論文の概要: Hierarchical Bayesian Knowledge Tracing in Undergraduate Engineering Education

• arxiv url: http://arxiv.org/abs/2506.00057v1
• Date: Thu, 29 May 2025 09:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.171651
• Title: Hierarchical Bayesian Knowledge Tracing in Undergraduate Engineering Education
• Title（参考訳）: 工学教育における階層的ベイズ知識の追跡
• Authors: Yiwei Sun,
• Abstract要約: 本研究は,スキルの難易度と個人学生の能力の両面を定量化するために,厳密で解釈可能な統計的アプローチを示す。 大学生のStaticsコースからの大規模データセットを用いて、スキル習得の明確なパターンを特定した。 分析の結果,特定の概念が常に課題を呈し,目標とする指導支援が必要であることが明らかとなった。
• 参考スコア（独自算出の注目度）: 5.416875842656737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Educators teaching entry-level university engineering modules face the challenge of identifying which topics students find most difficult and how to support diverse student needs effectively. This study demonstrates a rigorous yet interpretable statistical approach -- hierarchical Bayesian modeling -- that leverages detailed student response data to quantify both skill difficulty and individual student abilities. Using a large-scale dataset from an undergraduate Statics course, we identified clear patterns of skill mastery and uncovered distinct student subgroups based on their learning trajectories. Our analysis reveals that certain concepts consistently present challenges, requiring targeted instructional support, while others are readily mastered and may benefit from enrichment activities. Importantly, the hierarchical Bayesian method provides educators with intuitive, reliable metrics without sacrificing predictive accuracy. This approach allows for data-informed decisions, enabling personalized teaching strategies to improve student engagement and success. By combining robust statistical methods with clear interpretability, this study equips educators with actionable insights to better support diverse learner populations.
• Abstract（参考訳）: 入学レベルの大学工学モジュールを教える教育者は、どのトピックが最も難しいか、どのように多様な学生のニーズを効果的に支援するかを特定するという課題に直面している。 この研究は、厳密で解釈可能な統計的アプローチである階層的ベイズモデリングを実証し、詳細な学生の反応データを活用して、スキルの難易度と個々の生徒の能力の両方を定量化する。 大学院静的コースの大規模データセットを用いて,学習軌跡に基づいて,スキル習得の明確なパターンと未発見の学生サブグループを同定した。 分析の結果,特定の概念が常に課題を呈し,目標とする指導支援が必要であり,他の概念は容易に習得でき,豊かな活動の恩恵を受ける可能性が示唆された。 重要なのは、階層的ベイズ法は、予測精度を犠牲にすることなく直感的で信頼性の高いメトリクスを教育者に提供することである。 このアプローチは、データインフォームドな意思決定を可能にし、生徒のエンゲージメントと成功を改善するためのパーソナライズされた教育戦略を可能にする。 本研究は,頑健な統計的手法と明確な解釈可能性を組み合わせることで,多様な学習者を支援するために,実践的な洞察を教育者に提供する。

関連論文リスト

• Leveraging Knowledge Graphs and Large Language Models to Track and Analyze Learning Trajectories [0.0]
  大規模言語モデル(LLM)に基づく知識グラフ構築手法を提案する。 学習教材を構造化されたデータに変換し、学生のテストデータを分析して個別の学習軌跡グラフを生成する。
  論文  参考訳（メタデータ） (2025-04-13T16:27:15Z)
• 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)
• Student Data Paradox and Curious Case of Single Student-Tutor Model: Regressive Side Effects of Training LLMs for Personalized Learning [25.90420385230675]
  パーソナライズされた教育の追求は、知的学習システムの開発におけるLarge Language Models(LLM)の統合につながった。 我々の研究は、このアプローチの根本的な課題を明らかにする:学生データパラドックス」 このパラドックスは、学習者の行動を理解するために学生データに基づいて訓練されたLLMが、故意に自身の事実的知識と推論能力を損なうときに現れる。
  論文  参考訳（メタデータ） (2024-04-23T15:57:55Z)
• Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
  本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。 学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。 この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-12-15T06:00:26Z)
• Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy [11.735587384038753]
  本稿では,SGNN(Signed Graph Neural Networks)とLLM(Large Language Model)を統合化するための革新的な戦略を提案する。 提案手法では, 学生の回答を包括的にモデル化するための署名付き二部グラフを用いて, 雑音耐性を高めるコントラスト学習フレームワークを補完する。
  論文  参考訳（メタデータ） (2023-09-23T23:37:55Z)
• 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)
• Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
  自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。 本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
  論文  参考訳（メタデータ） (2021-10-18T13:51:22Z)
• 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)
• 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。