論文の概要: OnDiscuss: An Epistemic Network Analysis Learning Analytics Visualization Tool for Evaluating Asynchronous Online Discussions

• arxiv url: http://arxiv.org/abs/2409.00051v1
• Date: Mon, 19 Aug 2024 21:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-08 15:31:02.403427
• Title: OnDiscuss: An Epistemic Network Analysis Learning Analytics Visualization Tool for Evaluating Asynchronous Online Discussions
• Title（参考訳）: OnDiscuss: 非同期オンラインディスカッションを評価するための認識ネットワーク分析学習分析可視化ツール
• Authors: Yanye Luther, Marcia Moraes, Sudipto Ghosh, James Folkestad,
• Abstract要約: OnDiscussはテキストマイニングアルゴリズムと疫学ネットワーク分析(ENA)を利用するインストラクターのための学習分析可視化ツール テキストマイニングはインストラクターのための最初のコードブックを生成するために使用され、データを自動的にコードする。 このツールは、インストラクターが自分のコードブックを編集し、クラス全体と個々の学生のENAネットワークを動的に閲覧することを可能にする。
• 参考スコア（独自算出の注目度）: 0.49998148477760973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Asynchronous online discussions are common assignments in both hybrid and online courses to promote critical thinking and collaboration among students. However, the evaluation of these assignments can require considerable time and effort from instructors. We created OnDiscuss, a learning analytics visualization tool for instructors that utilizes text mining algorithms and Epistemic Network Analysis (ENA) to generate visualizations of student discussion data. Text mining is used to generate an initial codebook for the instructor as well as automatically code the data. This tool allows instructors to edit their codebook and then dynamically view the resulting ENA networks for the entire class and individual students. Through empirical investigation, we assess this tool's effectiveness to help instructors in analyzing asynchronous online discussion assignments.
• Abstract（参考訳）: 学生間の批判的思考と協調を促進するために、ハイブリッドとオンラインの両コースにおいて、非同期オンラインディスカッションは共通の課題である。 しかし、これらの課題の評価には、インストラクターによるかなりの時間と労力を要する可能性がある。 OnDiscussはテキストマイニングアルゴリズムとEpistemic Network Analysis(ENA)を利用して、学生のディスカッションデータの視覚化を生成するインストラクターのための学習分析可視化ツールである。 テキストマイニングはインストラクターのための最初のコードブックを生成するために使用され、データを自動的にコードする。 このツールは、インストラクターが自分のコードブックを編集し、クラス全体と個々の学生のENAネットワークを動的に閲覧することを可能にする。 実験的な調査を通じて,このツールの有効性を評価し,非同期オンラインディスカッション課題の分析を支援する。

関連論文リスト

• Generating Situated Reflection Triggers about Alternative Solution Paths: A Case Study of Generative AI for Computer-Supported Collaborative Learning [3.2721068185888127]
  本稿では,学生に動的かつ文脈的フィードバックを提供する概念実証アプリケーションを提案する。 具体的には、ChatGPTを使って、大学レベルのクラウドコンピューティングコースのためのオンラインプログラミング演習ボットを拡張します。 LLMは、コンテキスト内で発生する協調的な議論の詳細を組み込んだ、高度に位置決めされたリフレクショントリガを生成するために使用できることを実証する。
  論文  参考訳（メタデータ） (2024-04-28T17:56:14Z)
• Mining patterns in syntax trees to automate code reviews of student solutions for programming exercises [0.0]
  本稿では,教育コードレビューにおけるフィードバックの再利用を自動化する機械学習手法ECHOを紹介する。 自動リンティングツールとヒューマンレビュアーの両方のアノテーションに基づいて,ECHOが適切なフィードバックアノテーションを正確かつ迅速に予測できることを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:03:19Z)
• Combining Automatic Coding and Instructor Input to Generate ENA Visualizations for Asynchronous Online Discussion [0.0]
  本稿では,LDA(Latent Dirichlet Analysis)とインストラクターのキーワードを用いて,比較的小さなデータセットからコードを自動的に抽出する手法を提案する。 生成されたコードを用いて、疫学ネットワーク分析(ENA)モデルを構築し、このモデルを、人間のコーダによって構築された以前のENAモデルと比較する。
  論文  参考訳（メタデータ） (2023-08-22T20:42:18Z)
• 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)
• DinoSR: Self-Distillation and Online Clustering for Self-supervised Speech Representation Learning [140.96990096377127]
  自己教師型音声表現学習(DinoSR)のための自己蒸留とオンラインクラスタリングを導入する。 DinoSRはまず、入力されたオーディオから教師ネットワークにコンテキスト化された埋め込みを抽出し、埋め込み上にオンラインクラスタリングシステムを実行して、マシンが発見した携帯電話の在庫を出力し、最後に、識別トークンを使用して学生ネットワークを誘導する。 本稿では,DinoSRが複数の下流タスクにおいて過去の最先端性能を上回ることを示し,モデルと学習した離散単位の詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-05-17T07:23:46Z)
• SYNERGY: Building Task Bots at Scale Using Symbolic Knowledge and Machine Teaching [75.87418236410296]
  SynERGYは、タスクボットを2つのステップで開発するハイブリッド学習フレームワークである。 トレーニング済みのニューラルダイアログモデルであるSOLOISTは、シミュレーションダイアログ上で微調整され、タスクのためのボットを構築する。 微調整されたニューラルダイアログモデルは、機械教育を通じて、いくつかの実際のタスク固有のダイアログによって継続的に洗練される。
  論文  参考訳（メタデータ） (2021-10-21T23:13:04Z)
• Demonstrating REACT: a Real-time Educational AI-powered Classroom Tool [0.9899017174990579]
  本稿では,教育者の意思決定プロセスを支援するために,EDM技術を用いたリアルタイムAIを活用した新しい教室ツールを提案する。 ReACTは、ユーザフレンドリなグラフィカルインターフェースを備えたデータ駆動ツールである。 学生のパフォーマンスデータを分析し、コンテキストベースのアラートとコースプランニングのための教育者へのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2021-07-30T03:09:59Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)
• 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)
• Neural Multi-Task Learning for Teacher Question Detection in Online Classrooms [50.19997675066203]
  教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。 マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
  論文  参考訳（メタデータ） (2020-05-16T02:17:04Z)

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。