論文の概要: The Course Difficulty Analysis Cookbook

• arxiv url: http://arxiv.org/abs/2508.13218v1
• Date: Sun, 17 Aug 2025 10:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.665155
• Title: The Course Difficulty Analysis Cookbook
• Title（参考訳）: コースの難易度分析クックブック
• Authors: Frederik Baucks, Robin Schmucker, Laurenz Wiskott,
• Abstract要約: カリキュラム分析(CA)は、カリキュラムの構造と学生データを研究し、教育プログラムの品質を保証する。 本稿では,コースの難易度を評価するための既存手法の総合的なレビューと比較を行う。 モデル選択、仮定チェック、実用的なCAアプリケーションに関するハンズオンチュートリアルを提供する。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Curriculum analytics (CA) studies curriculum structure and student data to ensure the quality of educational programs. An essential aspect is studying course properties, which involves assigning each course a representative difficulty value. This is critical for several aspects of CA, such as quality control (e.g., monitoring variations over time), course comparisons (e.g., articulation), and course recommendation (e.g., advising). Measuring course difficulty requires careful consideration of multiple factors: First, when difficulty measures are sensitive to the performance level of enrolled students, it can bias interpretations by overlooking student diversity. By assessing difficulty independently of enrolled students' performances, we can reduce the risk of bias and enable fair, representative assessments of difficulty. Second, from a measurement theoretic perspective, the measurement must be reliable and valid to provide a robust basis for subsequent analyses. Third, difficulty measures should account for covariates, such as the characteristics of individual students within a diverse populations (e.g., transfer status). In recent years, various notions of difficulty have been proposed. This paper provides the first comprehensive review and comparison of existing approaches for assessing course difficulty based on grade point averages and latent trait modeling. It further offers a hands-on tutorial on model selection, assumption checking, and practical CA applications. These applications include monitoring course difficulty over time and detecting courses with disparate outcomes between distinct groups of students (e.g., dropouts vs. graduates), ultimately aiming to promote high-quality, fair, and equitable learning experiences. To support further research and application, we provide an open-source software package and artificial datasets, facilitating reproducibility and adoption.
• Abstract（参考訳）: カリキュラム分析(CA)は、カリキュラムの構造と学生データを研究し、教育プログラムの品質を保証する。 重要な側面は、各コースを代表的難易度として割り当てることを含むコース特性の研究である。 これは、品質管理(例えば、経時変化の監視)、コース比較(例、調音)、コース推薦(例、助言)など、CAのいくつかの側面において重要である。 難易度の測定には,複数の要因を慎重に検討する必要がある。まず,難易度が受講生のパフォーマンスレベルに敏感な場合,学生の多様性を見越して解釈に偏りが生じる。 受講生の成績とは無関係に難易度を評価することにより、偏見のリスクを低減し、難易度を公平かつ代表的に評価することができる。 第二に、測定理論の観点からは、測定は信頼性が高く有効であり、その後の分析に堅牢な基礎を与える必要がある。 第三に、難易度尺度は、多様な人口内(例えば、移動状態)の個々の学生の特徴など、共変量を考慮するべきである。 近年,様々な難易度の概念が提案されている。 本報告では, 学習過程の難易度を評価するための既存手法の総合的なレビューと比較を, グレードポイント平均値と潜在特性モデルに基づいて行った。 さらに、モデル選択、仮定チェック、実用的なCAアプリケーションに関するハンズオンチュートリアルを提供している。 これらの応用には、時間とともにコースの難易度を監視し、異なる学生グループ(例えば、ドロップアウト対卒業生)間で異なる結果のコースを検出することが含まれ、最終的に高品質で公平で公平な学習体験を促進することを目的としている。 さらなる研究と応用を支援するため、我々はオープンソースソフトウェアパッケージと人工データセットを提供し、再現性と採用を容易にする。

関連論文リスト

• Are You Doubtful? Oh, It Might Be Difficult Then! Exploring the Use of Model Uncertainty for Question Difficulty Estimation [12.638577140117702]
  本研究では,不確実性の特徴が難易度予測に大きく寄与することを示し,難易度は質問に正しく答えられる学生数に逆比例することを示した。 このアプローチの価値を示すことに加えて,USMLEとCMCQRDの公開データセット上で,我々のモデルが最先端の結果を達成することも観察した。
  論文  参考訳（メタデータ） (2024-12-16T14:55:09Z)
• Can Model Uncertainty Function as a Proxy for Multiple-Choice Question Item Difficulty? [12.638577140117702]
  我々は、質問に答える際の弱点と見なされるような、生成的な大規模モデルの側面を活用する。 本研究では、不確実性の2つの異なる指標と実際の学生の反応分布の相関について検討する。
  論文  参考訳（メタデータ） (2024-07-07T10:48:04Z)
• Gaining Insights into Group-Level Course Difficulty via Differential Course Functioning [3.9829166809129095]
  本研究は,項目応答理論(IRT)に基づくCA手法として,DCF(differial Course Functioning)を導入している。 DCFは、学生のパフォーマンスレベルを制御し、あるコースでどのように異なる学生グループが成功するかに有意な違いがあるかどうかを調べる。
  論文  参考訳（メタデータ） (2024-05-07T14:19:11Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Investigating Fairness Disparities in Peer Review: A Language Model Enhanced Approach [77.61131357420201]
  我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。 我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。 我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
  論文  参考訳（メタデータ） (2022-11-07T16:19:42Z)
• A Survey of Methods for Addressing Class Imbalance in Deep-Learning Based Natural Language Processing [68.37496795076203]
  非バランスなデータを扱うNLP研究者や実践者に対してガイダンスを提供する。 まず、制御および実世界のクラス不均衡の様々なタイプについて論じる。 サンプリング,データ拡張,損失関数の選択,ステージ学習,モデル設計に基づく手法を整理する。
  論文  参考訳（メタデータ） (2022-10-10T13:26:40Z)
• Analysis of Learner Independent Variables for Estimating Assessment Items Difficulty Level [0.0]
  本研究では,工学科における評価項目の難易度を予測するモデルを提案する。 3つの工学コースによる実験結果から,提案モデルを用いた項目分類において約80%の精度が得られた。
  論文  参考訳（メタデータ） (2022-06-09T11:01:57Z)
• Balanced Q-learning: Combining the Influence of Optimistic and Pessimistic Targets [74.04426767769785]
  シナリオによっては、特定の種類の偏見が好ましいかもしれないことを示す。 そこで我々は,目標を悲観的かつ楽観的な用語の凸組合せに修正した新しい強化学習アルゴリズムであるBa balanced Q-learningを設計する。
  論文  参考訳（メタデータ） (2021-11-03T07:30:19Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Uncertainty-aware Score Distribution Learning for Action Quality Assessment [91.05846506274881]
  行動品質評価(AQA)のための不確実性認識スコア分布学習(USDL)手法を提案する。 具体的には、異なる評価スコアの確率を記述したスコア分布に関連する事例として、アクションを考察する。 微粒なスコアラベルが利用できる状況下では、多パス不確実性を考慮したスコア分布学習法(MUSDL)を考案し、スコアの不整合成分を探索する。
  論文  参考訳（メタデータ） (2020-06-13T15:41:29Z)

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。