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
- 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) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳(メタデータ) (2022-12-13T12:14:09Z) - 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) - Parameter-Efficient and Student-Friendly Knowledge Distillation [83.56365548607863]
本稿では, PESF-KDというパラメータ効率と学生に優しい知識蒸留法を提案し, 効率的かつ十分な知識伝達を実現する。
各種ベンチマーク実験により,PESF-KDは,高度オンライン蒸留法と比較して,競争力のある結果を得ながら,トレーニングコストを大幅に削減できることが示された。
論文 参考訳(メタデータ) (2022-05-28T16:11:49Z) - 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) - Learning Fair Scoring Functions: Bipartite Ranking under ROC-based
Fairness Constraints [2.0263791972068628]
2値ラベル付きデータからスコアリング関数を学習する際の公平性について検討する。
AUC と ROC 曲線に基づくフェアネス定義の一般族を紹介する。
このような制約の下で学習したスコアリング関数の有界一般化を確立する。
論文 参考訳(メタデータ) (2020-02-19T13:17:39Z)
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。