論文の概要: Identifying Different Student Clusters in Functional Programming Assignments: From Quick Learners to Struggling Students

• arxiv url: http://arxiv.org/abs/2301.02611v1
• Date: Fri, 6 Jan 2023 17:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 13:30:00.385385
• Title: Identifying Different Student Clusters in Functional Programming Assignments: From Quick Learners to Struggling Students
• Title（参考訳）: 関数型プログラミング・アサインメントにおける学生クラスタの識別 : クイックラーナーからストラグリング学生へ
• Authors: Chuqin Geng, Wenwen Xu, Yingjie Xu, Brigitte Pientka, Xujie Si
• Abstract要約: 我々は、マギル大学で教えられた関数型プログラミングコースから収集された学生の課題データを分析する。 これにより、「Quick-learning」、「Hardworking」、「Satisficing」、「Struggling」の4つのクラスタを特定できる。 次に、作業習慣、作業期間、エラーの範囲、エラーを修正する能力が、学生の異なるクラスタに与える影響を分析する。
• 参考スコア（独自算出の注目度）: 2.0386745041807033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instructors and students alike are often focused on the grade in programming assignments as a key measure of how well a student is mastering the material and whether a student is struggling. This can be, however, misleading. Especially when students have access to auto-graders, their grades may be heavily skewed. In this paper, we analyze student assignment submission data collected from a functional programming course taught at McGill university incorporating a wide range of features. In addition to the grade, we consider activity time data, time spent, and the number of static errors. This allows us to identify four clusters of students: "Quick-learning", "Hardworking", "Satisficing", and "Struggling" through cluster algorithms. We then analyze how work habits, working duration, the range of errors, and the ability to fix errors impact different clusters of students. This structured analysis provides valuable insights for instructors to actively help different types of students and emphasize different aspects of their overall course design. It also provides insights for students themselves to understand which aspects they still struggle with and allows them to seek clarification and adjust their work habits.
• Abstract（参考訳）: インストラクターや学生は、学生がいかにうまく教材を習得しているか、学生が苦闘しているかを示す重要な指標として、プログラミング課題の成績にしばしば注目される。 しかしこれは誤解を招く可能性がある。 特に、学生がオートグレーターにアクセスできる場合、成績は大幅に歪められることがある。 本稿では,McGill大学における関数型プログラミングコースから収集した学生の課題提出データを,幅広い特徴を取り入れて分析する。 グレードに加えて、アクティビティ時間データ、費やされた時間、静的エラーの数についても検討する。 これにより、クラスタアルゴリズムを通じて、"quick-learning"、"hardworking"、"satisficing"、"struggling"の4つの学生クラスタを識別することができます。 次に、作業習慣、作業期間、エラーの範囲、エラーを修正する能力が、学生の異なるクラスタに与える影響を分析する。 この構造化分析は、インストラクターがさまざまなタイプの学生を積極的に支援し、コース全体のデザインの異なる側面を強調するための貴重な洞察を提供する。 また、学生自身がどの側面に苦しむかを理解し、明確化を追求し、仕事の習慣を調整するための洞察を提供する。

関連論文リスト

• 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)
• CLGT: A Graph Transformer for Student Performance Prediction in Collaborative Learning [6.140954034246379]
  協調学習のための拡張グラフトランスフォーマーフレームワーク(CLGT)を提案する。 実験結果から,提案したCLGTは,実世界のデータセットに基づいて予測を行うという点で,ベースラインモデルよりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2023-07-30T09:54:30Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Computationally Identifying Funneling and Focusing Questions in Classroom Discourse [24.279653100481863]
  本稿では,授業談話におけるファネリングと集中型質問を計算的に検出するタスクを提案する。 ファネリングと集中型質問にラベル付けされた2,348の教師発話の注釈付きデータセットをリリースする。 我々の最高のモデルである教師付きRoBERTaモデルは、データセットに微調整され、人間の専門家ラベルと.76の強い線形相関と、ポジティブな教育結果を持つ。
  論文  参考訳（メタデータ） (2022-07-08T01:28:29Z)
• Know Thy Student: Interactive Learning with Gaussian Processes [11.641731210416102]
  そこで本研究では,ガウス過程を用いた簡単な診断アルゴリズムを提案する。 本研究は,教師が生徒に実演を行い,余分な軌跡の送出を避けるためのオフライン強化学習環境である。 本実験は,対話型教師の助けを借りて,学生がより効率的に学習できる方法を示す。
  論文  参考訳（メタデータ） (2022-04-26T04:43:57Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Distilling Knowledge via Knowledge Review [69.15050871776552]
  教師と学生のネットワーク間の接続経路のクロスレベル要因を研究し、その大きな重要性を明らかにします。 知識蒸留において初めて, クロスステージ接続経路が提案されている。 最終的に設計されたネストでコンパクトなフレームワークは、無視できるオーバーヘッドを必要とし、さまざまなタスクで他のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-04-19T04:36:24Z)
• Data-driven modelling and characterisation of task completion sequences in online courses [0.0]
  本稿では,オンライン授業におけるタスク完了の時間的シーケンスのデータ駆動分析の利用方法を示す。 コース設計における課題のタイプ間における臨界点と相違点を同定する。 対話的タスクや議論投稿などの非ロボット学習タスクは、より高いパフォーマンスと相関していることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T12:39:03Z)
• A Machine Learning Approach to Assess Student Group Collaboration Using Individual Level Behavioral Cues [8.840643644938156]
  グループ全体のコラボレーション品質を自動的に決定するために,簡単なディープラーニングに基づく機械学習モデルを提案する。 1) 限られたトレーニングデータ、2) クラスラベルの不均衡が深刻である。
  論文  参考訳（メタデータ） (2020-07-13T20:15:29Z)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。