論文の概要: Context-Aware Prediction of Student Quiz Performance with Multimodal Textbook Features
- arxiv url: http://arxiv.org/abs/2606.24770v1
- Date: Thu, 28 May 2026 03:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-28 23:46:52.321228
- Title: Context-Aware Prediction of Student Quiz Performance with Multimodal Textbook Features
- Title（参考訳）: マルチモーダル教科書機能を用いた学生クイズ性能の文脈認識予測
- Abstract要約: 本稿では,CourseKataの章レビュー質問から抽出した軽量なコンテンツ特徴が,学生の平均的事前運動成績を超えて,エンド・オブ・チャプタ・クイズスコアの予測を改善するかを検討する。
562のクラス学生IDから4,742人以上の学生チャプタが観察され、内容的特徴が加わり、学生グループ化された5倍クイズ予測性能が前性能ベースラインと比較して9.1%向上した。
本論文は,学生のクイズ性能を過去の学生のパフォーマンスのみを用いた場合と比較して,学生のクイズ性能をより正確に予測するために,質問のテキストや視覚的特徴に関する有用な信号が付加されることを示唆する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Educational platforms often predict student performance from prior interactions, but the assessment content itself also varies in linguistic and visual complexity. This paper studies whether lightweight content features extracted from CourseKata chapter-review questions improve prediction of end-of-chapter quiz scores beyond a student's average prior exercise performance. The study combines 2023 CourseKata student response data with chapter-level text features from review-question wording and image features from textbook visuals. Across 4,742 student-chapter observations from 562 class-student IDs, adding content features improves student-grouped five-fold quiz prediction performance by 9.1% relative to a prior-performance baseline. In leave-chapter-out validation, text features reduce prediction error relative to the baseline, while image-containing models have higher error. This paper suggests that a context-aware model adds useful signal about the text and visual features of questions to better predict student quiz performance compared with using past student performance alone.
- Abstract（参考訳）: 教育プラットフォームは、以前の相互作用から学生のパフォーマンスを予測することが多いが、評価内容自体も言語的・視覚的複雑さによって異なる。
本研究は,CourseKataの章レビュー質問から抽出した軽量コンテンツが,学生の平均運動前成績を超えて,チャプタクイズスコアの予測を改善するかどうかを考察する。
この研究は、2023年のCourseKata学生の回答データと、レビュークエストの言葉による章レベルのテキスト特徴と、教科書のビジュアルからの画像特徴を組み合わせたものである。
562のクラス学生IDから4,742人以上の学生チャプタが観察され、内容的特徴が加わり、学生グループ化された5倍クイズ予測性能が前性能ベースラインと比較して9.1%向上した。
左チェックアウト検証では、テキスト機能はベースラインに対する予測誤差を低減し、画像を含むモデルは高い誤差を持つ。
本論文は,学生のクイズ性能を過去の学生のパフォーマンスのみを用いた場合と比較して,学生のクイズ性能をより正確に予測するために,質問のテキストや視覚的特徴に関する有用な信号が付加されることを示唆する。
関連論文リスト
- Disentangling Learning from Judgment: Representation Learning for Open Response Analytics [0.0]
オープンエンドの回答は学習の中心であるが、自動スコアリングは生徒の書き方と教師の成績を混同することが多い。
本稿では、コンテンツ信号とレーダ傾向を分離し、分析を通じて判断を可視化し、監査可能にする分析ファーストフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T02:06:28Z) - ChartMuseum: Testing Visual Reasoning Capabilities of Large Vision-Language Models [48.994853869901974]
視覚的推論によってのみ解決可能な合成データセットを用いてケーススタディを行う。
次に、1,162人の専門家が注釈を付けた質問を含む新しいチャート質問回答(QA)ベンチマークであるChartMuseumを紹介します。
人間は93%の精度を達成しているが、最高のパフォーマンスモデルであるGemini-2.5-Proは63.0%しか達成できず、主要なオープンソースであるLVLM Qwen2.5-VL-72B-Instructは38.5%しか達成していない。
論文 参考訳（メタデータ） (2025-05-19T17:59:27Z) - LECTOR: Summarizing E-book Reading Content for Personalized Student Support [3.6908139322709466]
本研究は,読み出し活動データと容易に統合可能なフォーマットで,読み出しコンテンツから情報を要約するモデルであるLECTORを提案する。
最初の実験では,LECTORを自然言語処理(NLP)モデルと比較し,2,255の講演スライドからキー情報を抽出した。
第2実験では,LECTORが抽出した読書嗜好と従来の読書行動データを比較した。
論文 参考訳（メタデータ） (2025-05-12T06:40:55Z) - BookWorm: A Dataset for Character Description and Analysis [59.186325346763184]
本稿では,短い事実プロファイルを生成する文字記述と,詳細な解釈を提供する文字解析という2つのタスクを定義する。
本稿では,Gutenbergプロジェクトからの書籍と,人間による記述と分析のペアリングを行うBookWormデータセットを紹介する。
その結果,検索に基づくアプローチは両タスクにおいて階層的アプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-10-14T10:55:58Z) - From Text to Treatment Effects: A Meta-Learning Approach to Handling Text-Based Confounding [7.5348062792]
本稿では,共起変数をテキストで表現する場合のメタラーナーの性能について検討する。
共同創設者の事前学習したテキスト表現を用いた学習者は,CATE推定精度の向上を図っている。
テキスト埋め込みの絡み合った性質のため、これらのモデルは、完全な共同創設者の知識を持つメタ学習者のパフォーマンスと完全には一致しない。
論文 参考訳（メタデータ） (2024-09-23T19:46:19Z) - How is Visual Attention Influenced by Text Guidance? Database and Model [56.79932907110823]
我々は、主観的視点と客観的視点の両方から、テキスト誘導イメージ・サリエンシ(TIS)の研究を行う。
我々は,様々なテキスト記述が視覚的注意に与える影響を,最先端の正当性モデルを用いて分析する。
本稿では,画像特徴とテキスト特徴の両方を抽出,統合し,さまざまなテキスト記述条件下での画像塩分率の予測を行うTGSal予測モデルを提案する。
論文 参考訳（メタデータ） (2024-04-11T08:03:23Z) - ClickTree: A Tree-based Method for Predicting Math Students' Performance Based on Clickstream Data [0.0]
我々は,学生のクリックストリームデータに基づいて,数学的課題における生徒のパフォーマンスを予測するための木ベースの手法であるClickTreeを開発した。
この手法は2023年の教育データマイニングカップで0.78844のAUCを達成し、大会では2位となった。
エンド・ユニット・アサイン問題への回答が良好であった学生は、イン・ユニット・アサイン問題により関与し、より多くの問題に正しく答えた。
論文 参考訳（メタデータ） (2024-03-01T23:39:03Z) - Learning to Decompose Visual Features with Latent Textual Prompts [140.2117637223449]
視覚言語モデルを改善するために,Decomposed Feature Prompting (DeFo)を提案する。
我々の実証研究は、視覚言語モデルを改善する上でDeFoが重要であることを示している。
論文 参考訳（メタデータ） (2022-10-09T15:40:13Z) - A Predictive Model for Student Performance in Classrooms Using Student
Interactions With an eTextbook [0.0]
本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。
提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
論文 参考訳（メタデータ） (2022-02-16T11:59:53Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z)
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。