論文の概要: Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork
- arxiv url: http://arxiv.org/abs/2604.25014v1
- Date: Mon, 27 Apr 2026 21:26:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.609062
- Title: Coasting Through Class: Learning Opportunity Loss from Practice Avoidance During Individual Seatwork
- Title（参考訳）: 授業を通してのコースト:個別作業における実践回避から機会損失を学習する
- Authors: Ashish Gurung, Jordan Gutterman, Danielle R. Thomas, Mingyu Feng, Vincent Aleven, Kenneth R. Koedinger,
- Abstract要約: 学生は数学の練習や海岸の残りの60%に授業時間のわずか40%を捧げている。
最初の課題の完了を超えて作業を続けた学生は、標準化されたテストで大幅に改善された。
実践者にとって、この結果は、持続的なエンゲージメントと、利用可能な実践時間のより生産的な利用をサポートするプラットフォームアプライアンスの必要性を強調します。
- 参考スコア（独自算出の注目度）: 1.711605819756616
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Measures of disengagement provide insights into unproductive use of learning opportunities. Although measures of active disengagement, such as gaming the system and mind-wandering, are well studied, loss of practice time due to outright task avoidance remains relatively understudied. The current study addresses this gap by extending existing within-task measures (idle time) with two new session-level measures (delayed start and early stop) to capture loss of practice time due to task avoidance. We characterize the combined lost time as coasted time and the associated behavior as coasting behavior. Using ASSISTments logs (N = 1,425), we find that students dedicate only 40% of available classwork time to math practice and coast through the remaining 60%. Of the coasted time, 36% resulted from delayed starts, 2% from mid-practice idling, and 62% from stopping early. Delayed start and early stop showed moderate temporal stability (G = 0.73 and 0.71, respectively), suggesting that coasting is a consistent behavioral pattern. Even after excluding early stops attributable to assignment completion (i.e., early stop = 0), coasted time remained substantial at 32%. While we observe significant differences in coasting by gender and IEP status, we do not observe them by other demographic factors or school locale. Critically, students who continued working beyond the first assignment completion ("extra effort") performed significantly better on standardized tests. For research, coasting offers a new lens on opportunity loss by combining session-level disengagement with within-task disengagement. For practitioners, our results highlight the need for platform affordances that support sustained engagement and more productive use of available practice time.
- Abstract（参考訳）: 非生産的な学習機会の利用に関する洞察を提供する。
システムゲームやマインド・ウォーランディングといったアクティブ・ディエンゲージメントの尺度はよく研究されているが、アウトライトタスク回避による実践時間の喪失は比較的検討されている。
本研究は、タスク回避による練習時間の喪失を捉えるために、既存のタスク内対策(イルタイム)を2つのセッションレベル対策(遅延開始と早期停止)で拡張することで、このギャップに対処する。
本研究は, 複合ロスタイムを海岸時間とみなし, 関連する挙動を海岸行動とみなす。
ASSISTments logs (N = 1,425) を用いて, 授業時間の40%しか数学の練習やコースに費やしていないことがわかった。
海岸時間のうち36%は起動が遅れ、2%は練習中のアイドリングで、62%は早期に停止した。
遅延開始と早期停止は適度な時間的安定性を示し(G = 0.73 と 0.71 )、海岸が一貫した行動パターンであることを示唆した。
早期停留所を除いたとしても(早期停留所=0)、沿岸時間は約32%であった。
