論文の概要: Open Learning Analytics: A Systematic Literature Review and Future
Perspectives
- arxiv url: http://arxiv.org/abs/2303.12395v1
- Date: Wed, 22 Mar 2023 09:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 14:43:19.377985
- Title: Open Learning Analytics: A Systematic Literature Review and Future
Perspectives
- Title(参考訳): Open Learning Analytics: 体系的な文献レビューと今後の展望
- Authors: Arham Muslim, Mohamed Amine Chatti, Mouadh Guesmi
- Abstract要約: Open Learning Analytics(OLA)は、生涯学習環境における学習効率と効率性を改善することを目的とした、新興研究分野である。
本稿は,2011~2019年の学習分析文献で利用可能なツールの体系的な文献レビューを行い,オープンネスへの支援に注目した。
レビューは、効果的なOLAプラットフォームの主な要件を導き、この新興分野における重要な課題と今後の作業線を特定することで締めくくっている。
- 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: Open Learning Analytics (OLA) is an emerging research area that aims at
improving learning efficiency and effectiveness in lifelong learning
environments. OLA employs multiple methods to draw value from a wide range of
educational data coming from various learning environments and contexts in
order to gain insight into the learning processes of different stakeholders. As
the research field is still relatively young, only a few technical platforms
are available and a common understanding of requirements is lacking. This paper
provides a systematic literature review of tools available in the learning
analytics literature from 2011-2019 with an eye on their support for openness.
137 tools from nine academic databases are collected to form the base for this
review. The analysis of selected tools is performed based on four dimensions,
namely 'Data, Environments, Context (What?)', 'Stakeholders (Who?)',
'Objectives (Why?)', and 'Methods (How?)'. Moreover, five well-known OLA
frameworks available in the community are systematically compared. The review
concludes by eliciting the main requirements for an effective OLA platform and
by identifying key challenges and future lines of work in this emerging field.
- Abstract(参考訳): open learning analytics(ola)は、生涯学習環境における学習効率と有効性を改善することを目的とした、新たな研究分野である。
OLAは、さまざまな学習環境やコンテキストから得られた幅広い教育データから価値を引き出すために、複数の方法を採用している。
研究分野はまだ比較的若いため、少数の技術プラットフォームしか利用できず、要件に対する共通の理解が欠落している。
本稿は,2011~2019年の学習分析文献で利用可能なツールの体系的な文献レビューを行い,オープンネスへの支援に注目した。
このレビューのベースとなるために、9つの学術データベースから137のツールが集められている。
選択したツールの分析は, 「データ, 環境, コンテキスト (What?)」「ステークホルダ (Who?)」「オブジェクト (Why?)」「メソッド (How?)」の4次元に基づいて行われる。
さらに、コミュニティでよく知られた5つのOLAフレームワークが体系的に比較されている。
レビューは、効果的なolaプラットフォームに対する主な要求を除外し、この新興分野における主要な課題と将来の作業ラインを特定することで締めくくっている。
関連論文リスト
- LLM Inference Unveiled: Survey and Roofline Model Insights [64.33702161898469]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳(メタデータ) (2024-02-26T07:33:05Z) - Integrating AI and Learning Analytics for Data-Driven Pedagogical
Decisions and Personalized Interventions in Education [0.30723404270319693]
本研究は,革新的な学習分析ツールの概念化,開発,展開について考察する。
本ツールは,学生のエンゲージメントの定量化,学習進行のマップ化,および多様な指導戦略の有効性の評価を目的としている。
論文 参考訳(メタデータ) (2023-12-15T06:00:26Z) - Exploring Machine Learning Models for Federated Learning: A Review of
Approaches, Performance, and Limitations [1.1060425537315088]
フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。
危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。
本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
論文 参考訳(メタデータ) (2023-11-17T19:23:21Z) - A Large Language Model Approach to Educational Survey Feedback Analysis [0.0]
本稿では,大規模言語モデル(LLM) GPT-4 と GPT-3.5 が教育フィードバック調査から洞察を得るのに役立つ可能性について検討する。
論文 参考訳(メタデータ) (2023-09-29T17:57:23Z) - Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
我々は、ITの一般的な方法論、ITデータセットの構築、ITモデルのトレーニング、異なるモダリティ、ドメイン、アプリケーションへのアプリケーションを含む、文献を体系的にレビューする。
また、ITの潜在的な落とし穴とそれに対する批判、および既存の戦略の現在の欠陥を指摘し、実りある研究の道筋を提案する。
論文 参考訳(メタデータ) (2023-08-21T15:35:16Z) - 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 Review of Off-Policy Evaluation in Reinforcement Learning [72.82459524257446]
主に、強化学習における最も基本的なトピックの1つである、オフ・ポリシー評価(OPE)に焦点を当てています。
我々は,OPEの効率バウンダリ,既存のOPE手法のいくつか,その統計的性質,その他の研究方向について論じる。
論文 参考訳(メタデータ) (2022-12-13T03:38:57Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - 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) - Bayesian active learning for production, a systematic study and a
reusable library [85.32971950095742]
本稿では,現在のアクティブラーニング技術の主な欠点について分析する。
実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。
部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
論文 参考訳(メタデータ) (2020-06-17T14:51:11Z)
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。