論文の概要: The Quick Red Fox gets the best Data Driven Classroom Interviews: A manual for an interview app and its associated methodology
- arxiv url: http://arxiv.org/abs/2511.13466v1
- Date: Mon, 17 Nov 2025 15:08:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:25.319913
- Title: The Quick Red Fox gets the best Data Driven Classroom Interviews: A manual for an interview app and its associated methodology
- Title（参考訳）: The Quick Red FoxがData Driven Classroom Interviewsでベストを受賞 - インタビューアプリとその方法論に関するマニュアル
- Authors: Jaclyn Ocumpaugh, Luc Paquette, Ryan S. Baker, Amanda Barany, Jeff Ginger, Nathan Casano, Andres F. Zambrano, Xiner Liu, Zhanlan Wei, Yiqui Zhou, Qianhui Liu, Stephen Hutt, Alexandra M. A. Andres, Nidhi Nasiar, Camille Giordano, Martin van Velsen, Micheal Mogessi,
- Abstract要約: Data Driven Classroom Interviews (DDCIs) は、研究者がデジタル学習環境とのインタラクションをコンテキスト化できるようにする。
このマニュアルは、トリガーとインタビュー技術の開発に関わるプロセスのトレーニングを提供しながら、この技術を文書化する。
- 参考スコア（独自算出の注目度）: 30.36059646212202
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data Driven Classroom Interviews (DDCIs) are an interviewing technique that is facilitated by recent technological developments in the learning analytics community. DDCIs are short, targeted interviews that allow researchers to contextualize students' interactions with a digital learning environment (e.g., intelligent tutoring systems or educational games) while minimizing the amount of time that the researcher interrupts that learning experience, and focusing researcher time on the events they most want to focus on DDCIs are facilitated by a research tool called the Quick Red Fox (QRF)--an open-source server-client Android app that optimizes researcher time by directing interviewers to users that have just displayed an interesting behavior (previously defined by the research team). QRF integrates with existing student modeling technologies (e.g., behavior-sensing, affect-sensing, detection of self-regulated learning) to alert researchers to key moments in a learner's experience. This manual documents the tech while providing training on the processes involved in developing triggers and interview techniques; it also suggests methods of analyses.
- Abstract（参考訳）: Data Driven Classroom Interviews (DDCIs)は、近年の学習分析コミュニティの技術的発展によって促進される面接技術である。
DDCIは、研究者が学習体験を中断する時間を最小限に抑えながら、学生のデジタル学習環境(例えば、インテリジェントなチューターシステムや教育ゲーム)との相互作用をコンテキスト化するためのターゲットインタビューであり、研究者が最も注目したいイベントに研究者の時間を集中させることは、クイックレッドフォックス(QRF)と呼ばれる研究ツールによって促進される。
QRFは、既存の学生モデリング技術(例えば、行動センシング、感情センシング、自己規制学習の検出)と統合して、学習者の経験における重要な瞬間を研究者に警告する。
このマニュアルは、トリガーとインタビュー技術の開発に関わるプロセスのトレーニングを提供しながら、この技術を文書化する。
関連論文リスト
- The AI Data Scientist [4.565386491002663]
AI Data Scientistは、大規模言語モデル(LLM)を利用した自律エージェントである
単にコードを書くか、プロンプトに応答するのではなく、質問を通じて理由付け、アイデアをテストし、エンドツーエンドの洞察を提供する。
AI Data Scientistの中核には、特殊なLLMサブエージェントのチームがある。
論文 参考訳（メタデータ） (2025-08-25T15:21:49Z) - Talking to Data: Designing Smart Assistants for Humanities Databases [41.94295877935867]
本研究では,デジタル人文科学データとの自然言語通信を容易にするLLMベースのスマートアシスタントを提案する。
このツールは、研究者が複雑なデータベースを自然言語でクエリできるようにすることで、人文科学におけるアクセシビリティと効率を高めることを目的としている。
論文 参考訳（メタデータ） (2025-06-01T12:41:44Z) - Investigating Developers' Preferences for Learning and Issue Resolution Resources in the ChatGPT Era [1.3124513975412255]
最近のトレンドはビデオチュートリアルのような魅力的なフォーマットを好んでいる。
ChatGPTのような大規模言語モデル(LLM)の出現は、新しい学習パラダイムを提示します。
我々は,ソフトウェア開発者とコンピュータサイエンスの学生を対象に,341の回答を集め,そのうち268の回答を完成・分析した。
論文 参考訳（メタデータ） (2024-10-10T22:57:29Z) - OpenResearcher: Unleashing AI for Accelerated Scientific Research [35.31092912532057]
我々は、人工知能(AI)技術を活用して研究プロセスを加速する革新的なプラットフォームであるOpenResearcherを紹介する。
OpenResearcherはRetrieval-Augmented Generation (RAG)に基づいて構築されており、LLM(Large Language Models)と最新のドメイン固有知識を統合する。
我々は、OpenResearcherが研究者のクエリを理解し、科学文献から検索し、検索した情報をフィルタリングし、正確で包括的な回答を提供し、答えを自己修正する様々なツールを開発した。
論文 参考訳（メタデータ） (2024-08-13T14:59:44Z) - Synergistic Interplay between Search and Large Language Models for
Information Retrieval [141.18083677333848]
InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。
InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
論文 参考訳（メタデータ） (2023-05-12T11:58:15Z) - Asking for Knowledge: Training RL Agents to Query External Knowledge
Using Language [121.56329458876655]
グリッドワールドベースのQ-BabyAIとテキストベースのQ-TextWorldの2つの新しい環境を紹介した。
本稿では,意味のある知識を問うための言語コマンドを生成する「知識の探索(AFK)」エージェントを提案する。
論文 参考訳（メタデータ） (2022-05-12T14:20:31Z) - From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven
Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。
人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。
CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文 参考訳（メタデータ） (2022-01-20T17:07:03Z) - Neural Approaches to Conversational Information Retrieval [94.77863916314979]
会話情報検索(CIR)システムは、会話インタフェースを備えた情報検索(IR)システムである。
近年のディープラーニングの進歩により、自然言語処理(NLP)と会話型AIが大幅に改善されている。
この本は、ここ数年で開発された神経アプローチに焦点を当てた、CIRの最近の進歩を調査します。
論文 参考訳（メタデータ） (2022-01-13T19:04:59Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:14:33Z) - Probing Across Time: What Does RoBERTa Know and When? [70.20775905353794]
言語知識は、ドメイン間で高速、安定、そして堅牢に獲得されることを示す。
事実と常識はより遅く、ドメインに敏感です。
クロスタイム探索は、これらのモデルが生み出す複雑で混ざった学習を理解するのに役立ち、必要な学習を迅速に行うためのより効率的なアプローチへと導いてくれると信じています。
論文 参考訳（メタデータ） (2021-04-16T04:26:39Z) - Open-Ended Multi-Modal Relational Reasoning for Video Question Answering [1.8699569122464073]
このエージェントの主な焦点は、ビデオベースのシーン内で言語ベースのインタラクションを使用する個人を支援することである。
提案手法は,ロボットエージェント内にビデオ認識技術と自然言語処理モデルを統合する。
論文 参考訳（メタデータ） (2020-12-01T20:49:59Z)
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。