論文の概要: Cross-Subject Predictive Validity for Learning Outcomes of Delayed Start Behavior
- arxiv url: http://arxiv.org/abs/2606.25308v1
- Date: Wed, 24 Jun 2026 02:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.189729
- Title: Cross-Subject Predictive Validity for Learning Outcomes of Delayed Start Behavior
- Title（参考訳）: 遅延開始行動の学習結果に対するクロスオブジェクト予測妥当性
- Abstract要約: Mathの練習中の遅延開始は、Mathと英語の両方で標準化されたテストパフォーマンスの予測である。
初学者(5分平均遅延、生徒の20%)と時間遅延(13分平均遅延、生徒の20%)の2つのサブグループを同定する。
- 参考スコア（独自算出の注目度）: 0.4815673045037477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behavioral detectors provide valuable insights into learner motivation and self-regulation. Among these, delayed start, a new session-level detector, has shown great promise as a valid behavioral measure that generalizes well across systems. In this paper, we examine cross-subject predictive validity of delayed start behavior. Using iReady data from 711 grade 7 students, we find delayed starts during Math practice are predictive of standardized test performance in both Math ($β$=.07 SD, p=.02) and English ($β$=.10 SD, p=<.001). Additionally, using mixture modeling and sensitivity analyses, we use a data-driven strategy to operationalize the identification of delayed starters in practice. We identify two underlying sub-groups of interest: "early starters" (<5 minute average delay, 20% of students) and "chronic delayers" (>13 minutes average delay, 20% of students). Relative to students in neither sub-group, early starters experienced greater growth (Math $β$=.11 SD, p=.07; ELA $β$=.15 SD, p=.02), while chronic delayers had the opposite trends (Math $β$=-.13 SD, p=0.05; ELA $β$=-.11 SD, p=0.11). Session-level measures provide a new opportunity for content-independent detectors, adding a behavioral component to the traditional usage and progress based on student engagement with content. This work aims to bridge education research with classroom practice by developing interpretable measures that align with behavioral cues teachers already use during classwork sessions to monitor and support students.
- Abstract（参考訳）: 行動検知器は学習者のモチベーションと自己統制に関する貴重な洞察を提供する。
これらのうち、新しいセッションレベルの検出器である遅延開始は、システム全体にわたってうまく一般化する有効な行動指標として大きな可能性を示している。
本稿では,遅延開始動作のクロスオブジェクト予測妥当性について検討する。
711年生のiReadyデータを使って、Mathの練習中に遅れたスタートが、Mathの標準テストパフォーマンスを予測する(β$=.07)。
SD, p=.02)と英語(β$=.10)
SD, p=<.001。
さらに、混合モデリングと感度解析を用いて、実際に遅延開始器の識別を運用するためにデータ駆動型戦略を用いる。
興味のある2つのサブグループを同定した:「早期開始者」(5分平均遅延、20%の学生)と「時系列遅延者」(>13分平均遅延、20%の学生)である。
いずれのサブグループにおいても,初学者はより成長した(Math $β$=.11)。
SD, p=.07; ELA $β$=.15
SD, p=.02), 慢性遅延器は逆の傾向(Math $β$=-.13)を示した。
SD, p=0.05; ELA $β$=-.11
SD, p=0.11)。
セッションレベルの測定は、コンテンツに依存しない検出器に新たな機会を与え、従来の使用法に振る舞いの要素を追加し、コンテンツへの学生の関与に基づいて進捗を進行させる。
本研究は,教師が授業中に既に用いている行動指導と整合して生徒の監視・支援を行うための解釈可能な尺度を開発することで,授業実践による教育研究を橋渡しすることを目的とする。
関連論文リスト
- Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use [2.024558551027881]
このワーク・イン・プログレスでは、ドイツ・ギムナシウムの学校3校の98年生を対象に、オープンエンドの会話データを調査している。
ドメイン前知識,チャット前学習ニーズ,自己報告型認知負荷を収集した。
学生はチャットの前に圧倒的に足場付きサポートを選択したが、その相互作用は道具的要求によって支配された。
論文 参考訳（メタデータ） (2026-06-07T10:47:52Z) - Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build [0.6524460254566904]
自己報告による調査はほとんど変化を示さないが、小規模の行動研究では、学習結果を測定するための尺度や期間のないAIの利用が広く報告されている。
私たちは、タイム・オン・タスク分析のために、ALEKSの学習インタラクションを320万ドルで10年のパネルで行います。
これらの結果は、生成的AIが学生の学習方法と彼らが構築した知識を変化させた最初の大規模行動と結果の証拠である。
論文 参考訳（メタデータ） (2026-05-20T18:40:53Z) - 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) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。
アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。
ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2024-05-23T08:43:09Z) - Impact of Decentralized Learning on Player Utilities in Stackelberg Games [57.08270857260131]
多くの2エージェントシステムでは、各エージェントは別々に学習し、2つのエージェントの報酬は完全に一致しない。
分散学習を用いたStackelbergゲームとしてこれらのシステムをモデル化し、標準後悔ベンチマークが少なくとも1人のプレイヤーにとって最悪の線形後悔をもたらすことを示す。
我々は,これらのベンチマークに関して,両プレイヤーにとってほぼ最適な$O(T2/3)を後悔するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-29T23:38:28Z) - Student Classroom Behavior Detection based on YOLOv7-BRA and Multi-Model Fusion [8.800332201027299]
YOLOv7-BRAに基づく授業行動検出システムを提案する。
立ち上がり、座り、話すこと、聞くこと、歩くこと、手を上げること、読むこと、書くことを含む8つの異なる行動パターンを特定しました。
SCB-Datasetの実験を行い、YOLOv7-BRAはmAP@0.5の87.1%を達成した。
論文 参考訳（メタデータ） (2023-05-13T02:46:41Z) - 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) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - EPARS: Early Prediction of At-risk Students with Online and Offline
Learning Behaviors [55.33024245762306]
リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。
既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。
オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
論文 参考訳（メタデータ） (2020-06-06T12:56:26Z)
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。