論文の概要: Study-Strategy Clusters from EdNet Logs Track Engagement, Not Mastery
- arxiv url: http://arxiv.org/abs/2608.16963v1
- Date: Mon, 17 Aug 2026 06:35:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.078797
- Title: Study-Strategy Clusters from EdNet Logs Track Engagement, Not Mastery
- Title（参考訳）: EdNetのログのトラックエンゲージメントによるスタディ-ストラテジークラスタ
- Abstract要約: 5000人のアクティブ学習者を対象としたクラスタリング学習機能(リソース利用、リビジョン、ビデオ、問題実践)は、シルエット親カット(k=5)を得る。
私たちは各学習者のタイムラインを応答数で分割し、クラスタは前半のみを使用し、その結果は後半のみを使用するようにしました。
初期クラスタは、後続のエンゲージメント(練習と終了の継続、特に永続性)、2.approx 0.106$; 完了2.approx 0.021$; を予測しているが、後続の精度(ヘルプなしでの後期の最初の試行の正確性)、$p_mathrmapprox 0.093$)は役に立たない。
知識
- 参考スコア（独自算出の注目度）: 1.4043306031643448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning analytics often treats unsupervised clusters of intelligent tutoring system (ITS) logs as learner types that should predict learning. We test that assumption on EdNet-KT3. Clustering study-strategy features (resource use, revision, video, problem practice) for 5{,}000 active learners yields a silhouette-selected parent cut ($k=5$) with 4 contrast poles (reading-focused, video-heavy, revision-heavy, and problem-first) plus a large near-mean residual ($\sim$64.9\%). Reclustering that residual adds four finer styles, giving a bootstrap-stable hierarchy of 8 named strategies. We split each learner's timeline by respond count so clusters use only the early half and outcomes only the late half. Early clusters predict later engagement (continuing to practice and finishing late sessions, especially persistence, $η^{2}\approx 0.106$; completion $η^{2}\approx 0.021$) but not later unassisted accuracy (correctness on late first-attempts without help; $p_{\mathrm{adj}}\approx 0.093$). Volume rises with some styles, yet volume-only clustering barely matches strategy labels (ARI$=0.064$). A knowledge-tracing model (SAKT) on the seven TOEIC exam sections predicts next correctness only modestly better than a baseline that knows only how hard each section usually is (AUC lift $+0.051$; CI $[+0.045,+0.058]$), and that mastery signal is nearly independent of behavior styles (ARI$=0.007$). Behavioral clustering here describes study styles and engagement, not knowledge gains.
- Abstract（参考訳）: 学習分析は、インテリジェントチューリングシステム(ITS)ログの教師なしクラスタを学習を予測すべき学習タイプとして扱うことが多い。
我々は、EdNet-KT3上でその仮定をテストする。
5{,}000人のアクティブ学習者に対する学習戦略(リソース使用、リビジョン、ビデオ、問題実践)のクラスタリングは、シルエット選択された親カット(k=5$)と4つのコントラストポール(読み上げ、ビデオ重み、リビジョン重み、問題第一)と、大きなほぼ平均残差(\sim$64.9\%)をもたらす。
残余は4つのより細かいスタイルを追加し、8つの名前付き戦略のブートストラップ安定階層を提供する。
私たちは各学習者のタイムラインを応答数で分割し、クラスタは前半のみを使用し、その結果は後半のみを使用するようにしました。
初期クラスタは、後続のエンゲージメント(練習と終了の継続、特に永続性、$η^{2}\approx 0.106$; 完了の$η^{2}\approx 0.021$; )を予測するが、後続の精度(ヘルプなしでの後期の最初の試行での正確性、$p_{\mathrm{adj}}\approx 0.093$; )は役に立たない。
