論文の概要: Exploring Student Expectations and Confidence in Learning Analytics
- arxiv url: http://arxiv.org/abs/2601.05082v1
- Date: Thu, 08 Jan 2026 16:27:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:53.277038
- Title: Exploring Student Expectations and Confidence in Learning Analytics
- Title（参考訳）: 学習分析における学生の期待と信頼の探索
- Authors: Hayk Asatryan, Basile Tousside, Janis Mohr, Malte Neugebauer, Hildo Bijl, Paul Spiegelberg, Claudia Frohn-Schauf, Jörg Frochte,
- Abstract要約: 学習分析(Learning Analytics, LA)は、近年、多くの教育システムにおいて広く普及しており、学生データを収集し、分析することで、学習とその発生環境を理解し、最適化することができる。
一方、データの収集はプライバシー法に関する需要の増加に対応する必要がある。
本稿では,学習分析質問紙(SELAQ)を用いて,学習分析のためのデータ処理に関する異なる学部の学生の期待と自信を分析する。
- 参考スコア（独自算出の注目度）: 0.21301586184700913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning Analytics (LA) is nowadays ubiquitous in many educational systems, providing the ability to collect and analyze student data in order to understand and optimize learning and the environments in which it occurs. On the other hand, the collection of data requires to comply with the growing demand regarding privacy legislation. In this paper, we use the Student Expectation of Learning Analytics Questionnaire (SELAQ) to analyze the expectations and confidence of students from different faculties regarding the processing of their data for Learning Analytics purposes. This allows us to identify four clusters of students through clustering algorithms: Enthusiasts, Realists, Cautious and Indifferents. This structured analysis provides valuable insights into the acceptance and criticism of Learning Analytics among students.
- Abstract（参考訳）: 学習分析(Learning Analytics, LA)は、近年、多くの教育システムにおいて広く普及しており、学生データを収集し、分析することで、学習とその発生環境を理解し、最適化することができる。
一方、データの収集はプライバシー法に関する需要の増加に対応する必要がある。
本稿では,学習分析質問紙(SELAQ)を用いて,学習分析のためのデータ処理に関する異なる学部の学生の期待と自信を分析する。
これにより、クラスタリングアルゴリズム(Enthusiasts、Realists、Cautious、Indifferents)を通じて、学生の4つのクラスタを特定することができます。
この構造化分析は、学生間の学習分析の受容と批判に関する貴重な洞察を提供する。
関連論文リスト
- Enhancing Online Learning by Integrating Biosensors and Multimodal Learning Analytics for Detecting and Predicting Student Behavior: A Review [0.0]
本稿では,バイオセンサとマルチモーダルラーニングアナリティクスの統合について検討する。
本研究は, 心拍数, 脳活動, 視線追跡などの生理的シグナルの増大にともなう役割を明らかにする。
このレビューは、この分野における現在の研究動向、限界、および新たな方向性を明らかにしている。
論文 参考訳（メタデータ） (2025-09-09T13:41:40Z) - A Comprehensive Survey on Imbalanced Data Learning [56.65067795190842]
不均衡なデータは、さまざまな種類の生データに広まっており、機械学習のパフォーマンスを妨げる。
本調査は,様々な実世界のデータ形式を体系的に分析する。
さまざまなデータフォーマットに関する既存の研究は、データ再バランス、特徴表現、トレーニング戦略、アンサンブル学習の4つのカテゴリにまとめられている。
論文 参考訳（メタデータ） (2025-02-13T04:53:17Z) - Data Science Students Perspectives on Learning Analytics: An Application of Human-Led and LLM Content Analysis [2.4561590439700076]
この研究は、イギリスの大学における一連の取り組みの一環であり、分析に関する学生の視点を深く理解することを目的としている。
Open University Learning Analyticsデータセットを調査した大学院生による協調的なデータ処理について検討する。
論文 参考訳（メタデータ） (2025-01-22T17:16:01Z) - Benchmarking Vision Language Model Unlearning via Fictitious Facial Identity Dataset [92.99416966226724]
我々は、未学習アルゴリズムの有効性を頑健に評価するために設計された新しいVLMアンラーニングベンチマークであるFacial Identity Unlearning Benchmark (FIUBench)を紹介する。
情報ソースとその露出レベルを正確に制御する2段階評価パイプラインを適用した。
FIUBench 内の 4 つのベースライン VLM アンラーニングアルゴリズムの評価により,すべての手法がアンラーニング性能に制限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） (2024-11-05T23:26:10Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。
学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。
この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
論文 参考訳（メタデータ） (2023-12-15T06:00:26Z) - Introducing Practicable Learning Analytics [0.0]
本書では,実践の観点から学習分析がどのようなものかを明らかにするために,実践可能な学習分析の概念を紹介する。
情報システムアーティファクト(ISA)の概念は,情報システム,社会,技術アーティファクトの3つのサブシステムから構成される。
本書の10章は、ISAの観点から提示され、実践可能な学習分析の設計において、社会人工物への詳細な注意が重要であることを明記している。
論文 参考訳（メタデータ） (2023-01-26T21:20:08Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z)
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。