論文の概要: Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition

• arxiv url: http://arxiv.org/abs/2312.16362v1
• Date: Wed, 27 Dec 2023 00:08:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 19:51:37.854954
• Title: Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition
• Title（参考訳）: チームを維持する - オンライン問題ベースの学習コンペティションにおけるドロップアウト予測
• Authors: Aditya Panwar, Ashwin T S, Ramkumar Rajendran, Kavi Arya
• Abstract要約: この研究は、オンライン長手問題ベース学習(PBL)協調ロボティクスコンペティションをテストベッドとして採用している。 本研究は、参加チームの談話討論フォーラム「活動」への貢献と、自己報告型オンライン学習戦略アンケート(OSLQ)を通じて、ドロップアウト行動を予測することを目的とする。 以上の結果から,OSLQの信頼性は極めて高いサンプルサイズであり,オンライン競争におけるドロップアウト率の予測には有望な結果が得られた。
• 参考スコア（独自算出の注目度）: 0.4779196219827506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online learning and MOOCs have become increasingly popular in recent years, and the trend will continue, given the technology boom. There is a dire need to observe learners' behavior in these online courses, similar to what instructors do in a face-to-face classroom. Learners' strategies and activities become crucial to understanding their behavior. One major challenge in online courses is predicting and preventing dropout behavior. While several studies have tried to perform such analysis, there is still a shortage of studies that employ different data streams to understand and predict the drop rates. Moreover, studies rarely use a fully online team-based collaborative environment as their context. Thus, the current study employs an online longitudinal problem-based learning (PBL) collaborative robotics competition as the testbed. Through methodological triangulation, the study aims to predict dropout behavior via the contributions of Discourse discussion forum 'activities' of participating teams, along with a self-reported Online Learning Strategies Questionnaire (OSLQ). The study also uses Qualitative interviews to enhance the ground truth and results. The OSLQ data is collected from more than 4000 participants. Furthermore, the study seeks to establish the reliability of OSLQ to advance research within online environments. Various Machine Learning algorithms are applied to analyze the data. The findings demonstrate the reliability of OSLQ with our substantial sample size and reveal promising results for predicting the dropout rate in online competition.
• Abstract（参考訳）: 近年,オンライン学習やMOOCが普及し,技術ブームの影響で傾向が続いている。 これらのオンラインコースでは、インストラクターが対面教室で行っているのと同じように、学習者の行動を観察する必要がある。 学習者の行動を理解する上で,学習者の戦略や活動が不可欠となる。 オンラインコースにおける大きな課題のひとつは、ドロップアウト行動の予測と防止だ。 このような分析を行おうとする研究はいくつかあるが、減少率を理解し予測するために異なるデータストリームを利用する研究はいまだに不足している。 さらに、研究は、完全にオンラインなチームベースの協調環境を文脈として使うことは滅多にない。 そこで本研究では,オンライン縦型問題ベース学習(pbl)をテストベッドとして採用する。 本研究は,方法論的三角測量を通じて,参加チームの談話討論フォーラム「活動」と自己報告型オンライン学習戦略アンケート(OSLQ)のコントリビューションを通じて,ドロップアウト行動を予測することを目的とする。 この研究はまた、質的なインタビューを使って根拠の真理と結果を高める。 OSLQデータは4000人以上の参加者から収集される。 さらに、この研究は、オンライン環境における研究を進めるためのOSLQの信頼性を確立することを目的としている。 さまざまな機械学習アルゴリズムを用いてデータを解析する。 以上の結果から,oslqの信頼性とサンプルサイズが明らかとなり,オンラインコンペティションにおけるドロップアウト率の予測に有望な結果が得られた。

関連論文リスト

• What Makes CLIP More Robust to Long-Tailed Pre-Training Data? A Controlled Study for Transferable Insights [67.72413262980272]
  大規模なデータ不均衡は、Webスケールの視覚言語データセットの間に自然に存在する。 事前学習したCLIPは、教師付き学習と比較してデータ不均衡に顕著な堅牢性を示す。 CLIPの堅牢性と差別性は、より記述的な言語監督、より大きなデータスケール、より広いオープンワールドの概念によって改善される。
  論文  参考訳（メタデータ） (2024-05-31T17:57:24Z)
• How does online teamwork change student communication patterns in programming courses? [0.0]
  近年の研究では、対人コミュニケーションがオンライン教育の学習結果に肯定的な影響を及ぼすことが示されている。 本研究では,MOOCにおけるピアコミュニケーションが制限されているコミュニケーションパターンと,オンライン・ピア・インストラクションに学生が関与しているブレンド・コースのコミュニケーションパターンを比較した。
  論文  参考訳（メタデータ） (2022-04-08T18:34:52Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Comparative Study of Learning Outcomes for Online Learning Platforms [47.5164159412965]
  パーソナライゼーションとアクティブラーニングは、学習の成功の鍵となる側面です。 私たちは2つの人気のあるオンライン学習プラットフォームの学習結果の比較正面調査を実施します。
  論文  参考訳（メタデータ） (2021-04-15T20:40:24Z)
• Social Engagement versus Learning Engagement -- An Exploratory Study of FutureLearn Learners [61.58283466715385]
  大規模なオープンオンラインコース (MOOCs) は増加傾向にあるが、エンロリーのごく一部しかMOOCsを完了していない。 この研究は、MOOCにおける研究の進展とともに、学習者がピアとどのように相互作用するかに特に関係している。 この研究は、社会的構成主義的アプローチを採用し、協調学習を促進するFutureLearnプラットフォーム上で行われた。
  論文  参考訳（メタデータ） (2020-08-11T16:09:10Z)
• 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)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)
• Identifying At-Risk K-12 Students in Multimodal Online Environments: A Machine Learning Approach [23.02984017971824]
  オンライン講座から退学するリスクがあるK-12学生を事前に識別するためのドロップアウト警告フレームワークを持つことが不可欠である。 我々は,K-12マルチモーダルオンライン環境に特化した,リスクの高い学生識別を行う機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-03-21T14:34:36Z)

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。