論文の概要: Understanding Student Effort Using Response-Time Propensities During Problem Solving
- arxiv url: http://arxiv.org/abs/2605.08943v1
- Date: Sat, 09 May 2026 13:27:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 14:59:08.579171
- Title: Understanding Student Effort Using Response-Time Propensities During Problem Solving
- Title（参考訳）: 問題解決における応答時間確率を用いた学生の取り組みの理解
- Abstract要約: 多段階問題解決における努力は、直接的に観察されることはめったにない。
スケーラブルな取り組みシグナルとして、ステップツーステップのレスポンスタイム。
反応時間確率は学生の中で中等度から強い安定性を示す。
- 参考スコア（独自算出の注目度）: 4.227790869947882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive learning systems can produce substantial learning gains, yet many students engage for too brief or too superficial a period to benefit. A central obstacle is measuring effort. Effort during multi-step problem solving is rarely directly observed, and common log-based proxies, such as time on task, cannot distinguish between a student working carefully and a student encountering a harder problem. We examine step-to-step response time as a scalable effort signal by modeling trait-like differences in students' typical response timing during tutoring (while adjusting for skill difficulty). Using step-level logs from eight classroom deployments of algebra tutoring systems (2020 to 2023) across six U.S. schools (794 students), we estimate student- and knowledge-component-level propensities using hierarchical models and relate them to learning efficiency, defined as performance improvement per completed solution step. Response-time propensities show moderate to strong stability within students, supporting their use as an individual differences measure beyond correctness. At the same time, their relationship to learning is not uniform but conditional on the learner and context. Slower propensities predict greater learning efficiency for higher-proficiency students, consistent with constructive processing, whereas for lower-proficiency students, slower propensities are weakly related or even negative, consistent with unproductive struggle or idling. These associations are strongest early in practice sequences and attenuate later in the class period, highlighting an actionable window for detecting emerging disengagement and low persistence. Overall, response-time propensities provide a practical way to incorporate temporal process data into learner models and to target adaptive supports when effort is most diagnostic.
- Abstract（参考訳）: 適応的な学習システムは、かなりの学習効果をもたらすが、多くの学生は、短すぎるか表面的すぎる期間で利益を得ることができる。
中心的な障害は努力を測定することです。
マルチステップ問題解決の取り組みは直接観察されることは稀であり、タスク時間などのログベースの一般的なプロキシは、注意深く働く学生と困難な問題に遭遇する学生とを区別できない。
本研究では,学生の学習時の典型的な反応タイミングの違い(スキルの難易度を調整しながら)をモデル化することにより,段階から段階までの応答時間をスケーラブルな取り組み信号として検討する。
本研究では,米国6校(794人の学生)を対象に,代数学教育システム(2020～2023年)の8教室配置から,階層型モデルを用いて,学生・知識・コンポーネントレベルの妥当性を推定し,学習効率に関連付ける。
反応時間確率は、学生の中で中等度から強い安定性を示し、個人差が正当性を超えることを支持する。
同時に、彼らの学習との関係は、一様ではなく、学習者や文脈に依存している。
より低い確率性は、建設的処理と整合した高能率の生徒に対する学習効率の向上を予測し、一方低能率の学生にとっては、遅い確率性は、非生産的闘争やアイドリングと弱いか、ネガティブである。
これらのアソシエーションは、実践の初期段階において最強であり、クラス期間の後半で減衰し、出現する解離と持続性の低さを検出するための実行可能なウィンドウを強調している。
全体として、応答時間確率は、時間的プロセスデータを学習者モデルに組み込むための実践的な方法を提供する。
関連論文リスト
- Simulated Human Learning in a Dynamic, Partially-Observed, Time-Series Environment [1.3749490831384268]
教室環境をシミュレートする時系列環境を,学生と教師の介入で構築する。
我々は、人口情報から引き抜いて学生の個々の状態の学習を組み合わせて強化学習を行う。
我々の方針は、ファイナルのみの構造よりもクイズと中間構造の性能を高めることができる。
論文 参考訳（メタデータ） (2025-11-19T01:57:52Z) - UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。
最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。
これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
論文 参考訳（メタデータ） (2025-11-12T01:27:02Z) - Optimizing Mastery Learning by Fast-Forwarding Over-Practice Steps [8.654776900490965]
ファストフォワードはオーバープラクティスを最大3分の1まで削減できる。
残りの全ての経路が完全にマスターされている場合、生徒が問題解決のステップを完了する必要はない。
ファストフォワードは学生の実践効率を向上させるかもしれないが、実践的な影響の大きさは学生のモチベーションを維持する能力にも依存する。
論文 参考訳（メタデータ） (2025-06-21T04:14:26Z) - Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。
動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
論文 参考訳（メタデータ） (2025-04-05T09:32:03Z) - Normalization and effective learning rates in reinforcement learning [52.59508428613934]
正規化層は近年,深層強化学習と連続学習文学においてルネッサンスを経験している。
正規化は、ネットワークパラメータのノルムにおける成長と効果的な学習速度における崩壊の間の等価性という、微妙だが重要な副作用をもたらすことを示す。
そこで本研究では,正規化・プロジェクトと呼ぶ単純な再パラメータ化により,学習率を明示的にする手法を提案する。
論文 参考訳（メタデータ） (2024-07-01T20:58:01Z) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Dynamic Diagnosis of the Progress and Shortcomings of Student Learning
using Machine Learning based on Cognitive, Social, and Emotional Features [0.06999740786886534]
学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。
単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。
本稿では,データ分析と機械学習に基づく新しい手法について論じる。
論文 参考訳（メタデータ） (2022-04-13T21:14:58Z) - Towards Explainable Student Group Collaboration Assessment Models Using
Temporal Representations of Individual Student Roles [12.945344702592557]
学生グループコラボレーションを評価するために,簡単な時間-CNN深層学習モデルを提案する。
学生グループコラボレーション評価における動的に変化する特徴表現の適用性を検討する。
また、ディープラーニングモデルの決定に繋がった重要な時間指標をよりよく理解し、解釈するために、Grad-CAM視覚化を使用します。
論文 参考訳（メタデータ） (2021-06-17T16:00:08Z) - The Wits Intelligent Teaching System: Detecting Student Engagement
During Lectures Using Convolutional Neural Networks [0.30458514384586394]
Wits Intelligent Teaching System (WITS) は、学生の感情に関するリアルタイムフィードバックを講師に支援することを目的としている。
AlexNetベースのCNNはトレーニングが成功し、Support Vector Machineアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-05-28T12:59:37Z) - Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。
本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。
ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
論文 参考訳（メタデータ） (2020-07-23T17:59:57Z)
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。