論文の概要: RIACT: A Responsible AI System for Personalized Study Habit Tracking and Early Burnout Signal Detection in University Students
- arxiv url: http://arxiv.org/abs/2608.21379v1
- Date: Wed, 15 Jul 2026 00:32:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.319349
- Title: RIACT: A Responsible AI System for Personalized Study Habit Tracking and Early Burnout Signal Detection in University Students
- Title（参考訳）: RIACT:大学生の個人化学習行動追跡と早期バーンアウト信号検出のための責任あるAIシステム
- Abstract要約: RIACTは、構造化学習セッションロギングとハイブリッドAIアーキテクチャを組み合わせたWebベースのアプリケーションで、パーソナライズされた洞察と早期バーンアウト信号を表示する。
本稿では,学生のバーンアウトと説明可能なAIに関する文献の中で,システム設計の合理性を説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Student burnout is highly prevalent in higher education, with reported rates ranging from 12% to over 70% and consistently exceeding those of the working population - yet it is typically identified only retrospectively, after academic decline has already occurred. A contributing factor is that students have little structured visibility into their own study behaviour, and existing productivity tools record activity without interpreting it. This paper presents RIACT (Record, Insight, Analyze, Coach, Track), a web-based application that combines structured study session logging with a hybrid AI architecture to surface personalized insights and early burnout signals. Students log sessions by location and time; the system computes net focus time by accounting for breaks, detects burnout signals through transparent, deterministic rules operating on week-over-week behavioural comparisons, and uses a large language model - constrained to a fixed output schema - to contextualize patterns and generate personalized recommendations. The design embeds responsible AI principles throughout: warnings are governed by auditable rules rather than model judgement, all output is framed as an observation rather than a diagnosis and data collection is limited to self-logged behavioural fields. We describe the system's design rationale, situate it within the literature on student burnout and explainable AI in education and propose an evaluation framework for validating its behavioural signals against established burnout instruments.
- Abstract（参考訳）: 学生のバーンアウトは高等教育において非常に多く行われており、報告された割合は12%から70%を超え、労働人口を継続的に上回っている。
寄与する要因は、学生が自身の学習行動についてほとんど構造化されていないことであり、既存の生産性ツールがそれを解釈することなく活動を記録することである。
本稿では、構造化学習セッションロギングとハイブリッドAIアーキテクチャを組み合わせたWebベースのアプリケーションであるRIACT(Record, Insight, Analyze, Coach, Track)について述べる。
システムは、ブレークを考慮してネットフォーカスタイムを計算し、週ごとの行動比較で運用される透明で決定論的ルールを通じてバーンアウト信号を検出し、パターンをコンテキスト化してパーソナライズされたレコメンデーションを生成するために、固定された出力スキーマに制約された大きな言語モデルを使用する。
警告はモデル判断ではなく監査可能なルールによって管理され、すべての出力は診断ではなく観察としてフレーム化され、データ収集は自己記録された行動フィールドに限定されます。
本稿では,学生のバーンアウトと説明可能なAIに関する文献の中でシステム設計の合理性を説明し,既存のバーンアウト機器に対する行動信号を検証するための評価枠組みを提案する。
関連論文リスト
- Adoption and Effectiveness of AI-Based Anomaly Detection for Cross Provider Health Data Exchange [0.0]
本研究は,説明可能性と継続的監視によって支援された,優先順位付けのためのカバレッジルールと機械学習を組み合わせた,段階的なデプロイメント戦略を提案する。
その結果、ルールベースの手法は高いリコールを実現するが、高い警告量を生成する一方、分離林は低感度で警報負担を軽減していることがわかった。
論文 参考訳（メタデータ） (2026-03-19T15:22:02Z) - Test-Time Learning of Causal Structure from Interventional Data [50.06913286558919]
共同因果推論を用いたテスト時間トレーニングを併用する新しい手法であるTICL(Test-Time Interventional Causal Learning)を提案する。
具体的には、テスト時にインスタンス固有のトレーニングデータを生成するための自己拡張戦略を設計し、分散シフトを効果的に回避する。
共同因果推論を統合することで,PCにインスパイアされた2相教師付き学習手法を開発し,理論的識別性を確保しつつ,自己拡張学習データを有効に活用した。
論文 参考訳（メタデータ） (2026-02-22T11:23:05Z) - BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation [16.147318846582298]
オープンエンドの問題解決環境における学生の学習行動のシミュレーションは、教育研究の可能性を秘めている。
しかし、プライバシー上の懸念や縦断的研究のコストが高いため、真正データ収集は困難である。
本稿では、自己制御学習(SRL)理論を新しいアーキテクチャに組み込むことにより、このバイアスに対処する神経象徴的フレームワークBEAGLEを提案する。
論文 参考訳（メタデータ） (2026-02-06T08:05:15Z) - Summary of the Unusual Activity Recognition Challenge for Developmental Disability Support [1.369513462160388]
この課題は、発達障害のある個人のための施設における異常な行動の自動認識の必要性に対処することを目的としている。
シミュレーションシナリオのビデオ記録から抽出した骨格キーポイントに基づいて,正常な活動と異常な活動の区別を行う。
このデータセットは実世界の不均衡と時間的不規則を反映し、評価は主観的一般化を保証するためにLeave-One-Subject-Out(LOSO)戦略を採用した。
論文 参考訳（メタデータ） (2026-01-21T04:41:35Z) - Beyond classical and contemporary models: a transformative AI framework for student dropout prediction in distance learning using RAG, Prompt engineering, and Cross-modal fusion [0.4369550829556578]
本稿では、ドロップアウト予測を再定義する変換型AIフレームワークを提案する。
フレームワークの精度は89%、F1スコアは0.88で、従来のモデルよりも7%、偽陰性は21%向上している。
論文 参考訳（メタデータ） (2025-07-04T21:41:43Z) - Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。
動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
論文 参考訳（メタデータ） (2025-04-05T09:32:03Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Unsupervised 3D registration through optimization-guided cyclical
self-training [71.75057371518093]
最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。
本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。
腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
論文 参考訳（メタデータ） (2023-06-29T14:54:10Z) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - Distantly-Supervised Named Entity Recognition with Noise-Robust Learning
and Language Model Augmented Self-Training [66.80558875393565]
遠距離ラベル付きデータのみを用いて、名前付きエンティティ認識(NER)モデルを訓練する際の課題について検討する。
本稿では,新しい損失関数と雑音ラベル除去ステップからなるノイズロスバスト学習手法を提案する。
提案手法は,既存の遠隔教師付きNERモデルよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2021-09-10T17:19:56Z)
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。