論文の概要: Learning Style Identification Using Semi-Supervised Self-Taught Labeling

• arxiv url: http://arxiv.org/abs/2402.14597v1
• Date: Sun, 4 Feb 2024 11:56:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-25 16:44:50.123109
• Title: Learning Style Identification Using Semi-Supervised Self-Taught Labeling
• Title（参考訳）: 半教師付き自己学習ラベリングによる学習スタイル同定
• Authors: Hani Y. Ayyoub and Omar S. Al-Kadi
• Abstract要約: 教育は、パンデミックや戦争、気候変動に関連する自然災害などによる急激な変化や破壊に適応しなければならない。 学習管理システムは教師の生産性と創造性をサポートするが、通常はコース内のすべての学習者に同じコンテンツを提供する。 データマイニング技術を用いて,学生の学習スタイルを検出する半教師付き機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Education is a dynamic field that must be adaptable to sudden changes and disruptions caused by events like pandemics, war, and natural disasters related to climate change. When these events occur, traditional classrooms with traditional or blended delivery can shift to fully online learning, which requires an efficient learning environment that meets students' needs. While learning management systems support teachers' productivity and creativity, they typically provide the same content to all learners in a course, ignoring their unique learning styles. To address this issue, we propose a semi-supervised machine learning approach that detects students' learning styles using a data mining technique. We use the commonly used Felder Silverman learning style model and demonstrate that our semi-supervised method can produce reliable classification models with few labeled data. We evaluate our approach on two different courses and achieve an accuracy of 88.83% and 77.35%, respectively. Our work shows that educational data mining and semi-supervised machine learning techniques can identify different learning styles and create a personalized learning environment.
• Abstract（参考訳）: 教育は、パンデミックや戦争、気候変動に関連する自然災害などによる急激な変化や破壊に適応しなくてはならないダイナミックな分野である。 これらのイベントが発生すると、伝統的な教室やブレンドされた教室は、学生のニーズを満たす効率的な学習環境を必要とする完全なオンライン学習に移行することができる。 学習管理システムは教師の生産性と創造性をサポートするが、通常はコース内のすべての学習者に同じコンテンツを提供し、独自の学習スタイルを無視している。 そこで本研究では,データマイニング手法を用いて学生の学習スタイルを検出する半教師付き機械学習手法を提案する。 一般的なfelder silverman学習スタイルモデルを用いて,ラベル付きデータが少なく,信頼性の高い分類モデルが生成できることを実証した。 このアプローチを2つの異なるコースで評価し,それぞれ88.83%と77.35%の精度を得た。 私たちの研究は、教育データマイニングと半教師付き機械学習技術が異なる学習スタイルを識別し、パーソナライズされた学習環境を創造できることを示しています。

関連論文リスト

• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Pseudo-Labeling and Contextual Curriculum Learning for Online Grasp Learning in Robotic Bin Picking [47.4409816260196]
  SSL-ConvSACは、半教師付き学習と強化学習を組み合わせて、オンライングリップラーニングを行う。 実機7-DoFのフランカ・エミカロボットアームに吸引グリップを装着することで,ビンピッキングタスクにおけるオンライングリップ学習を改善することを実証する。
  論文  参考訳（メタデータ） (2024-03-04T21:41:27Z)
• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Choreographer: Learning and Adapting Skills in Imagination [60.09911483010824]
  我々は、その世界モデルを利用して想像力のスキルを学び、適応するモデルベースのエージェントであるChoreographerを紹介する。 提案手法は探索とスキル学習のプロセスを切り離し,モデルの潜在状態空間におけるスキルの発見を可能にする。 Choreographerはオフラインデータからスキルを学ぶことができ、探索ポリシーと同時にデータを集めることができる。
  論文  参考訳（メタデータ） (2022-11-23T23:31:14Z)
• Predicting students' learning styles using regression techniques [0.4125187280299248]
  オンライン学習は、学習者とインストラクターの相互作用が最小限であるため、パーソナライズ法を必要とする。 パーソナライズ手法の1つは、学習者の学習スタイルを検出することである。 学習者が支配的なスタイルや学習スタイルが混在していない場合、現在の検出モデルは効果がない。
  論文  参考訳（メタデータ） (2022-09-12T16:04:51Z)
• 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)
• Learning Data Teaching Strategies Via Knowledge Tracing [5.648636668261282]
  本稿では,学生モデルのためのデータ教育戦略を最適化する,知識強化データ教育(KADT)と呼ばれる新しい手法を提案する。 KADT法は、潜在学習概念の観点から、学生モデルの知識進捗を動的に捉えるための知識追跡モデルを含む。 我々は、知識追跡、感情分析、映画レコメンデーション、画像分類を含む4つの機械学習タスクにおいて、KADT法の性能を評価した。
  論文  参考訳（メタデータ） (2021-11-13T10:10:48Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Curriculum Learning: A Survey [65.31516318260759]
  カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。 我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。 集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
  論文  参考訳（メタデータ） (2021-01-25T20:08:32Z)
• Teaching Key Machine Learning Principles Using Anti-learning Datasets [0.0]
  我々は、最良の解に一般化する代替方法の教えを提唱する。 学生は、トレーニングプロセスから除外されたデータに対する検証の重要性についてより深く理解することができる。
  論文  参考訳（メタデータ） (2020-11-16T05:43:40Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。