論文の概要: Predicting Long-Term Student Outcomes from Short-Term EdTech Log Data

• arxiv url: http://arxiv.org/abs/2412.15473v1
• Date: Fri, 20 Dec 2024 01:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:22:04.295007
• Title: Predicting Long-Term Student Outcomes from Short-Term EdTech Log Data
• Title（参考訳）: 短期エドテックログデータによる学生の長期成績予測
• Authors: Ge Gao, Amelia Leon, Andrea Jetten, Jasmine Turner, Husni Almoubayyed, Stephen Fancsali, Emma Brunskill,
• Abstract要約: 初回使用時間における学生のログを用いた機械学習予測器について検討した。 以上の結果から,2～5時間以内の短期ログ利用データを用いて,学生の長期外部パフォーマンスに関する貴重な情報を提供することが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 24.198449873743762
• License:
• Abstract: Educational stakeholders are often particularly interested in sparse, delayed student outcomes, like end-of-year statewide exams. The rare occurrence of such assessments makes it harder to identify students likely to fail such assessments, as well as making it slow for researchers and educators to be able to assess the effectiveness of particular educational tools. Prior work has primarily focused on using logs from students full usage (e.g. year-long) of an educational product to predict outcomes, or considered predictive accuracy using a few minutes to predict outcomes after a short (e.g. 1 hour) session. In contrast, we investigate machine learning predictors using students' logs during their first few hours of usage can provide useful predictive insight into those students' end-of-school year external assessment. We do this on three diverse datasets: from students in Uganda using a literacy game product, and from students in the US using two mathematics intelligent tutoring systems. We consider various measures of the accuracy of the resulting predictors, including its ability to identify students at different parts along the assessment performance distribution. Our findings suggest that short-term log usage data, from 2-5 hours, can be used to provide valuable signal about students' long-term external performance.
• Abstract（参考訳）: 教育の利害関係者は、特に州全体での試験のような、スパースで遅れた学生の成果に関心がある。 このような評価の稀な発生は、学生がそのような評価に失敗する可能性があることの特定を困難にし、研究者や教育者が特定の教育ツールの有効性を評価するのを遅くする。 これまでの研究は主に、学生の完全な利用(例年)から得られるログを使って成果を予測することや、短時間(例1時間)のセッション後に結果を予測するために数分で予測精度を検討することに注力してきた。 これとは対照的に,最初の数時間の学生のログを用いた機械学習予測器は,学生の学年末の外部評価に有用な予測的洞察を与えることができる。 ウガンダの学生はリテラシーゲーム製品を使い、米国の学生は2つの数学の知的なチューリングシステムを使っています。 評価性能分布に沿って,様々な部分の学生を識別する能力を含む,結果の予測器の精度に関する様々な尺度を考察する。 以上の結果から,2～5時間以内の短期ログ利用データを用いて,学生の長期外部パフォーマンスに関する貴重な情報を提供することが可能であることが示唆された。

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)
• Explainable Few-shot Knowledge Tracing [48.877979333221326]
  本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。 3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:07:21Z)
• Does Starting Deep Learning Homework Earlier Improve Grades? [63.20583929886827]
  宿題を早く始め、より多くの時間を費やしている学生は、宿題の成績が良くなるはずだ。 既存の文献が宿題に費やした時間の影響は明確ではなく、主にK-12教育から来ている。 我々は,学生の成功に対する影響を原則的に結論付けるために,階層的ベイズモデルを構築した。
  論文  参考訳（メタデータ） (2023-09-30T09:34:30Z)
• A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course [0.0]
  本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。 新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
  論文  参考訳（メタデータ） (2023-04-12T01:57:08Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Explainable Student Performance Prediction With Personalized Attention for Explaining Why A Student Fails [0.5607676459156788]
  パーソナライズド・アテンション(ESPA)を用いた新しい説明可能な学生パフォーマンス予測手法を提案する。 BiLSTMアーキテクチャは、特定のパターンで経路内の意味情報を抽出する。 ESPAは、学生のパフォーマンス予測のための他の最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2021-10-15T08:45:43Z)
• The application of predictive analytics to identify at-risk students in health professions education [0.0]
  機械学習は、どの学生が国家認定試験に失敗するリスクがあるかを予測するために使用される。 受験前には、学生が受験する前に教育者が有意義に介入できるような予測がなされている。 最良の予測モデルは精度93%、感度69%、特異性94%である。
  論文  参考訳（メタデータ） (2021-08-05T03:55:53Z)
• Predicting student performance using data from an auto-grading system [0.0]
  我々はMarmoset自動階調システムから抽出した様々な特徴を持つ決定木モデルと線形回帰モデルを構築した。 本稿では, 入力時間間隔を用いた線形回帰モデルが, 精度とF-Measureの点で, 全モデルの中で最良であることを示す。 また,成績の悪い生徒に誤分類された生徒は,すべてのモデルにおいて,線形回帰モデルの中では最も低い実例があることが示唆された。
  論文  参考訳（メタデータ） (2021-02-02T03:02:39Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)

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。