論文の概要: DS-HGCN: A Dual-Stream Hypergraph Convolutional Network for Predicting Student Engagement via Social Contagion

• arxiv url: http://arxiv.org/abs/2512.20059v1
• Date: Tue, 23 Dec 2025 05:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.756795
• Title: DS-HGCN: A Dual-Stream Hypergraph Convolutional Network for Predicting Student Engagement via Social Contagion
• Title（参考訳）: DS-HGCN: ソーシャル・コンタテクションによる学生のエンゲージメント予測のためのデュアルストリームハイパーグラフ畳み込みネットワーク
• Authors: Ziyang Fan, Li Tao, Yi Wang, Jingwei Qu, Ying Wang, Fei Jiang,
• Abstract要約: 学生のエンゲージメントは、学術的成功と学習成果に影響を与える重要な要因である。 ハイパーグラフ畳み込みネットワーク(DS-HGCN)に基づくデュアルストリーム多機能融合モデルを提案する。 提案手法は優れた性能を達成し,既存の最先端手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 12.468846135877877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Student engagement is a critical factor influencing academic success and learning outcomes. Accurately predicting student engagement is essential for optimizing teaching strategies and providing personalized interventions. However, most approaches focus on single-dimensional feature analysis and assessing engagement based on individual student factors. In this work, we propose a dual-stream multi-feature fusion model based on hypergraph convolutional networks (DS-HGCN), incorporating social contagion of student engagement. DS-HGCN enables accurate prediction of student engagement states by modeling multi-dimensional features and their propagation mechanisms between students. The framework constructs a hypergraph structure to encode engagement contagion among students and captures the emotional and behavioral differences and commonalities by multi-frequency signals. Furthermore, we introduce a hypergraph attention mechanism to dynamically weigh the influence of each student, accounting for individual differences in the propagation process. Extensive experiments on public benchmark datasets demonstrate that our proposed method achieves superior performance and significantly outperforms existing state-of-the-art approaches.
• Abstract（参考訳）: 学生のエンゲージメントは、学術的成功と学習成果に影響を与える重要な要因である。 生徒のエンゲージメントを正確に予測することは、教育戦略の最適化とパーソナライズされた介入の提供に不可欠である。 しかし、ほとんどのアプローチは、個々の学生要因に基づいて、単一次元の特徴分析とエンゲージメントの評価に重点を置いている。 本研究では,ハイパーグラフ畳み込みネットワーク(DS-HGCN)に基づくマルチストリーム多機能融合モデルを提案する。 DS-HGCNは,多次元特徴と学生間の伝播機構をモデル化することにより,学生のエンゲージメント状態の正確な予測を可能にする。 ハイパーグラフ構造を構築し、学生間のエンゲージメントを符号化し、多周波信号による感情的・行動的差異と共通点をキャプチャする。 さらに,各学生の影響を動的に評価するためのハイパーグラフアテンション機構を導入し,伝搬過程の個人差を考慮した。 公開ベンチマークデータセットの大規模な実験により,提案手法は優れた性能を達成し,既存の最先端手法を著しく上回る結果となった。

関連論文リスト

• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Supervised Contrastive Learning for Ordinal Engagement Measurement [2.166000001057538]
  学生のエンゲージメントは、教育プログラムの納入を成功させる上で重要な役割を担っている。 本稿では、クラス不均衡とエンゲージメントレベルへの秩序導入という、この問題における2つの重要な課題を明らかにする。 仮想学習環境におけるビデオベースの学生エンゲージメント測定への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-27T03:49:45Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning [0.0]
  本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。 学習セッション頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成する。 ユニヴァーシティ・カレッジ・カレッジ・ロンドンの統計科学科における計算モジュールのケーススタディにおいて、デリバリー手法が学生の行動にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-12-16T14:47:25Z)
• Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy [11.735587384038753]
  本稿では,SGNN(Signed Graph Neural Networks)とLLM(Large Language Model)を統合化するための革新的な戦略を提案する。 提案手法では, 学生の回答を包括的にモデル化するための署名付き二部グラフを用いて, 雑音耐性を高めるコントラスト学習フレームワークを補完する。
  論文  参考訳（メタデータ） (2023-09-23T23:37:55Z)
• Mitigating Biases in Student Performance Prediction via Attention-Based Personalized Federated Learning [7.040747348755578]
  従来の学習に基づく学生モデリングのアプローチは、データの可用性のバイアスにより、表現不足の学生グループにあまり一般化しない。 本研究では,オンライン学習活動から学生のパフォーマンスを予測する手法を提案し,人種や性別などの異なる集団を対象とした推論精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-02T00:22:20Z)
• Weak Augmentation Guided Relational Self-Supervised Learning [80.0680103295137]
  本稿では、異なるインスタンス間の関係をモデル化して表現を学習する新しいリレーショナル自己教師型学習(ReSSL)フレームワークを提案する。 提案手法では,異なるインスタンス間でのペアワイズ類似度の分布を,テクトitrelationmetricとして高めている。 実験の結果,提案したReSSLは,ネットワークアーキテクチャの異なる最先端手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-03-16T16:14:19Z)
• Jointly Modeling Heterogeneous Student Behaviors and Interactions Among Multiple Prediction Tasks [35.15654921278549]
  学生の予測課題は学生と大学生の両方にとって実用的な意味を持つ。 本稿では,不均一な振る舞いをモデル化し,複数の予測を行う。 大学から収集した実世界のデータセットに基づいて,モチベーション行動予測タスクを3つ設計する。
  論文  参考訳（メタデータ） (2021-03-25T02:01:58Z)

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。