論文の概要: Push and Pull in Community College Cross-Enrollment: Remoteness, Articulation, and Student Mobility
- arxiv url: http://arxiv.org/abs/2605.16992v1
- Date: Sat, 16 May 2026 13:31:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 16:38:26.900254
- Title: Push and Pull in Community College Cross-Enrollment: Remoteness, Articulation, and Student Mobility
- Title（参考訳）: コミュニティ・カレッジ・クロス・エンターテイメントにおけるプッシュ&プル:リモートネス, アーティキュレーション, 学生のモビリティ
- Authors: Conrad Borchers, Robin Schmucker, Ashutosh Tiwari, Zachary A. Pardos,
- Abstract要約: 地理的リモートネスは、実現可能なクロスインスティテュートモビリティを制約する。
信用流動性は、調音として表される入学を惹きつけることがある。
遠隔の大学は、より多くの遠隔の大学よりも高い出学率と入校率を示している。
- 参考スコア（独自算出の注目度）: 3.6750027968612033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-enrollment across institutions can expand access to courses and support student progression. Still, little is known about how geographic constraints and institutional policies jointly shape cross-enrollment within community college (CC) systems. We adopt a push-pull framework: geographic remoteness constrains feasible cross-institution mobility, while credit mobility may attract enrollment expressed as articulation (CC-to-university: credit toward a four-year partner) and course equivalencies (CC-to-CC: equivalencies across the system). Using de-identified administrative records from a 12-institution community college system (100,547 students; 1,290,311 course enrollments), we quantify outgoing and incoming cross-enrollment and relate these patterns to institutional remoteness and credit mobility. We find that less remote colleges exhibit higher outgoing and incoming cross-enrollment than more remote colleges. Further, cross-enrolled students are more likely to take articulated courses, and institutions with higher equivalency ratios receive higher incoming cross-enrollment (8.62% vs. 6.70%). This association was slightly stronger at more remote colleges. This study demonstrates how analysis of complex college systems can surface factors shaping student mobility and inform the design of cross-enrollment and articulation policies in CC systems.
- Abstract（参考訳）: 教育機関間のクロスコースは、コースへのアクセスを拡大し、学生の進歩を支援することができる。
それでも、地理的制約と制度政策がコミュニティ・カレッジ(CC)システム内のクロス・エンゲージメントをどのように形成するかについては、ほとんど分かっていない。
プッシュプルの枠組みは, 地理的リモートネス制約が実現可能なクロスインスティテュートモビリティを実現する一方で, 信用モビリティは, 具体化(CC-to-University: Credit to a 4年パートナーへの信用)とコース等価(CC-to-CC: equivalencies: the system across the system)として表現された参加を惹きつける可能性がある。
また,12機関のコミュニティカレッジシステム(100,547人,1,290,311人)の非特定管理記録を用いて,アウトゴーイングとクロスエンゲージメントの定量化を行い,これらのパターンを制度的リモートネスと信用モビリティに関連付ける。
遠隔の大学は、遠隔の大学よりも、出入りや入退学の度合いが低いことがわかりました。
さらに、クロスコースの学生は講習講習会を受講する傾向が強く、より高い等価率の機関はより高いクロスコースを受ける(8.62%対6.70%)。
この協会は、より遠隔の大学ではやや強かった。
本研究は,複雑な大学システムの解析が学生のモビリティを形作る要因を表面化し,CCシステムにおけるクロスエンゲージメントと調音ポリシーの設計を通知する方法を示す。
関連論文リスト
- Inequality in Congestion Games with Learning Agents [49.16654883862325]
ネットワークの構造だけでなく,通勤者による適応の仕方にも相違があることが示される。
