論文の概要: A CEFR-Inspired Classification Framework with Fuzzy C-Means To Automate Assessment of Programming Skills in Scratch

• arxiv url: http://arxiv.org/abs/2604.00730v1
• Date: Wed, 01 Apr 2026 10:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.943691
• Title: A CEFR-Inspired Classification Framework with Fuzzy C-Means To Automate Assessment of Programming Skills in Scratch
• Title（参考訳）: ファジィC平均を用いたCEFRにインスパイアされた分類フレームワークによるスクラッチにおけるプログラミングスキルの自動評価
• Authors: Ricardo Hidalgo-Aragón, Jesús M. González-Barahona, Gregorio Robles,
• Abstract要約: 本研究では、CEFR(Common European Framework of Reference)に準拠したScratchプロジェクトアセスメントのための教育的フレームワークを紹介する。 我々は、2008246 Scratchプロジェクトに対して、Fizzy C-Meansクラスタリングを適用し、Dr.Scratchを用いて評価した。
• 参考スコア（独自算出の注目度）: 2.226043394835212
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Context: Schools, training platforms, and technology firms increasingly need to assess programming proficiency at scale with transparent, reproducible methods that support personalized learning pathways. Objective: This study introduces a pedagogical framework for Scratch project assessment, aligned with the Common European Framework of Reference (CEFR), providing universal competency levels for students and teachers alongside actionable insights for curriculum design. Method: We apply Fuzzy C-Means clustering to 2008246 Scratch projects evaluated via Dr.Scratch, implementing an ordinal criterion to map clusters to CEFR levels (A1-C2), and introducing enhanced classification metrics that identify transitional learners, enable continuous progress tracking, and quantify classification certainty to balance automated feedback with instructor review. Impact: The framework enables diagnosis of systemic curriculum gaps-notably a "B2 bottleneck" where only 13.3% of learners reside due to the cognitive load of integrating Logic Synchronization, and Data Representation--while providing certainty--based triggers for human intervention.
• Abstract（参考訳）: コンテキスト: 学校、トレーニングプラットフォーム、テクノロジー企業は、パーソナライズされた学習経路をサポートする透過的で再現可能な方法を用いて、大規模にプログラミングの習熟度を評価する必要がある。 目的:本研究は,欧州共通参照フレームワーク(CEFR)と連携したScratchプロジェクトアセスメントのための教育的枠組みを導入し,カリキュラム設計の実践的な洞察とともに,学生と教師に普遍的な能力レベルを提供する。 方法: ファジィC-平均クラスタリングを2008246 Scratchプロジェクトに適用し, クラスタをCEFRレベル(A1-C2)にマッピングするための順序基準を実装した。 インパクト: このフレームワークは、論理シンクロナイゼーションとデータ表現の統合による認知的負荷により、学習者の13.3%が居住する「B2ボトルネック」として、体系的なカリキュラムギャップの診断を可能にする。

関連論文リスト

• AGACCI : Affiliated Grading Agents for Criteria-Centric Interface in Educational Coding Contexts [0.6050976240234864]
  本稿では,協調エージェント間で専門的な評価を分散するマルチエージェントシステムAGACCIを紹介する。 AGACCIは、ルーブリックとフィードバックの正確性、妥当性、一貫性、一貫性の点で、単一のGPTベースのベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-07T15:50:46Z)
• Harnessing Structured Knowledge: A Concept Map-Based Approach for High-Quality Multiple Choice Question Generation with Effective Distractors [0.0]
  本稿では, MCQ の生成において, LLM を誘導する構造的知識を提供する階層的概念マップベースフレームワークを提案する。 我々は,ベースLLMとRAGベースジェネレーションの2つのベースラインアプローチに対して,我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-05-02T06:36:06Z)
• Continual Learning Should Move Beyond Incremental Classification [51.23416308775444]
  連続学習(Continuous Learning, CL)は、動的環境における知識の蓄積に関わる機械学習のサブフィールドである。 ここでは、このような焦点を維持することは、CL法の理論的発展と実践的適用性の両方を制限すると論じる。 C1) 学習課題における連続性の性質,(C2) 類似性を測定するための適切な空間とメトリクスの選択,(C3) 学習目標が分類を超えた役割である。
  論文  参考訳（メタデータ） (2025-02-17T15:40:13Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• CSL: Class-Agnostic Structure-Constrained Learning for Segmentation Including the Unseen [62.72636247006293]
  クラス非依存構造制約学習(Class-Agnostic Structure-Constrained Learning)は、既存のメソッドと統合可能なプラグインフレームワークである。 OODオブジェクトセグメンテーションを強化するソフトアサインとマスク分割手法を提案する。 実証的な評価は、OODセグメンテーション、ZS3、DAセグメンテーションにまたがる既存のアルゴリズムの性能を向上させるCSLの進歩を示している。
  論文  参考訳（メタデータ） (2023-12-09T11:06:18Z)
• Using Representation Expressiveness and Learnability to Evaluate Self-Supervised Learning Methods [61.49061000562676]
  本稿では,学習可能性を評価するためにCluster Learnability (CL)を導入する。 CLは、K-meansで表現をクラスタリングすることによって得られたラベルを予測するために訓練されたKNNのパフォーマンスで測定される。 CLは、他の競合する評価手法よりも分布内モデルの性能と相関することがわかった。
  論文  参考訳（メタデータ） (2022-06-02T19:05:13Z)
• Learning Fair Scoring Functions: Bipartite Ranking under ROC-based Fairness Constraints [2.0263791972068628]
  2値ラベル付きデータからスコアリング関数を学習する際の公平性について検討する。 AUC と ROC 曲線に基づくフェアネス定義の一般族を紹介する。 このような制約の下で学習したスコアリング関数の有界一般化を確立する。
  論文  参考訳（メタデータ） (2020-02-19T13:17:39Z)

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。