論文の概要: Inclusive Study Group Formation At Scale
- arxiv url: http://arxiv.org/abs/2202.07439v3
- Date: Thu, 16 Feb 2023 09:25:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:54:55.492802
- Title: Inclusive Study Group Formation At Scale
- Title（参考訳）: 大規模グループ形成の包括的研究
- Authors: Sumer Kohli, Neelesh Ramachandran, Ana Tudor, Gloria Tumushabe, Olivia
Hsu, Gireeja Ranade
- Abstract要約: 不足している学生が直面する構造的障害を解消するスケーラブルなシステムを提案する。
本研究の目的は,少数派の学生に,多数派の学生と品質的に類似した体験を提供することである。
- 参考スコア（独自算出の注目度）: 3.5981839346635125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underrepresented students face many significant challenges in their
education. In particular, they often have a harder time than their peers from
majority groups in building long-term high-quality study groups. This challenge
is exacerbated in remote-learning scenarios, where students are unable to meet
face-to-face and must rely on pre-existing networks for social support.
We present a scalable system that removes structural obstacles faced by
underrepresented students and supports all students in building inclusive and
flexible study groups. One of our main goals is to make the traditionally
informal and unstructured process of finding study groups for homework more
equitable by providing a uniform but lightweight structure. We aim to provide
students from underrepresented groups an experience that is similar in quality
to that of students from majority groups. Our process is unique in that it
allows students the opportunity to request group reassignments during the
semester if they wish. Unlike other collaboration tools our system is not
mandatory and does not use peer-evaluation.
We trialed our approach in a 1000+ student introductory Engineering and
Computer Science course that was conducted entirely online during the COVID-19
pandemic. We find that students from underrepresented backgrounds were more
likely to ask for group-matching support compared to students from majority
groups. At the same time, underrepresented students that we matched into study
groups had group experiences that were comparable to students we matched from
majority groups. B-range students in high-comfort and high-quality groups had
improved learning outcomes.
- Abstract（参考訳）: 学生は教育において多くの大きな課題に直面している。
特に、長期の高品質な研究グループを構築する際に、多数派の仲間よりも困難であることが多い。
この課題は、学生が対面ができず、既存のネットワークを社会的サポートに頼らなければならないリモートラーニングのシナリオで悪化する。
本稿では,学生が直面している構造的障害を解消し,包括的で柔軟な学習グループの構築を支援するスケーラブルなシステムを提案する。
我々の主な目的の1つは、一様だが軽量な構造を提供することで、宿題の学習グループをより公平に見つけるという、伝統的に非公式で非構造的なプロセスを作ることである。
我々は,少数グループの学生に,多数派の学生と同等の質の体験を提供することを目標としている。
私たちのプロセスは、学生が学期中にグループ再割り当てを希望する機会を与えるという点でユニークなものです。
他のコラボレーションツールとは異なり、システムは必須ではなく、ピア評価を使用しません。
私たちは、新型コロナウイルス(COVID-19)パンデミックの期間中に完全にオンラインで行われた1000人以上の学生による工学とコンピュータサイエンスのコースで、私たちのアプローチを試した。
その結果,少数派の学生に比べて,少数派の学生がグループマッチング支援を求める傾向が見られた。
同時に、私たちが学習グループにマッチした表現不足の学生は、多数派の学生に匹敵するグループ体験を持っていた。
ハイコンフォート・ハイクオリティグループのbレンジの学生は、学習結果が向上した。
関連論文リスト
- The Impact of Group Discussion and Formation on Student Performance: An Experience Report in a Large CS1 Course [10.04958142789079]
グループディスカッションと形成機構が学生のパフォーマンスに与える影響は未だ不明である。
異なるグループ機構の有効性を検討するために,ランダムと専門性のバランスの取れたグループ分け手法を併用した。
分析の結果,異なるグループ化手法は,議論の参加や成績の悪い生徒の改善に有意な影響を及ぼさないことが明らかとなった。
論文 参考訳（メタデータ） (2024-08-26T20:07:44Z) - 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) - Identification of cohesive subgroups in a university hall of residence
during the COVID-19 pandemic using a social network analysis approach [0.0]
新型コロナウイルス(COVID-19)パンデミックの間、若い大学生は関係に大きな変化を経験してきた。
これまでの研究では、感染過程における関係構造の重要性が示されている。
この研究は、パンデミックの間に感染を好むか好まないネットワーク構造を作るために、性別、人種、そして彼らが生活する建物の重要性を示す証拠を提供する。
論文 参考訳（メタデータ） (2024-02-14T14:48:28Z) - Fair and skill-diverse student group formation via constrained k-way
graph partitioning [65.29889537564455]
本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。
学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。
この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
論文 参考訳（メタデータ） (2023-01-12T14:02:49Z) - Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。
モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。
そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
論文 参考訳（メタデータ） (2022-10-13T06:04:43Z) - Federated Selective Aggregation for Knowledge Amalgamation [66.94340185846686]
FedSAの目標は、何人かの分散教師の助けを借りて、新しいタスクのための学生モデルをトレーニングすることである。
このような問題を調査する動機は、最近のモデル共有のジレンマに端を発する。
提案されたFedSAは、このジレンマに対する解決策を提供し、さらに一歩進める。
論文 参考訳（メタデータ） (2022-07-27T05:36:50Z) - Multiple Fairness and Cardinality constraints for Students-Topics
Grouping Problem [14.051419173519308]
グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。
我々は,学生を重複しないグループに分割するマルチフェア・キャパシタント(MFC)グループ問題を導入する。
そこで本研究では,グループ化のための手法とknapsackに基づく手法の2つのアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-20T17:06:10Z) - Disadvantaged students increase their academic performance through
collective intelligence exposure in emergency remote learning due to COVID 19 [105.54048699217668]
新型コロナウイルス(COVID-19)危機の間、世界中の教育機関が対面指導から緊急遠隔教育(ERT)へと移行した。
我々は,7,528人の大学生のデータを分析したところ,議論フォーラムにおける学生間の協調的・合意的ダイナミクスが最終GPAに肯定的な影響を及ぼすことがわかった。
自然言語処理を用いて,高校生の学習成績が低かった1年生が,議論フォーラムでよりコンテンツ集約的な投稿に晒されていることを示す。
論文 参考訳（メタデータ） (2022-03-10T20:23:38Z) - Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く
本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。
グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2022-01-10T22:04:48Z) - Collaborative Group Learning [42.31194030839819]
協調学習は、小規模学生ネットワークのプールをロバストなローカルミニマへと導くために、知識伝達をうまく応用してきた。
従来のアプローチでは、学生の数が増加すると、学生の均質化が大幅に増加するのが普通だった。
特徴表現の多様化と効果的な正規化の実現を目的とした,効率的なフレームワークである協調型グループ学習を提案する。
論文 参考訳（メタデータ） (2020-09-16T14:34:39Z) - 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)
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。