論文の概要: Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education

• arxiv url: http://arxiv.org/abs/2507.02681v1
• Date: Thu, 03 Jul 2025 14:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.483164
• Title: Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education
• Title（参考訳）: 自発的クイズからの解離の検出:高次遠隔教育における説明可能な機械学習アプローチ
• Authors: Behnam Parsaeifard, Christof Imhof, Tansu Pancar, Ioan-Sorin Comsa, Martin Hlosta, Nicole Bergamin, Per Bergamin,
• Abstract要約: 課題から脱落した学生は、学術的なドロップアウトなど、深刻な長期的な結果をもたらす可能性がある。 本稿では,遠隔地大学から4学年で42の教科の非命令的クイズにおける学生の離職を検知する。 我々は、訓練されたアルゴリズムの決定をよりよく理解するための、説明可能な機械学習フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.3141085922386211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Students disengaging from their tasks can have serious long-term consequences, including academic drop-out. This is particularly relevant for students in distance education. One way to measure the level of disengagement in distance education is to observe participation in non-mandatory exercises in different online courses. In this paper, we detect student disengagement in the non-mandatory quizzes of 42 courses in four semesters from a distance-based university. We carefully identified the most informative student log data that could be extracted and processed from Moodle. Then, eight machine learning algorithms were trained and compared to obtain the highest possible prediction accuracy. Using the SHAP method, we developed an explainable machine learning framework that allows practitioners to better understand the decisions of the trained algorithm. The experimental results show a balanced accuracy of 91\%, where about 85\% of disengaged students were correctly detected. On top of the highly predictive performance and explainable framework, we provide a discussion on how to design a timely intervention to minimise disengagement from voluntary tasks in online learning.
• Abstract（参考訳）: 課題から脱落した学生は、学術的なドロップアウトなど、深刻な長期的な結果をもたらす可能性がある。 これは特に遠隔教育の学生に当てはまる。 遠隔教育における解離レベルを測定する一つの方法は、異なるオンラインコースにおける非強制演習への参加を観察することである。 本稿では,遠隔地大学から4学年で42の教科の非命令的クイズにおける学生の離職を検知する。 我々は,Moodleから抽出・処理できる最も情報性の高い学生ログデータを慎重に同定した。 そして、8つの機械学習アルゴリズムをトレーニングし、最も高い予測精度を得るために比較した。 SHAP法を用いて、訓練されたアルゴリズムの決定をよりよく理解するための、説明可能な機械学習フレームワークを開発した。 実験の結果, 学生の約85%が正しく検出された場合, バランスの取れた精度は91\%であった。 高い予測性能と説明可能なフレームワークに加えて,オンライン学習における自発的タスクからの解離を最小限に抑えるためのタイムリーな介入を設計する方法について議論する。

関連論文リスト

• Machine Learning-Driven Student Performance Prediction for Enhancing Tiered Instruction [11.564820268803619]
  学生のパフォーマンス予測は、教育データマイニングにおいて最も重要な課題の1つである。 広範な予測実験にもかかわらず、機械学習手法は実践的な教育戦略に効果的に統合されていない。 本研究は,機械学習による学生の成績予測とタインド・インストラクションを統合し,対象科目における学生の成績向上を目的とした。
  論文  参考訳（メタデータ） (2025-02-05T13:13:25Z)
• Selection-p: Self-Supervised Task-Agnostic Prompt Compression for Faithfulness and Transferability [67.77534983324229]
  本稿では,非形式的トークンを識別する統一圧縮法を開発するために,大規模言語モデルの能力について検討する。 実験により、Selection-pは様々な分類タスクで最先端のパフォーマンスを達成することが示された。 以前の作業と比べて、異なるモデルに対して優れた転送性を示す。
  論文  参考訳（メタデータ） (2024-10-15T17:05:25Z)
• Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
  本稿では,学生の難易度を予測するための自動ツールを開発する。 潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
  論文  参考訳（メタデータ） (2024-08-16T04:57:54Z)
• Process mining for self-regulated learning assessment in e-learning [0.0]
  我々は,プロセスマイニング技術を用いて,自己統制学習などの中核的スキルの習得について検討する。 我々は,Moodle 2.0プラットフォーム上で1学期以上のコースで101人の大学生のインタラクショントレースに対して,インダクティブマイナーという教育領域に新しいアルゴリズムを適用した。 受講生は, 受講生の示唆に忠実に従わなかったが, 失敗するクラスメートとは対照的に, 自己統制的な学習プロセスの論理に従わなかった。
  論文  参考訳（メタデータ） (2024-02-11T11:51:32Z)
• Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
  ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。 標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。 Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
  論文  参考訳（メタデータ） (2022-11-16T10:00:23Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• The Wits Intelligent Teaching System: Detecting Student Engagement During Lectures Using Convolutional Neural Networks [0.30458514384586394]
  Wits Intelligent Teaching System (WITS) は、学生の感情に関するリアルタイムフィードバックを講師に支援することを目的としている。 AlexNetベースのCNNはトレーニングが成功し、Support Vector Machineアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2021-05-28T12:59:37Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Fairness Constraints in Semi-supervised Learning [56.48626493765908]
  我々は,最適化問題として定式化された,公平な半教師付き学習のためのフレームワークを開発する。 偏り・分散・雑音分解による半教師あり学習における識別源を理論的に分析する。 本手法は, 公平な半教師付き学習を達成でき, 公正な教師付き学習よりも精度と公平性のトレードオフが良好である。
  論文  参考訳（メタデータ） (2020-09-14T04:25:59Z)

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。