潜在的効率性と公平性のトレードオフを捉えるために,学習中の非効率性の尺度であるPrice of Learning (PoL)を導入する。
シミュレーションにより,ネットワーク拡張が同時に効率を向上し,不等式を増幅できることが示唆された。
論文 参考訳（メタデータ） (2026-01-28T13:16:25Z) - Advancing credit mobility through stakeholder-informed AI design and adoption [2.6998665629152536]
本研究は, ニューヨーク州立大学システムと連携して, 機関間の調律を提案するために, 人工知能を適用した。
カタログ記述における表面的マッチングと制度的バイアスに対処する教師付きアライメント手法を開発した。
本手法の調音予測と61%の平均的採用率から, 有効な信用移動機会の12倍の増加が予測された。
論文 参考訳（メタデータ） (2026-01-09T09:39:12Z) - A community-driven optimization framework for redrawing school attendance boundaries [20.121868775424158]
本研究では,多目的アルゴリズムによる校区化フレームワークを導入し,5万人以上の学生に影響を及ぼす大規模校区化に応用する。
このフレームワークはオープンソースのツールを使って構築され、学校区をサポートするために公開され、教育アクセスと機会を改善するための新しいポリシーを探求し、実装している。
論文 参考訳（メタデータ） (2025-09-21T15:42:50Z) - A novel association and ranking approach identifies factors affecting educational outcomes of STEM majors [0.0]
卒業を成功させる主要な予測要因は、入門STEMコースのパフォーマンス、最初の数学クラスの選択、主要な選択における柔軟性である。
専攻をSTEMから非STEMに切り替えた生徒は、総合成績が高かった。
論文 参考訳（メタデータ） (2025-03-16T02:13:37Z) - High School Computer Science Participation: A 6-Year Enrollment Study [0.0]
本研究は,公立高校7校におけるコンピュータサイエンスの6年間の縦断的研究から得られた知見を概説する。
その結果,2018-2019年度から2022-2023年度にかけて,CSコースの通学率は10%から15%に緩やかに増加した。
登録率は2023-2024年に13%まで減少したが、この傾向の原因と持続性は不明である。
論文 参考訳（メタデータ） (2025-02-12T20:24:19Z) - CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。
FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。
より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
論文 参考訳（メタデータ） (2024-10-08T02:23:16Z) - Generalizable Heterogeneous Federated Cross-Correlation and Instance
Similarity Learning [60.058083574671834]
本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。
不均一な問題に対しては、無関係な公開データを通信に活用する。
局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
論文 参考訳（メタデータ） (2023-09-28T09:32:27Z) - Disadvantaged students increase their academic performance through
collective intelligence exposure in emergency remote learning due to COVID 19 [105.54048699217668]
新型コロナウイルス(COVID-19)危機の間、世界中の教育機関が対面指導から緊急遠隔教育(ERT)へと移行した。
我々は,7,528人の大学生のデータを分析したところ,議論フォーラムにおける学生間の協調的・合意的ダイナミクスが最終GPAに肯定的な影響を及ぼすことがわかった。
自然言語処理を用いて,高校生の学習成績が低かった1年生が,議論フォーラムでよりコンテンツ集約的な投稿に晒されていることを示す。
論文 参考訳（メタデータ） (2022-03-10T20:23:38Z) - Targeted Supervised Contrastive Learning for Long-Tailed Recognition [50.24044608432207]
実世界のデータは、しばしば重いクラス不均衡の長い尾の分布を示す。
教師付きコントラスト学習は性能向上に寄与するが、過去のベースラインは不均衡なデータ分布によってもたらされる不均一さに悩まされている。
我々は,超球面上の特徴分布の均一性を改善するための教師付きコントラスト学習(TSC)を提案する。
論文 参考訳（メタデータ） (2021-11-27T22:40:10Z) - Identifying Hubs in Undergraduate Course Networks Based on Scaled
Co-Enrollments: Extended Version [2.0796330979420836]
本研究では、学生の学生登録データを用いて、学生共同登録に基づいて接続するコースのネットワークを形成する。
ネットワークは分析され、しばしば他の多くのコースで取られる「ハブ」コースを特定する。
論文 参考訳（メタデータ） (2021-04-27T16:26:29Z) - GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。
予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
論文 参考訳（メタデータ） (2020-12-07T18:29:32Z)
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。