論文の概要: Stabilising Learner Trajectories: A Doubly Robust Evaluation of AI-Guided Student Support using Activity Theory

• arxiv url: http://arxiv.org/abs/2512.11154v1
• Date: Thu, 11 Dec 2025 22:28:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.591529
• Title: Stabilising Learner Trajectories: A Doubly Robust Evaluation of AI-Guided Student Support using Activity Theory
• Title（参考訳）: 学習者軌道の安定化:活動理論を用いたAI指導学生支援の2倍のロバスト評価
• Authors: Teo Susnjak, Khalid Bakhshov, Anuradha Mathrani,
• Abstract要約: 本研究では,2つの頑健なスコアマッチングを用いて,大大学におけるAI指導学生支援システムの評価を行った。 以上の結果より,この介入が先天的な軌跡を効果的に安定化させたことが示唆された。 しかし, 資格取得速度への影響は, 統計的に有意であったが, 統計的に制限された。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While predictive models are increasingly common in higher education, causal evidence regarding the interventions they trigger remains rare. This study evaluates an AI-guided student support system at a large university using doubly robust propensity score matching. We advance the methodology for learning analytics evaluation by leveraging time-aligned, dynamic AI probability of success scores to match 1,859 treated students to controls, thereby mitigating the selection and immortal time biases often overlooked in observational studies. Results indicate that the intervention effectively stabilised precarious trajectories, and compared to the control group, supported students significantly reduced their course failure rates and achieved higher cumulative grades. However, effects on the speed of qualification completion were positive but statistically constrained. We interpreted these findings through Activity Theory, framing the intervention as a socio-technical brake that interrupts and slows the accumulation of academic failure among at-risk students. The student support-AI configuration successfully resolved the primary contradiction of immediate academic risk, but secondary contradictions within institutional structures limited the acceleration of degree completion. We conclude that while AI-enabled support effectively arrests decline, translating this stability into faster progression requires aligning intervention strategies with broader institutional governance.
• Abstract（参考訳）: 高等教育において予測モデルはますます一般的になっているが、それらが引き起こす介入に関する因果的証拠は依然として稀である。 本研究では,2つの頑健な確率スコアマッチングを用いて,大大学におけるAI指導学生支援システムの評価を行った。 本研究では,1,859名の受講生に適合する成功スコアの動的AI確率を活用し,観察研究で見過ごされる選択と不死の時間バイアスを軽減し,分析評価の方法論を推し進める。 その結果, 介入は予防的軌跡を効果的に安定化させ, 対照群と比較して, 支援学生はコース障害率を有意に低下させ, 累積成績を高くした。 しかし,資格取得速度への影響は肯定的ではあるが統計的に制限的であった。 我々は,これらの知見を活動理論を通じて解釈し,その介入を,リスクの高い学生の学業失敗の蓄積を中断・遅らせる社会技術ブレーキとみなす。 学生支援AI構成は、即時的な学術的リスクの第一の矛盾を解決したが、機関構造における第二の矛盾は、学位取得の加速を制限した。 AIを活用したサポートは、効果的に衰退を阻止するが、この安定性をより高速な進歩に翻訳するには、より広範な機関のガバナンスと介入戦略の整合が必要である、と結論付けている。

関連論文リスト

• Designing AI-Resilient Assessments Using Interconnected Problems: A Theoretically Grounded and Empirically Validated Framework [0.0]
  生成AIの急速な採用により、コンピューティング教育における従来のモジュラーアセスメントが損なわれている。 本稿では,AI-レジリエントアセスメントを設計するための理論的基盤となる枠組みを提案する。
  論文  参考訳（メタデータ） (2025-12-11T15:53:19Z)
• UACER: An Uncertainty-Aware Critic Ensemble Framework for Robust Adversarial Reinforcement Learning [15.028168889991795]
  頑健な対人強化学習(UACER)のための新しいアプローチである不確実性に配慮した批判アンサンブルを提案する。 本稿では,頑健な対人強化学習(UACER)のための新しいアプローチ,不確実性に配慮した批判アンサンブルを提案する。
  論文  参考訳（メタデータ） (2025-12-11T10:14:13Z)
• Causal Decomposition Analysis with Synergistic Interventions: A Triply-Robust Machine Learning Approach to Addressing Multiple Dimensions of Social Disparities [1.6586885757497203]
  複数の因果分解因子を同時に対象とする因果分解解析法を開発した。 本手法を高等学校縦断学習生のコホートに適用する。 高い成績の学校に通う学生の割合を平等にし、人種集団間でアルジェブラIの入学率を9年生に等しくすることで、これらの格差を減らしうるかを検討する。
  論文  参考訳（メタデータ） (2025-06-23T18:00:50Z)
• AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial [29.45751702212421]
  本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。 AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
  論文  参考訳（メタデータ） (2025-05-28T16:13:27Z)
• Improving Domain Generalization in Self-supervised Monocular Depth Estimation via Stabilized Adversarial Training [61.35809887986553]
  我々は、SCAT(stabilized Conflict-Optimization Adversarial Training)という、汎用的な敵訓練フレームワークを提案する。 SCATは、安定性と一般化のバランスを達成するために、敵データ拡張を自己教師付きMDE手法に統合する。 5つのベンチマーク実験により、SCATは最先端の性能を達成でき、既存の自己監督型MDE法の一般化能力を大幅に向上できることが示された。
  論文  参考訳（メタデータ） (2024-11-04T15:06:57Z)
• The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
  医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。 敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。 本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
  論文  参考訳（メタデータ） (2024-05-14T18:05:19Z)
• Perturbation-Invariant Adversarial Training for Neural Ranking Models: Improving the Effectiveness-Robustness Trade-Off [107.35833747750446]
  正統な文書に不可避な摂動を加えることで 敵の例を作れます この脆弱性は信頼性に関する重大な懸念を生じさせ、NRMの展開を妨げている。 本研究では,NRMにおける有効・損耗トレードオフに関する理論的保証を確立する。
  論文  参考訳（メタデータ） (2023-12-16T05:38:39Z)
• Difficult Lessons on Social Prediction from Wisconsin Public Schools [32.90759447739759]
  早期警戒システムは、学生が退学するリスクがあるかを予測することで、個々の学生への介入を標的にすることを支援する。 広く採用されているにもかかわらず、EWSの有効性に対する私たちの理解には大きなギャップが残っています。 本研究では,学生の退学リスクを正確に判断する実証的証拠を提示する。 卒業率の1桁の上昇を招いた可能性があるが、我々の経験的分析では、前向きな治療効果がないと確実に判断することはできない。
  論文  参考訳（メタデータ） (2023-04-13T00:59:12Z)
• Probabilistically Robust Learning: Balancing Average- and Worst-case Performance [105.87195436925722]
  我々は、正確で不安定な平均ケースと頑健で保守的な最悪のケースのギャップを埋める、堅牢性確率というフレームワークを提案する。 理論的には、このフレームワークはパフォーマンスと最悪のケースと平均ケース学習のサンプル複雑さの間のトレードオフを克服する。
  論文  参考訳（メタデータ） (2022-02-02T17:01:38Z)
• Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
  VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。 VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
  論文  参考訳（メタデータ） (2021-07-27T16:39:45Z)

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。