論文の概要: Understanding and improving social factors in education: a computational social science approach

• arxiv url: http://arxiv.org/abs/2301.05619v1
• Date: Fri, 13 Jan 2023 15:40:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 13:37:14.225650
• Title: Understanding and improving social factors in education: a computational social science approach
• Title（参考訳）: 教育における社会的要因の理解と改善--計算社会科学のアプローチ
• Authors: Nabeel Gillani, Rebecca Eynon
• Abstract要約: 計算社会科学者は、この新たな研究フロンティアを創造的に前進させることができる。 本稿では,大規模デジタルプラットフォームによる学習の最近の研究について概説する。 私たちは、計算社会科学者がこの新たな研究フロンティアを創造的に前進させることができると信じています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, an explosion in the availability of education-related datasets has enabled new computational research in education. Much of this work has investigated digital traces of online learners in order to better understand and optimize their cognitive learning processes. Yet cognitive learning on digital platforms does not equal education. Instead, education is an inherently social, cultural, economic, and political process manifesting in physical spaces, and educational outcomes are influenced by many factors that precede and shape the cognitive learning process. Many of these are social factors like children's connections to schools (including teachers, counselors, and role models), parents and families, and the broader neighborhoods in which they live. In this article, we briefly discuss recent studies of learning through large-scale digital platforms, but largely focus on those exploring sociological aspects of education. We believe computational social scientists can creatively advance this emerging research frontier-and in doing so, help facilitate more equitable educational and life outcomes.
• Abstract（参考訳）: 過去10年間で、教育関連データセットの可用性が爆発的に高まり、教育における新しい計算研究が可能になった。 この研究の多くは、認知学習プロセスをより理解し最適化するために、オンライン学習者のデジタルトレースを調査した。 しかし、デジタルプラットフォームでの認知学習は教育と同等ではない。 その代わり、教育は本質的に社会的、文化的、経済的、政治的プロセスであり、教育の成果は認知学習プロセスに先行して形成する多くの要因に影響される。 これらの多くは、学校(教師、カウンセラー、ロールモデルなど)との子どものつながり、両親や家族、そして彼らが住んでいる広い地域といった社会的要因である。 本稿では,大規模デジタルプラットフォームによる学習の最近の研究について概説するが,教育の社会学的側面を探求する人々を中心に考察する。 私たちは、計算社会科学者が、この新たな研究フロンティアを創造的に前進させ、より公平な教育と生活の成果を促進することができると信じています。

関連論文リスト

• Advancing Social Intelligence in AI Agents: Technical Challenges and Open Questions [67.60397632819202]
  ソーシャルインテリジェントAIエージェント(Social-AI)の構築は、多分野、マルチモーダルな研究目標である。 我々は、社会AIを前進させるために、基礎となる技術的課題と、コンピューティングコミュニティ全体にわたる研究者のためのオープンな質問を特定します。
  論文  参考訳（メタデータ） (2024-04-17T02:57:42Z)
• Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
  私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。 インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。 多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
  論文  参考訳（メタデータ） (2024-02-28T00:22:42Z)
• Bringing Social Computing to Secondary School Classrooms [9.217508954179563]
  ソーシャルコンピューティングのトピックは、既存の中・高校のカリキュラムではほとんど触れられません。 我々は,ソーシャルコンピューティングがデータ管理,暗号化メッセージング,ヒューマン・コンピュータインタラクションキャリア,機械学習とバイアス,誤情報,オンライン行動といったトピックにどのように関係しているかについて学ぶ。 81.13%の学生が、STEMに対する関心に比べて、授業の内容に対する関心が高かったことが判明した。
  論文  参考訳（メタデータ） (2024-01-17T20:40:51Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Sustainability in Computing Education: A Systematic Literature Review [0.0]
  本稿では,持続可能性の問題に対処するため,コンピュータ教育におけるアプローチについて述べる。 6つの大きなデジタルライブラリーとスノーボールから抽出した572の出版物から,90の関連研究を蒸留し,分析した。 本稿では,コンピュータ教育における学習目標と成果と,持続可能性の教育的手法を抽出する枠組みを提案する。
  論文  参考訳（メタデータ） (2023-05-17T16:51:37Z)
• Education in the Digital World: From the Lens of Millennial Learners [0.0]
  本研究の目的は、ミレニアル世代の学習者のレンズからデジタルワールドの教育を決定することである。 これはまた、デジタル教育における問題のサイバーゴジックな意味を、アウトリーチのレンズを通して見ることが出来る。
  論文  参考訳（メタデータ） (2023-04-27T02:48:13Z)
• 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)
• 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)
• Social Engagement versus Learning Engagement -- An Exploratory Study of FutureLearn Learners [61.58283466715385]
  大規模なオープンオンラインコース (MOOCs) は増加傾向にあるが、エンロリーのごく一部しかMOOCsを完了していない。 この研究は、MOOCにおける研究の進展とともに、学習者がピアとどのように相互作用するかに特に関係している。 この研究は、社会的構成主義的アプローチを採用し、協調学習を促進するFutureLearnプラットフォーム上で行われた。
  論文  参考訳（メタデータ） (2020-08-11T16:09:10Z)
• SARS-CoV-2 Impact on Online Teaching Methodologies and the Ed-Tech Sector: Smile and Learn Platform Case Study [50.591267188664666]
  この研究は、教育資源の例である「Smile and Learn platform」のオンライン方法論と利用傾向の重要性を分析した。 そこで,本研究では,教育支援のための異なるモデルと,そのプラットフォーム利用への影響について述べる。
  論文  参考訳（メタデータ） (2020-07-15T10:06:51Z)
• Computer-Aided Personalized Education [15.811740322935476]
  過去10年間で、導入コースを受講する米国の学生数は3倍に増えている。 大規模なオープンオンラインコース(MOOC)は、この制約を緩和する方法として推進されている。 計算ツールに依存したパーソナライズド教育はこの課題に対処できる。
  論文  参考訳（メタデータ） (2020-07-07T18:00:04Z)

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。