論文の概要: Enhancing Student Performance Prediction In CS1 Via In-Class Coding

• arxiv url: http://arxiv.org/abs/2510.21848v1
• Date: Wed, 22 Oct 2025 16:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.613377
• Title: Enhancing Student Performance Prediction In CS1 Via In-Class Coding
• Title（参考訳）: CS1におけるクラス内符号化による生徒パフォーマンス予測の強化
• Authors: Eric Hics, Vinhthuy Phan, Kriangsiri Malasri,
• Abstract要約: コンピュータ科学の卓越した学問分野としての認知度は、様々な学術的背景を持つ学生を惹きつけている。 この課題に対処するためには、苦労している学生を早期に特定することが不可欠である。 これらのコースのインクラスコーディング演習は、生徒に追加の実践機会を提供するだけでなく、その能力を明らかにし、支援が必要な人を特定するのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer science's increased recognition as a prominent field of study has attracted students with diverse academic backgrounds. This has significantly increased the already high failure rates in introductory courses. To address this challenge, it is essential to identify struggling students early on. Incorporating in-class coding exercises in these courses not only offers additional practice opportunities to students but may also reveal their abilities and help teachers identify those in need of assistance. In this work, we seek to determine the extent to which the practice of using in-class coding exercises enhances the ability to predict student performance, especially early in the semester. Based on data obtained in a CS1 course taught at a mid-size American university, we found that in-class exercises could improve the prediction of students' eventual performance. In particular, we found relatively accurately predictions as early as academic weeks 3 through 5, making it possible to devise early intervention strategies. This work can benefit future studies on the impact of in-class exercises as well as intervention strategies throughout the semester.
• Abstract（参考訳）: コンピュータ科学の卓越した学問分野としての認知度は、様々な学術的背景を持つ学生を惹きつけている。 これにより、導入コースにおける既に高い障害率が大幅に向上した。 この課題に対処するためには、苦労している学生を早期に特定することが不可欠である。 これらのコースにクラス内のコーディング演習を組み込むことは、生徒に追加の実践機会を提供するだけでなく、その能力を明らかにし、教師が支援を必要としている人を特定する手助けにもなるかもしれない。 そこで本研究では,中等教育におけるプログラミング演習の実践が,特に学期前半において,学生のパフォーマンスを予測する能力を高めるかを検討する。 その結果,中等教育大学におけるCS1講座で得られたデータから,授業中の運動が学生の最終的な成績を予測することができることがわかった。 特に,第3週から第5週にかけては比較的正確な予測が得られ,早期介入戦略の考案が可能となった。 この研究は、学期を通しての介入戦略と同様に、クラス内演習の影響に関する将来の研究に役立てることができる。

関連論文リスト

• Exploring LLMs for Predicting Tutor Strategy and Student Outcomes in Dialogues [48.99818550820575]
  近年の研究では、教師が使う戦略が学生の成績に重大な影響を与えることが示されている。 対話における教師戦略の予測に関する研究は少ない。 本稿では,現代のLLM,特にLlama 3 と GPT-4o を用いて,対話における将来の教師の動きと学生の成果を予測する能力について検討する。
  論文  参考訳（メタデータ） (2025-07-09T14:47:35Z)
• Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
  本稿では,学生の難易度を予測するための自動ツールを開発する。 潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
  論文  参考訳（メタデータ） (2024-08-16T04:57:54Z)
• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• Does Starting Deep Learning Homework Earlier Improve Grades? [63.20583929886827]
  宿題を早く始め、より多くの時間を費やしている学生は、宿題の成績が良くなるはずだ。 既存の文献が宿題に費やした時間の影響は明確ではなく、主にK-12教育から来ている。 我々は,学生の成功に対する影響を原則的に結論付けるために,階層的ベイズモデルを構築した。
  論文  参考訳（メタデータ） (2023-09-30T09:34:30Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction [28.383922154797315]
  学業成績予測は、学生に関連する情報を活用し、将来の学業成果を予測することを目的としている。 本稿では、学生の日常行動軌跡を分析し、キャンパスのスマートカード記録を網羅的に追跡する。 本稿では,行ワイド,列ワイド,深さワイドのコンボリューションとアテンション操作を備えた新しいTri-Branch CNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-22T02:35:36Z)
• 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)
• Improving Students Performance in Small-Scale Online Courses -- A Machine Learning-Based Intervention [0.0]
  オンライン学習管理システムから収集したデータは,学生全体のパフォーマンスを予測するために有効に活用できることを示す。 本研究の結果から,学生の進路を改善させるための効果的な介入戦略が,授業の途中で提案される可能性が示唆された。
  論文  参考訳（メタデータ） (2020-11-23T14:12:55Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウト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） (2020-08-12T10:44:49Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)
• Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
  学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。 学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。 本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。