論文の概要: Fifteen Years of Learning Analytics Research: Topics, Trends, and Challenges

• arxiv url: http://arxiv.org/abs/2601.07629v1
• Date: Mon, 12 Jan 2026 15:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.483741
• Title: Fifteen Years of Learning Analytics Research: Topics, Trends, and Challenges
• Title（参考訳）: 学習分析研究の15年 - トピック,トレンド,課題
• Authors: Valdemar Švábenský, Conrad Borchers, Elvin Fortuna, Elizabeth B. Cloude, Dragan Gašević,
• Abstract要約: この研究は、教師なし機械学習、自然言語処理、ネットワーク分析を用いて、LAKで15年間に発行された全936の論文を分析した。 この分析の結果、多彩な著者の安定した核心と、新参者の増加、資金源と研究方向の体系的なリンク、そして世界規模で共有されているが各国で顕著に異なる6つのトピックセンターが明らかになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The learning analytics (LA) community has recently reached two important milestones: celebrating the 15th LAK conference and updating the 2011 definition of LA to reflect the 15 years of changes in the discipline. However, despite LA's growth, little is known about how research topics, funding, and collaboration, as well as the relationships among them, have developed within the community over time. This study addressed this gap by analyzing all 936 full and short papers published at LAK over a 15-year period using unsupervised machine learning, natural language processing, and network analytics. The analysis revealed a stable core of prolific authors alongside high turnover of newcomers, systematic links between funding sources and research directions, and six enduring topical centers that remain globally shared but vary in prominence across countries. These six topical centers, which encompass LA research, are: self-regulated learning, dashboards and theory, social learning, automated feedback, multimodal analytics, and outcome prediction. Our findings highlight key challenges for the future: widening participation, reducing dependency on a narrow set of funders, and ensuring that emerging research trajectories remain responsive to educational practice and societal needs.
• Abstract（参考訳）: 学習分析(LA)コミュニティは先日,第15回LAKカンファレンスの祝賀と,規律の15年間の変化を反映した2011年のLA定義の更新という,2つの重要なマイルストンに達した。 しかし、LAの成長にもかかわらず、研究トピックや資金調達、コラボレーション、そしてそれらの関係がコミュニティ内でどのように発展してきたかについてはほとんど分かっていない。 この研究は、教師なし機械学習、自然言語処理、ネットワーク分析を用いて、LAKで15年間に発行された全936の論文を解析することで、このギャップに対処した。 この分析の結果、多彩な著者の安定した核心と、新参者の増加、資金源と研究方向の体系的なリンク、そして世界規模で共有されているが各国で顕著に異なる6つのトピックセンターが明らかになった。 LAの研究を含む6つのトピックセンターは、自己規制学習、ダッシュボードと理論、社会学習、自動フィードバック、マルチモーダル分析、結果予測である。 今後の課題は、参加の拡大、限られた資金提供者への依存の軽減、新しい研究の軌道が教育実践や社会的ニーズに反応し続けることの確保である。

関連論文リスト

• Classical Machine Learning: Seventy Years of Algorithmic Learning Evolution [1.121816400852218]
  機械学習(ML)は多くの分野を変えてきたが、その基礎研究を理解することは、その継続的な進歩に不可欠である。 本稿では,古典的MLアルゴリズムの概要を概説し,12年間にわたる最先端の出版物について考察する。 我々は、著名なMLカンファレンスやジャーナルから引用された論文のデータセットを分析し、引用とキーワード分析を用いて批判的な洞察を明らかにした。
  論文  参考訳（メタデータ） (2024-08-03T11:07:10Z)
• Self-assessment, Exhibition, and Recognition: a Review of Personality in Large Language Models [29.086329448754412]
  本稿では,現在の研究を,自己評価,展示,認識という3つの研究課題に分類して総合的なレビューを行う。 本稿は,大規模言語モデルにおける人格に関する最新の文献を包括的に調査した初めての論文である。
  論文  参考訳（メタデータ） (2024-06-25T15:08:44Z)
• A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
  この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。 発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-21T08:54:56Z)
• Recent Advances in Hate Speech Moderation: Multimodality and the Role of Large Models [52.24001776263608]
  この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。 大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。 研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
  論文  参考訳（メタデータ） (2024-01-30T03:51:44Z)
• A Comprehensive Study of Groundbreaking Machine Learning Research: Analyzing highly cited and impactful publications across six decades [1.6442870218029522]
  機械学習(ML)は、コンピュータ科学やその他の関連分野の研究分野として注目されている。 重要なトレンド、影響力のある著者、そしてこれまでの重要な貢献を識別するために、高度に引用された出版物の風景を理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-08-01T21:43:22Z)
• Learnings from Frontier Development Lab and SpaceML -- AI Accelerators for NASA and ESA [57.06643156253045]
  AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。 我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。 FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
  論文  参考訳（メタデータ） (2020-11-09T21:23:03Z)

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。