論文の概要: Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports

• arxiv url: http://arxiv.org/abs/2506.09178v1
• Date: Tue, 10 Jun 2025 18:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:01.953717
• Title: Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports
• Title（参考訳）: CS1における高学年・低学年リスク学生の自己統制型学習行動の理解 : トレースログとドロップアウト予測と自己報告を組み合わせて
• Authors: Denis Zhidkikh, Ville Isomöttönen, Toni Taipalus,
• Abstract要約: 本研究では,コンピュータサイエンスの学生の行動パターンを様々なリスクで調査する。 学習分析を用いて,仮想学習環境からトレースログとタスクパフォーマンスデータを解析した。 その結果,個別の週次学習戦略と授業行動の分類が明らかになった。
• 参考スコア（独自算出の注目度）: 8.138288420049127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The introductory programming course (CS1) at the university level is often perceived as particularly challenging, contributing to high dropout rates among Computer Science students. Identifying when and how students encounter difficulties in this course is critical for providing targeted support. This study explores the behavioral patterns of CS1 students at varying dropout risks using self-regulated learning (SRL) as the theoretical framework. Using learning analytics, we analyzed trace logs and task performance data from a virtual learning environment to map resource usage patterns and used student dropout prediction to distinguish between low and high dropout risk behaviors. Data from 47 consenting students were used to carry out the analysis. Additionally, self-report questionnaires from 29 participants enriched the interpretation of observed patterns. The findings reveal distinct weekly learning strategy types and categorize course behavior. Among low dropout risk students, three learning strategies were identified that different in how students prioritized completing tasks and reading course materials. High dropout risk students exhibited nine different strategies, some representing temporary unsuccessful strategies that can be recovered from, while others indicating behaviors of students on the verge of dropping out. This study highlights the value of combining student behavior profiling with predictive learning analytics to explain dropout predictions and devise targeted interventions. Practical findings of the study can in turn be used to help teachers, teaching assistants and other practitioners to better recognize and address students at the verge of dropping out.
• Abstract（参考訳）: 大学レベルでの初等プログラミングコース(CS1)は、特に難易度が高く、コンピュータサイエンスの学生の間で高いドロップアウト率に寄与する。 このコースで学生がいつ、どのように困難に直面するかを特定することは、目標とする支援を提供する上で重要である。 本研究では,自己統制学習(SRL)を理論的枠組みとして,CS1学生の行動パターンについて検討した。 学習分析を用いて、仮想学習環境からのトレースログとタスクパフォーマンスデータを分析し、リソース使用パターンをマッピングし、学生のドロップアウト予測を用いて、低リスクと高リスクの区別を行った。 47名の受講生のデータを用いて分析を行った。 さらに,29名を対象にした自記式アンケートでは,観察パターンの解釈が充実した。 その結果,個別の週次学習戦略と授業行動の分類が明らかになった。 低ドロップアウトリスク学生のうち,3つの学習戦略が,課題の達成と学習教材の学習方法に違いがあることが確認された。 高いドロップアウトリスクの学生は9つの異なる戦略を示し、そのうちの1つは一時的な失敗戦略を示し、もう1つは退学寸前の生徒の行動を示した。 本研究は,学生の行動プロファイリングと予測学習分析を組み合わせることの価値を強調し,ドロップアウト予測を説明し,対象とする介入を考案する。 この研究の実践的な発見は、教師、助手、その他の実践者が、退学の直前に生徒をよりよく認識し、対処するのを助けるのに役立つ。

関連論文リスト

• Predicting Student Dropout Risk With A Dual-Modal Abrupt Behavioral Changes Approach [11.034576265432168]
  Dual-Modal Multiscale Sliding Window (DMSW) モデルは,学術的パフォーマンスと行動データを統合し,最小限のデータを用いて行動パターンをキャプチャする。 DMSWモデルでは従来の手法に比べて予測精度が15%向上し,高リスクの生徒を早期に特定できるようになった。 これらの知見は、ドロップアウト予測における理論と実践のギャップを埋め、教育者は学生の維持と成果を高める革新的なツールとなる。
  論文  参考訳（メタデータ） (2025-05-16T11:02:55Z)
• 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)
• Early Detection of At-Risk Students Using Machine Learning [0.0]
  リスクの高い学生を対象としたスクリーニングにより,高等教育の継続と学生の退学率の持続的課題に取り組むことを目的とする。 この研究は、SVM(Support Vector Machines)、Naive Bayes、K-nearest neighbors(KNN)、決定木(Decision Trees)、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)など、いくつかの機械学習モデルを検討する。 分析の結果,全てのアルゴリズムがリスクの高い学生の予測に許容できる結果をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-12-12T17:33:06Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• 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)
• Student-centric Model of Learning Management System Activity and Academic Performance: from Correlation to Causation [2.169383034643496]
  近年,学生の学習行動パターンを理解するために,学習管理システム(LMS)における学習者のデジタルトレースのモデル化に多くの関心が寄せられている。 本稿では,LMS活動データに対する学生中心の分析フレームワークについて検討し,観察データから抽出した相関性だけでなく因果的洞察も提供する。 これらの知見は、大学生支援団体が学生中心で標的とする介入を開始するための証拠となると期待している。
  論文  参考訳（メタデータ） (2022-10-27T14:08:25Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Knowledge-driven Active Learning [70.37119719069499]
  アクティブな学習戦略は、ディープラーニングモデルをトレーニングするために必要なラベル付きデータの量を最小限にすることを目的としている。 ほとんどの積極的な戦略は不確実なサンプルの選択に基づいており、しばしば決定境界に近いサンプルに制限される。 本稿では、一般的なドメイン知識を考慮し、エキスパートでないユーザがより少ないサンプルでモデルを訓練できるようにする。
  論文  参考訳（メタデータ） (2021-10-15T06:11:53Z)
• On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
  機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。 曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
  論文  参考訳（メタデータ） (2020-06-15T13:50:23Z)

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。