論文の概要: CAPIRE Intervention Lab: An Agent-Based Policy Simulation Environment for Curriculum-Constrained Engineering Programmes

• arxiv url: http://arxiv.org/abs/2511.18145v1
• Date: Sat, 22 Nov 2025 18:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.649728
• Title: CAPIRE Intervention Lab: An Agent-Based Policy Simulation Environment for Curriculum-Constrained Engineering Programmes
• Title（参考訳）: CAPIREインターベンションラボ:カリキュラム制約工学プログラムのためのエージェントベースの政策シミュレーション環境
• Authors: H. R. Paz,
• Abstract要約: ラテンアメリカのエンジニアリングプログラムは、より正確な早期警戒モデルにもかかわらず、頑丈に高い水準を維持しているドロップアウト率を生み出している。 予測学習分析は、リスクのある生徒を識別できるが、具体的な政策の組み合わせを実装するためのガイダンスは限られている。 本稿では,予測モデルを補完するエージェントベースのシミュレーション環境であるCAPIREインターベンションラボを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Engineering programmes in Latin America combine high structural rigidity, intense assessment cultures and persistent socio-economic inequality, producing dropout rates that remain stubbornly high despite increasingly accurate early-warning models. Predictive learning analytics can identify students at risk, but they offer limited guidance on which concrete combinations of policies should be implemented, when, and for whom. This paper presents the CAPIRE Intervention Lab, an agent-based simulation environment designed to complement predictive models with in silico experimentation on curriculum and teaching policies in a Civil Engineering programme. The model is calibrated on 1,343 students from 15 cohorts in a six-year programme with 34 courses and 12 simulated semesters. Agents are initialised from empirically derived trajectory archetypes and embedded in a curriculum graph with structural friction indicators, including backbone completion, blocked credits and distance to graduation. Each agent evolves under combinations of three policy dimensions: (A) curriculum and assessment structure, (B) teaching and academic support, and (C) psychosocial and financial support. A 2x2x2 factorial design with 100 replications per scenario yields over 80,000 simulated trajectories. Results show that policy bundles targeting early backbone courses and blocked credits can reduce long-term dropout by approximately three percentage points and substantially increase the number of courses passed by structurally vulnerable archetypes, while leaving highly regular students almost unaffected. The Intervention Lab thus shifts learning analytics from static prediction towards dynamic policy design, offering institutions a transparent, extensible sandbox to test curriculum and teaching reforms before large-scale implementation.
• Abstract（参考訳）: ラテンアメリカのエンジニアリングプログラムは、高い構造的剛性、激しい評価文化、永続的な社会経済的不平等を組み合わせ、より正確な早期警戒モデルにもかかわらず頑丈に高い低下率を生み出している。 予測学習分析(Predictive Learning Analysis)は、リスクのある生徒を識別するが、どのポリシーの具体的な組み合わせをいつ、誰が実施すべきか、という限られたガイダンスを提供する。 本稿では,CAPIREインターベンションラボ(CAPIRE Intervention Lab)を提案する。CAPIREは,予測モデルとシリコ実験を補完するエージェントベースのシミュレーション環境である。 このモデルは、34のコースと12のシミュレートされたセミメータを備えた6年間のプログラムで、15のコホートから1,343人の生徒に校正されている。 エージェントは経験的に派生した軌道アーチタイプから初期化され、バックボーンの完成、ブロックされたクレジット、卒業までの距離を含む構造的摩擦指標を備えたカリキュラムグラフに埋め込まれる。 各エージェントは、(A)カリキュラムとアセスメント構造、(B)教育とアカデミックサポート、(C)精神社会的および財政的支援という3つの政策次元の組み合わせで進化する。 シナリオ毎に100のレプリケーションを持つ2x2x2因子設計では、80,000以上のシミュレートされた軌道が生成される。 その結果、早期のバックボーンコースやブロッククレジットを対象とする政策バンドルは、長期のドロップアウトを約3ポイント減らし、構造的に脆弱なアーキタイプによってパスされるコース数を著しく増加させ、高正規の学生はほとんど影響を受けないことが示唆された。 これにより、Intervention Labは、学習分析を静的な予測から動的ポリシー設計にシフトさせ、施設に透明で拡張可能なサンドボックスを提供してカリキュラムをテストし、大規模な実施前に改革を教える。

関連論文リスト

• When Administrative Networks Fail: Curriculum Structure, Early Performance, and the Limits of Co-enrolment Social Synchrony for Dropout Prediction in Engineering Education [0.0]
  ソーシャル統合理論は、支援的なピアネットワークに埋め込まれた学生が退学する可能性が低いことを示唆している。 学習分析において、これは社会的ネットワーク分析(SNA)を組織的共役データから活用し、誘惑を予測する動機となった。 本研究は,これらの管理ネットワークが,カリキュラムグラフインフォームドモデルを超えて,予測価値を付加するかどうかを検証した。
  論文  参考訳（メタデータ） (2025-11-21T19:38:25Z)
• The Promotion Wall: Efficiency-Equity Trade-offs of Direct Promotion Regimes in Engineering Education [0.0]
  記事は、調整されたエージェントベースモデルを使用して、代替の進歩体制が、ドロップアウト、タイム・ツー・ディグリー、エクイティ、学生の心理的体験をどのように再構成するかを調べる。
  論文  参考訳（メタデータ） (2025-11-21T12:04:31Z)
• An Agent-Based Simulation of Regularity-Driven Student Attrition: How Institutional Time-to-Live Constraints Create a Dropout Trap in Higher Education [0.0]
  『正規性トラップ』は、厳格な評価タイムラインが認定から学習を分離する現象である。 CAPIREフレームワークを校正されたエージェントベースモデル(ABM)に運用し、42コースの土木工学カリキュラムで1,343人の学生の軌跡をシミュレートする。 その結果、観察されたドロップアウトの86.4%は、純粋に学術的な失敗ではなく、規範的なメカニズム(経験的なカスケード)によって駆動されていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-20T11:21:39Z)
• The CAPIRE Curriculum Graph: Structural Feature Engineering for Curriculum-Constrained Student Modelling in Higher Education [0.0]
  本稿では,CAPIREフレームワーク内に埋め込まれた構造的特徴工学層であるCAPIRE Curriculum Graphを紹介し,学生の誘惑予測を行う。 学生・学期レベルの9つの構造的特徴を抽出し、学生が時間とともに必要なネットワークをナビゲートする方法を捉える。 これらの特徴には、バックボーン完了率、ボトルネック承認率、不完全な前提条件によるクレジットのブロック、卒業までのグラフ距離が含まれる。
  論文  参考訳（メタデータ） (2025-11-19T15:33:00Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning [77.92320830700797]
  強化学習は、大規模言語モデルの推論機能を実現する上で中心的な役割を果たしてきた。 本稿では,ポリシー更新時の曲率情報を追跡し,活用するトラクタブルな計算フレームワークを提案する。 アルゴリズムであるCurvature-Aware Policy Optimization (CAPO)は、不安定な更新に寄与するサンプルを特定し、それらをマスクアウトする。
  論文  参考訳（メタデータ） (2025-10-01T12:29:32Z)
• 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)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Hierarchical Programmatic Reinforcement Learning via Learning to Compose Programs [58.94569213396991]
  プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。 提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。 Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-30T14:50:46Z)

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。