論文の概要: LECTOR: Summarizing E-book Reading Content for Personalized Student Support

• arxiv url: http://arxiv.org/abs/2505.07898v1
• Date: Mon, 12 May 2025 06:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.270021
• Title: LECTOR: Summarizing E-book Reading Content for Personalized Student Support
• Title（参考訳）: LECTOR: 個人化学生支援のための電子書籍読解コンテンツを要約する
• Authors: Erwin Daniel López Zapata, Cheng Tang, Valdemar Švábenský, Fumiya Okubo, Atsushi Shimada,
• Abstract要約: 本研究は,読み出し活動データと容易に統合可能なフォーマットで,読み出しコンテンツから情報を要約するモデルであるLECTORを提案する。 最初の実験では,LECTORを自然言語処理(NLP)モデルと比較し,2,255の講演スライドからキー情報を抽出した。 第2実験では,LECTORが抽出した読書嗜好と従来の読書行動データを比較した。
• 参考スコア（独自算出の注目度）: 3.6908139322709466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Educational e-book platforms provide valuable information to teachers and researchers through two main sources: reading activity data and reading content data. While reading activity data is commonly used to analyze learning strategies and predict low-performing students, reading content data is often overlooked in these analyses. To address this gap, this study proposes LECTOR (Lecture slides and Topic Relationships), a model that summarizes information from reading content in a format that can be easily integrated with reading activity data. Our first experiment compared LECTOR to representative Natural Language Processing (NLP) models in extracting key information from 2,255 lecture slides, showing an average improvement of 5% in F1-score. These results were further validated through a human evaluation involving 28 students, which showed an average improvement of 21% in F1-score over a model predominantly used in current educational tools. Our second experiment compared reading preferences extracted by LECTOR with traditional reading activity data in predicting low-performing students using 600,712 logs from 218 students. The results showed a tendency to improve the predictive performance by integrating LECTOR. Finally, we proposed examples showing the potential application of the reading preferences extracted by LECTOR in designing personalized interventions for students.
• Abstract（参考訳）: 教育用電子書籍プラットフォームは、教師と研究者に、アクティビティデータを読み、コンテンツデータを読み取る2つの主要なソースを通じて、貴重な情報を提供する。 読書活動データは、学習戦略の分析や低パフォーマンスな生徒の予測によく使用されるが、これらの分析ではコンテンツデータを読むことは見過ごされがちである。 このギャップに対処するため,本研究では,読取活動データと容易に統合可能なフォーマットでコンテンツから情報を要約するLECTOR(Lecture Slides and Topic Relationships)を提案する。 最初の実験では,LECTORを自然言語処理(NLP)モデルと比較し,2,255の講義スライドからキー情報を抽出し,F1スコアの平均5%の改善を示した。 これらの結果は,28名の学生を対象とした人間による評価によってさらに検証され,F1スコアの平均21%の改善が得られた。 2回目の実験では,LECTORが抽出した読み好みと,218人の学生の600,712のログを用いて,低パフォーマンスの学生を予測した。 その結果,LECTORを組み込むことで予測性能を向上させる傾向を示した。 最後に,LECTORが抽出した読解嗜好の学生へのパーソナライズされた介入設計への応用の可能性を示す事例を提案する。

関連論文リスト

• Scalable Early Childhood Reading Performance Prediction [5.413138072912236]
  将来の読み出し性能をモデル化し予測するための適切な教育データセットは存在しない。 本稿では,拡張コア読み取り命令ECRIデータセットを紹介する。 我々は、このデータセットを活用して、幼児期の教育パターンを認識する最先端の機械学習モデルの有効性を実証的に評価する。
  論文  参考訳（メタデータ） (2024-12-05T18:59:50Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Enriched BERT Embeddings for Scholarly Publication Classification [0.13654846342364302]
  NSLP 2024 FoRC Task Iは、競争として組織されたこの課題に対処する。 目的は、ある論文に対する研究分野の分類法であるOpen Research Knowledge Graph (ORKG) から、123の事前定義されたクラスのうちの1つを予測することができる分類器を開発することである。
  論文  参考訳（メタデータ） (2024-05-07T09:05:20Z)
• Influence Scores at Scale for Efficient Language Data Sampling [3.072340427031969]
  影響スコア」は、データの重要なサブセットを特定するために使われる。 本稿では,言語分類タスクにおける影響スコアの適用性について検討する。
  論文  参考訳（メタデータ） (2023-11-27T20:19:22Z)
• Modeling Student Performance in Game-Based Learning Environments [0.0]
  本研究では,教育ゲーム「Jo Wilder and the Capitol Case」の文脈におけるゲーム学習について検討する。 本研究の目的は,学生のパフォーマンスや質問応答の正しさを最も予測できる特徴を特定することである。
  論文  参考訳（メタデータ） (2023-09-23T16:53:07Z)
• 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)
• 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)
• A Large Scale Search Dataset for Unbiased Learning to Rank [51.97967284268577]
  我々は、非バイアス学習のためのBaidu-ULTRデータセットをランク付けする。 ランダムに12億の検索セッションと7,008のエキスパートアノテートクエリをサンプリングする。 1)本来のセマンティックな特徴と,使用が容易な事前学習言語モデル,(2)位置,表示高さ,抽象表現などの十分な表示情報,(3)居住時間のような検索結果ページ(SERP)に対するリッチなユーザフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-07-07T02:37:25Z)
• Can Population-based Engagement Improve Personalisation? A Novel Dataset and Experiments [21.12546768556595]
  VLEは、公開されている科学ビデオ講義から抽出されたコンテンツとビデオベースの特徴からなる、新しいデータセットである。 実験結果から,新たに提案したVLEデータセットがコンテキストに依存しないエンゲージメント予測モデルの構築につながることが示唆された。 構築したモデルとパーソナライズアルゴリズムを組み合わせる実験は、教育推薦者によるコールドスタート問題に対処する上で有望な改善を示す。
  論文  参考訳（メタデータ） (2022-06-22T15:53:24Z)

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。