論文の概要: Scaffolding Collaborative Learning in STEM: A Two-Year Evaluation of a Tool-Integrated Project-Based Methodology

• arxiv url: http://arxiv.org/abs/2509.02355v1
• Date: Tue, 02 Sep 2025 14:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.059777
• Title: Scaffolding Collaborative Learning in STEM: A Two-Year Evaluation of a Tool-Integrated Project-Based Methodology
• Title（参考訳）: STEMにおける協調学習の共有:ツール統合型プロジェクトベース手法の2年間の評価
• Authors: Caterina Fuster-Barcelo, Gonzalo R. Rios-Munoz, Arrate Munoz-Barrutia,
• Abstract要約: 本研究では、デジタルコラボレーションツールの統合と、機械学習・フォー・ヘルス・マスターズ・プログラムにおける構造化ピア評価について検討する。 このフレームワークは、リアルタイムプログラミングとGoogle Colab、Weights & Biasesによる実験追跡とレポート、ルーリック誘導によるピアアセスメントを組み合わせたものだ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study examines the integration of digital collaborative tools and structured peer evaluation in the Machine Learning for Health master's program, through the redesign of a Biomedical Image Processing course over two academic years. The pedagogical framework combines real-time programming with Google Colab, experiment tracking and reporting via Weights & Biases, and rubric-guided peer assessment to foster student engagement, transparency, and fair evaluation. Compared to a pre-intervention cohort, the two implementation years showed increased grade dispersion and higher entropy in final project scores, suggesting improved differentiation and fairness in assessment. The survey results further indicate greater student engagement with the subject and their own learning process. These findings highlight the potential of integrating tool-supported collaboration and structured evaluation mechanisms to enhance both learning outcomes and equity in STEM education.
• Abstract（参考訳）: 本研究では,2年間にわたるバイオメディカル画像処理コースの再設計を通じて,デジタルコラボレーションツールの統合と,機械学習・フォー・ヘルス・マスターズ・プログラムにおけるピア・アセスメントの構造化について検討した。 教育的なフレームワークは、リアルタイムプログラミングをGoogle Colabと組み合わせ、Weights & Biases経由での実験追跡とレポート、学生のエンゲージメント、透明性、公正な評価を促進するためにルーリック誘導のピアアセスメントを組み合わせたものだ。 プレインターベンションコホートと比較すると, 最終プロジェクトスコアの等級分散とエントロピーが増加し, 差別性や公平性の向上が示唆された。 さらに,本調査の結果から,学生の参加意識と学習プロセスの充実が示唆された。 これらの知見は、STEM教育における学習成果とエクイティを両立させるために、ツール支援コラボレーションと構造化評価機構の統合の可能性を強調した。

関連論文リスト

• Do Students Learn Better Together? Teaching Design Patterns and the OSI Model with the Aronson Method [0.4369550829556577]
  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。
  論文  参考訳（メタデータ） (2025-08-22T20:07:15Z)
• Level Up Peer Review in Education: Investigating genAI-driven Gamification system and its influence on Peer Feedback Effectiveness [0.8087870525861938]
  本稿では、Generative AI(GenAI)アシストと統合されたゲーミフィケーションピアアセスメントプラットフォームであるSocratiqueを紹介する。 Socratiqueはゲーム要素を取り入れることで、学生により多くのフィードバックを提供する動機付けを目指している。 治療群では, 明瞭度, 関連性, 特異性について, より自発的なフィードバックが得られた。
  論文  参考訳（メタデータ） (2025-04-03T18:30:25Z)
• PICA: A Data-driven Synthesis of Peer Instruction and Continuous Assessment [0.0]
  ここでは、PIとCAを組み合わせて、学生をペアにして、CAタスクで協力するPIセッションを行う。 このデータ駆動型協調学習の動機は、学生の学習、コミュニケーション、エンゲージメントを改善することである。
  論文  参考訳（メタデータ） (2024-07-24T20:50:32Z)
• Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition [70.60872754129832]
  アンラーニングに関する最初のNeurIPSコンペティションは、新しいアルゴリズムの開発を刺激しようとした。 世界中から約1200チームが参加した。 トップソリューションを分析し、アンラーニングのベンチマークに関する議論を掘り下げます。
  論文  参考訳（メタデータ） (2024-06-13T12:58:00Z)
• Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
  我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。 我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。 一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2023-04-03T19:32:30Z)
• A Domain-Agnostic Approach for Characterization of Lifelong Learning Systems [128.63953314853327]
  「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。 この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
  論文  参考訳（メタデータ） (2023-01-18T21:58:54Z)
• 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)
• Revisiting Contrastive Learning through the Lens of Neighborhood Component Analysis: an Integrated Framework [70.84906094606072]
  下流タスクにおいて高い精度とロバスト性を同時に達成できるような、統合されたコントラスト損失を設計するための新しい手法を示す。 統合フレームワークでは,標準精度が最大6%向上し,対角精度が17%向上した。
  論文  参考訳（メタデータ） (2021-12-08T18:54:11Z)
• Broader terms curriculum mapping: Using natural language processing and visual-supported communication to create representative program planning experiences [62.997667081978825]
  学部と非学部間のコミュニケーションの困難さは、未発見のコラボレーションの可能性を秘めている。 本稿では,プログラム計画表現の普遍的,自己説明的,権限付与的な提供方法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T13:27:04Z)
• Multi-split Optimized Bagging Ensemble Model Selection for Multi-class Educational Data Mining [8.26773636337474]
  この研究は、2つの異なる大学における2つの異なる学部のデータセットを分析します。 コース配信の2段階(それぞれ20%と50%)の成績を予測することを目的としている。
  論文  参考訳（メタデータ） (2020-06-09T03:22:33Z)
• Systematic Ensemble Model Selection Approach for Educational Data Mining [8.26773636337474]
  この研究は、コースデリバリの2つの別々の段階において、2つの異なるデータセットを調査し、分析する。 Giniインデックスとp値に基づく体系的なアプローチを提案し、6つの潜在的機械学習アルゴリズムの組み合わせから適切なアンサンブル学習者を選択する。 実験結果から,提案したアンサンブルモデルでは,両データセットのすべての段階で高い精度と低い偽陽性率が得られることがわかった。
  論文  参考訳（メタデータ） (2020-05-13T22:25:58Z)

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。