論文の概要: Do Students Learn Better Together? Teaching Design Patterns and the OSI Model with the Aronson Method

• arxiv url: http://arxiv.org/abs/2508.16770v1
• Date: Fri, 22 Aug 2025 20:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.170314
• Title: Do Students Learn Better Together? Teaching Design Patterns and the OSI Model with the Aronson Method
• Title（参考訳）: 学生は一緒に学び合うか?-Aronson法によるデザインパターンとOSIモデル
• Authors: Daniel San Martin, Carlos Manzano, Valter Vieira de Camargo,
• Abstract要約: 本研究では,Aronson Jigsaw法を用いて2つの基礎的コンピューティングトピックにおける学習とエンゲージメントを高めることを提案する。 この介入は、2025年の2つのコホートに適用され、学生の進歩は協調学習指標を用いて測定された。
• 参考スコア（独自算出の注目度）: 0.4369550829556577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abstract concepts like software design patterns and the OSI model often pose challenges for engineering students, and traditional methods may fall short in promoting deep understanding and individual accountability. This study explores the use of the Aronson Jigsaw method to enhance learning and engagement in two foundational computing topics. The intervention was applied to two 2025 cohorts, with student progress measured using a Collaborative Learning Index derived from formative assessments. Final exam results were statistically compared to previous cohorts. While no significant correlation was found between the index and final grades, students in the design patterns course significantly outperformed earlier groups. Networks students showed more varied outcomes. Qualitative trends point to cognitive and metacognitive gains supported by peer teaching. The Jigsaw method encourages collaborative engagement and may support deeper learning. Future work will explore the integration of AI-based feedback systems to personalize instruction and further improve learning outcomes.
• Abstract（参考訳）: ソフトウェア設計パターンやOSIモデルのような抽象的な概念は、しばしば工学の学生に課題をもたらし、伝統的な手法は深い理解と個々の説明責任を促進するのに不足する可能性がある。 本研究では,Aronson Jigsaw法を用いて2つの基礎的コンピューティングトピックにおける学習とエンゲージメントを高めることを提案する。 介入は2つのコホートに適用され、学生の進歩は形式的評価から得られた協調学習指標を用いて測定された。 最終試験結果は、過去のコホートと比較して統計的に比較された。 指標と最終成績との間に有意な相関は認められなかったが, デザインパターンの学生は, 先行群よりも有意に優れていた。 ネットワークの学生は、より多様な結果を示した。 質的な傾向は、ピアの教えによって支持される認知的およびメタ認知的利益を指す。 Jigsawメソッドは協力的な関与を促進し、より深い学習をサポートする。 今後の研究は、AIベースのフィードバックシステムの統合を探求し、指導をパーソナライズし、学習結果をさらに改善する。

関連論文リスト

• GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation [56.37740554448673]
  本稿では知識概念構造グラフ生成モジュールEDU-GraphRAGを紹介する。 次に、ブロックされた学習経路の問題を緩和する識別学習駆動強化学習(DLRL)モジュールを提案する。 我々は3つのベンチマークデータセットに対して広範な実験を行い、その手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-06-27T15:15:42Z)
• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• Supervised Contrastive Learning for Ordinal Engagement Measurement [2.166000001057538]
  学生のエンゲージメントは、教育プログラムの納入を成功させる上で重要な役割を担っている。 本稿では、クラス不均衡とエンゲージメントレベルへの秩序導入という、この問題における2つの重要な課題を明らかにする。 仮想学習環境におけるビデオベースの学生エンゲージメント測定への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-27T03:49:45Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning [0.0]
  本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。 学習セッション頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成する。 ユニヴァーシティ・カレッジ・カレッジ・ロンドンの統計科学科における計算モジュールのケーススタディにおいて、デリバリー手法が学生の行動にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-12-16T14:47:25Z)
• Harnessing Transparent Learning Analytics for Individualized Support through Auto-detection of Engagement in Face-to-Face Collaborative Learning [3.0184625301151833]
  本稿では,共同作業における学生の個人参加を自動的に検出する透過的アプローチを提案する。 提案手法は,学生の個人的関与を反映し,異なる協調学習課題を持つ生徒を識別する指標として利用することができる。
  論文  参考訳（メタデータ） (2024-01-03T12:20:28Z)
• Bag of States: A Non-sequential Approach to Video-based Engagement Measurement [7.864500429933145]
  学生の行動的・感情的状態は、そのエンゲージメントのレベルを測定するために、きめ細かい時間スケールで分析する必要がある。 既存の多くのアプローチは、ビデオから学生のエンゲージメントを測定するために、繰り返しニューラルネットワーク、時間畳み込みネットワーク、三次元畳み込みニューラルネットワークなどのシーケンシャルモデルとテンポラルモデルを開発した。 本研究では,学生の行動状態と感情状態のみをモデル化・解析し,それらの発生順序をモデル化する。
  論文  参考訳（メタデータ） (2023-01-17T07:12:34Z)
• 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)
• Graph-based Exercise- and Knowledge-Aware Learning Network for Student Performance Prediction [8.21303828329009]
  学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。 我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
  論文  参考訳（メタデータ） (2021-06-01T06:53:17Z)
• 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。