論文の概要: Dynamic Diagnosis of the Progress and Shortcomings of Student Learning using Machine Learning based on Cognitive, Social, and Emotional Features

• arxiv url: http://arxiv.org/abs/2204.13989v1
• Date: Wed, 13 Apr 2022 21:14:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 05:56:00.148329
• Title: Dynamic Diagnosis of the Progress and Shortcomings of Student Learning using Machine Learning based on Cognitive, Social, and Emotional Features
• Title（参考訳）: 認知的・社会的・感情的特徴に基づく機械学習を用いた学生学習の進歩と欠点の動的診断
• Authors: Alex Doboli, Simona Doboli, Ryan Duke, Sangjin Hong and Wendy Tang
• Abstract要約: 学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。 単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。 本稿では,データ分析と機械学習に基づく新しい手法について論じる。
• 参考スコア（独自算出の注目度）: 0.06999740786886534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Student diversity, like academic background, learning styles, career and life goals, ethnicity, age, social and emotional characteristics, course load and work schedule, offers unique opportunities in education, like learning new skills, peer mentoring and example setting. But student diversity can be challenging too as it adds variability in the way in which students learn and progress over time. A single teaching approach is likely to be ineffective and result in students not meeting their potential. Automated support could address limitations of traditional teaching by continuously assessing student learning and implementing needed interventions. This paper discusses a novel methodology based on data analytics and Machine Learning to measure and causally diagnose the progress and shortcomings of student learning, and then utilizes the insight gained on individuals to optimize learning. Diagnosis pertains to dynamic diagnostic formative assessment, which aims to uncover the causes of learning shortcomings. The methodology groups learning difficulties into four categories: recall from memory, concept adjustment, concept modification, and problem decomposition into sub-goals (sub-problems) and concept combination. Data models are predicting the occurrence of each of the four challenge types, as well as a student's learning trajectory. The models can be used to automatically create real-time, student-specific interventions (e.g., learning cues) to address less understood concepts. We envision that the system will enable new adaptive pedagogical approaches to unleash student learning potential through customization of the course material to the background, abilities, situation, and progress of each student; and leveraging diversity-related learning experiences.
• Abstract（参考訳）: 学歴、学習スタイル、キャリアと人生の目標、民族性、年齢、社会的および感情的な特徴、コースの負荷と仕事のスケジュールといった学生の多様性は、新しいスキルの学習、ピアメンタリング、サンプル設定など、教育におけるユニークな機会を提供する。 しかし、学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を加えることでも困難である。 単一の指導アプローチは効果がなく、その結果、生徒は潜在能力を満たさない。 自動サポートは、学生の学習を継続的に評価し、必要な介入を行うことで、伝統的な教育の限界に対処できる。 本稿では、データ分析と機械学習に基づく新しい手法について論じ、学習の進歩と欠点を計測し、因果診断し、学習を最適化するために個人が得た知見を活用する。 診断は、学習の欠点の原因を明らかにすることを目的とした、動的診断形成評価に関するものである。 この方法論は難易度を4つのカテゴリに分類している: 記憶からのリコール、概念調整、概念修正、問題分解(サブ問題)、概念の組み合わせ。 データモデルは、4つのチャレンジタイプと学生の学習軌跡のそれぞれの発生を予測しています。 モデルは、理解されていない概念に対処するために、リアルタイムで学生固有の介入(例えば学習方法)を自動生成するために使用することができる。 本システムでは,各学生の背景,能力,状況,進捗状況に教材をカスタマイズし,多様性に関連した学習体験を活用し,学習能力を解き放つための新しい適応的教育的アプローチを実現することを想定する。

関連論文リスト

• Learning Style Identification Using Semi-Supervised Self-Taught Labeling [0.0]
  教育は、パンデミックや戦争、気候変動に関連する自然災害などによる急激な変化や破壊に適応しなければならない。 学習管理システムは教師の生産性と創造性をサポートするが、通常はコース内のすべての学習者に同じコンテンツを提供する。 データマイニング技術を用いて,学生の学習スタイルを検出する半教師付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-04T11:56:49Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Harnessing Transparent Learning Analytics for Individualized Support through Auto-detection of Engagement in Face-to-Face Collaborative Learning [3.0184625301151833]
  本稿では,共同作業における学生の個人参加を自動的に検出する透過的アプローチを提案する。 提案手法は,学生の個人的関与を反映し,異なる協調学習課題を持つ生徒を識別する指標として利用することができる。
  論文  参考訳（メタデータ） (2024-01-03T12:20:28Z)
• Benchmarking Continual Learning from Cognitive Perspectives [14.867136605254975]
  継続的な学習は、古い概念を破滅的に忘れることなく、継続的に知識を取得し、伝達する問題に対処する。 連続学習モデルの認知特性と評価方法にはミスマッチがある。 本稿では,モデル認知能力と評価指標を統一評価パラダイムに統合することを提案する。
  論文  参考訳（メタデータ） (2023-12-06T06:27:27Z)
• Personalization, Cognition, and Gamification-based Programming Language Learning: A State-of-the-Art Systematic Literature Review [0.13053649021965597]
  計算機科学におけるプログラミングコースは、多くの学生にとって最初のコンピュータプログラミング入門であることが多いため、重要である。 現在の大学講堂でよく使われている学習モデルでは、モチベーションや学習への参加が欠如していることが多い。 本稿では,プログラミングコースにおける効果的パーソナライズされたゲーミフィケーション介入の設計と実装に関する知見を提供する。
  論文  参考訳（メタデータ） (2023-09-05T05:14:23Z)
• A Machine Learning system to monitor student progress in educational institutes [0.0]
  本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。 信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
  論文  参考訳（メタデータ） (2022-11-02T08:24:08Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Importance Weighted Policy Learning and Adaptation [89.46467771037054]
  政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。 このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。 提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
  論文  参考訳（メタデータ） (2020-09-10T14:16:58Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)

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。