論文の概要: Birds of a Feather Undermine Equity: A Strategy to Align Intent and Outcome in Team-Based Learning in Higher Education

• arxiv url: http://arxiv.org/abs/2503.17476v1
• Date: Fri, 21 Mar 2025 18:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:09.880100
• Title: Birds of a Feather Undermine Equity: A Strategy to Align Intent and Outcome in Team-Based Learning in Higher Education
• Title（参考訳）: フェザー・アンダーマイン・エクイティの鳥たち: 高等教育におけるチームベース学習における直感とアウトカムへの戦略
• Authors: P G Kubendran Amos,
• Abstract要約: 学生がチームベースの学習タスクのために独自のチームを作るとき、彼らは意図せずに同様の社会経済的背景を持つ仲間とクラスタリングする。 本研究は,学生の社会経済的背景と自己認識的準備を定量的に反映し,チーム形成を促進するためのシンプルな戦略を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Efforts to promote equity in higher education often rely on shared intent among instructors and students. Yet, as demonstrated in this study, when students form their own teams for Team-Based Learning (TBL) tasks, they unintentionally cluster with peers of similar socio-economic backgrounds, ultimately undermining equity. This study introduces a simple strategy to facilitate equitable team formation through a quantitative reflection of students' socio-economic backgrounds and their self-perceived preparedness. When applied, the strategy yielded balanced teams and improved performance. In its absence, team compositions became skewed and class performance declined. These findings highlight a behavioural gap between intent and outcome and underscore the need for structural supports to translate equity goals into practice.
• Abstract（参考訳）: 高等教育におけるエクイティを促進する努力は、インストラクターや学生の間で共有された意図に依存していることが多い。 しかし、この研究で示されているように、学生がチームベースラーニング(TBL)タスクのために独自のチームを作るとき、彼らは意図せず、同様の社会経済的背景を持つ仲間と集結し、最終的には株式を損なう。 本研究は,学生の社会経済的背景と自己認識的準備を定量的に反映し,チーム形成を促進するためのシンプルな戦略を提案する。 適用すると、戦略はバランスのとれたチームをもたらし、パフォーマンスを改善しました。 チーム構成が損なわれ、クラスパフォーマンスは低下した。 これらの知見は、意図と成果の間の行動的ギャップを浮き彫りにし、エクイティ目標を実践に翻訳する構造的サポートの必要性を浮き彫りにしている。

関連論文リスト

• Assessing Teamwork Dynamics in Software Development Projects [2.823770863747379]
  本研究では,学生ソフトウェア開発プロジェクトにおけるチームワークのダイナミクスを混合手法を用いて検討する。 我々は、6つのプロジェクトフェーズにおける個々のコントリビューションを分析し、自己報告と実際のコントリビューションを比較して不一致を測定した。 最小限のコントリビューション不一致のチームは、より高いプロジェクトグレードと試験合格率を達成したことが判明した。
  論文  参考訳（メタデータ） (2025-01-21T08:23:46Z)
• Code Collaborate: Dissecting Team Dynamics in First-Semester Programming Students [3.0294711465150006]
  この研究は、第一期生が2Dゲームプロジェクトを開発するときに現れるコラボレーションのトレンドを強調している。 その結果、学生は自分の貢献をわずかに過大評価することが多く、より熱心な個人は間違いを認めやすいことが示唆された。 チームパフォーマンスは、国籍や性別構成に基づく大きな変化は示さないが、解散したチームは、しばしば孤独なオオカミで構成されていた。
  論文  参考訳（メタデータ） (2024-10-28T11:42:05Z)
• Investigating the Pre-Training Dynamics of In-Context Learning: Task Recognition vs. Task Learning [99.05401042153214]
  In-context Learning(ICL)は、タスク認識(TR)とタスク学習(TL)の2つの主要な能力に起因する可能性がある。 ICLの出現の事前学習のダイナミクスを調べることで、第一歩を踏み出す。 そこで本研究では,この2つの機能を推論時によりよく統合するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T06:37:47Z)
• Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
  多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。 本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。 そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-08-28T06:31:37Z)
• 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)
• Investigating the Impact of Backward Strategy Learning in a Logic Tutor: Aiding Subgoal Learning towards Improved Problem Solving [6.639504127104268]
  トレーニングセッションでは、学生が後方戦略を学ぶのを助けるために、後方作業例(BWE)と問題解決(BPS)が実施された。 以上の結果から,BWEとBPSを併用した訓練を受けた学生は,BWEとBWEの併用が認められなかった場合,BWEとBWEの併用が困難であった。
  論文  参考訳（メタデータ） (2022-07-27T00:43:52Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Towards Equity and Algorithmic Fairness in Student Grade Prediction [2.9189409618561966]
  この研究は、人種に関するAIの教育的成果と公平性に対処する。 ラベルとインスタンスのバランスに関するいくつかの戦略を試行し、レースにおけるアルゴリズム性能の違いを最小化しようと試みる。 逆学習アプローチとグレードラベルのバランスが組み合わさって,最も公平な結果が得られることが分かりました。
  論文  参考訳（メタデータ） (2021-05-14T01:12:01Z)
• One for One, or All for All: Equilibria and Optimality of Collaboration in Federated Learning [24.196114621742705]
  本論文では,ゲーム理論の概念に触発されて,フェデレーション学習におけるインセンティブ認識学習とデータ共有のためのフレームワークを提案する。 安定でうらやましい平衡は、学習目標を達成することに関心のあるエージェントの存在下でのコラボレーションの概念を捉えます。
  論文  参考訳（メタデータ） (2021-03-04T18:53:17Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)

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。