論文の概要: The Dependency Divide: An Interpretable Machine Learning Framework for Profiling Student Digital Satisfaction in the Bangladesh Context

• arxiv url: http://arxiv.org/abs/2601.01231v1
• Date: Sat, 03 Jan 2026 16:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.13483
• Title: The Dependency Divide: An Interpretable Machine Learning Framework for Profiling Student Digital Satisfaction in the Bangladesh Context
• Title（参考訳）: 依存関係分割:バングラデシュにおける学生のデジタル満足度をプロファイリングするための解釈可能な機械学習フレームワーク
• Authors: Md Muhtasim Munif Fahim, Humyra Ankona, Md Monimul Huq, Md Rezaul Karim,
• Abstract要約: 本研究は,高度に関与した学生がインフラ障害に対して条件付きで脆弱になることを示唆する新しい枠組みである「依存性分割」を紹介する。 Casually Engaged(58%)、Efficient Learningers(35%)、Hyper-Engaged(7%)の3つの異なるプロファイルが出現した。 政策シミュレーションにより、高依存性ユーザを対象にした信頼性の向上は、均一な介入よりも2.06倍のリターンを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: While digital access has expanded rapidly in resource-constrained contexts, satisfaction with digital learning platforms varies significantly among students with seemingly equal connectivity. Traditional digital divide frameworks fail to explain these variations. Purpose: This study introduces the "Dependency Divide", a novel framework proposing that highly engaged students become conditionally vulnerable to infrastructure failures, challenging assumptions that engagement uniformly benefits learners in post-access environments. Methods: We conducted a cross-sectional study of 396 university students in Bangladesh using a three-stage analytical approach: (1) stability-validated K-prototypes clustering to identify student profiles, (2) profile-specific Random Forest models with SHAP and ALE analysis to determine satisfaction drivers, and (3) formal interaction analysis with propensity score matching to test the Dependency Divide hypothesis. Results: Three distinct profiles emerged: Casually Engaged (58%), Efficient Learners (35%), and Hyper-Engaged (7%). A significant interaction between educational device time and internet reliability (\b{eta} = 0.033, p = 0.028) confirmed the Dependency Divide: engagement increased satisfaction only when infrastructure remained reliable. Hyper-Engaged students showed greatest vulnerability despite or because of their sophisticated digital workflows. Policy simulations demonstrated that targeted reliability improvements for high-dependency users yielded 2.06 times greater returns than uniform interventions. Conclusions: In fragile infrastructure contexts, capability can become liability. Digital transformation policies must prioritize reliability for dependency-prone users, establish contingency systems, and educate students about dependency risks rather than uniformly promoting engagement.
• Abstract（参考訳）: 背景: デジタルアクセスは資源制約のある文脈で急速に拡大しているが, デジタル学習プラットフォームへの満足度は, 対等に思われる学生間で大きく異なる。 従来のデジタル分割フレームワークは、これらのバリエーションを説明するのに失敗している。 目的:本研究は,高度に関与する学生がインフラストラクチャ障害に対して条件付きで脆弱になることを示唆する新しい枠組みである「依存性分割」を導入する。 方法: バングラデシュの396人の大学生を対象に,(1)学生のプロファイルを識別するための安定性検証K-プロトタイプクラスタリング,(2)満足度決定のためのSHAPとALE分析を用いたプロファイル固有ランダムフォレストモデル,(3)依存分枝仮説を検証するために適合する確率スコアを用いた形式的相互作用解析を行った。 結果: Casually Engaged (58%), Efficient Learners (35%), Hyper-Engaged (7%)の3つの異なるプロファイルが得られた。 教育機器の時間とインターネット信頼性の重大な相互作用 (\b{eta} = 0.033, p = 0.028) は、依存性の分割を確認した。 超年長の生徒は、高度なデジタルワークフローにもかかわらず、最大の脆弱性を示した。 政策シミュレーションにより、高依存性ユーザを対象にした信頼性の向上は、均一な介入よりも2.06倍のリターンを示した。 結論: 脆弱なインフラストラクチャのコンテキストでは、能力は負債になり得ます。 デジタルトランスフォーメーションポリシは、依存性を伴わないユーザの信頼性を優先し、緊急システムを確立し、一様にエンゲージメントを促進するのではなく、依存性リスクを学生に教育する必要がある。

