論文の概要: Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning

• arxiv url: http://arxiv.org/abs/2412.11826v1
• Date: Mon, 16 Dec 2024 14:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:42.166101
• Title: Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning
• Title（参考訳）: 解釈可能な機械学習によるモルフの学生エンゲージメントパターンの解明
• Authors: Laura J. Johnston, Jim E. Griffin, Ioanna Manolopoulou, Takoua Jendoubi,
• Abstract要約: 本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。 学習セッション頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成する。 ユニヴァーシティ・カレッジ・カレッジ・ロンドンの統計科学科における計算モジュールのケーススタディにおいて、デリバリー手法が学生の行動にどのように影響するかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding and enhancing student engagement through digital platforms is critical in higher education. This study introduces a methodology for quantifying engagement across an entire module using virtual learning environment (VLE) activity log data. Using study session frequency, immediacy, and diversity, we create a cumulative engagement metric and model it against weekly VLE interactions with resources to identify critical periods and resources predictive of student engagement. In a case study of a computing module at University College London's Department of Statistical Science, we further examine how delivery methods (online, hybrid, in-person) impact student behaviour. Across nine regression models, we validate the consistency of the random forest model and highlight the interpretive strengths of generalised additive models for analysing engagement patterns. Results show weekly VLE clicks as reliable engagement predictors, with early weeks and the first assessment period being key. However, the impact of delivery methods on engagement is inconclusive due to inconsistencies across models. These findings support early intervention strategies to assist students at risk of disengagement. This work contributes to learning analytics research by proposing a refined VLE-based engagement metric and advancing data-driven teaching strategies in higher education.
• Abstract（参考訳）: デジタルプラットフォームを通じた学生のエンゲージメントの理解と向上は高等教育において重要である。 本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。 学習セッションの頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成し,それを週次VLEとリソースとの相互作用に対してモデル化し,学生エンゲージメントを予測する重要な期間とリソースを特定する。 ユニヴァーシティ・カレッジ・ロンドン統計科学科の計算モジュールのケーススタディでは、学生の行動にデリバリー方法(オンライン、ハイブリッド、イン・パーソナライズ)がどう影響するかをさらに調べる。 9つの回帰モデルにおいて、ランダム森林モデルの整合性を検証し、エンゲージメントパターンを解析するための一般化加法モデルの解釈強度を強調する。 結果は、毎週のVLEクリックを信頼性のあるエンゲージメント予測器として示し、最初の数週間と最初のアセスメント期間が鍵となる。 しかしながら、モデル間の不整合のため、デリバリメソッドがエンゲージメントに与える影響は決定的ではない。 これらの知見は,学生の離脱リスクに対処するための早期介入戦略を支援する。 この研究は、改良されたVLEベースのエンゲージメントメトリクスを提案し、高等教育におけるデータ駆動型教育戦略を前進させることによって、分析研究の学習に寄与する。

関連論文リスト

• 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)
• Evaluating Pedagogical Incentives in Undergraduate Computing: A Mixed Methods Approach Using Learning Analytics [0.0]
  本稿では,ユニヴァーシティ・カレッジ・ロンドンにおける1年目のコンピュータ・モジュールにおける新たな教育的インセンティブの効果を評価する。 我々は、学習分析と質的データを組み合わせて、これらのインセンティブの有効性を学生のエンゲージメントを高めるために、混合手法を用いて評価する。 本稿では,データ駆動型客観分析を学生の視点と統合した,生徒のエンゲージメントに対する解釈可能かつ行動可能なモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T16:39:38Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Bag of States: A Non-sequential Approach to Video-based Engagement Measurement [7.864500429933145]
  学生の行動的・感情的状態は、そのエンゲージメントのレベルを測定するために、きめ細かい時間スケールで分析する必要がある。 既存の多くのアプローチは、ビデオから学生のエンゲージメントを測定するために、繰り返しニューラルネットワーク、時間畳み込みネットワーク、三次元畳み込みニューラルネットワークなどのシーケンシャルモデルとテンポラルモデルを開発した。 本研究では,学生の行動状態と感情状態のみをモデル化・解析し,それらの発生順序をモデル化する。
  論文  参考訳（メタデータ） (2023-01-17T07:12:34Z)
• 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)
• Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics [8.642174401125263]
  本稿では,学生グループ化基準の異なる層にまたがる推論精度を最適化する多層パーソナライズドフェデレーションラーニング手法を提案する。 提案手法では,個別の学生サブグループに対するパーソナライズされたモデルがグローバルモデルから導出される。 3つの実世界のオンラインコースデータセットの実験は、既存の学生モデルベンチマークよりも、我々のアプローチによって達成された大きな改善を示している。
  論文  参考訳（メタデータ） (2022-12-05T17:27:28Z)
• 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)
• Mitigating Biases in Student Performance Prediction via Attention-Based Personalized Federated Learning [7.040747348755578]
  従来の学習に基づく学生モデリングのアプローチは、データの可用性のバイアスにより、表現不足の学生グループにあまり一般化しない。 本研究では,オンライン学習活動から学生のパフォーマンスを予測する手法を提案し,人種や性別などの異なる集団を対象とした推論精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-02T00:22:20Z)
• Revealing the Hidden Patterns: A Comparative Study on Profiling Subpopulations of MOOC Students [61.58283466715385]
  MOOC(Massive Open Online Courses)は、学生の異質性を示す。 MOOCプラットフォームからの複雑な“ビッグデータ”の出現は、学生がMOOCにどのように従事しているかを深く理解する上で、難しいが報われる機会である。 本報告では,MOOCにおける学生活動のクラスタリング分析と,学生集団間の行動パターンと人口動態の比較分析について述べる。
  論文  参考訳（メタデータ） (2020-08-12T10:38:50Z)
• Social Engagement versus Learning Engagement -- An Exploratory Study of FutureLearn Learners [61.58283466715385]
  大規模なオープンオンラインコース (MOOCs) は増加傾向にあるが、エンロリーのごく一部しかMOOCsを完了していない。 この研究は、MOOCにおける研究の進展とともに、学習者がピアとどのように相互作用するかに特に関係している。 この研究は、社会的構成主義的アプローチを採用し、協調学習を促進するFutureLearnプラットフォーム上で行われた。
  論文  参考訳（メタデータ） (2020-08-11T16:09:10Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。