論文の概要: CLGT: A Graph Transformer for Student Performance Prediction in
Collaborative Learning
- arxiv url: http://arxiv.org/abs/2308.02038v1
- Date: Sun, 30 Jul 2023 09:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 01:59:18.141617
- Title: CLGT: A Graph Transformer for Student Performance Prediction in
Collaborative Learning
- Title(参考訳): CLGT:協調学習における学生のパフォーマンス予測のためのグラフ変換器
- Authors: Tianhao Peng, Yu Liang, Wenjun Wu, Jian Ren, Zhao Pengrui, Yanjun Pu
- Abstract要約: 協調学習のための拡張グラフトランスフォーマーフレームワーク(CLGT)を提案する。
実験結果から,提案したCLGTは,実世界のデータセットに基づいて予測を行うという点で,ベースラインモデルよりも優れていたことが確認された。
- 参考スコア(独自算出の注目度): 6.140954034246379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling and predicting the performance of students in collaborative learning
paradigms is an important task. Most of the research presented in literature
regarding collaborative learning focuses on the discussion forums and social
learning networks. There are only a few works that investigate how students
interact with each other in team projects and how such interactions affect
their academic performance. In order to bridge this gap, we choose a software
engineering course as the study subject. The students who participate in a
software engineering course are required to team up and complete a software
project together. In this work, we construct an interaction graph based on the
activities of students grouped in various teams. Based on this student
interaction graph, we present an extended graph transformer framework for
collaborative learning (CLGT) for evaluating and predicting the performance of
students. Moreover, the proposed CLGT contains an interpretation module that
explains the prediction results and visualizes the student interaction
patterns. The experimental results confirm that the proposed CLGT outperforms
the baseline models in terms of performing predictions based on the real-world
datasets. Moreover, the proposed CLGT differentiates the students with poor
performance in the collaborative learning paradigm and gives teachers early
warnings, so that appropriate assistance can be provided.
- Abstract(参考訳): 協調学習パラダイムにおける学生のパフォーマンスのモデル化と予測は重要な課題である。
共同学習に関する文献で示された研究の多くは、議論フォーラムと社会学習ネットワークに焦点を当てている。
チームプロジェクトにおける学生同士の交流や、そのような相互作用が学業成績に与える影響について調査する研究はごくわずかである。
このギャップを埋めるために、私たちは研究対象としてソフトウェアエンジニアリングコースを選択します。
ソフトウェア工学のコースに参加する学生は、一緒にソフトウェアプロジェクトを立ち上げ、完成することが求められます。
本研究では,様々なチームで編成された学生の活動に基づいたインタラクショングラフを構築する。
この学生間相互作用グラフに基づいて、学生のパフォーマンスを評価し予測するための協調学習のための拡張グラフトランスフォーマフレームワーク(CLGT)を提案する。
さらに,提案するclgtには,予測結果を説明し,学生のインタラクションパターンを可視化する解釈モジュールが含まれている。
実験の結果,clgtは実世界のデータセットに基づいて予測を行うことでベースラインモデルを上回ることがわかった。
さらに,clgtは,協調学習パラダイムにおいて成績の悪い生徒を区別し,教師に早期警告を与え,適切な支援を提供する。
関連論文リスト
- Code Collaborate: Dissecting Team Dynamics in First-Semester Programming Students [3.0294711465150006]
この研究は、第一期生が2Dゲームプロジェクトを開発するときに現れるコラボレーションのトレンドを強調している。
その結果、学生は自分の貢献をわずかに過大評価することが多く、より熱心な個人は間違いを認めやすいことが示唆された。
チームパフォーマンスは、国籍や性別構成に基づく大きな変化は示さないが、解散したチームは、しばしば孤独なオオカミで構成されていた。
論文 参考訳(メタデータ) (2024-10-28T11:42:05Z) - Enhancing the Performance of Automated Grade Prediction in MOOC using
Graph Representation Learning [3.4882560718166626]
大規模オープンオンラインコース(MOOCs)は、オンライン学習において急速に成長する現象として大きな注目を集めている。
現在の自動評価アプローチでは、下流タスクに関わるさまざまなエンティティ間の構造的リンクを見落としている。
我々は、大規模なMOOCデータセットのためのユニークな知識グラフを構築し、研究コミュニティに公開します。
論文 参考訳(メタデータ) (2023-10-18T19:27:39Z) - End to End Generative Meta Curriculum Learning For Medical Data
Augmentation [2.471925498075058]
最近の医用画像合成増強技術は、GAN(Generative Adversarial Network)の集中的利用に依存している
本稿では,1つの教師モデルのみを用いて,タスク特化モデル(学生)をエンドツーエンドに学習する新しいメタカリキュラム学習手法を提案する。
GANのジェネレータと差別装置が互いに競合するのに対し、教師と生徒は、目標タスクにおける生徒のパフォーマンスを改善するために協力する。
論文 参考訳(メタデータ) (2022-12-20T08:54:11Z) - Learning Action-Effect Dynamics for Hypothetical Vision-Language
Reasoning Task [50.72283841720014]
本研究では,行動の効果に関する推論を改善する新しい学習戦略を提案する。
本稿では,提案手法の有効性を実証し,性能,データ効率,一般化能力の観点から,従来のベースラインに対する優位性を論じる。
論文 参考訳(メタデータ) (2022-12-07T05:41:58Z) - Towards Explainable Student Group Collaboration Assessment Models Using
Temporal Representations of Individual Student Roles [12.945344702592557]
学生グループコラボレーションを評価するために,簡単な時間-CNN深層学習モデルを提案する。
学生グループコラボレーション評価における動的に変化する特徴表現の適用性を検討する。
また、ディープラーニングモデルの決定に繋がった重要な時間指標をよりよく理解し、解釈するために、Grad-CAM視覚化を使用します。
論文 参考訳(メタデータ) (2021-06-17T16:00:08Z) - Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive
Person Re-Identification [54.58165777717885]
本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。
マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
論文 参考訳(メタデータ) (2021-05-11T04:09:49Z) - Jointly Modeling Heterogeneous Student Behaviors and Interactions Among
Multiple Prediction Tasks [35.15654921278549]
学生の予測課題は学生と大学生の両方にとって実用的な意味を持つ。
本稿では,不均一な振る舞いをモデル化し,複数の予測を行う。
大学から収集した実世界のデータセットに基づいて,モチベーション行動予測タスクを3つ設計する。
論文 参考訳(メタデータ) (2021-03-25T02:01:58Z) - Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。
1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文 参考訳(メタデータ) (2020-08-04T14:55:32Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳(メタデータ) (2020-04-29T02:32:04Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z) - Object Relational Graph with Teacher-Recommended Learning for Video
Captioning [92.48299156867664]
本稿では,新しいモデルと効果的なトレーニング戦略の両方を含む完全なビデオキャプションシステムを提案する。
具体的には,オブジェクトリレーショナルグラフ(ORG)に基づくエンコーダを提案する。
一方,教師推薦学習(TRL)手法を設計し,成功した外部言語モデル(ELM)をフル活用し,豊富な言語知識をキャプションモデルに統合する。
論文 参考訳(メタデータ) (2020-02-26T15:34:52Z)
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。