論文の概要: An Approach to Adaptive Microlearning in Higher Education
- arxiv url: http://arxiv.org/abs/2205.06337v1
- Date: Wed, 11 May 2022 11:58:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:51:14.103138
- Title: An Approach to Adaptive Microlearning in Higher Education
- Title（参考訳）: 高等教育における適応型マイクロラーニングへのアプローチ
- Authors: Ovidiu Gherman, Cristina Elena Turcu, Corneliu Octavian Turcu
- Abstract要約: 本研究では,マイクロラーニングを用いた個別学習システムを提案する。
学生の行動分析と実学習のモチベーションの結果として、学期中に収集されたデータは、提案システムを改善するために使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current changes in society and the education system, cumulated with the
accelerated development of new technologies, entail inherent changes in the
educational process. Numerous studies have shown that the pandemic has forced a
rapid transformation of higher education. Thus, if before the pandemic digital
technologies were used to supplement the learning process, now they are the
main means of learning delivery. In addition, as previous research has shown,
new pedagogical strategies and new ways of teaching and learning are needed for
the current generation of students, the so-called Generation Z, to acquire new
knowledge and develop new skills. In this necessary evolution of the
educational process, a possible solution to increase the effectiveness of the
learning process for the Generation Z students is to use microlearning to
extend the traditional ways of learning. Many studies have shown that
microlearning, based on how today's students learn and memorize, facilitates
learning. In recent years there has been a growing trend in their use of
microlearning in the educational process. But, in order to be effective, this
approach must allow the individual knowledge building, by indicating a guiding
direction of the optimal path to achieve the proposed objectives. We propose a
system for personalized learning using microlearning, which provides support
and guidance to students based on their individual needs, in order to increase
their interest in learning, but also to compensate for various deficiencies in
their educational background. We also present a case study from the higher
education sector. Feedback from students and data collected during the semester
as a result of the students' behavioural analysis and their real learning
motivations will be used to improve the proposed system.
- Abstract（参考訳）: 社会と教育体系の現在の変化は、新しい技術の急速な発展とともに蓄積され、教育過程に固有の変化をもたらす。
多くの研究が、パンデミックが高等教育の急激な転換を引き起こしたことを示している。
したがって、パンデミック以前のデジタル技術が学習プロセスを補完するために使われた場合、それらは学習配信の主要な手段となる。
また、従来の研究が示すように、新しい教育戦略と教育・学習の方法が、新しい知識を習得し、新しいスキルを身につけるために、現在の世代の学生であるジェネレーションZに求められている。
教育過程のこの必要な進化において、世代Zの学習プロセスの有効性を高めるための可能な解決策は、マイクロラーニングを使用して従来の学習方法を拡張することである。
多くの研究が、今日の学生の学習と記憶に基づいて、マイクロラーニングが学習を促進することを示した。
近年,マイクロラーニングの教育における利用が増加傾向にある。
しかし,この手法を効果的にするためには,提案した目的を達成するための最適経路の導出方向を示すことによって,個々の知識構築を可能にする必要がある。
そこで本研究では,マイクロラーニングによるパーソナライズ学習のシステムを提案する。学習意欲を高めるだけでなく,学習背景における様々な欠陥を補うために,個々のニーズに応じた支援と指導を提供する。
また,我々は,高等教育部門からのケーススタディを提示する。
学生の行動分析と実際の学習モチベーションの結果として,学期中に収集された学生とデータからのフィードバックを,提案システムの改善に活用する。
関連論文リスト
- Exploring Engagement and Perceived Learning Outcomes in an Immersive Flipped Learning Context [0.195804735329484]
本研究の目的は,学生のオンラインエンゲージメントと学習成果に対する没入型フリップ学習アプローチのメリットと課題を検討することである。
この研究は、高レベルの学生エンゲージメントと学習結果の認知を明らかにしたが、改善が必要な領域も明らかにした。
この研究の成果は、有意義で効果的な遠隔学習体験をデザインしようとする教育者にとって貴重な情報源となる可能性がある。
論文 参考訳（メタデータ） (2024-09-19T11:38:48Z) - The Perceived Learning Behaviors and Assessment Techniques of First-Year Students in Computer Science: An Empirical Study [0.0]
学生は、直接指導が学習する最も効果的な方法であると信じている。
評価方法としては、実践的・書面的な試験が好まれる。
論文 参考訳（メタデータ） (2024-05-10T08:45:32Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Bringing Generative AI to Adaptive Learning in Education [58.690250000579496]
我々は、生成AIと適応学習の交差研究に光を当てた。
我々は、この連合が教育における次の段階の学習形式の発展に大きく貢献するだろうと論じている。
論文 参考訳（メタデータ） (2024-02-02T23:54:51Z) - Towards Scalable Adaptive Learning with Graph Neural Networks and
Reinforcement Learning [0.0]
学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。
我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。
以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T18:16:04Z) - Desperately seeking the impact of learning analytics in education at
scale: Marrying data analysis with teaching and learning [0.0]
学習分析(LA)は、学習成果、学習者支援、教育を改善することができると主張されている。
教育環境におけるLAの有効性を示す実践への影響の実証的な証拠はいまだ少ない。
学生の大規模学習改善を目的としたデータ駆動意思決定の効果を高めるためには,教育者のニーズをよりよく理解する必要がある。
論文 参考訳（メタデータ） (2021-05-14T07:33:17Z) - Student Network Learning via Evolutionary Knowledge Distillation [22.030934154498205]
教師知識の伝達効率を改善するための進化的知識蒸留手法を提案する。
進化的教師は、固定された予習教師の代わりにオンラインで学習され、学生ネットワーク学習を監督するために、中間的知識を継続的に伝達する。
このようにして、学生は豊富な内部知識を同時に獲得し、その成長過程を捉え、効果的なネットワーク学習につながる。
論文 参考訳（メタデータ） (2021-03-23T02:07:15Z) - 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) - Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。
近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。
転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
論文 参考訳（メタデータ） (2020-09-16T18:38:54Z) - Point Adversarial Self Mining: A Simple Method for Facial Expression
Recognition [79.75964372862279]
本稿では,表情認識における認識精度を向上させるために,PASM(Point Adversarial Self Mining)を提案する。
PASMは、目標タスクに関連する最も情報性の高い位置を見つけるために、ポイント敵攻撃法と訓練された教師ネットワークを使用する。
適応学習教材の生成と教師/学生の更新を複数回行うことができ、ネットワーク能力が反復的に向上する。
論文 参考訳（メタデータ） (2020-08-26T06:39:24Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳（メタデータ） (2020-02-03T06:13:01Z)
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。