論文の概要: Beyond right or wrong : towards redefining adaptive learning indicators in virtual learning environments

• arxiv url: http://arxiv.org/abs/2512.12105v1
• Date: Sat, 13 Dec 2025 00:36:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.122238
• Title: Beyond right or wrong : towards redefining adaptive learning indicators in virtual learning environments
• Title（参考訳）: 善悪を超えて : 仮想学習環境における適応学習指標の再定義に向けて
• Authors: Andreia dos Santos Sachete, Alba Valeria de SantAnna de Freitas Loiola, Fabio Diniz Rossi, Jose Valdeni de Lima, Raquel Salcedo Gomes,
• Abstract要約: 本研究の目的は、どの学習指標が生徒の学習に影響を与えるかを解明し、VLEに実装して適応学習を支援することである。 質的評価によって選択・フィルタリングされた研究は、仮想環境における学習のさまざまな側面を評価するための包括的なアプローチを明らかにする。
• 参考スコア（独自算出の注目度）: 0.5437050212139087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Student learning development must involve more than just correcting or incorrect questions. However, most adaptive learning methods in Virtual Learning Environments are based on whether the student's response is incorrect or correct. This perspective is limited in assessing the student's learning level, as it does not consider other elements that can be crucial in this process. The objective of this work is to conduct a Systematic Literature Review (SLR) to elucidate which learning indicators influence student learning and which can be implemented in a VLE to assist in adaptive learning. The works selected and filtered by qualitative assessment reveal a comprehensive approach to assessing different aspects of the learning in virtual environments, such as motivation, emotions, physiological responses, brain imaging, and the students' prior knowledge. The discussion of these new indicators allows adaptive technology developers to implement more appropriate solutions to students' realities, resulting in more complete training.
• Abstract（参考訳）: 学生の学習開発には、単に正しい質問や誤った質問をすること以上のものが含まれなければならない。 しかし、仮想学習環境における適応学習手法は、学生の反応が間違っているか正しいかに基づいている。 この視点は、このプロセスにおいて重要な他の要素を考慮しないため、生徒の学習レベルを評価する場合に限られる。 本研究の目的は、学習指標が学生の学習に影響を与えるか、適応学習を支援するためにVLEで実施できるかを解明するために、体系的文学レビュー(SLR)を実施することである。 質的評価によって選択・フィルタリングされた研究は、動機づけ、感情、生理的反応、脳画像、学生の事前知識など、仮想環境における学習のさまざまな側面を評価するための包括的なアプローチを明らかにする。 これらの新たな指標の議論により、適応技術開発者は学生の現実に対するより適切なソリューションを実装でき、結果としてより完全なトレーニングが可能になる。

関連論文リスト

• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• The Imperfect Learner: Incorporating Developmental Trajectories in Memory-based Student Simulation [55.722188569369656]
  本稿では,メモリベースの学生シミュレーションのための新しいフレームワークを提案する。 構造的知識表現を備えた階層記憶機構を通じて発達軌道を組み込む。 実際に,次世代科学標準に基づくカリキュラム・アライン・シミュレータを実装した。
  論文  参考訳（メタデータ） (2025-11-08T08:05:43Z)
• Automatic Piecewise Linear Regression for Predicting Student Learning Satisfaction [0.7212939068975618]
  本研究は,強化と解釈可能性を組み合わせた自動一方向線形回帰モデルが,学習満足度を予測するのに最適であることを示す。 学生の時間管理と集中力, クラスメートへの有益感, オフラインコースへの参加は, 学習満足度に最も有意な影響を及ぼす。
  論文  参考訳（メタデータ） (2025-10-12T14:48:50Z)
• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• How Good is ChatGPT in Giving Adaptive Guidance Using Knowledge Graphs in E-Learning Environments? [0.8999666725996978]
  本研究では,動的知識グラフを大規模言語モデル (LLM) と統合し,学習者を支援する手法を提案する。 この手法の中心は、学生がトピックの前提条件を理解する上での知識グラフの役割である。 予備的な知見から, 学生はこの連携支援の恩恵を受け, 理解の向上と課題成果の向上が期待できる。
  論文  参考訳（メタデータ） (2024-12-05T04:05:43Z)
• Exploring Engagement and Perceived Learning Outcomes in an Immersive Flipped Learning Context [0.195804735329484]
  本研究の目的は,学生のオンラインエンゲージメントと学習成果に対する没入型フリップ学習アプローチのメリットと課題を検討することである。 この研究は、高レベルの学生エンゲージメントと学習結果の認知を明らかにしたが、改善が必要な領域も明らかにした。 この研究の成果は、有意義で効果的な遠隔学習体験をデザインしようとする教育者にとって貴重な情報源となる可能性がある。
  論文  参考訳（メタデータ） (2024-09-19T11:38:48Z)
• The Perceived Learning Behaviors and Assessment Techniques of First-Year Students in Computer Science: An Empirical Study [0.0]
  学生は、直接指導が学習する最も効果的な方法であると信じている。 評価方法としては、実践的・書面的な試験が好まれる。
  論文  参考訳（メタデータ） (2024-05-10T08:45:32Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• Dynamic Diagnosis of the Progress and Shortcomings of Student Learning using Machine Learning based on Cognitive, Social, and Emotional Features [0.06999740786886534]
  学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。 単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。 本稿では,データ分析と機械学習に基づく新しい手法について論じる。
  論文  参考訳（メタデータ） (2022-04-13T21:14:58Z)

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。