論文の概要: Handling Students Dropouts in an LLM-driven Interactive Online Course Using Language Models

• arxiv url: http://arxiv.org/abs/2508.17310v1
• Date: Sun, 24 Aug 2025 11:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.460723
• Title: Handling Students Dropouts in an LLM-driven Interactive Online Course Using Language Models
• Title（参考訳）: 言語モデルを用いたLLMによる対話型オンライン授業における学生のドロップアウト処理
• Authors: Yuanchun Wang, Yiyang Fu, Jifan Yu, Daniel Zhang-Li, Zheyuan Zhang, Joy Lim Jia Yin, Yucheng Wang, Peng Zhou, Jing Zhang, Huiqin Liu,
• Abstract要約: 本稿では,AIを活用した特定のコース(Massive AI-empowered Courses:MAIC)に関する実証的研究を行い,ドロップアウトに関する3つの研究課題について考察する。 インタラクションログを分析して、ドロップアウトを定義し、寄与要因を特定します。 本稿では,少なくとも95.4%の精度でドロップアウトを予測するためのコースプログレッシブ・アダプティブ・ドロップアウト予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.847725742817982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive online learning environments, represented by Massive AI-empowered Courses (MAIC), leverage LLM-driven multi-agent systems to transform passive MOOCs into dynamic, text-based platforms, enhancing interactivity through LLMs. This paper conducts an empirical study on a specific MAIC course to explore three research questions about dropouts in these interactive online courses: (1) What factors might lead to dropouts? (2) Can we predict dropouts? (3) Can we reduce dropouts? We analyze interaction logs to define dropouts and identify contributing factors. Our findings reveal strong links between dropout behaviors and textual interaction patterns. We then propose a course-progress-adaptive dropout prediction framework (CPADP) to predict dropouts with at most 95.4% accuracy. Based on this, we design a personalized email recall agent to re-engage at-risk students. Applied in the deployed MAIC system with over 3,000 students, the feasibility and effectiveness of our approach have been validated on students with diverse backgrounds.
• Abstract（参考訳）: MAIC(Massive AI-empowered Courses)によって代表されるインタラクティブなオンライン学習環境は、LLM駆動のマルチエージェントシステムを活用して、受動MOOCを動的テキストベースのプラットフォームに変換し、LLMを通じて対話性を向上する。 本稿では,特定のMAICコースに関する実証的研究を行い,これらのインタラクティブオンラインコースにおけるドロップアウトに関する3つの研究課題について考察する:(1)ドロップアウトにつながる要因は何か? (2)ドロップアウトを予測できますか? (3)ドロップアウトを減らすことは可能か? インタラクションログを分析して、ドロップアウトを定義し、寄与要因を特定します。 以上の結果から,ドロップアウト行動とテキストインタラクションパターンの強い関連が明らかとなった。 次に、95.4%の精度でドロップアウトを予測するコースプログレッシブ・アダプティブ・ドロップアウト予測フレームワーク(CPADP)を提案する。 そこで我々は,リスクの高い学生を再入力するための個人用メールリコールエージェントを設計する。 3,000人以上の学生を対象とするMICシステムに適用し,多様な背景を持つ学生を対象に,本手法の有効性と妥当性を検証した。

関連論文リスト

• Beyond classical and contemporary models: a transformative AI framework for student dropout prediction in distance learning using RAG, Prompt engineering, and Cross-modal fusion [0.4369550829556578]
  本稿では、ドロップアウト予測を再定義する変換型AIフレームワークを提案する。 フレームワークの精度は89%、F1スコアは0.88で、従来のモデルよりも7%、偽陰性は21%向上している。
  論文  参考訳（メタデータ） (2025-07-04T21:41:43Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [76.09281171131941]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• Alignment Drift in CEFR-prompted LLMs for Interactive Spanish Tutoring [0.0]
  本稿では,第二言語学習における適応型チューターとしてのLarge Language Models(LLMs)の可能性について検討する。 スペイン語の教師と学生の対話を,7Bから12Bまでの大きさの命令調整型オープンソースのLLMを用いてシミュレートした。 次に、チューターモデルからの出力を用いて、3つの習熟度レベルにわたるテキストの難易度を制御するCEFRベースのプロンプトの有効性を評価する。
  論文  参考訳（メタデータ） (2025-05-13T08:50:57Z)
• Playpen: An Environment for Exploring Learning Through Conversational Interaction [81.67330926729015]
  本研究は,対話ゲームが学習のフィードバック信号の源として機能するかどうかを考察する。 本稿では,対話ゲームによるオフラインおよびオンライン学習環境であるPlaypenを紹介する。 SFTによる模倣学習は、目に見えないインスタンスのパフォーマンスを向上させるが、他のスキルに悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-04-11T14:49:33Z)
• The StudyChat Dataset: Student Dialogues With ChatGPT in an Artificial Intelligence Course [1.9116784879310025]
  大規模言語モデル(LLM)は教育に大きな影響を与え、機会と課題の両方を提起している。 本研究では,LLMを用いた実世界の学生インタラクションのデータセットであるStudioChatを紹介する。 本稿では,ChatGPTのコア機能を再現したWebアプリケーションをデプロイし,学生のLLMとのインタラクションをログに記録する。 これらの相互作用を分析し、利用傾向を強調し、特定の生徒の行動がコースの結果とどのように関連しているかを分析する。
  論文  参考訳（メタデータ） (2025-03-11T00:17:07Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Modulating Language Model Experiences through Frictions [56.17593192325438]
  言語モデルの過度な消費は、短期において未確認エラーを伝播し、長期的な批判的思考のために人間の能力を損なうリスクを出力する。 行動科学の介入にインスパイアされた言語モデル体験のための選択的摩擦を提案し,誤用を抑える。
  論文  参考訳（メタデータ） (2024-06-24T16:31:11Z)
• Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition [0.4779196219827506]
  この研究は、オンライン長手問題ベース学習(PBL)協調ロボティクスコンペティションをテストベッドとして採用している。 本研究は、参加チームの談話討論フォーラム「活動」への貢献と、自己報告型オンライン学習戦略アンケート(OSLQ)を通じて、ドロップアウト行動を予測することを目的とする。 以上の結果から,OSLQの信頼性は極めて高いサンプルサイズであり,オンライン競争におけるドロップアウト率の予測には有望な結果が得られた。
  論文  参考訳（メタデータ） (2023-12-27T00:08:19Z)
• Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network [56.62345811216183]
  本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。 具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。 1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
  論文  参考訳（メタデータ） (2020-08-04T14:55:32Z)

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。