreditation Board for Engineering and Technology (ABET)の基準と学習成果をマッピングすることにより,コースの難易度を推定する手法を提案する。評価難易度は、生徒が確保した成績履歴に基づいて検証される。

関連論文リスト

Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
論文参考訳（メタデータ） (2024-10-18T03:31:00Z)
Could ChatGPT get an Engineering Degree? Evaluating Higher Education Vulnerability to AI Assistants [176.39275404745098]
我々は,2つのAIアシスタントであるGPT-3.5とGPT-4が適切な回答を得られるかどうかを評価する。 GPT-4は65.8%の質問を正解し、85.1%の質問に対して少なくとも1つの手順で正しい答えを出すことができる。この結果から,AIの進歩を踏まえて,高等教育におけるプログラムレベルの評価設計の見直しが求められた。
論文参考訳（メタデータ） (2024-08-07T12:11:49Z)
Gaining Insights into Group-Level Course Difficulty via Differential Course Functioning [3.9829166809129095]
本研究は,項目応答理論(IRT)に基づくCA手法として,DCF(differial Course Functioning)を導入している。 DCFは、学生のパフォーマンスレベルを制御し、あるコースでどのように異なる学生グループが成功するかに有意な違いがあるかどうかを調べる。
論文参考訳（メタデータ） (2024-05-07T14:19:11Z)
Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-24T01:47:56Z)
Faithful Knowledge Distillation [75.59907631395849]
i) 教師と学生は、正しく分類されたデータセットのサンプルに近い点で意見が一致しないか、(ii) 蒸留した学生は、データセットのサンプルに関する教師と同じくらい自信があるか、という2つの重要な質問に焦点をあてる。これらは、安全クリティカルな設定の中で、堅牢な教師から訓練された小さな学生ネットワークを配置することを考えると、重要な問題である。
論文参考訳（メタデータ） (2023-06-07T13:41:55Z)
Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
論文参考訳（メタデータ） (2022-07-15T12:13:04Z)
Auxiliary Task Guided Interactive Attention Model for Question Difficulty Prediction [6.951136079043972]
本稿では,対話型注意機構を持つマルチタスク手法Qdiffを提案し,ブルームの分類と難易度を共同で予測する。提案手法は,ブルームの分類学と難易度ラベルの関係を捉えた表現の学習を支援する。
論文参考訳（メタデータ） (2022-05-24T19:55:30Z)
Impacts of Students Academic Performance Trajectories on Final Academic Success [0.0]
本研究では,HMM(Hidden Markov Model)を用いて,学生の学業成績の標準的,直感的な分類を行う。中央フロリダ大学の学生書き起こしデータに基づいて,本提案したHMMは,各学期毎の学生の授業成績のシーケンスを用いて訓練されている。
論文参考訳（メタデータ） (2022-01-21T15:32:35Z)
Towards Equity and Algorithmic Fairness in Student Grade Prediction [2.9189409618561966]
この研究は、人種に関するAIの教育的成果と公平性に対処する。ラベルとインスタンスのバランスに関するいくつかの戦略を試行し、レースにおけるアルゴリズム性能の違いを最小化しようと試みる。逆学習アプローチとグレードラベルのバランスが組み合わさって,最も公平な結果が得られることが分かりました。
論文参考訳（メタデータ） (2021-05-14T01:12:01Z)
Investigating Class-level Difficulty Factors in Multi-label Classification Problems [23.51529285126783]
本研究は,マルチラベル分類問題におけるクラスレベルの難易度因子の利用を初めて検討する。周波数、視覚的変化、セマンティック抽象化、クラス共起の4つの困難因子が提案されている。これらの困難因子は、データセット間でのクラスレベルのパフォーマンスの予測など、いくつかの潜在的な応用があることが示されている。
論文参考訳（メタデータ） (2020-05-01T15:06:53Z)
CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition [79.92240030758575]
本稿では,カリキュラム学習の概念を損失関数に組み込んだ適応型カリキュラム学習損失(CurricularFace)を提案する。我々のCurricularFaceは、異なるトレーニング段階における簡単なサンプルとハードサンプルの相対的重要性を適応的に調整する。
論文参考訳（メタデータ） (2020-04-01T08:43:10Z)

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。