論文の概要: Cross-Course Generalizability of SRL-Aligned Predictive Models Using Digital Learning Traces

• arxiv url: http://arxiv.org/abs/2604.22812v1
• Date: Tue, 14 Apr 2026 15:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.198797
• Title: Cross-Course Generalizability of SRL-Aligned Predictive Models Using Digital Learning Traces
• Title（参考訳）: デジタル学習トレースを用いたSRL対応予測モデルのクロスコース一般化可能性
• Authors: Jakob Schwerter, Loreen Sabel, Judith Bose, Matthew L. Bernacki, Di Xu, Marko Schmellenkamp, Thomas Zeume, Philipp Doebler,
• Abstract要約: 大学、特に理論集約的なコースを持つコンピュータサイエンスプログラムでは、STEMのドロップアウト率は高いままである。 デジタル学習環境は、苦労している学生の早期発見に役立つ豊富な行動データをキャプチャする。 本研究では,2つの大学における3つの学部理科コンピュータサイエンスコースの多モードデジタルトレースデータを解析した。
• 参考スコア（独自算出の注目度）: 4.553564928877974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: STEM dropout rates remain high at universities, particularly in computer science programs with theory-intensive courses. Digital learning environments now capture rich behavioral data that could help identify struggling students early, yet the generalizability of data-driven prediction models across courses and institutions remains uncertain. Guided by self-regulated learning (SRL) theory, this study analyzed multimodal digital-trace data from three undergraduate theoretical computer science courses (N1 = 137, N2 = 104, N3 = 148) at two universities. Weekly SRL-aligned digital-trace indicators were modeled using Elastic Net, Random Forest, and XGBoost to evaluate predictive performance over time and across settings, and model calibration both within and across courses. Early prediction of at-risk students was feasible, with SRL-related behaviors such as time management, effort regulation, and sustained engagement emerging as key predictors. While Random Forest achieved the highest in-sample accuracy, Elastic Net generalized more robustly across contexts. Out-of-sample accuracy and calibration declined between institutions with different base rates, underscoring the contextual nature of predictive analytics in higher education. These findings suggest that digital learning traces enable early identification of at-risk students within courses, but generalizing predictive models beyond their original context requires caution, particularly if the at-risk rates differ between contexts.
• Abstract（参考訳）: 大学、特に理論集約的なコースを持つコンピュータサイエンスプログラムでは、STEMのドロップアウト率は高いままである。 デジタル学習環境は、苦労している学生の早期発見に役立つ豊富な行動データを収集しているが、データ駆動予測モデルがコースや機関にまたがって一般化可能かどうかは不明だ。 自己規制学習(SRL)理論で導かれた本研究では,2つの大学における3つの学部理論的コンピュータ科学コース(N1 = 137, N2 = 104, N3 = 148)のマルチモーダルデジタルトレースデータを解析した。 SRL対応デジタルトレースインジケータは、Elastic Net、Random Forest、XGBoostを使用して、時間と設定をまたいで予測性能を評価し、コース内およびコース間のモデル校正を行った。 リスクのある学生の早期予測は、SRL関連の行動、例えば時間管理、取り組みの規制、そして鍵となる予測因子として出現するエンゲージメントが実現可能であった。 ランダムフォレストはサンプル内精度が最も高かったが、Elastic Netはコンテキスト全体にわたってより強固に一般化した。 アウト・オブ・サンプルの精度と校正は、高等教育における予測分析の文脈的性質を裏付ける基準レートの異なる機関間で低下した。 これらの結果から,授業中にリスクのある学生を早期に同定することのできるデジタル学習の痕跡が示唆された。

