論文の概要: From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning

• arxiv url: http://arxiv.org/abs/2605.12788v1
• Date: Tue, 12 May 2026 22:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.709634
• Title: From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning
• Title（参考訳）: ヒューリスティックスから分析へ:オンライン学習の取り組みと進歩を予見する
• Authors: Eric S. Qiu, Danielle R. Thomas, Boyuan Guo, Vincent Aleven, Conrad Borchers,
• Abstract要約: 本稿では,知的学習システム(ITS)ログに基づく教師付き予測タスクとしてエンゲージメント予測を導入する。 回帰、決定木、ニューラルネットワークを含む15の予測器をベンチマークする。 特徴に基づくモデルでは,平均絶対誤差(MAE)がベースラインに対して22～33%減少することを示す。
• 参考スコア（独自算出の注目度）: 0.7779164149675926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sustained effort is essential for realizing the benefits of intelligent tutoring systems (ITS), yet many learners disengage or underuse available practice time. We introduce engagement forecasting as a supervised prediction task based on ITS logs, targeting two outcomes central to effort and learning progress: minutes practiced per week and new skills mastered per week. Using interaction log data from 425 middle-school students over a school year, we benchmark fifteen predictors including regressions, decision trees, and neural networks. We show that these feature-based models reduce mean absolute error (MAE) by 22-33% relative to heuristic baselines, including fixed-percentile rules adapted from prior work in other behavioral domains. We find that percentile heuristics systematically overpredict, whereas feature-based models better track student practice trajectories across weeks. To support explainability, we analyze feature importance and ablations, revealing target-specific patterns: effort forecasting is driven mainly by recent activity features, while progress forecasting depends more on learner-state and content difficulty signals. Finally, in a semi-structured user interview case study with eight college tutors, we examine how tutors reasoned about system-generated predictive features when setting goals with students. We find that tutors reasoned differently about effort versus progress goals in ways that mirror our pattern analysis. Together, these results establish a reproducible benchmark for forecasting weekly effort and learning progress in ITS. By making patterns of sustained effort and progress visible at a weekly timescale, engagement forecasting offers a foundation for supporting tutor-learner goal setting and timely instructional decisions.
• Abstract（参考訳）: 知的学習システム(ITS)の利点を実現するためには,持続的な努力が不可欠である。 エンゲージメント予測をITSログに基づく教師付き予測タスクとして導入し,2つの成果を目標として,週に1分,週に1回,新たなスキルを習得した。 小学校1年で425人の高校生のインタラクションログデータを用いて、回帰、決定木、ニューラルネットワークを含む15の予測因子をベンチマークした。 これらの特徴に基づくモデルでは、他の行動領域における前処理から適応した固定パーセンタイル規則を含む、ヒューリスティックベースラインに対して平均絶対誤差(MAE)が22～33%減少することを示す。 パーセンタイル・ヒューリスティックスは体系的に過大評価されているのに対して、機能ベースのモデルは数週間にわたって生徒の実践の軌跡を追跡するのがよい。 作業予測は主に最近の活動特徴によって行われ、進捗予測は学習者状態やコンテンツ難易度に依存している。 最後に,8人の大学教員を対象とした半構造化ユーザインタビューケーススタディにおいて,学生との目標設定において,教師がシステム生成予測機能についてどのように推論したかを検討する。 家庭教師は、パターン分析を反映した方法で、努力と進歩の目標が異なる理由があることに気付きました。 これらの結果は、ITSにおける週ごとの取り組みと学習の進捗を予測するための再現可能なベンチマークを確立した。 持続的な努力と進捗のパターンを週単位のタイムスケールで可視化することにより、エンゲージメント予測は、チューター・ラーナーの目標設定とタイムリーな指導決定をサポートする基盤を提供する。

関連論文リスト

• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Starting Seatwork Earlier as a Valid Measure of Student Engagement [2.364788972996476]
  その信頼性と予測妥当性を評価するために,セッションレベルの尺度に関する先行作業を構築した。 以上の結果から,これらの指標は月ごとの信頼性が中程度から高いことが示唆された。 それらは、事前の知識やゲーム・ザ・システム・ビヘイビアを超えて、最終的な数学スコアの予測を強化する。
  論文  参考訳（メタデータ） (2025-05-19T16:49:08Z)
• 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)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)
• Prediction of Dilatory Behavior in eLearning: A Comparison of Multiple Machine Learning Models [0.2963240482383777]
  タスクの不合理な遅延である Procrastination は、オンライン学習においてよくある出来事である。 このような予測に焦点を当てた研究はほとんどない。 様々な種類の予測器と様々な手法の予測性能の比較を含む研究は、事実上存在しない。
  論文  参考訳（メタデータ） (2022-06-30T07:24:08Z)
• Improving In-Context Few-Shot Learning via Self-Supervised Training [48.801037246764935]
  本稿では,事前学習と下流での撮影の中間訓練段階において,自己監督を併用することを提案する。 中間的な自己超越段階は、強いベースラインよりも優れたモデルを生成する。
  論文  参考訳（メタデータ） (2022-05-03T18:01:07Z)
• Diverse Distributions of Self-Supervised Tasks for Meta-Learning in NLP [39.457091182683406]
  非ラベルテキストから自動的に提案される自己教師型タスクを考慮し,メタラーニングのためのタスク分布の提供を目指す。 分析の結果,これらすべての要因がタスク分布を有意に変化させることが示され,メタ学習モデルの下流における数ショット精度の大幅な改善がもたらされた。
  論文  参考訳（メタデータ） (2021-11-02T01:50:09Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)

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。