関連論文リスト

• Uncertainty-Resilient Multimodal Learning via Consistency-Guided Cross-Modal Transfer [0.0]
  この論文は、整合性誘導型クロスモーダルトランスファーによる不確実性と弾力性のあるマルチモーダル学習を探求する。 中心となる考え方は、堅牢な表現学習の基盤として、クロスモーダルなセマンティック一貫性を使用することである。 この基礎の上に構築された論文は、セマンティックロバスト性を高め、データ効率を向上し、ノイズや不完全な監視の影響を減らすための戦略を調査する。
  論文  参考訳（メタデータ） (2025-11-18T15:26:42Z)
• Evaluating Federated Learning for At-Risk Student Prediction: A Comparative Analysis of Model Complexity and Data Balancing [0.07161783472741748]
  本研究は,リスクの高い学生を積極的に識別するフェデレートラーニング(FL)フレームワークを提案し,検証する。 FLは、学生データ主権を本質的に尊重する早期警戒システムのための実用的でスケーラブルなソリューションである。
  論文  参考訳（メタデータ） (2025-08-23T19:58:16Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Unlocking the Potential of Difficulty Prior in RL-based Multimodal Reasoning [69.64809103333839]
  先行情報に対する問題の難易度を明示的にモデル化し,多モーダル推論における強化学習に基づく微調整の有効性を検証した。 提案手法は,2段階学習データのみを2K+0.6Kとする多モード数学的推論ベンチマークにおいて有意な性能を示す。
  論文  参考訳（メタデータ） (2025-05-19T15:43:10Z)
• Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients [60.22876915395139]
  本稿では、異種・データ破損クライアントをモデルとした頑健な連立学習課題について検討する。 データ破損は、ランダムノイズ、圧縮アーティファクト、現実のデプロイメントにおける環境条件などの要因によって避けられない。 本稿では,これらの問題に対処する新しいロバスト非対称不均一なフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-12T09:52:04Z)
• Resilient Peer-to-peer Learning based on Adaptive Aggregation [0.5530212768657544]
  ピアツーピアネットワークでの協調学習は、単一障害点を緩和しながら学習の利点を提供する。 敵の労働者は ネットワークに悪意のある情報を注入することで 潜在的な脅威を引き起こす 本稿では,類似性学習プロセスの育成を目的としたレジリエントアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2025-01-08T16:47:45Z)
• Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
  フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。 本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-29T08:41:45Z)
• Towards Understanding Adversarial Transferability in Federated Learning [14.417827137513369]
  悪質なクライアントのグループは、そのアイデンティティを軽視し、良心的なクライアントとして振る舞うことによって、トレーニング中にモデルに影響を与えてきたが、その後、敵の役割に切り替えた。 この種の攻撃は微妙で検出が難しい。 提案攻撃が現在のFLシステムに対して高いセキュリティリスクを課すことを実証的に示す。
  論文  参考訳（メタデータ） (2023-10-01T08:35:46Z)
• Jointly Exploring Client Drift and Catastrophic Forgetting in Dynamic Learning [1.0808810256442274]
  クライアントのDriftとCaastrophic Forgettingは、一貫したパフォーマンスを保証するための基本的な障害です。 クライアントドリフトとカタストロフィック・フォーッティングのための制御されたテスト環境を構築するための統一的なフレームワークを提案する。 我々は、中程度のクライアントドリフトとカタストロフィックフォーッティングの組み合わせによって、結果のモデルの性能も向上できることを示した。
  論文  参考訳（メタデータ） (2023-09-01T18:14:30Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。