論文の概要: Using 3D printed badges to improve student performance and reduce dropout rates in STEM higher education

• arxiv url: http://arxiv.org/abs/2303.08939v1
• Date: Wed, 15 Mar 2023 21:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-03-17 17:49:35.026581
• Title: Using 3D printed badges to improve student performance and reduce dropout rates in STEM higher education
• Title（参考訳）: STEM高等教育における3Dプリントバッジによる学生成績の向上とドロップアウト率の低減
• Authors: Ra\'ul Lara-Cabrera and Fernando Ortega and Edgar Talavera and Daniel L\'opez-Fern\'andez
• Abstract要約: この貢献は、物理的なバッジと仮想的なバッジの使用によって、学生のパフォーマンスが向上し、ドロップアウト率が低下する、という仮説を立てている。 その結果,バッジの使用は生徒のパフォーマンスを向上し,ドロップアウト率を低下させることがわかった。
• 参考スコア（独自算出の注目度）: 59.58137104470497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Students' perception of excessive difficulty in STEM degrees lowers their motivation and therefore affects their performance. According to prior research, the use of gamification techniques promote engagement, motivation and fun when learning. Badges, which are a distinction that is given as a reward to students, are a well-known gamification tool. This contribution hypothesizes that the use of badges, both physical and virtual, improves student performance and reduces dropout rates. To verify that hypothesis, a case study involving 99 students enrolled in a Databases course of computer science degrees was conducted. The results show that the usage of badges improves student performance and reduces dropout rates. However, negligible differences were found between the use of different kind of badges.
• Abstract（参考訳）: 学生のSTEMの過度な困難に対する認識は、モチベーションを低下させ、パフォーマンスに影響を与える。 先行研究によると、ゲーミフィケーション技術の使用は、学習時のエンゲージメント、モチベーション、楽しみを促進する。 バッジは、学生に報酬として与えられる区別であり、よく知られたゲーミフィケーションツールである。 この貢献は、物理的にも仮想的にもバッジを使うことが学生のパフォーマンスを向上し、ドロップアウト率を低下させると仮定している。 この仮説を検証するために、コンピュータサイエンスの学位のデータベースコースに登録した99人の学生を対象にしたケーススタディを行った。 その結果,バッジの使用により学生の成績が向上し,ドロップアウト率も低下した。 しかし、異なる種類のバッジの使用には不可解な違いが見られた。

関連論文リスト

• Transforming Student Evaluation with Adaptive Intelligence and Performance Analytics [0.0]
  本稿では,人工知能を用いた学生のパフォーマンス評価システムについて述べる。 システムには、複数の選択、短い回答、記述的な質問を含む質問の形式がある。 プラットフォームにはインテリジェントな学習の進歩があり、ユーザーは特定のレベルのパフォーマンスを推奨するために自分のパフォーマンスを監視できる。
  論文  参考訳（メタデータ） (2025-02-07T18:57:51Z)
• Logit Standardization in Knowledge Distillation [83.31794439964033]
  教師と学生の共用温度の仮定は、ロジット範囲と分散の点で、ロジット間の厳密な一致を暗示している。 温度をロジットの重み付け標準偏差として設定し、ロジット標準化のプラグアンドプレイZスコア前処理を実行することを提案する。 我々の前処理により、学生はマグニチュードマッチを必要とせず、教師の本質的なロジット関係に集中することができ、既存のロジットベースの蒸留法の性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-03-03T07:54:03Z)
• What is Lost in Knowledge Distillation? [4.1205832766381985]
  ディープニューラルネットワーク(DNN)はNLPタスクを大幅に改善しているが、そのようなネットワークのトレーニングとメンテナンスにはコストがかかる可能性がある。 知識蒸留(KD)のようなモデル圧縮技術がこの問題に対処するために提案されている。 本研究は, 蒸留モデルが教師とどのように異なるか, 蒸留プロセスが何らかの情報損失を引き起こし, 損失が特定のパターンに従うかを検討する。
  論文  参考訳（メタデータ） (2023-11-07T17:13:40Z)
• Improving Students With Rubric-Based Self-Assessment and Oral Feedback [2.808134646037882]
  ルーブリックと口頭フィードバックは、学生のパフォーマンス向上と学習結果の達成を支援するアプローチである。 本稿では,ルーブリックと口頭フィードバックが学生の学習成績に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2023-07-24T14:48:28Z)
• Teacher's pet: understanding and mitigating biases in distillation [61.44867470297283]
  いくつかの研究により、蒸留によって学生の全体的なパフォーマンスが著しく向上することが示されている。 しかし、これらのゲインはすべてのデータサブグループに均一なのでしょうか? 蒸留が特定の部分群の性能に悪影響を及ぼすことを示す。 信頼性の低いサブグループに対して,教師の影響を和らげる手法を提案する。
  論文  参考訳（メタデータ） (2021-06-19T13:06:25Z)
• Assessing Attendance by Peer Information [1.0294998767664172]
  本稿では,出席率を測定するためにRAI(Relative Attendance Index)と呼ばれる新しい手法を提案する。 伝統的な出席は一人またはコースの記録に焦点をあてるが、相対的出席は関連する個人またはコースのピア出席情報を強調する。 実生活データによる実験結果から、RAIは学生のエンゲージメントをより良く反映できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T15:00:40Z)
• 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)
• Fixing the Teacher-Student Knowledge Discrepancy in Distillation [72.4354883997316]
  本稿では,教師の知識を学生とより整合させる,新たな学生依存型蒸留法である知識一貫型蒸留を提案する。 この手法は非常に柔軟で,他の最先端手法と容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2021-03-31T06:52:20Z)
• Reducing the Teacher-Student Gap via Spherical Knowledge Disitllation [67.75526580926149]
  知識蒸留は、はるかに大きなものから写像関数を学習することにより、コンパクトで効果的なモデルを得ることを目的としている。 本研究では,教師と学生の信頼のギャップを調査し,容量ギャップ問題について検討する。 知識蒸留には信頼度は必要とせず,学生が自信を習得せざるを得ない場合には,学生のパフォーマンスを損なう可能性がある。
  論文  参考訳（メタデータ） (2020-10-15T03:03:36Z)

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。