論文の概要: Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs
- arxiv url: http://arxiv.org/abs/2608.28618v1
- Date: Mon, 27 Jul 2026 10:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:43:07.931358
- Title: Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs
- Title（参考訳）: 競争的プログラミングにおける学生の意欲の予測 - 調査結果とグローバルな行動ログを統合した大規模研究-
- Abstract要約: 本稿では,大規模なCodeforcesアクティビティログと,バングラデシュの10大学を対象にした多施設心理調査を組み合わせたフレームワークを提案する。
分析によると、真の誘惑は83.71%の参加者の減少と15.6%の闘争時間の増加によって引き起こされる。
これらの結果は,行動信号と心理信号が,コンピュータプログラムにおけるデータ駆動型メンタリングを支援することを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Competitive programming (CP) offers computer science students an environment for developing algorithmic reasoning skills. However, sustained participation remains a challenge, as many students disengage after encountering skill plateaus or performance anxiety. While educational data mining (EDM) has studied dropout in MOOCs and academic courses, CP attrition remains understudied. This paper presents a dual-layer framework combining large-scale Codeforces activity logs (n=1,816) with a multi-institutional psychographic survey across 10 universities in Bangladesh (n=64). Analysis reveals that true attrition is preceded by an 83.71% reduction in contest participation and a 15.6% increase in struggle time. We identify a "Skill-Application Paradox": stopped students self-report higher mathematical confidence (3.88 vs. 3.41) and data structure understanding (3.57 vs. 3.09) than active peers, yet their independent practice and upsolving habits are significantly weaker (p < 0.001). Benchmark evaluations show that a Soft-Voting Ensemble achieves a 0.737 CV F1-score on behavioral logs, while Random Forest achieves 0.924 CV F1-score on psychographic data (an exploratory pilot). We deploy the survey-trained model as a proof-of-concept Early Warning System over 22 active students, identifying 4 at high risk. These findings show that behavioral and psychographic signals can support data-driven mentoring in computing programs.
- Abstract（参考訳）: 競合プログラミング(CP)は、コンピュータサイエンスの学生にアルゴリズム推論スキルを開発する環境を提供する。
しかし、多くの生徒がスキルプレートやパフォーマンス不安に遭遇して退学するなど、継続的な参加は依然として課題である。
教育データマイニング(EDM)は、MOOCや学術コースでのドロップアウトについて研究してきたが、CPの減少はいまだ検討されていない。
本稿では,大規模なCodeforcesアクティビティログ(n=1,816)と,バングラデシュの10大学(n=64)を対象とした多施設心理学的調査(n=1,816)を組み合わせた二重層フレームワークを提案する。
分析によると、真の誘惑は83.71%の参加者の減少と15.6%の闘争時間の増加によって引き起こされる。
我々は「スキル・アプリケーション・パラドックス(Skill-Application Paradox)」を同定する: 生徒がアクティブ・ピアよりも高い数学的信頼性(3.88 vs. 3.41)とデータ構造理解(3.57 vs. 3.09)を自己申告するのを止めるが、その独立した実践と問題解決習慣は著しく弱い(p < 0.001)。
ベンチマーク評価によると、Soft-Voting Ensembleは行動ログで0.737 CV F1スコアを達成する一方、Random Forestはサイコグラフデータ(探索パイロット)で0.924 CV F1スコアを達成する。
本研究は,22名のアクティブ学生を対象に,概念実証早期警戒システムとして学習モデルを構築し,リスクの高い4名を特定した。
これらの結果は,行動信号と心理信号が,コンピュータプログラムにおけるデータ駆動型メンタリングを支援することを示唆している。
関連論文リスト
- Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership [47.1499482596193]
生成AIは、学生のプログラミング性能を改善することができるが、タスク完了の成功は、彼らが保持するものを反映しないかもしれない。
課題パフォーマンス,自己報告型精神的努力と難易度,瞳孔反応,心拍変動,所有度を測定した。
これらの結果から, タスクパフォーマンスとその後のリコールと, この環境におけるオーナシップ感のギャップが明らかとなった。
論文 参考訳（メタデータ） (2026-09-18T01:20:34Z) - Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs [0.0]
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。
論文 参考訳（メタデータ） (2026-07-16T08:32:54Z) - AcademiClaw: When Students Set Challenges for AI Agents [69.70303995121154]
AcademiClaw(アカデミクロー)は、大学生の実際の学術的切断から直接引き出された80の複雑な長い水平タスクのベンチマークである。
最高のモデルでさえ、55%のパスレートしか達成できないことを示す。
AcademiClawとそのオープンソースデータとコードが、OpenClawコミュニティにとって有用なリソースになることを願っています。
論文 参考訳（メタデータ） (2026-05-04T14:40:42Z) - A Two-Stage, Object-Centric Deep Learning Framework for Robust Exam Cheating Detection [0.0]
学術的完全性は、試験不正の永続的な課題に直面し続けている。
従来の吸気は人間の観察に依存しており、これは非効率でコストがかかり、大規模なエラーを起こしやすい。
本稿では,よく知られた技術を用いた試験不正検出のための簡易な2段階フレームワークの改良を提案する。
論文 参考訳（メタデータ） (2026-04-17T16:53:08Z) - 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) - Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring [0.0]
学生のメンタルヘルスは、学術機関における関心の高まりである。
従来の評価手法は主観的な調査と定期的な評価に依存している。
本稿では,学生のストレスを分類するための文脈対応機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-01T22:52:25Z) - Early Detection of At-Risk Students Using Machine Learning [0.0]
リスクの高い学生を対象としたスクリーニングにより,高等教育の継続と学生の退学率の持続的課題に取り組むことを目的とする。
この研究は、SVM(Support Vector Machines)、Naive Bayes、K-nearest neighbors(KNN)、決定木(Decision Trees)、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)など、いくつかの機械学習モデルを検討する。
分析の結果,全てのアルゴリズムがリスクの高い学生の予測に許容できる結果をもたらすことが示唆された。
論文 参考訳（メタデータ） (2024-12-12T17:33:06Z) - Tool-Augmented Reward Modeling [58.381678612409]
本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。
我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。
人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
論文 参考訳（メタデータ） (2023-10-02T09:47:40Z) - Supervised Learning and Large Language Model Benchmarks on Mental Health Datasets: Cognitive Distortions and Suicidal Risks in Chinese Social Media [23.49883142003182]
中国のソーシャルメディアから,自殺リスク分類のためのSOS-HL-1Kと,認知歪み検出のためのSocialCD-3Kの2つの新しいデータセットを紹介した。
本稿では,2つの教師付き学習手法と8つの大規模言語モデル(LLM)を用いた総合的な評価を提案する。
論文 参考訳（メタデータ） (2023-09-07T08:50:46Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z)
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。