論文の概要: Recommended Guidelines for Effective MOOCs based on a Multiple-Case Study

• arxiv url: http://arxiv.org/abs/2204.03405v1
• Date: Thu, 7 Apr 2022 12:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 16:09:37.590610
• Title: Recommended Guidelines for Effective MOOCs based on a Multiple-Case Study
• Title（参考訳）: マルチケース研究に基づく効果的なMOOCの推奨ガイドライン
• Authors: Eduardo Guerra, Fabio Kon, and Paulo Lemos
• Abstract要約: 大規模オープンオンラインコースウェア(MOOC)は2008年に登場し、過去10年間で大きく成長した。 本稿は,過去1年間に15万人以上の学生を惹きつけた7つのMOOCから得られたデータを分析する。 この分析の結果、より効果的なMOOCの設計を支援するためのガイドラインが提案された。
• 参考スコア（独自算出の注目度）: 3.62672718853196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Massive Open Online Courseware (MOOCs) appeared in 2008 and grew considerably in the past decade, now reaching millions of students and professionals all over the world. MOOCs do not replace other educational forms. Instead, they complement them by offering a powerful educational tool that can reach students that, otherwise, would not have access to that information. Nevertheless, designing and implementing a successful MOOC is not straightforward. Simply recording traditional classes is an approach that does not work, since the conditions in which a MOOC student learns are very different from the conventional classroom. In particular, dropout rates in MOOCs are, normally, at least an order of magnitude higher than in conventional courses. In this paper, we analyze data from 7 successful MOOCs that have attracted over 150,000 students in the past years. The analysis led to the proposal of a set of guidelines to help instructors in designing more effective MOOCs. These results contribute to the existing body of knowledge in the field, bring new insights, and pose new questions for future research.
• Abstract（参考訳）: 2008年にはMOOC(Massive Open Online Courseware)が登場し、過去10年間で大きく成長し、今や世界中の何百万人もの学生やプロフェッショナルにリーチしている。 MOOCは、他の教育形態を置き換えるものではない。 代わりに彼らは、生徒にその情報にアクセスできないような強力な教育ツールを提供することで、それらを補完する。 それでも、成功したMOOCの設計と実装は簡単ではない。 従来の授業とMOOCの学生が学習する条件は、従来の教室とは大きく異なるため、従来の授業の記録が単純に機能しないアプローチである。 特に、MOOCのドロップアウト率は、通常、従来のコースよりも少なくとも1桁高い。 本稿では,過去数年間に15万人以上の学生を惹きつけた7つのMOOCのデータを分析した。 この分析の結果、より効果的なMOOCの設計を支援するためのガイドラインが提案された。 これらの結果は、この分野における既存の知識体系に寄与し、新たな洞察をもたらし、将来の研究に新たな疑問をもたらす。

関連論文リスト

• A Survey on Model MoErging: Recycling and Routing Among Specialized Experts for Collaborative Learning [136.89318317245855]
  MoErgingは、専門家のモデルをリサイクルして、パフォーマンスや一般化を改善した集約システムを構築することを目的としている。 MoErgingメソッドの重要なコンポーネントは、特定の入力やアプリケーションに使用する専門家モデルを決定するルータの作成である。 このサーベイには、キーデザインの選択をカタログ化し、各手法に適した適用方法を明確にするための新しい分類が含まれている。
  論文  参考訳（メタデータ） (2024-08-13T17:49:00Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• Long-Tailed Visual Recognition via Self-Heterogeneous Integration with Knowledge Excavation [53.94265240561697]
  知識抽出による自己異種統合(SHIKE)と呼ばれるMoEに基づく新しい手法を提案する。 SHIKEはCIFAR100-LT (IF100), ImageNet-LT, iNaturalist 2018, Places-LTで56.3%, 60.3%, 75.4%, 41.9%の最先端性能を達成した。
  論文  参考訳（メタデータ） (2023-04-03T18:13:39Z)
• Meta Transfer Learning for Early Success Prediction in MOOCs [6.43486245025846]
  対象の介入に対する学生の成功の早期予測は、コースに学生が残っていないことを保証するために不可欠である。 MOOCの成功予測には、主に個々のコースをスクラッチからトレーニングするモデルに焦点を当てた大きな研究団体が存在する。 本稿では,(1)多種多様なコースでモデルを事前学習すること,(2)コースのメタ情報を含む事前学習モデルを活用すること,(3)過去のコースの反復でモデルを微調整すること,の3つの新しい方法を提案する。
  論文  参考訳（メタデータ） (2022-04-25T09:19:57Z)
• Large Scale Analysis of Open MOOC Reviews to Support Learners' Course Selection [17.376856503445826]
  5つのプラットフォームから4400万レビュー(これまでで最大のMOOCレビューデータセット)を分析します。 その結果、数値格付けは明らかに偏っている(そのうち63%が5つ星格付けである)。 われわれの研究は、この領域に光を当て、オンライン教育のレビューにおいてより透明なアプローチを促進することを期待している。
  論文  参考訳（メタデータ） (2022-01-11T10:24:49Z)
• MOOCRep: A Unified Pre-trained Embedding of MOOC Entities [4.0963355240233446]
  我々はMOOCの構造から豊富なラベルのないデータを用いてMOOCエンティティの事前訓練された表現を学習することを提案する。 実験の結果,MOOCRepの埋め込みは,教育コミュニティにとって重要な2つの課題において,最先端の表現学習方法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-12T00:11:25Z)
• 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)
• 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)
• Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
  大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:28:08Z)

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。