論文の概要: The Crowd in MOOCs: A Study of Learning Patterns at Scale

• arxiv url: http://arxiv.org/abs/2408.03025v1
• Date: Tue, 06 Aug 2024 08:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:21:55.709517
• Title: The Crowd in MOOCs: A Study of Learning Patterns at Scale
• Title（参考訳）: MOOCにおける群衆--大規模学習パターンの研究
• Authors: Xin Zhou, Aixin Sun, Jie Zhang, Donghui Lin,
• Abstract要約: 2年以内に1.6万以上のコースに登録された0.8万のユニークな学習者の3100万の学習活動のデータセットを分析した。 その結果,学習者の連続学習活動の時間間隔は,パワー・ローと周期的コサイン関数の分布の混合を呈することがわかった。 これらの発見は、コース上の推薦タスクを含む多様体の応用を促進することを実証する。
• 参考スコア（独自算出の注目度）: 38.0172611348248
• License:
• Abstract: The increasing availability of learning activity data in Massive Open Online Courses (MOOCs) enables us to conduct a large-scale analysis of learners' learning behavior. In this paper, we analyze a dataset of 351 million learning activities from 0.8 million unique learners enrolled in over 1.6 thousand courses within two years. Specifically, we mine and identify the learning patterns of the crowd from both temporal and course enrollment perspectives leveraging mutual information theory and sequential pattern mining methods. From the temporal perspective, we find that the time intervals between consecutive learning activities of learners exhibit a mix of power-law and periodic cosine function distribution. By qualifying the relationship between course pairs, we observe that the most frequently co-enrolled courses usually fall in the same category or the same university. We demonstrate these findings can facilitate manifold applications including recommendation tasks on courses. A simple recommendation model utilizing the course enrollment patterns is competitive to the baselines with 200$\times$ faster training time.
• Abstract（参考訳）: MOOC(Massive Open Online Courses)における学習活動データの増加により,学習者の学習行動の大規模分析が可能となった。 本稿では,2年以内に1.6万以上のコースに登録された0.8万のユニークな学習者を対象に,3100万の学習活動のデータセットを分析した。 具体的には,相互情報理論と逐次的パターンマイニング手法を活用した時間的・コース的学習視点から,観衆の学習パターンを抽出し,同定する。 時間的視点から、学習者の連続学習活動間の時間間隔は、パワー・ローと周期的コサイン関数の分布が混在していることが分かる。 コースペア間の関係を適格化することにより、最も頻度の高い共学コースが、通常同じカテゴリーまたは同じ大学に該当することを観察する。 これらの発見は、コース上の推薦タスクを含む多様体の応用を促進することを実証する。 コースの登録パターンを利用するシンプルなレコメンデーションモデルは、200$\times$高速なトレーニングタイムでベースラインと競合する。

関連論文リスト

• Cross-course Process Mining of Student Clickstream Data -- Aggregation and Group Comparison [0.0]
  本稿では,Moodle などの授業管理システムから抽出した学生のインタラクションデータを解析する新しい手法を提案する。 本稿では,コース横断のセクションラベルを標準化する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-04T11:28:02Z)
• RIGL: A Unified Reciprocal Approach for Tracing the Independent and Group Learning Processes [22.379764500005503]
  個人レベルとグループレベルの両方で知識状態をトレースする統合相互モデルであるRIGLを提案する。 本稿では,学生と集団の相互作用を同時にモデル化するための時間フレーム対応の相互埋め込みモジュールを提案する。 動的グラフモデリングと時間的自己注意機構を組み合わせた関係誘導型時間的注意ネットワークを設計する。
  論文  参考訳（メタデータ） (2024-06-18T10:16:18Z)
• COOLer: Class-Incremental Learning for Appearance-Based Multiple Object Tracking [32.47215340215641]
  本稿では,連続学習研究の範囲を,複数物体追跡(MOT)のためのクラス増分学習に拡張する。 オブジェクト検出器の連続学習のための従来のソリューションは、外見に基づくトラッカーのデータ関連ステージには対応していない。 我々は,Contrastive- and cOntinual-LearningベースのトラッカーであるCOOLerを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T17:49:48Z)
• Curriculum Learning Meets Weakly Supervised Modality Correlation Learning [26.754095474534534]
  カリキュラム学習を弱教師付きモダリティ相関学習に導入する。 相関学習を支援するために,学習の難しさに応じてトレーニングペアをモデルに供給する。 提案手法は,マルチモーダル感情分析における最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-15T05:11:04Z)
• 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)
• Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A Stackelberg Game Approach [54.28419430315478]
  Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。 MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。 そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2021-09-25T17:27:48Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)
• 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)
• Analyzing Student Strategies In Blended Courses Using Clickstream Data [32.81171098036632]
  パターンマイニングと、自然言語処理から借用したモデルを用いて、学生のインタラクションを理解します。 きめ細かいクリックストリームデータは、非商業的な教育支援システムであるDiderotを通じて収集される。 提案手法は,混合コースの低データ設定においても有意な洞察を得られることが示唆された。
  論文  参考訳（メタデータ） (2020-05-31T03:01:00Z)

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。