関連論文リスト

• Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling [4.304713128122141]
  本稿では,ニューラルシンボリックな深層知識追跡手法であるResponsible-DKTを提案する。 シンボリックな教育知識(例えば、熟達と非熟達規則)を、責任ある学習者モデリングのためのシーケンシャルなニューラルモデルに統合する。 学生の数学相互作用の現実的なデータセットの実験により、Responsible-DKTは、ニューラルシンボリックベースラインと完全にデータ駆動のPyTorch DKTモデルの両方より優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-09T13:49:07Z)
• On Neural Scaling Laws for Weather Emulation through Continual Training [76.70310203875866]
  我々はScientific Machine Learningにおけるニューラルスケーリングについて研究し、天気予報モデルに焦点を当てた。 可能な限り簡単な設定でスケーリング動作を解析するために、最小限でスケーラブルで汎用的なSwin Transformerアーキテクチャを採用する。 この最小限の方法でトレーニングされたモデルは、予測可能なスケーリングトレンドに従っており、標準的なコサイン学習率のスケジュールよりも優れています。
  論文  参考訳（メタデータ） (2026-03-26T17:37:25Z)
• How and Why LLMs Generalize: A Fine-Grained Analysis of LLM Reasoning from Cognitive Behaviors to Low-Level Patterns [51.02752099869218]
  大きな言語モデル(LLM)は、非常に異なる一般化の振る舞いを示す。 推論を原子核スキルに分解する新しいベンチマークを導入する。 SFTモデルはよりシャープなドリフトと表面パターンへの過度な適合を示すのに対し、RL型モデルはより安定した行動プロファイルを維持し、推論スキルの崩壊に抵抗することを示す。
  論文  参考訳（メタデータ） (2025-12-30T08:16:20Z)
• Ranking-Based At-Risk Student Prediction Using Federated Learning and Differential Features [4.21051987964486]
  本研究では,フェデレーション学習と差分特徴を組み合わせ,プライバシー問題に対処する手法を提案する。 提案手法を評価するため,12科12科136名のデータを用いて,リスクの高い学生の予測モデルを構築した。 訓練されたモデルは早期予測にも適用可能で、学期前半のリスクの高い学生を検知する上で高い性能を達成できた。
  論文  参考訳（メタデータ） (2025-05-14T11:12:30Z)
• Global Convergence of Continual Learning on Non-IID Data [51.99584235667152]
  回帰モデルの連続学習のための総合的・包括的理論的解析を行う。 一般データ条件下で連続学習のほぼ確実に収束する結果を初めて確立する。
  論文  参考訳（メタデータ） (2025-03-24T10:06:07Z)
• In-Context Linear Regression Demystified: Training Dynamics and Mechanistic Interpretability of Multi-Head Softmax Attention [52.159541540613915]
  本研究では,マルチヘッド型ソフトマックスアテンションモデルを用いて,線形データを用いたコンテキスト内学習を行う方法について検討する。 この結果から,学習内容の学習能力は,そのアーキテクチャと基礎となるデータ分布の集約的効果として,訓練されたトランスフォーマーから出現することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-17T02:00:49Z)
• Modeling Behavior Change for Multi-model At-Risk Students Early Prediction (extended version) [10.413751893289056]
  現在のモデルは、単純かつ離散的な行動パターンを通じて、一貫してパフォーマンスの悪い学生を識別する。 我々は,中学校の教師の発言データと数値グレードデータを利用した,革新的な予測モデルであるMultimodal-ChangePoint Detection (MCPD)を開発した。 本モデルでは,ベースラインアルゴリズムの平均性能を約5～10%向上させるとともに,70～75%の精度範囲を達成している。
  論文  参考訳（メタデータ） (2025-02-19T11:16:46Z)
• Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks [2.195766695109612]
  本研究では,学生のパフォーマンスを正確に予測できるニューラルネットワークに基づく新しいアプローチを提案する。 提案したモデルは、識別、フェイル、パス、ウィズドローのカテゴリでの結果を予測する。 その結果,提案手法の予測精度は既存の最先端技術よりも約25%高いことがわかった。
  論文  参考訳（メタデータ） (2024-12-08T13:37:30Z)
• SimSCOOD: Systematic Analysis of Out-of-Distribution Generalization in Fine-tuned Source Code Models [58.78043959556283]
  本研究は,Low-Rank Adaptation (LoRA)ファインチューニング手法を含む,異なる微調整手法によるモデルの挙動について検討する。 解析の結果、LoRAファインチューニングは様々なシナリオにおけるフルファインチューニングよりも、OODの一般化性能が大幅に向上していることが判明した。
  論文  参考訳（メタデータ） (2022-10-10T16:07:24Z)

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。