論文の概要: ClickTree: A Tree-based Method for Predicting Math Students' Performance Based on Clickstream Data
- arxiv url: http://arxiv.org/abs/2403.14664v1
- Date: Fri, 1 Mar 2024 23:39:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 03:43:10.553377
- Title: ClickTree: A Tree-based Method for Predicting Math Students' Performance Based on Clickstream Data
- Title（参考訳）: ClickTree:Clickstreamデータに基づく数学学生のパフォーマンス予測手法
- Authors: Narjes Rohani, Behnam Rohani, Areti Manataki,
- Abstract要約: 我々は,学生のクリックストリームデータに基づいて,数学的課題における生徒のパフォーマンスを予測するための木ベースの手法であるClickTreeを開発した。
この手法は2023年の教育データマイニングカップで0.78844のAUCを達成し、大会では2位となった。
エンド・ユニット・アサイン問題への回答が良好であった学生は、イン・ユニット・アサイン問題により関与し、より多くの問題に正しく答えた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The prediction of student performance and the analysis of students' learning behavior play an important role in enhancing online courses. By analysing a massive amount of clickstream data that captures student behavior, educators can gain valuable insights into the factors that influence academic outcomes and identify areas of improvement in courses. In this study, we developed ClickTree, a tree-based methodology, to predict student performance in mathematical assignments based on students' clickstream data. We extracted a set of features, including problem-level, assignment-level and student-level features, from the extensive clickstream data and trained a CatBoost tree to predict whether a student successfully answers a problem in an assignment. The developed method achieved an AUC of 0.78844 in the Educational Data Mining Cup 2023 and ranked second in the competition. Furthermore, our results indicate that students encounter more difficulties in the problem types that they must select a subset of answers from a given set as well as problem subjects of Algebra II. Additionally, students who performed well in answering end-unit assignment problems engaged more with in-unit assignments and answered more problems correctly, while those who struggled had higher tutoring request rate. The proposed method can be utilized to improve students' learning experiences, and the above insights can be integrated into mathematical courses to enhance students' learning outcomes.
- Abstract（参考訳）: 学生のパフォーマンスの予測と生徒の学習行動の分析は、オンラインコースの強化に重要な役割を果たしている。
学生の振る舞いを捉えた大量のクリックストリームデータを分析することによって、教育者は学術的な成果に影響を与える要因について貴重な洞察を得ることができ、コースにおける改善の領域を特定することができる。
本研究では,学生のクリックストリームデータに基づいて,数学課題における学生のパフォーマンスを予測するための木に基づく手法であるClickTreeを開発した。
そこで我々は,広範囲なクリックストリームデータから課題レベル,課題レベル,学生レベルの特徴を含む一連の特徴を抽出し,課題の解決に成功するかどうかを予測するために,CatBoostツリーを訓練した。
この手法は2023年の教育データマイニングカップで0.78844のAUCを達成し、大会では2位となった。
さらに,本研究の結果から,学生は問題タイプにおいて,与えられた集合から回答のサブセットを選択することや,Algebra IIの課題に直面することが示唆された。
さらに, 単位内割当てに係わる課題に対して, 単位内割当てに係わる問題に対処し, より多くの問題に正しく答える一方で, 家庭教師の要求率が高かった。
提案手法は, 生徒の学習経験を改善するために利用することができ, 上記の知見を数学コースに統合し, 生徒の学習成果を向上させることができる。
関連論文リスト
- Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
本稿では,学生の難易度を予測するための自動ツールを開発する。
潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
論文 参考訳（メタデータ） (2024-08-16T04:57:54Z) - MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties
Grounded in Math Reasoning Problems [74.73881579517055]
そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。
このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
論文 参考訳（メタデータ） (2023-05-23T21:44:56Z) - Fair and skill-diverse student group formation via constrained k-way
graph partitioning [65.29889537564455]
本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。
学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。
この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
論文 参考訳（メタデータ） (2023-01-12T14:02:49Z) - Identifying Different Student Clusters in Functional Programming
Assignments: From Quick Learners to Struggling Students [2.0386745041807033]
我々は、マギル大学で教えられた関数型プログラミングコースから収集された学生の課題データを分析する。
これにより、「Quick-learning」、「Hardworking」、「Satisficing」、「Struggling」の4つのクラスタを特定できる。
次に、作業習慣、作業期間、エラーの範囲、エラーを修正する能力が、学生の異なるクラスタに与える影響を分析する。
論文 参考訳（メタデータ） (2023-01-06T17:15:58Z) - 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) - A Predictive Model for Student Performance in Classrooms Using Student
Interactions With an eTextbook [0.0]
本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。
提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
論文 参考訳（メタデータ） (2022-02-16T11:59:53Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - Graph-based Exercise- and Knowledge-Aware Learning Network for Student
Performance Prediction [8.21303828329009]
学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。
我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
論文 参考訳（メタデータ） (2021-06-01T06:53:17Z) - 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) - 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) - Leveraging Affect Transfer Learning for Behavior Prediction in an
Intelligent Tutoring System [32.63911260416332]
知的学習システム(ITS)で作業する学生の問題点を予測するためのビデオベースの転帰学習手法を提案する。
学生の顔やジェスチャーを分析して、ビデオフィードからITSの課題に答える学生の結果を予測する。
論文 参考訳（メタデータ） (2020-02-12T21:30:34Z)
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。