論文の概要: Who Is Lagging Behind: Profiling Student Behaviors with Graph-Level Encoding in Curriculum-Based Online Learning Systems
- arxiv url: http://arxiv.org/abs/2508.18925v1
- Date: Tue, 26 Aug 2025 11:03:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.813058
- Title: Who Is Lagging Behind: Profiling Student Behaviors with Graph-Level Encoding in Curriculum-Based Online Learning Systems
- Title（参考訳）: 誰が隠れているのか:カリキュラムベースのオンライン学習システムにおけるグラフレベルエンコーディングによる生徒の行動のプロファイリング
- Authors: Qian Xiao, Conn Breathnach, Ioana Ghergulescu, Conor O'Sullivan, Keith Johnston, Vincent Wade,
- Abstract要約: 学生のプロファイリングは、進歩の追跡、苦労している学生の特定、学生間の格差の緩和に不可欠である。
我々は,自己教師型で学習者の行動とパフォーマンスをプロファイル化するためのグラフレベルのレプリ・セプション学習手法であるCTGraphを紹介する。
当社のアプローチは、学生の学習旅行に対する豊富な洞察を教育者に与える機会を拡大する。
- 参考スコア（独自算出の注目度）: 0.4775214751904462
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The surge in the adoption of Intelligent Tutoring Systems (ITSs) in education, while being integral to curriculum- based learning, can inadvertently exacerbate performance gaps. To address this problem, student profiling becomes crucial for tracking progress, identifying struggling students, and alleviating disparities among students. Such profiling requires measuring student behaviors and performance across different aspects, such as content coverage, learning intensity, and proficiency in different concepts within a learning topic. In this study, we introduce CTGraph, a graph-level repre- sentation learning approach to profile learner behaviors and performance in a self-supervised manner. Our experiments demonstrate that CTGraph can provide a holistic view of student learning journeys, accounting for different aspects of student behaviors and performance, as well as variations in their learning paths as aligned to the curriculum structure. We also show that our approach can identify struggling students and provide comparative analysis of diverse groups to pinpoint when and where students are struggling. As such, our approach opens more opportunities to empower educators with rich insights into student learning journeys and paves the way for more targeted interventions.
- Abstract（参考訳）: 教育におけるIntelligent Tutoring Systems(ITS)の採用の急増は、カリキュラムベースの学習に不可欠な一方で、必然的にパフォーマンスギャップを悪化させる可能性がある。
この問題に対処するために、学生のプロファイリングは、進歩の追跡、苦労している学生の特定、学生間の格差の緩和に不可欠である。
このようなプロファイリングは、学習トピック内の異なる概念における、コンテンツカバレッジ、学習強度、習熟度など、さまざまな側面における学生の行動とパフォーマンスを測定する必要がある。
本研究では,グラフレベルのリフレクション・セプション・ラーニング・アプローチであるCTGraphを導入し,学習者の行動やパフォーマンスを自己管理的に分析する。
実験の結果、CTGraphは学生の行動やパフォーマンスの異なる側面を考慮し、カリキュラム構造に整合した学習経路のバリエーションを考慮し、学生の学習行動の全体像を提供することができることがわかった。
また,本手法は,苦労している学生を識別し,学生が苦労している時期と場所を識別するための多様なグループの比較分析を提供する。
このように、我々のアプローチは、学生の学習旅行に対する豊富な洞察を教育者に与える機会を拡大し、よりターゲットを絞った介入の道を開く。
関連論文リスト
- Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports [8.138288420049127]
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。
論文 参考訳（メタデータ） (2025-06-10T18:46:45Z) - Hierarchical Bayesian Knowledge Tracing in Undergraduate Engineering Education [5.416875842656737]
本研究は,スキルの難易度と個人学生の能力の両面を定量化するために,厳密で解釈可能な統計的アプローチを示す。
大学生のStaticsコースからの大規模データセットを用いて、スキル習得の明確なパターンを特定した。
分析の結果,特定の概念が常に課題を呈し,目標とする指導支援が必要であることが明らかとなった。
論文 参考訳（メタデータ） (2025-05-29T09:06:34Z) - From Motion Signals to Insights: A Unified Framework for Student Behavior Analysis and Feedback in Physical Education Classes [24.419496467288674]
教育シナリオにおける生徒の行動分析は、質と学生のエンゲージメントを高めるために不可欠である。
既存のAIベースのモデルは、生徒の振る舞いを特定し分析するために、しばしば教室のビデオ映像に依存している。
動作信号に基づく人間行動認識技術を活用したエンドツーエンド統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-09T09:04:36Z) - Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
GRADEは、教育と表現的アライメントを研究するための新しい制御された実験環境である。
学生との表現的整合性が向上し,生徒の学習成果が向上することがわかった。
しかし、この効果は、教えられているクラスのサイズと表現の多様性によって中和される。
論文 参考訳（メタデータ） (2024-06-06T17:48:24Z) - A Comparative Analysis of Student Performance Predictions in Online Courses using Heterogeneous Knowledge Graphs [0.0]
学生,コースビデオ,フォーマティブアセスメント,および学生のパフォーマンス予測のためのインタラクションからなる異種知識グラフを分析した。
次に、同一コースの5つのオンラインMOOCスタイルインスタンスと2つの完全オンラインMOOCスタイルインスタンスを比較した。
このモデルは、生徒が消費したコンテンツ、コース、モダリティに基づいて、特定の問題に合格するかどうかを予測する精度を70～90%向上した。
論文 参考訳（メタデータ） (2024-05-19T03:33:59Z) - Task Formulation Matters When Learning Continually: A Case Study in
Visual Question Answering [58.82325933356066]
継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。
本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
論文 参考訳（メタデータ） (2022-09-30T19:12:58Z) - Dynamic Diagnosis of the Progress and Shortcomings of Student Learning
using Machine Learning based on Cognitive, Social, and Emotional Features [0.06999740786886534]
学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。
単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。
本稿では,データ分析と機械学習に基づく新しい手法について論じる。
論文 参考訳（メタデータ） (2022-04-13T21:14:58Z) - Visual Adversarial Imitation Learning using Variational Models [60.69745540036375]
逆関数仕様は、深い強化学習を通しての学習行動にとって大きな障害であり続けている。
望ましい行動の視覚的なデモンストレーションは、エージェントを教えるためのより簡単で自然な方法を示すことが多い。
変動モデルに基づく対向的模倣学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-07-16T00:15:18Z) - Revealing the Hidden Patterns: A Comparative Study on Profiling
Subpopulations of MOOC Students [61.58283466715385]
MOOC(Massive Open Online Courses)は、学生の異質性を示す。
MOOCプラットフォームからの複雑な“ビッグデータ”の出現は、学生がMOOCにどのように従事しているかを深く理解する上で、難しいが報われる機会である。
本報告では,MOOCにおける学生活動のクラスタリング分析と,学生集団間の行動パターンと人口動態の比較分析について述べる。
論文 参考訳（メタデータ） (2020-08-12T10:38:50Z) - 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。