論文の概要: The LAVA Model: Learning Analytics Meets Visual Analytics
- arxiv url: http://arxiv.org/abs/2303.12392v1
- Date: Wed, 22 Mar 2023 08:57:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 14:42:22.254789
- Title: The LAVA Model: Learning Analytics Meets Visual Analytics
- Title（参考訳）: lava model: 学習分析がビジュアル分析と合致する
- Authors: Mohamed Amine Chatti, Arham Muslim, Manpriya Guliani, Mouadh Guesmi
- Abstract要約: HCLA(Human-Centered Learning Analytics)は、学習分析におけるヒューマンファクタを強調し、ユーザニーズを真に満たす。
視覚分析は、人間中心のアプローチに従う多分野のデータサイエンス研究分野である。
本稿では,視覚分析の概念を学習分析プロセスに取り入れることのメリットについて考察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Human-Centered learning analytics (HCLA) is an approach that emphasizes the
human factors in learning analytics and truly meets user needs. User
involvement in all stages of the design, analysis, and evaluation of learning
analytics is the key to increase value and drive forward the acceptance and
adoption of learning analytics. Visual analytics is a multidisciplinary data
science research field that follows a human-centered approach and thus has the
potential to foster the acceptance of learning analytics. Although various
domains have already made use of visual analytics, it has not been considered
much with respect to learning analytics. This paper explores the benefits of
incorporating visual analytics concepts into the learning analytics process by
(a) proposing the Learning Analytics and Visual Analytics (LAVA) model as
enhancement of the learning analytics process with human in the loop, (b)
applying the LAVA model in the Open Learning Analytics Platform (OpenLAP) to
support humancentered indicator design, and (c) evaluating how blending
learning analytics and visual analytics can enhance the acceptance and adoption
of learning analytics, based on the technology acceptance model (TAM).
- Abstract（参考訳）: 人間中心学習分析(Human-Centered Learning Analytics、HCLA)は、学習分析におけるヒューマンファクタを強調し、ユーザニーズを真に満たすアプローチである。
学習分析の設計、分析、評価のあらゆる段階におけるユーザの関与は、価値を高め、学習分析の受け入れと導入を促進するための鍵である。
視覚分析は、人間中心のアプローチに従う多分野のデータ科学研究分野であり、学習分析の受容を促進する可能性がある。
様々なドメインがすでにビジュアル分析を利用しているが、学習分析に関してはあまり考慮されていない。
本稿では,視覚分析の概念を学習分析プロセスに組み込むことの利点について考察する。
(a)ループ内の人間による学習分析プロセスの強化として学習分析と視覚分析(lava)モデルを提案すること。
(b)オープンラーニング分析プラットフォーム(openlap)に溶岩モデルを適用して人間中心のインジケータ設計を支援すること
(c) 技術受容モデル(TAM)に基づき,学習分析と視覚分析のブレンドが学習分析の受容と導入を促進するかを評価する。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - OSL-ActionSpotting: A Unified Library for Action Spotting in Sports Videos [56.393522913188704]
我々は,スポーツビデオ分析における研究と応用の合理化のために,さまざまなアクションスポッティングアルゴリズムを統合するPythonライブラリであるOSL-ActionSpottingを紹介する。
我々はOSL-ActionSpottingに3つの基本アクションスポッティング手法を統合することに成功した。
論文 参考訳（メタデータ） (2024-07-01T13:17:37Z) - How Could AI Support Design Education? A Study Across Fields Fuels Situating Analytics [3.362956277221427]
設計教育者による評価とフィードバックの実践の事例研究から得られたプロセスと結果を用いて,理論を推し進める。
人間の活動をサポートするAIを作ることは、どの分析指標と位置するプラクティスを整合させることに依存するため、我々はSateuating Analyticsと呼ぶ方法論を理論化します。
論文 参考訳（メタデータ） (2024-04-26T13:06:52Z) - T-Eval: Evaluating the Tool Utilization Capability of Large Language
Models Step by Step [69.64348626180623]
大規模言語モデル (LLM) は様々なNLPタスクにおいて顕著な性能を達成した。
LLMのツール活用能力の評価と分析方法はまだ未検討である。
ツール利用能力を段階的に評価するためにT-Evalを導入する。
論文 参考訳（メタデータ） (2023-12-21T17:02:06Z) - Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。
バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
論文 参考訳（メタデータ） (2023-02-03T14:57:40Z) - Introducing Practicable Learning Analytics [0.0]
本書では,実践の観点から学習分析がどのようなものかを明らかにするために,実践可能な学習分析の概念を紹介する。
情報システムアーティファクト(ISA)の概念は,情報システム,社会,技術アーティファクトの3つのサブシステムから構成される。
本書の10章は、ISAの観点から提示され、実践可能な学習分析の設計において、社会人工物への詳細な注意が重要であることを明記している。
論文 参考訳（メタデータ） (2023-01-26T21:20:08Z) - A Prescriptive Learning Analytics Framework: Beyond Predictive Modelling
and onto Explainable AI with Prescriptive Analytics and ChatGPT [0.0]
本研究では、透過的な機械学習と、規範的分析を可能にする技術の両方を統合する新しいフレームワークを提案する。
本研究は,プログラムノンコンプリートにおけるリスク学習者を特定するために,予測モデルを用いて提案手法を実証するものである。
論文 参考訳（メタデータ） (2022-08-31T00:57:17Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Addressing Bias in Visualization Recommenders by Identifying Trends in
Training Data: Improving VizML Through a Statistical Analysis of the Plotly
Community Feed [55.41644538483948]
機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。
本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
論文 参考訳（メタデータ） (2022-03-09T18:36:46Z) - Predictive analytics using Social Big Data and machine learning [6.142272540492935]
この章では、ソーシャルビッグデータ分析の基礎となる中核的な側面について光を当てている。
さまざまな予測分析アルゴリズムが,いくつかの重要なアプリケーションやトップレベルのツールやAPIで使用されている。
論文 参考訳（メタデータ） (2021-04-21T19:30:45Z)
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。