論文の概要: Process mining for self-regulated learning assessment in e-learning
- arxiv url: http://arxiv.org/abs/2403.12068v1
- Date: Sun, 11 Feb 2024 11:51:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 07:46:43.492242
- Title: Process mining for self-regulated learning assessment in e-learning
- Title（参考訳）: eラーニングにおける自己制御型学習評価のためのプロセスマイニング
- Authors: R. Cerezo, A. Bogarin, M. Esteban, C. Romero,
- Abstract要約: 我々は,プロセスマイニング技術を用いて,自己統制学習などの中核的スキルの習得について検討する。
我々は,Moodle 2.0プラットフォーム上で1学期以上のコースで101人の大学生のインタラクショントレースに対して,インダクティブマイナーという教育領域に新しいアルゴリズムを適用した。
受講生は, 受講生の示唆に忠実に従わなかったが, 失敗するクラスメートとは対照的に, 自己統制的な学習プロセスの論理に従わなかった。
- 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: Content assessment has broadly improved in e-learning scenarios in recent decades. However, the eLearning process can give rise to a spatial and temporal gap that poses interesting challenges for assessment of not only content, but also students' acquisition of core skills such as self-regulated learning. Our objective was to discover students' self-regulated learning processes during an eLearning course by using Process Mining Techniques. We applied a new algorithm in the educational domain called Inductive Miner over the interaction traces from 101 university students in a course given over one semester on the Moodle 2.0 platform. Data was extracted from the platform's event logs with 21629 traces in order to discover students' self-regulation models that contribute to improving the instructional process. The Inductive Miner algorithm discovered optimal models in terms of fitness for both Pass and Fail students in this dataset, as well as models at a certain level of granularity that can be interpreted in educational terms, which are the most important achievement in model discovery. We can conclude that although students who passed did not follow the instructors' suggestions exactly, they did follow the logic of a successful self-regulated learning process as opposed to their failing classmates. The Process Mining models also allow us to examine which specific actions the students performed, and it was particularly interesting to see a high presence of actions related to forum-supported collaborative learning in the Pass group and an absence of those in the Fail group.
- Abstract（参考訳）: コンテンツアセスメントは近年,eラーニングのシナリオにおいて大きく改善されている。
しかし、eラーニングプロセスは、コンテンツの評価だけでなく、自己統制学習などの中核的スキルの獲得にも興味深い課題をもたらす空間的・時間的ギャップを生じさせる可能性がある。
本研究の目的は,プロセスマイニング技術を用いて,eラーニング科目における生徒の自己統制学習過程を明らかにすることである。
我々は,Moodle 2.0プラットフォーム上で1学期以上のコースで101人の大学生のインタラクショントレースに対して,インダクティブマイナーという教育領域に新しいアルゴリズムを適用した。
授業プロセスの改善に寄与する学生の自己規制モデルを発見するために、21629のトレースを持つプラットフォームのイベントログからデータを抽出した。
Inductive Minerアルゴリズムは、このデータセットにおいて、パスとフェイルの両方の学生の適合度の観点から最適なモデルを発見し、また、モデルの発見において最も重要な成果である教育用語で解釈できる一定の粒度のモデルを発見した。
その結果,受講生は指導員の提案に正確に従わなかったが,失敗するクラスメートとは対照的に,自己統制的な学習プロセスの論理に従わなかった。
プロセスマイニングモデルでは,学生が実施した特定の行動の検証も可能であり,特にPassグループにおけるフォーラム支援協調学習に関連する行動の存在や,Failグループ内の行動が欠如していることが注目された。
関連論文リスト
- Machine Unlearning in Contrastive Learning [3.6218162133579694]
本稿では,機械学習を効果的に行うためのモデルトレーニングのための,勾配制約に基づく新しいアプローチを提案する。
提案手法は,コントラスト学習モデルだけでなく,教師付き学習モデルにも有能な性能を示す。
論文 参考訳（メタデータ） (2024-05-12T16:09:01Z) - A General Model for Detecting Learner Engagement: Implementation and Evaluation [0.0]
本稿では,学習者のエンゲージメントレベルを検出するための特徴の選択と処理のための,汎用的で軽量なモデルを提案する。
本研究では,DAiSEEデータセットの映像を分析し,学習者のエンゲージメントのダイナミックな意義を捉えた。
提案モデルは,特定の実装において68.57%の精度を達成し,学習者のエンゲージメントレベルを検出する最先端モデルより優れている。
論文 参考訳（メタデータ） (2024-05-07T12:11:15Z) - An Effective Learning Management System for Revealing Student Performance Attributes [22.88480788156872]
本研究では,学生の成績記録から効率的にマイニングするために,先進的な教育用マイニングモジュールを組み込んだLMSを提案する。
その結果,従来の教育用マイニングアルゴリズムと比較して,情報損失のないマイニングモジュールのマイニング効率が向上した。
このような効果的なLMSの設計と応用により、教育者は過去の学生のパフォーマンス経験から学び、時間内に生徒と交流し、最終的に学業成功を向上させることができる。
論文 参考訳（メタデータ） (2024-03-05T03:56:49Z) - Knowledge Distillation for Road Detection based on cross-model Semi-Supervised Learning [17.690698736544626]
本稿では,知識蒸留と半教師付き学習手法を組み合わせた統合的アプローチを提案する。
このハイブリッドアプローチは、大規模モデルのロバストな機能を活用して、大規模な未ラベルデータを効果的に活用する。
半教師付き学習に基づく知識蒸留(SSLKD)アプローチは,学生モデルの性能向上を示す。
論文 参考訳（メタデータ） (2024-02-07T22:50:47Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳（メタデータ） (2022-12-13T12:14:09Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Implicit Offline Reinforcement Learning via Supervised Learning [83.8241505499762]
監視学習によるオフライン強化学習(RL)は、さまざまな専門レベルのポリシーによって収集されたデータセットからロボットスキルを学ぶための、シンプルで効果的な方法である。
我々は、暗黙的なモデルが返却情報を利用して、固定されたデータセットからロボットスキルを取得するために、明示的なアルゴリズムにマッチするか、あるいは性能を向上するかを示す。
論文 参考訳（メタデータ） (2022-10-21T21:59:42Z) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。
本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。
改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文 参考訳（メタデータ） (2022-08-16T13:46:39Z) - Process-BERT: A Framework for Representation Learning on Educational
Process Data [68.8204255655161]
本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。
我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。
当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
論文 参考訳（メタデータ） (2022-04-28T16:07:28Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳（メタデータ） (2020-02-03T06:13:01Z)
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。