ボリュームはいくつかのスタイルで上昇するが、ボリュームのみのクラスタリングは戦略ラベル(ARI$=0.064$)とほとんど一致しない。
AUC lift $+0.051$; CI $[+0.045,+0.058]$)、マスター信号は行動様式(ARI$=0.007$)とほぼ独立である。
ここでの行動クラスタリングは、知識の獲得ではなく、学習スタイルとエンゲージメントを記述する。
関連論文リスト
- Multiscale Reward Hedging from Correct Demonstrations [1.14219428942199]
既存の報酬ヘッジ保証は、有限報酬クラスを仮定する。
鍵となるのは、あらゆる精度の尺度で寛容な最適性テストよりも、ひとつの共有投票でヘッジすることです。
論文 参考訳（メタデータ） (2026-08-07T05:36:22Z) - Bridged Clustering for Representation Learning: Semi-Supervised Sparse Bridging [7.631238459202664]
我々はBridged Clusteringを紹介した。Bridged Clusteringは、未実装の入力$X$と出力$Y$データセットから予測子を学習する半教師付きフレームワークである。
我々のメソッドはまず最初に$X$と$Y$を独立にクラスタし、その後、わずかにペア化された例を使ってクラスタ間のスパースで解釈可能なブリッジを学習する。
論文 参考訳（メタデータ） (2025-10-08T16:20:49Z) - Generalization Performance of Ensemble Clustering: From Theory to Algorithm [57.176040163699554]
本稿では,アンサンブルクラスタリングにおける一般化誤差,過剰リスク,一貫性に着目した。
有限クラスタリングに様々な重みを割り当てることで、経験的平均クラスタリングと期待値との誤差を最小化する。
我々は、新しいアンサンブルクラスタリングアルゴリズムを開発するために、我々の理論をインスタンス化する。
論文 参考訳（メタデータ） (2025-06-01T09:34:52Z) - Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。
そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。
我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
論文 参考訳（メタデータ） (2024-12-09T16:37:27Z) - Agnostic Smoothed Online Learning without Knowledge of the Base Measure [5.167069404528051]
本稿では,$mu$の事前知識を必要とせずに,オンライン学習を円滑に行うためのサブ線形後悔を保証するアルゴリズムを提案する。
R-Coverは、次元$d$を持つ関数クラスに対して、適応的後悔$tilde O(sqrtdT/sigma)$を持つ。
論文 参考訳（メタデータ） (2024-10-07T15:25:21Z) - On Characterizing and Mitigating Imbalances in Multi-Instance Partial Label Learning [57.18649648182171]
我々は、MI-PLLの文脈において、これまで研究されていない問題に対処するためのコントリビューションを行っている。
最小限の仮定をしながら、クラス固有のMI-PLLのリスク境界を導出する。
我々の理論は、$sigma$が学習の不均衡に大きな影響を及ぼすというユニークな現象を明らかにしている。
論文 参考訳（メタデータ） (2024-07-13T20:56:34Z) - Testable Learning with Distribution Shift [9.036777309376697]
分散シフトを伴うテスト可能学習と呼ばれる新しいモデルを定義する。
テスト分布上の分類器の性能を証明可能なアルゴリズムを得る。
ハーフスペースやハーフスペースの交点,決定木といった概念クラスを学ぶ上で,いくつかの肯定的な結果が得られる。
論文 参考訳（メタデータ） (2023-11-25T23:57:45Z) - Online Selective Classification with Limited Feedback [82.68009460301585]
オンライン学習モデルにおいて、予測者がインスタンスの分類を控える可能性のある選択的分類について検討する。
私たちが考慮している設定の健全な2つの側面は、データが不可避である可能性があるため、データは不可避である可能性があるということです。
smash$tildeO(T1-mu)$ over abstention against Adaptive adversaries. smash$tildeO(T1-mu)$ incurring smash$tildeO(T1-mu)$ over abstention。
論文 参考訳（メタデータ） (2021-10-27T08:00:53Z) - Understanding self-supervised Learning Dynamics without Contrastive
Pairs [72.1743263777693]
自己監視学習(SSL)に対する対照的アプローチは、同じデータポイントの2つの拡張ビュー間の距離を最小限にすることで表現を学習する。
BYOLとSimSiamは、負のペアなしで素晴らしいパフォーマンスを示す。
単純線形ネットワークにおける非コントラストSSLの非線形学習ダイナミクスについて検討する。
論文 参考訳（メタデータ） (2021-02-12T22:57:28Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z)
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。