論文の概要: Inconsistencies in Measuring Student Engagement in Virtual Learning -- A Critical Review

• arxiv url: http://arxiv.org/abs/2208.04548v1
• Date: Tue, 9 Aug 2022 05:35:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:03:01.378519
• Title: Inconsistencies in Measuring Student Engagement in Virtual Learning -- A Critical Review
• Title（参考訳）: バーチャル・ラーニングにおける学生エンゲージメント測定の不整合性-批判的レビュー
• Authors: Shehroz S. Khan, Ali Abedi, Tracey Colella
• Abstract要約: バーチャル・ラーニングにおける学生の関与は、学習目標の達成とプログラムのドロップアウトリスクに大きな影響を与える可能性がある。 バーチャル・ラーニング環境では、学生エンゲージメントに特化した測定機器が多数存在する。 このレビューでは、エンゲージメントの定義や測定尺度の相違点を取り上げている。
• 参考スコア（独自算出の注目度）: 3.983742056712597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, virtual learning has emerged as an alternative to traditional classroom teaching. The engagement of students in virtual learning can have a major impact on meeting learning objectives and program dropout risks. There exist many measurement instruments specifically geared to Student Engagement (SE) in virtual learning environments. In this critical review, we analyze these works and highlight inconsistencies in terms of differing engagement definitions and measurement scales. This diversity among existing researchers could potentially be problematic in comparing different annotations and building generalizable predictive models. We further discuss issues in terms of engagement annotations and design flaws. We analyze the existing SE annotation scales based on our defined seven dimensions of engagement annotation, including sources, data modalities used for annotation, the time when the annotation takes place, the timesteps in which the annotation takes place, level of abstraction, combination, and quantification. One of the surprising findings was that very few of the reviewed datasets on SE measurement used existing psychometrically validated engagement scales in their annotation. Lastly, we discuss some other scales in settings other than virtual learning that have the potential to be used in measuring SE in virtual learning.
• Abstract（参考訳）: 近年,従来の授業の代替として仮想学習が登場している。 仮想学習における学生の関与は、学習目標の達成とプログラムのドロップアウトリスクに大きな影響を与える可能性がある。 仮想学習環境において,学生参加(se)に特化した計測機器が数多く存在する。 この批判的レビューでは、これらの作品を分析し、異なるエンゲージメント定義と測定尺度の観点で矛盾を強調する。 既存の研究者間のこの多様性は、異なるアノテーションを比較し、一般化可能な予測モデルを構築する上で問題となる可能性がある。 エンゲージメントアノテーションや設計上の欠陥という観点でさらに議論する。 既存のseアノテーションスケールを、ソース、アノテーションに使用されるデータモダリティ、アノテーション発生時刻、アノテーション発生の時間ステップ、抽象化のレベル、組み合わせ、定量化など、私たちが定義した7次元のエンゲージメントアノテーションに基づいて分析します。 驚くべき発見の1つは、SE測定のレビューされたデータセットのごく少数が、既存の心理学的に検証されたエンゲージメント尺度をアノテーションに用いたことである。 最後に、仮想学習におけるSEの測定に使える可能性を持つ仮想学習以外のいくつかの設定について論じる。

関連論文リスト

• Towards Understanding the Feasibility of Machine Unlearning [14.177012256360635]
  未学習の難易度を定量化するための新しい指標のセットを提案する。 具体的には,学習を成功させるのに必要な条件を評価するために,いくつかの指標を提案する。 また、最も難解なサンプルを特定するためのランキング機構も提示する。
  論文  参考訳（メタデータ） (2024-10-03T23:41:42Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Revisiting Dynamic Evaluation: Online Adaptation for Large Language Models [88.47454470043552]
  我々は、動的評価(動的評価)としても知られる、テスト時の言語モデルのパラメータをオンラインで微調整する問題を考察する。 オンライン適応はパラメータを時間的に変化する状態に変換し、メモリを重み付けしたコンテキスト長拡張の形式を提供する。
  論文  参考訳（メタデータ） (2024-03-03T14:03:48Z)
• Revisiting Self-supervised Learning of Speech Representation from a Mutual Information Perspective [68.20531518525273]
  我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。 我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。 我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
  論文  参考訳（メタデータ） (2024-01-16T21:13:22Z)
• Learning to Learn for Few-shot Continual Active Learning [9.283518682371756]
  継続的な学習は、新しいドメインで可塑性を示しながら、以前見たタスクを解く際の安定性を確保するために努力する。 連続学習の最近の進歩は、特にNLPドメインにおいて、主に教師付き学習環境に限られている。 我々はメタラーニングを活用し,メタコンチネンタルアクティブラーニングと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T05:22:11Z)
• New metrics for analyzing continual learners [27.868967961503962]
  継続学習(CL)は、標準的な学習アルゴリズムに課題をもたらす。 この安定性・塑性ジレンマはCLの中心であり、安定性と塑性を個別に適切に測定するために複数の測定基準が提案されている。 課題の難しさを考慮に入れた新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-09-01T13:53:33Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Detecting Disengagement in Virtual Learning as an Anomaly [4.706263507340607]
  学生エンゲージメントは、仮想学習プログラムの目標を達成する上で重要な要素である。 本稿では,仮想学習における解離を異常検出問題として定式化する。 我々は、時間畳み込みネットワークオートエンコーダ、長期記憶オートエンコーダなど、様々なオートエンコーダを設計する。
  論文  参考訳（メタデータ） (2022-11-13T10:29:25Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Affect-driven Engagement Measurement from Videos [0.8545305424564517]
  仮想学習プログラムにおいて,ビデオによるエンゲージメント測定のための新しい手法を提案する。 ディープラーニングベースの時間モデルと従来の機械学習ベースの非時間モデルをトレーニングし、検証する。 実験の結果,最先端のエンゲージメントレベル分類精度は63.3%,非エンゲージメントビデオの正確な分類が得られた。
  論文  参考訳（メタデータ） (2021-06-21T06:49:17Z)

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。