海岸の性別やIPPの状況による違いは顕著であるが,他の人口統計学的要因や学区による観測は行わない。
批判的に、最初の課題完了(エクストラ・ワーク)を超えて作業を続けた学生は、標準化されたテストにおいて大幅に改善された。
調査のためには、セッションレベルの解離とタスク内解離を組み合わせることで、機会損失の新しいレンズを提供する。
実践者にとって、この結果は、持続的なエンゲージメントと、利用可能な実践時間のより生産的な利用をサポートするプラットフォームアプライアンスの必要性を強調します。
関連論文リスト
- Maintaining Difficulty: A Margin Scheduler for Triplet Loss in Siamese Networks Training [2.1204495827342433]
我々は、多くの三重項の有効マージンが、しばしば .NET の事前定義された値を超えていることを示します。
それぞれのエポックで観測される容易な三重項の割合に応じて値を調整するマージンスケジューラを提案する。
提案手法は, 一定マージンと単調に増大するマージンスキームの両方と比較して, 性能改善につながることを示す。
論文 参考訳（メタデータ） (2026-03-27T13:15:34Z) - Early Warning Signals Appear Long Before Dropping Out: An Idiographic Approach Grounded in Complex Dynamic Systems Theory [1.732435844754418]
レジリエンスが弱まると、学生はエンゲージメントのリスクが高くなり、退学する可能性がある。
本稿では,脱落前に回復力損失の早期警報信号が脱落を予知できるかどうかを検証する。
論文 参考訳（メタデータ） (2026-01-16T18:43:46Z) - The Causal Effect of First-Time Academic Failure on University Dropout: Evidence from a Regression Discontinuity Design [0.0]
本研究は,初年度の学業失敗がその後の大学活動に与える影響を推定する。
従来の仮定とは対照的に, 実験結果から, 限界初回故障はその後の降雨確率の低下と関連していることが明らかとなった。
論文 参考訳（メタデータ） (2026-01-09T18:08:15Z) - Reducing Procrastination on Programming Assignments via Optional Early Feedback [1.1458853556386799]
我々は、プログラミングの課題に関する学術的先制と戦うための介入を設計した。
介入は初期期限で構成されていたが、学生が早期に仕事を提出すれば、追加の自動フィードバックが提供された。
実験の結果,初等部は初等部生の成績が向上しなかったが,初等部生は初等部生の成績が向上し,初等部生の成績が向上した。
論文 参考訳（メタデータ） (2025-10-16T19:22:12Z) - Instance-dependent Early Stopping [57.912273923450726]
本稿では,早期停止機構をトレーニングセット全体からインスタンスレベルに適応させる,インスタンス依存早期停止(IES)手法を提案する。
IES は、損失値の2階差が 0 付近の小さな範囲に留まっている場合、インスタンスをマスタードとみなす。
IESは、モデルのテスト精度と転送学習性能を維持したり、わずかに改善したりしながら、バックプロパゲーションインスタンスを10%から50%削減することができる。
論文 参考訳（メタデータ） (2025-02-11T13:34:09Z) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - Does Starting Deep Learning Homework Earlier Improve Grades? [63.20583929886827]
宿題を早く始め、より多くの時間を費やしている学生は、宿題の成績が良くなるはずだ。
既存の文献が宿題に費やした時間の影響は明確ではなく、主にK-12教育から来ている。
我々は,学生の成功に対する影響を原則的に結論付けるために,階層的ベイズモデルを構築した。
論文 参考訳（メタデータ） (2023-09-30T09:34:30Z) - Learning from Label Relationships in Human Affect [13.592112044121683]
我々は、学習を規則化し、より良い一般化をもたらす、多ラベル回帰と順序問題に対する新たなリレーショナル損失を導入する。
本研究は,精神分裂病の重症度推定問題に対する継続的影響と統合失調症重症度推定の問題について検討した。
論文 参考訳（メタデータ） (2022-07-12T15:00:54Z) - Identifying Suitable Tasks for Inductive Transfer Through the Analysis
of Feature Attributions [78.55044112903148]
我々は、単一タスクモデル間のニューラルネットワークアクティベーションの比較を通じて、タスクペアが相補的になるかどうかを予測するために、説明可能性技術を使用する。
提案手法により,TREC-IS 2020-Aデータセットでは,正のクラスF1の0.034の削減に留まらず,最大83.5%のトレーニング時間を短縮することが可能である。
論文 参考訳（メタデータ） (2022-02-02T15:51:07Z) - Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。
VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
論文 参考訳（メタデータ） (2021-07-27T16:39:45Z) - Clinical Risk Prediction with Temporal Probabilistic Asymmetric
Multi-Task Learning [80.66108902283388]
マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。
既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。
特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
論文 参考訳（メタデータ） (2020-06-23T06:01:36Z)
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。