論文の概要: Harnessing Transparent Learning Analytics for Individualized Support
through Auto-detection of Engagement in Face-to-Face Collaborative Learning
- arxiv url: http://arxiv.org/abs/2401.10264v1
- Date: Wed, 3 Jan 2024 12:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-28 16:30:18.736352
- Title: Harnessing Transparent Learning Analytics for Individualized Support
through Auto-detection of Engagement in Face-to-Face Collaborative Learning
- Title(参考訳): 対面協調学習におけるエンゲージメントの自動検出による個別支援のための透明学習分析
- Authors: Qi Zhou, Wannapon Suraworachet, Mutlu Cukurova
- Abstract要約: 本稿では,共同作業における学生の個人参加を自動的に検出する透過的アプローチを提案する。
提案手法は,学生の個人的関与を反映し,異なる協調学習課題を持つ生徒を識別する指標として利用することができる。
- 参考スコア(独自算出の注目度): 3.0184625301151833
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using learning analytics to investigate and support collaborative learning
has been explored for many years. Recently, automated approaches with various
artificial intelligence approaches have provided promising results for
modelling and predicting student engagement and performance in collaborative
learning tasks. However, due to the lack of transparency and interpretability
caused by the use of "black box" approaches in learning analytics design and
implementation, guidance for teaching and learning practice may become a
challenge. On the one hand, the black box created by machine learning
algorithms and models prevents users from obtaining educationally meaningful
learning and teaching suggestions. On the other hand, focusing on group and
cohort level analysis only can make it difficult to provide specific support
for individual students working in collaborative groups. This paper proposes a
transparent approach to automatically detect student's individual engagement in
the process of collaboration. The results show that the proposed approach can
reflect student's individual engagement and can be used as an indicator to
distinguish students with different collaborative learning challenges
(cognitive, behavioural and emotional) and learning outcomes. The potential of
the proposed collaboration analytics approach for scaffolding collaborative
learning practice in face-to-face contexts is discussed and future research
suggestions are provided.
- Abstract(参考訳): 学習分析を用いて協調学習の調査と支援が長年にわたって行われてきた。
近年,様々な人工知能アプローチによる自動的アプローチが,協調学習タスクにおける学生のエンゲージメントとパフォーマンスのモデル化と予測に有望な成果をもたらしている。
しかしながら、分析設計と実装の学習に「ブラックボックス」アプローチを用いたことによる透明性と解釈可能性の欠如により、指導と学習の実践の指導が困難になる可能性がある。
一方、機械学習アルゴリズムとモデルによって作成されたブラックボックスは、ユーザーが教育的に意味のある学習や教示を得るのを防ぐ。
一方,グループレベル分析とコホートレベル分析のみに注目することは,協調グループで働く個々の学生に具体的な支援を提供することを困難にする。
本稿では,共同作業における学生の個人参加を自動的に検出する透過的アプローチを提案する。
その結果,提案手法は学生の個人的関与を反映し,異なる協調学習課題(認知的,行動的,感情的)と学習成果を識別するための指標として使用できることがわかった。
対面の文脈における協調学習実践の足場構築に向けたコラボレーション分析手法の可能性について検討し,今後の研究提案を行う。
関連論文リスト
- Revealing Networks: Understanding Effective Teacher Practices in
AI-Supported Classrooms using Transmodal Ordered Network Analysis [0.9187505256430948]
本研究は,AI教師と連携した数学教室において,システム内学習の伝統的な指標に関連する効果的な教員の実践を理解するために,トランスモーダル順序ネットワーク分析を用いた。
教師の実践を学生の学習率で比較すると,低学率の生徒はモニタリング後,より有意な使用感を示した。
学習率の低い生徒は、高学率の学生と同様の学習行動を示し、教師の正しい試みを繰り返した。
論文 参考訳(メタデータ) (2023-12-17T21:50:02Z) - 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) - RLIF: Interactive Imitation Learning as Reinforcement Learning [61.14928315004026]
オフ・ポリティクス強化学習は、インタラクティブな模倣学習よりも近いが、潜在的にさらに実践的な仮定の下で、パフォーマンスを向上させることができる。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳(メタデータ) (2023-11-21T21:05:21Z) - Dynamic Diagnosis of the Progress and Shortcomings of Student Learning
using Machine Learning based on Cognitive, Social, and Emotional Features [0.06999740786886534]
学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。
単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。
本稿では,データ分析と機械学習に基づく新しい手法について論じる。
論文 参考訳(メタデータ) (2022-04-13T21:14:58Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳(メタデータ) (2022-02-12T06:10:15Z) - Unsupervised Domain Adaptive Person Re-Identification via Human Learning
Imitation [67.52229938775294]
近年、研究者は、異なる人物の再識別データセット間のドメインギャップを減らすために、教師学生フレームワークを彼らの手法に活用することを提案している。
近年の教員中心の枠組みに基づく手法に着想を得て,異なる側面から人間の学習過程を模倣するためのさらなる探究を提案する。
論文 参考訳(メタデータ) (2021-11-28T01:14:29Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳(メタデータ) (2021-07-14T18:09:08Z) - 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) - Human-centered collaborative robots with deep reinforcement learning [17.95532625062205]
人中心協調システムのための強化学習に基づくフレームワークを提案する。
フレームワークは積極的に、タイムリーなアクションの利点と不適切なアクションを取るリスクのバランスを取る。
論文 参考訳(メタデータ) (2020-07-02T10:45:34Z) - Dual Policy Distillation [58.43610940026261]
教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。
本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。
この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
論文 参考訳(メタデータ) (2020-06-07T06:49:47Z) - Three Approaches for Personalization with Applications to Federated
Learning [68.19709953755238]
本稿では,パーソナライゼーションの体系的学習理論について述べる。
学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。
全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
論文 参考訳(メタデータ) (2020-02-25T01:36:43Z)
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。