論文の概要: Starting Seatwork Earlier as a Valid Measure of Student Engagement
- arxiv url: http://arxiv.org/abs/2505.13341v1
- Date: Mon, 19 May 2025 16:49:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.747967
- Title: Starting Seatwork Earlier as a Valid Measure of Student Engagement
- Title（参考訳）: 学生エンゲージメントの正当性指標としてのシートワークの開始
- Authors: Ashish Gurung, Jionghao Lin, Zhongtian Huang, Conrad Borchers, Ryan S. Baker, Vincent Aleven, Kenneth R. Koedinger,
- Abstract要約: その信頼性と予測妥当性を評価するために,セッションレベルの尺度に関する先行作業を構築した。
以上の結果から,これらの指標は月ごとの信頼性が中程度から高いことが示唆された。
それらは、事前の知識やゲーム・ザ・システム・ビヘイビアを超えて、最終的な数学スコアの予測を強化する。
- 参考スコア（独自算出の注目度）: 2.364788972996476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prior work has developed a range of automated measures ("detectors") of student self-regulation and engagement from student log data. These measures have been successfully used to make discoveries about student learning. Here, we extend this line of research to an underexplored aspect of self-regulation: students' decisions about when to start and stop working on learning software during classwork. In the first of two analyses, we build on prior work on session-level measures (e.g., delayed start, early stop) to evaluate their reliability and predictive validity. We compute these measures from year-long log data from Cognitive Tutor for students in grades 8-12 (N = 222). Our findings show that these measures exhibit moderate to high month-to-month reliability (G > .75), comparable to or exceeding gaming-the-system behavior. Additionally, they enhance the prediction of final math scores beyond prior knowledge and gaming-the-system behaviors. The improvement in learning outcome predictions beyond time-on-task suggests they capture a broader motivational state tied to overall learning. The second analysis demonstrates the cross-system generalizability of these measures in i-Ready, where they predict state test scores for grade 7 students (N = 818). By leveraging log data, we introduce system-general naturally embedded measures that complement motivational surveys without extra instrumentation or disruption of instruction time. Our findings demonstrate the potential of session-level logs to mine valid and generalizable measures with broad applications in the predictive modeling of learning outcomes and analysis of learner self-regulation.
- Abstract（参考訳）: これまでの研究は、学生の自己統制と学生のログデータからのエンゲージメントの一連の自動測定(detectors)を開発してきた。
これらの手法は、学生の学習に関する発見に成功している。
ここでは,本研究の行程を,学生の授業中のソフトウェア学習の開始と停止に関する意思決定という,自己統制の未熟な側面にまで拡張する。
2つの分析のうちの1つは、セッションレベルの尺度(例えば、遅延開始、早期停止)の事前作業に基づいて、信頼性と予測妥当性を評価することである。
8-12年生(N=222)を対象に,認知チューターの1年間のログデータからこれらの指標を算出した。
以上の結果から,これらの指標は,ゲーム・ザ・システム行動に匹敵するほど,月次信頼度が高い(G > .75)ことが示唆された。
さらに、事前知識やゲーム・ザ・システム動作を超えて、最終的な数学スコアの予測を強化する。
タイム・オン・タスク以上の学習結果予測の改善は、全体的な学習に関連するより広範なモチベーション状態を取得することを示唆している。
第2の分析は、i-Readyにおけるこれらの尺度のシステム横断的な一般化性を示し、そこでは7年生(N = 818)の状態テストスコアを予測する。
ログデータを活用することで、余分な計器や命令時間の中断を伴わずにモチベーション調査を補完するシステム一般の自然調査手法を導入する。
本研究は,学習結果の予測モデルと学習者の自己統制の分析に広く応用された,有効かつ一般化可能な尺度をマイニングするためのセッションレベルログの可能性を示すものである。
関連論文リスト
- Predicting Long-Term Student Outcomes from Short-Term EdTech Log Data [24.198449873743762]
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。
論文 参考訳（メタデータ） (2024-12-20T01:05:23Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - 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) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Early Performance Prediction using Interpretable Patterns in Programming
Process Data [13.413990352918098]
リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。
我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-02-10T22:46:45Z) - 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) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - 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) - Academic Performance Estimation with Attention-based Graph Convolutional
Networks [17.985752744098267]
学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。
学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。
本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
論文 参考訳（メタデータ） (2019-12-26T23:11:27Z)
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。