論文の概要: Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
- arxiv url: http://arxiv.org/abs/2608.16914v1
- Date: Thu, 16 Jul 2026 08:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.968805
- Title: Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
- Title（参考訳）: どのCS1学生が失敗するか? 重み付きアカデミック・モメンタムとインタラクション・ログを用いたコンピュータシステムとアーキテクチャにおける学習分析からデジタルマーカーを同定する
- Abstract要約: デジタル学習プラットフォームは、苦労している学生を早期に特定する可能性を提供する、リッチな行動トレース(デジタルマーカー)を生成する。
本稿では,従来のマーカーとデジタルマーカーを組み合わせることで,初年度のCS1コースの障害を予測できるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital learning platforms generate rich behavioural traces (digital markers) that offer the potential to identify struggling students early. This paper investigates whether a combination of traditional and digital markers can predict failure in a first-year CS1 course (Computer Systems and Architecture) with sufficient recall to enable timely intervention. Using data from four cohorts (2017-2021, N=284) at a large public university in sub-Saharan Africa, we conducted a mixed-methods stakeholder elicitation to identify ten candidate factors. These were operationalised into a comprehensive feature set spanning demographics, self-reported surveys, Moodle interaction logs, and continuous assessment scores. A systematic ablation study using logistic regression with 5-fold cross-validation and SMOTE+ENN resampling revealed that the most predictive feature subset was Base + Demo + LMS: weighted academic momentum (M = 0.1Q1 + 0.15Q2 + 0.2Q3 + 0.55T1), basic demographics (gender, sponsorship, COVID-19 cohort), and a binary indicator of any LMS activity. On a held-out test set, logistic regression achieved 74.7% accuracy, 0.742 macro F1, and an AUC of 0.800. At the default threshold of 0.5, the model identified 87% of failing students (recall = 0.87) with a 41% false positive rate. SHAP analysis confirmed that weighted academic momentum is the strongest predictor, followed by its interaction with LMS engagement. These results demonstrate that simple digital markers can power a practical early-warning system by the fifth week of the semester. Our main contributions are: (1) a multi-source dataset and a stakeholder-guided methodology; (2) an ablation study quantifying feature group contributions; and (3) an interpretable, high-recall model ready for deployment.
- Abstract（参考訳）: デジタル学習プラットフォームは、苦労している学生を早期に特定する可能性を提供する、リッチな行動トレース(デジタルマーカー)を生成する。
本稿では,従来のマーカーとデジタルマーカーを組み合わせることで,CS1コース(コンピュータシステムとアーキテクチャ)の障害をタイムリーな介入が可能なリコールで予測できるかどうかを検討する。
4頭のコホート(2017-2021, N=284)をサハラ以南のアフリカにある大公立大学において実施し,10因子を同定した。
これらは、人口統計、自己報告調査、Moodleインタラクションログ、継続的な評価スコアにまたがる包括的な機能セットとして運用された。
5倍のクロスバリデーションとSMOTE+ENNリサンプリングによるロジスティック回帰を用いた系統的アブレーション研究により、最も予測された特徴はBase + Demo + LMS:重み付き学術運動量(M = 0.1Q1 + 0.15Q2 + 0.2Q3 + 0.55T1)、基本的な人口統計(性別、スポンサーシップ、COVID-19コホート)、LMS活動のバイナリ指標であった。
保持されたテストセットでは、ロジスティック回帰は74.7%の精度、0.742マクロF1、AUCは0.800に達した。
0.5のデフォルト閾値では、失敗している学生の87%(リコール=0.87)が41%の偽陽性であった。
SHAP分析では、重み付けされた学術運動量が最も強い予測因子であり、続いてLMSエンゲージメントとの相互作用が認められた。
これらの結果から,初学5週目までには,簡単なデジタルマーカーが実用的早期警戒システムに電力を供給できることが示唆された。
主なコントリビューションは,(1)マルチソースデータセットと利害関係者誘導手法,(2)特徴群コントリビューションの定量化に関するアブレーション研究,(3)展開可能な解釈可能なハイリコールモデルである。
関連論文リスト
- Personalized AI Practice Replicates Learning Rate Regularity at Scale [0.0]
学生は様々な教育的文脈で一貫した学習率を示す。
これらの結果は,デジタルプラットフォームであるCampus AIの学生インタラクションデータセットを用いて検証した。
論文 参考訳（メタデータ） (2026-03-09T13:33:28Z) - A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。
本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
論文 参考訳（メタデータ） (2026-03-04T07:23:54Z) - Machine Learning Grade Prediction Using Students' Grades and Demographics [0.0]
本研究では、パス/フェイル結果と連続的なグレードを同時に予測する統合機械学習フレームワークを導入する。
中学生4424人の学歴データと人口統計データを用いて、分類モデルは最大96%の精度を達成した。
その結果,リスクのある学生の早期・データ駆動型識別の可能性が確認された。
論文 参考訳（メタデータ） (2026-02-28T11:56:39Z) - Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models [0.0]
本研究では,異種グラフ深層学習モデルを統合するフレームワークを提案する。
当社のアプローチは、学期前半のクリティカル7%において、検証F1スコアが4.7%向上した。
論文 参考訳（メタデータ） (2026-01-11T00:46:44Z) - AI-Driven Personalized Learning: Predicting Academic Per-formance Through Leadership Personality Traits [0.0]
この研究は、パーソナライズされた学習におけるAI技術の可能性を探る。
リーダーシップパーソナリティ特性と機械学習モデリングによる学術的成功の予測を提案する。
論文 参考訳（メタデータ） (2025-10-22T18:47:30Z) - SCAN: Self-Denoising Monte Carlo Annotation for Robust Process Reward Learning [76.61439010634872]
プロセス報酬モデル(PRM)は、大規模言語モデル(LLM)におけるより深い推論プロセスを促進する
PRMは、人間の注釈付きデータの高いコストと限られたスケーラビリティのために開発が困難である。
本稿では,効率的なデータ合成と耐雑音性学習フレームワークであるSelf-Denoising Monte Carlo CAN (SCAN)を提案する。
論文 参考訳（メタデータ） (2025-09-20T06:19:55Z) - Critical Tokens Matter: Token-Level Contrastive Estimation Enhances LLM's Reasoning Capability [53.51560766150442]
臨界トークンは推論軌道内の要素であり、誤った結果に大きな影響を及ぼす。
本稿では,これらのトークンをロールアウトサンプリングによって識別する新しいフレームワークを提案する。
クリティカルトークンの識別と置換がモデル精度を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-11-29T18:58:22Z) - Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。
モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。
それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
論文 参考訳（メタデータ） (2024-04-04T10:54:38Z) - 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) - Student-centric Model of Learning Management System Activity and
Academic Performance: from Correlation to Causation [2.169383034643496]
近年,学生の学習行動パターンを理解するために,学習管理システム(LMS)における学習者のデジタルトレースのモデル化に多くの関心が寄せられている。
本稿では,LMS活動データに対する学生中心の分析フレームワークについて検討し,観察データから抽出した相関性だけでなく因果的洞察も提供する。
これらの知見は、大学生支援団体が学生中心で標的とする介入を開始するための証拠となると期待している。
論文 参考訳（メタデータ） (2022-10-27T14:08:25Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳（メタデータ） (2021-12-17T12:47:18Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z)
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。