論文の概要: Exploring Student Engagement and Outcomes: Experiences from Three Cycles
of an Undergraduate Module
- arxiv url: http://arxiv.org/abs/2212.11682v1
- Date: Thu, 22 Dec 2022 13:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 13:17:00.325547
- Title: Exploring Student Engagement and Outcomes: Experiences from Three Cycles
of an Undergraduate Module
- Title（参考訳）: 学生のエンゲージメントとアウトカム:大学生モジュールの3サイクルからの経験から
- Authors: Robert D. Macredie, Martin Shepperd, Tommaso Turchi, Terry Young
- Abstract要約: 主な発見は、最初の3週間の仮想学習環境への非導入が、失敗の最も強い予測要因であったことである。
統合された最新の学生情報にアクセスする環境において、モジュールリーダーにとって発見は、日々の課題である。
- 参考スコア（独自算出の注目度）: 0.5735035463793008
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many studies in educational data mining address specific learner groups, such
as first-in-family to attend Higher Education, or focus on differences in
characteristics such as gender or ethnicity, with the aim of predicting
performance and designing interventions to improve outcomes. For Higher
Education, this is reflected in significant interest in institutional-level
analysis of student cohorts and in tools being promoted to Higher Education
Institutions to support collection, integration and analysis of data. For those
leading modules/units on degree programmes, however, the reality can be far
removed from the seemingly well-supported and increasingly sophisticated
approaches advocated in centrally-led data analysis. Module leaders often find
themselves working with a number of student-data systems that are not
integrated, may contain conflicting data and where significant effort is
required to extract, clean and meaningfully analyse the data. This paper
suggests that important lessons may be learned from experiences at module level
in this context and from subsequent analysis of related data collected across
multiple years. The changes made each year are described and a range of data
analysis methods are applied, post hoc, to identify findings in relation to the
four areas of focus. The key findings are that non-engagement with the Virtual
Learning Environment in the first three weeks was the strongest predictor of
failure and that early engagement correlated most strongly with final grade.
General recommendations are drawn from the findings which should be valuable to
module leaders in environments where access to integrated, up-to-date student
information remains a day-to-day challenge, and insights will be presented into
how such bottom-up activities might inform institutional/top-down planning in
the use of relevant technologies.
- Abstract（参考訳）: 教育データマイニングにおける多くの研究は、パフォーマンスの予測と成果を改善するための介入設計を目的として、高等教育に通うファーストインファミリーのような特定の学習者グループや、性別や民族などの特性の違いに焦点を当てている。
高等教育では、学生のコーホートの制度レベルでの分析や、データの収集、統合、分析をサポートするために高等教育機関に昇格するツールに対する大きな関心が反映されている。
しかし、学位プログラム上の主要なモジュール/ユニットにとって、現実は中央主導のデータ分析で提唱される、よくサポートされ、ますます洗練されたアプローチから遠く離れることができる。
モジュールリーダは、しばしば、統合されていない、矛盾するデータを含む多くの学生データシステムで作業し、データの抽出、クリーン化、有意義な分析に多大な労力がかかることに気付く。
本稿では,モジュールレベルの経験から重要な教訓が得られ,その後数年にわたって収集された関連データの分析から得られることを示唆する。
毎年行われる変化を解説し、焦点の4つの領域に関する発見を識別するために、さまざまなデータ分析手法をホック後に適用した。
重要な発見は、最初の3週間における仮想学習環境との関わりが失敗の最も強い予測要因であり、早期の関与が最終学年と最も強く相関していたことである。
統合的かつ最新の学生情報へのアクセスが日々の課題である環境において,モジュールリーダにとって価値のある発見から,一般的な推奨事項が引き出され,このようなボトムアップ活動が関連技術の利用において,機関/トップダウン計画にどのように影響を与えるか,という知見が提示される。
関連論文リスト
- A Survey on Group Fairness in Federated Learning: Challenges, Taxonomy of Solutions and Directions for Future Research [5.08731160761218]
機械学習におけるグループフェアネスは、異なるグループ間で平等な結果を達成することに焦点を当てた研究の重要領域である。
フェデレーション学習は、クライアント間の不均一なデータ分散による公平性の必要性を増幅する。
連合学習におけるグループフェアネスの総合的な調査は行われていない。
データパーティショニング、ロケーション、適用戦略といった重要な基準に基づいて、これらのアプローチの新しい分類法を作成します。
論文 参考訳（メタデータ） (2024-10-04T18:39:28Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - 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) - Bridging the Gap: Protocol Towards Fair and Consistent Affect Analysis [24.737468736951374]
日々の生活における機械学習アルゴリズムの統合の増加は、その展開における公平性と公平性の重要性を浮き彫りにしている。
既存のデータベースと方法論は均一性に欠けており、バイアスのある評価につながっている。
この研究は、6つの感情的なデータベースを分析し、属性を注釈付けし、データベース分割のための共通のプロトコルを提案することで、これらの問題に対処する。
論文 参考訳（メタデータ） (2024-05-10T22:40:01Z) - Student-centric Model of Learning Management System Activity and
Academic Performance: from Correlation to Causation [2.169383034643496]
近年,学生の学習行動パターンを理解するために,学習管理システム(LMS)における学習者のデジタルトレースのモデル化に多くの関心が寄せられている。
本稿では,LMS活動データに対する学生中心の分析フレームワークについて検討し,観察データから抽出した相関性だけでなく因果的洞察も提供する。
これらの知見は、大学生支援団体が学生中心で標的とする介入を開始するための証拠となると期待している。
論文 参考訳（メタデータ） (2022-10-27T14:08:25Z) - Big Data and Analytics Implementation in Tertiary Institutions to
Predict Students Performance in Nigeria [0.0]
Big Dataという言葉は、従来のデータ処理技術では扱えない大量のデータを指すために作られた。
本稿では,教育機関に関係のあるビッグデータの特徴について考察する。
学習機関におけるビッグデータと分析の導入に影響を与える要因について検討する。
論文 参考訳（メタデータ） (2022-07-29T13:52:24Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Representation Matters: Assessing the Importance of Subgroup Allocations
in Training Data [85.43008636875345]
訓練データにおける多様な表現は,サブグループのパフォーマンス向上と集団レベルの目標達成の鍵である。
分析と実験は、データセット構成がパフォーマンスにどのように影響するかを説明し、既存のデータにおけるトレンドとドメイン知識を用いて、意図的かつ客観的なデータセット設計を導くのに役立つ構成結果を提供する。
論文 参考訳（メタデータ） (2021-03-05T00:27:08Z) - 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) - Through the Data Management Lens: Experimental Analysis and Evaluation
of Fair Classification [75.49600684537117]
データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。
我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。
我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
論文 参考訳（メタデータ） (2021-01-18T22:55:40Z) - Refining Student Marks based on Enrolled Modules Assessment Methods
using Data Mining Techniques [0.0]
スコア作成のために,230万以上の学生記録を調査し,異なるデータ作成プロセスを提案する。
モジュール評価指標がランダム林とナイーブベイズ分類技術を用いた予測過程に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2020-08-30T19:47:45Z)
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。