論文の概要: Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• arxiv url: http://arxiv.org/abs/2605.30303v1
• Date: Thu, 28 May 2026 17:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.646034
• Title: Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains
• Title（参考訳）: 複数のドメインにまたがる教育研究を再現し支援するための高構成分析パイプラインの一般化
• Authors: Yallen Bai, Ploy Thajchayapong, Ashok Goel,
• Abstract要約: AI-Augmented Learning (A4L) は、教育用AIシステムからの学習者インタラクションデータの収集、統合、分析を可能にするモジュラーデータアーキテクチャである。 本研究では、AIアシスタントが生成するデータセットの取り込み、処理、分析を可能にするデータインフラストラクチャであるA4L Data Analytics Pipelineのモジュラ設計について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence assistants deployed in online learning environments create new opportunities to collect large volumes of learner interaction data and generate insights to improve student outcomes. Architecture for AI-Augmented Learning (A4L) is a modular data architecture that enables the collection, integration, and analysis of learner interaction data from educational AI systems, supporting the generation of instructional insights that facilitate personalized learning and reinforce the bidirectional feedback loop between instructors and learners. This study examines the modular design of the A4L Data Analytics Pipeline, an extensible data infrastructure that enables the ingestion, processing, and analysis of heterogeneous datasets generated by educational AI assistants. We describe the design principles and development process used to extend the pipeline's analytical capabilities while preserving flexibility across domains. We evaluate the pipeline through case studies spanning three research domains corresponding to three educational AI assistants deployed in online learning environments at Georgia Tech. Results show that a common set of statistical analysis methods can be consistently applied across datasets with differing structures and instructional contexts, enabling the pipeline to reproduce key analytical findings across domains. We demonstrate how analytical capabilities initially developed for one domain can be extended to support richer analyses in another, illustrating the pipeline's extensibility. These findings suggest that the A4L Analytics Pipeline can serve as reusable infrastructure for analyzing data generated by future educational AI assistants. By enabling analytics that can be systematically extended to new domains, the pipeline provides a foundation for deriving insights that inform the design and evaluation of educational AI systems.
• Abstract（参考訳）: オンライン学習環境にデプロイされた人工知能アシスタントは、大量の学習者インタラクションデータを収集し、学生の成果を改善するための洞察を生成する新たな機会を生み出す。 アーキテクチャ for AI-Augmented Learning (A4L) は、教育用AIシステムからの学習者インタラクションデータの収集、統合、分析を可能にするモジュラーデータアーキテクチャであり、パーソナライズされた学習を促進する指導的洞察の生成をサポートし、インストラクターと学習者の間の双方向フィードバックループを強化する。 本研究では、AIアシスタントが生成する異種データセットの取り込み、処理、分析を可能にする拡張可能なデータインフラストラクチャであるA4L Data Analytics Pipelineのモジュラ設計について検討する。 ドメイン間の柔軟性を維持しながら、パイプラインの分析能力を拡張するために使用される設計原則と開発プロセスについて説明する。 我々は、ジョージア工科大学のオンライン学習環境に配備された3つの教育AIアシスタントに対応する3つの研究領域を対象としたケーススタディを通じてパイプラインを評価する。 結果は、共通の統計解析手法の集合が、異なる構造と命令コンテキストを持つデータセット間で一貫して適用可能であることを示し、パイプラインがドメイン間で重要な分析結果を再現できるようにする。 あるドメインで最初に開発された分析機能をどのように拡張して、別のドメインでよりリッチな分析をサポートするかを示し、パイプラインの拡張性を説明します。 これらの結果は、A4L Analytics Pipelineが、将来のAIアシスタントによって生成されるデータを分析するための再利用可能なインフラストラクチャとして機能することを示唆している。 新しいドメインに体系的に拡張可能な分析を可能にすることで、パイプラインは、教育AIシステムの設計と評価を知らせる洞察を導き出す基盤を提供する。

関連論文リスト

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education [41.99844472131922]
  AICoFe(AIベースのコラボレーションフィードバック)は、人間中心のAIアプローチを通じて、このギャップを埋めるように設計されたシステムである。 本稿では,GPT-4.1-mini,Gemini 2.5 Flash,Llama 3.1 を用いてマルチLLMパイプラインをオーケストレーションし,定量的データと定性的な観測結果をコヒーレントで動作可能なフィードバックに合成するモジュールアーキテクチャについて述べる。 このシステムのキーとなるのは、“Teacher-in-the-loop”メディエーションワークフローである。
  論文  参考訳（メタデータ） (2026-05-06T10:37:32Z)
• Evolution of A4L: A Data Architecture for AI-Augmented Learning [0.2770822269241973]
  AI強化学習のためのアーキテクチャ(A4L)は、成人学習者のためのオンライン教育の分析とパーソナライズを支援する。 データパイプラインには、データ取り込み、前処理、組織化、分析、可視化のためのモジュールが含まれている。
  論文  参考訳（メタデータ） (2025-11-14T21:12:37Z)
• Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
  高リソースデータによる学習は人工知能(AI)において大きな成功を収めた しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。 本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
  論文  参考訳（メタデータ） (2025-10-10T03:15:42Z)
• LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
  大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。 LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
  論文  参考訳（メタデータ） (2025-09-28T17:31:38Z)
• Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures [50.46688111973999]
  グラフ機械学習は、任意のグラフ構造化データで学習するモデルの能力を大幅に向上させた。 従来の工学的特徴を伴わない'関係エンティティグラフ'のエンドツーエンド表現を可能にする新しい青写真を提案する。 本稿では、大規模マルチテーブル統合や、時間力学と異種データのモデリングの複雑さなど、重要な課題について論じる。
  論文  参考訳（メタデータ） (2025-06-19T23:51:38Z)
• Data-to-Dashboard: Multi-Agent LLM Framework for Insightful Visualization in Enterprise Analytics [2.7933239275667545]
  モジュール型LCMエージェントによるデータ・ダッシュボード・パイプラインの自動化を行うエージェントシステムを提案する。 既存のグラフシステムとは異なり、我々のフレームワークはビジネスアナリストの分析的推論プロセスをシミュレートする。 提案手法は, 評価指標の調整により, 洞察力, ドメイン関連性, 分析深度が向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-29T17:32:15Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。