論文の概要: Towards Generalizable Detection of Urgency of Discussion Forum Posts
- arxiv url: http://arxiv.org/abs/2307.07614v1
- Date: Fri, 14 Jul 2023 20:21:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 18:56:04.103080
- Title: Towards Generalizable Detection of Urgency of Discussion Forum Posts
- Title（参考訳）: 討論会投稿の緊急性の検出に向けて
- Authors: Valdemar \v{S}v\'abensk\'y, Ryan S. Baker, Andr\'es Zambrano, Yishan
Zou, Stefan Slater
- Abstract要約: MOOCなどのオンラインコースを受講している学生は、講座のディスカッションフォーラムを使って質問したり、問題に遭遇したときにインストラクターに連絡したりする。
我々は,各フォーラム投稿の緊急性を自動的に判断する予測モデルを構築し,これらの投稿をインストラクターの注意を惹きつけることができるようにした。
本稿は,2値決定のカットオフだけでなく,ポストの緊急度を7ポイントのスケールで予測することによって,これまでの作業を越えている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Students who take an online course, such as a MOOC, use the course's
discussion forum to ask questions or reach out to instructors when encountering
an issue. However, reading and responding to students' questions is difficult
to scale because of the time needed to consider each message. As a result,
critical issues may be left unresolved, and students may lose the motivation to
continue in the course. To help address this problem, we build predictive
models that automatically determine the urgency of each forum post, so that
these posts can be brought to instructors' attention. This paper goes beyond
previous work by predicting not just a binary decision cut-off but a post's
level of urgency on a 7-point scale. First, we train and cross-validate several
models on an original data set of 3,503 posts from MOOCs at University of
Pennsylvania. Second, to determine the generalizability of our models, we test
their performance on a separate, previously published data set of 29,604 posts
from MOOCs at Stanford University. While the previous work on post urgency used
only one data set, we evaluated the prediction across different data sets and
courses. The best-performing model was a support vector regressor trained on
the Universal Sentence Encoder embeddings of the posts, achieving an RMSE of
1.1 on the training set and 1.4 on the test set. Understanding the urgency of
forum posts enables instructors to focus their time more effectively and, as a
result, better support student learning.
- Abstract（参考訳）: moocのようなオンラインコースを受講する学生は、コースのディスカッションフォーラムを使って質問したり、問題が発生したときにインストラクターに連絡したりする。
しかし,各メッセージの検討に要する時間があるため,学生の質問に対する読解と回答はスケールアップが困難である。
その結果、重大な問題は未解決のまま残され、学生はコースを継続する動機を失う可能性がある。
この問題に対処するために,各フォーラム投稿の緊急度を自動的に決定する予測モデルを構築し,これらの投稿をインストラクターの注意を引くことができるようにした。
本稿は,二分決定のカットオフだけでなく,ポストの緊急性レベルを7ポイントスケールで予測することで,これまでの作業を超えている。
まず、ペンシルバニア大学のMOOCから3,503のポストからなる元のデータセット上で、いくつかのモデルをトレーニングし、検証します。
第2に,私たちのモデルの一般化可能性を決定するために,スタンフォード大学のmoocsから29,604の投稿からなる別個のデータセットで,そのパフォーマンスをテストしています。
これまでの緊急後の作業では,1つのデータセットのみを使用していたが,異なるデータセットやコース間での予測を評価した。
最高のパフォーマンスモデルは、ポストのUniversal Sentence Encoder埋め込みに基づいてトレーニングされたサポートベクトル回帰器であり、トレーニングセットでは1.1、テストセットでは1.4である。
フォーラム投稿の緊急性を理解することで、インストラクターはより効果的に時間を集中することができ、その結果、生徒の学習をより良く支援できる。
関連論文リスト
- Enhancing LLM Reasoning via Critique Models with Test-Time and Training-Time Supervision [120.40788744292739]
本稿では、推論と批判モデルの役割を分離する2人プレイヤパラダイムを提案する。
まず、批判データを収集する自動化およびスケーラブルなフレームワークであるAutoMathCritiqueを提案する。
テスト時間における難解なクエリに対するアクターのパフォーマンスを,批判モデルが一貫して改善することが実証された。
論文 参考訳（メタデータ） (2024-11-25T17:11:54Z) - SuperCorrect: Supervising and Correcting Language Models with Error-Driven Insights [89.56181323849512]
より小規模な学生モデルの推論と反映の両方を教師モデルを用いて監督し,修正するフレームワークであるSuperCorrectを提案する。
第1段階では、教師モデルから階層的な高レベルかつ詳細な思考テンプレートを抽出し、よりきめ細かい推論思考を導き出す学生モデルを指導する。
第2段階では、学生モデルの自己補正能力を高めるために、クロスモデル協調直接選好最適化(DPO)を導入する。
論文 参考訳（メタデータ） (2024-10-11T17:25:52Z) - 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) - Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need
in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。
多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。
MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。
本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文 参考訳（メタデータ） (2021-04-26T15:12:13Z) - Predicting student performance using data from an auto-grading system [0.0]
我々はMarmoset自動階調システムから抽出した様々な特徴を持つ決定木モデルと線形回帰モデルを構築した。
本稿では, 入力時間間隔を用いた線形回帰モデルが, 精度とF-Measureの点で, 全モデルの中で最良であることを示す。
また,成績の悪い生徒に誤分類された生徒は,すべてのモデルにおいて,線形回帰モデルの中では最も低い実例があることが示唆された。
論文 参考訳（メタデータ） (2021-02-02T03:02:39Z) - Learning Student Interest Trajectory for MOOCThread Recommendation [9.560312630927601]
大規模オープンオンラインコース(MOOC)の学生の将来の興味の軌跡を予測するために提案します。
本モデルは,(1)更新操作と(2)投影操作の2つの操作からなる。
私たちのモデルはスレッドレコメンデーションの他のベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2021-01-10T10:23:11Z) - Unification of HDP and LDA Models for Optimal Topic Clustering of
Subject Specific Question Banks [55.41644538483948]
オンラインコースの人気が高まると、学者向けのコース関連クエリの数が増加することになる。
個々の質問に答えるのに費やす時間を短縮するために、それらをクラスタリングするのは理想的な選択です。
階層ディリクレプロセスを用いて、LDAモデルの実行に対して最適なトピック番号を入力します。
論文 参考訳（メタデータ） (2020-10-04T18:21:20Z) - TACRED Revisited: A Thorough Evaluation of the TACRED Relation
Extraction Task [80.38130122127882]
TACREDはリレーショナル抽出(RE)において最も大きく、最も広く使われているクラウドソースデータセットの1つである
パフォーマンスの天井に到達したのか、改善の余地はあるのか?
ラベルエラーは絶対F1テストエラーの8%を占めており、例の50%以上を可逆化する必要がある。
論文 参考訳（メタデータ） (2020-04-30T15:07:37Z)
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。