論文の概要: Apriori-based Analysis of Learned Helplessness in Mathematics Tutoring: Behavioral Patterns by Level, Intervention, and Outcome
- arxiv url: http://arxiv.org/abs/2604.26237v1
- Date: Wed, 29 Apr 2026 02:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.22946
- Title: Apriori-based Analysis of Learned Helplessness in Mathematics Tutoring: Behavioral Patterns by Level, Intervention, and Outcome
- Title（参考訳）: 数学授業における学習的無力感の分析--レベル,介入,アウトカムによる行動パターン
- Authors: John Paul P. Miranda,
- Abstract要約: 本研究では、Aprioriアルゴリズムを用いて、学習した無力感に関連する行動相互作用パターンを解析した。
LHレベル(低対高)、システムベースの介入(無対無)、問題解決結果(解決対未解決)の3次元にわたってデータを調査した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study applied the Apriori algorithm to analyze behavioral interaction patterns associated with learned helplessness (LH) in mathematics tutoring system logs. Interaction data were examined across three dimensions: LH level (low vs. high), system-based intervention (with vs. without), and problem-solving outcomes (solved vs. unsolved). The analysis of the complete dataset showed that skipping problems without using hints was the most frequent pattern linked to unsolved outcomes, while persistence behaviors such as not skipping were less dominant overall. Comparisons by LH level showed that low-LH students had stronger links between problem solving and not skipping, as well as positive associations between hint use and solved outcomes. High-LH students showed more avoidance patterns, with skipping strongly tied to unsolved outcomes. In the comparison of system-based intervention conditions, students without intervention had the highest lift for persistence-success links, while the with-intervention group had stronger patterns involving skipping behaviors leading to unsolved outcomes. Outcome-specific analysis showed that not skipping was consistently associated with solved problems across all groups, while skipping without hints predicted unsolved outcomes. Practical implications and recommendations are discussed.
- Abstract（参考訳）: 本研究では,Aprioriアルゴリズムを用いて,学習的無力度(LH)に関連する行動相互作用パターンの解析を行った。
インタラクションデータは,LHレベル(低対高),システムベース介入(無対無),問題解決結果(解決対未解決)の3次元にわたって検討した。
完全なデータセットを解析したところ、ヒントを使わずにスキップする問題は未解決の結果と最もよく結びついているパターンであることがわかった。
LHレベルによる比較では、低LH学生は問題解決とスキップと、ヒント使用と解決結果の正の関連性との間により強い相関関係があることが判明した。
高LH学生は回避パターンが強く, スキッピングは未解決結果と強く結びついた。
システムベース介入条件の比較では, 介入のない学生は持続的・持続的リンクが最多であり, 非介入群はスキッピング行動に関わるパターンが強く, 未解決の結果が得られた。
Outcome-specific analysisでは、スキップはすべてのグループで解決された問題と一貫して関連し、スキップはヒントなしで未解決の結果が予測された。
実践的な意味と推奨について論じる。
関連論文リスト
- On the Paradoxical Interference between Instruction-Following and Task Solving [50.75960598434753]
次の命令は、大規模言語モデル(LLM)を、タスクの実行方法に関する明示的な制約を指定することで、人間の意図と整合させることを目的としている。
我々は,LLMのタスク解決能力にパラドックス的に干渉する命令に従うという,直感に反する現象を明らかにした。
本稿では,タスク解決に追従する命令の干渉を定量化する指標として,SUSTAINSCOREを提案する。
論文 参考訳（メタデータ） (2026-01-29T17:48:56Z) - Staying in the Sweet Spot: Responsive Reasoning Evolution via Capability-Adaptive Hint Scaffolding [59.60915947702282]
検証可能な報酬(RLVR)による強化学習は,大規模言語モデル(LLM)の推論能力の向上に成功している。
既存のRLVR手法は、訓練データの困難さとモデルの能力のミスマッチにより、探索の非効率に悩まされることが多い。
本稿では,高効率領域に留まることの難易度を動的に調整する新しい監視支援RLVRフレームワークであるSEELEを提案する。
論文 参考訳（メタデータ） (2025-09-08T17:36:21Z) - Unsupervised Learning for Quadratic Assignment [30.652280460904375]
PLUME検索は、非自己回帰的なアプローチで置換に基づく損失を用いて問題インスタンスから直接学習する。
本稿では,様々な最適化問題を含むNP-hard問題である代入問題に対して,その性能を評価する。
論文 参考訳（メタデータ） (2025-03-25T18:37:46Z) - Additive Causal Bandits with Unknown Graph [10.575089475850465]
我々は,学習者が因果グラフに関連付けられたランダムな変数の集合に介入することを選択可能な因果帯域設定における行動を選択するアルゴリズムを探索する。
学習者の目標は、観測可能な変数に対するすべての介入の中で、結果変数の期待を最大化する介入を素早く見つけることである。
論文 参考訳（メタデータ） (2023-06-13T15:43:04Z) - Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳（メタデータ） (2023-06-04T02:32:12Z) - A Unified Framework of Policy Learning for Contextual Bandit with
Confounding Bias and Missing Observations [108.89353070722497]
本研究では,観測データを用いた最適ポリシの獲得を目的とした,オフラインのコンテキスト的帯域幅問題について検討する。
本稿では、積分方程式系の解として報酬関数を形成するCausal-Adjusted Pessimistic(CAP)ポリシー学習という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-20T15:17:31Z) - Joint Training of Deep Ensembles Fails Due to Learner Collusion [61.557412796012535]
機械学習モデルのアンサンブルは、単一のモデルよりもパフォーマンスを改善する強力な方法として確立されている。
伝統的に、アンサンブルアルゴリズムは、ジョイントパフォーマンスの最適化を目標として、ベースラーナーを独立または逐次訓練する。
アンサンブルの損失を最小化することは、実際にはほとんど適用されないことを示す。
論文 参考訳（メタデータ） (2023-01-26T18:58:07Z) - USCO-Solver: Solving Undetermined Stochastic Combinatorial Optimization
Problems [9.015720257837575]
入力-解対のサンプルから高品質な最適化解を推定することを目的として,空間間の回帰を考察する。
基礎学習にはPAC-Bayesianフレームワークを用いて学習エラー分析を行う。
我々は,合成データセットと実世界のデータセットの両方において,古典的な問題に対する高い励振実験結果を得た。
論文 参考訳（メタデータ） (2021-07-15T17:59:08Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Causal Feature Selection via Orthogonal Search [30.120592913076198]
応答変数の直接因果親を見つけるために,1-vs.-the-rest特徴選択手法を提案する。
本稿では,理論的な保証を提供しながら,純粋に観測データを扱うアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-06T12:56:43Z)
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。