論文の概要: Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised Data Mining Approaches

• arxiv url: http://arxiv.org/abs/2609.04125v1
• Date: Thu, 03 Sep 2026 17:25:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.184527
• Title: Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised Data Mining Approaches
• Title（参考訳）: 大学生のデジタルディトラクションの減少:教師なしデータマイニングによるオンライン学習戦略
• Abstract要約: 本研究では、教師なしデータマイニング技術を用いて、低レベルのデジタル障害に関連する効果的な学習戦略を同定した。 530人の参加者から得たデータによると、自己統制型学習戦略は、デジタルの邪魔とほぼ一致している。
• 参考スコア（独自算出の注目度）: 12.182919795299242
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The proliferation of digital tools in education offers numerous benefits but also introduces significant challenges, notably digital distractions that hinder academic performance, especially in online learning contexts. This study employed unsupervised data mining techniques, specifically association rule mining and clustering analysis, to identify effective learning strategies associated with lower levels of digital distractions among college students. Data from 530 participants revealed that self-regulated learning strategies (i.e., goal setting, environment structuring, and time management) co-occurred most consistently with lower digital distractions. Additionally, learner-instructor and learner-content engagement strategies, as well as technical competencies, also tended to appear in the same profiles as lower distraction. Interestingly, reliance on peer help-seeking and learner-learner engagement strategies appeared less often in those lower distraction profiles. These findings offer actionable implications for educators to design targeted interventions that foster focused and productive online learning environments.
• Abstract（参考訳）: 教育におけるデジタルツールの普及は、多くのメリットをもたらすが、特にオンライン学習の文脈において、学術的パフォーマンスを阻害するデジタルの障害など、大きな課題ももたらしている。 本研究では,教師なしデータマイニング技術,特に相関ルールマイニングとクラスタリング分析を用いて,大学生のデジタル散逸の低レベルに関連する効果的な学習戦略を同定した。 530人の参加者のデータから, 自己統制型学習戦略(目標設定, 環境構成, 時間管理)が, デジタル的注意散らしとほぼ一致していることが明らかとなった。 さらに、学習者-インストラクタと学習者-コンテントのエンゲージメント戦略は、技術的な能力と同様に、低い気晴らしと同じプロファイルに現れる傾向にあった。 興味深いことに、これらの低い障害プロファイルでは、ピア・ヘルプ・サーキングとラーナー・ラーナー・エンゲージメント戦略への依存度が低かった。 これらの知見は、教育者が集中的で生産的なオンライン学習環境を育成する目的の介入を設計する上で、実用的な意味を与えてくれる。

関連論文リスト

• Self-Regulated Learning in Essay Writing: Consistency of Strategies and Impact on Outcomes [4.746213939887709]
  効果的な自己制御学習(SRL)の能力は生涯学習において重要である。 本研究の目的は,オンラインエッセイ執筆中に中学生がSRL戦略をどのように実行したかを検討することである。
  論文  参考訳（メタデータ） (2026-05-14T00:45:11Z)
• Safeguarding Privacy: Privacy-Preserving Detection of Mind Wandering and Disengagement Using Federated Learning in Online Education [53.25191965774678]
  遠隔学習における行動・認知障害の相違に対処するために,デバイス間フェデレーション学習を利用したフレームワークを提案する。 顔の表情と視線特徴を用いた映像ベース認知解離検出モデルに適合する。 以上の結果から,学習者のエンゲージメントを促進するプライバシー保護教育技術への大きな期待が示された。
  論文  参考訳（メタデータ） (2026-02-10T15:40:01Z)
• Exploring LLMs for Predicting Tutor Strategy and Student Outcomes in Dialogues [48.99818550820575]
  近年の研究では、教師が使う戦略が学生の成績に重大な影響を与えることが示されている。 対話における教師戦略の予測に関する研究は少ない。 本稿では,現代のLLM,特にLlama 3 と GPT-4o を用いて,対話における将来の教師の動きと学生の成果を予測する能力について検討する。
  論文  参考訳（メタデータ） (2025-07-09T14:47:35Z)
• The Landscape of Memorization in LLMs: Mechanisms, Measurement, and Mitigation [97.0658685969199]
  大規模言語モデル(LLM)は、幅広いタスクにわたって顕著な能力を示してきたが、トレーニングデータの記憶も示している。 本稿では,最近の研究成果を整理し,記憶の景観,その影響要因,その検出・緩和方法について考察する。
  論文  参考訳（メタデータ） (2025-07-08T01:30:46Z)
• Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports [8.138288420049127]
  本研究では,コンピュータサイエンスの学生の行動パターンを様々なリスクで調査する。 学習分析を用いて,仮想学習環境からトレースログとタスクパフォーマンスデータを解析した。 その結果,個別の週次学習戦略と授業行動の分類が明らかになった。
  論文  参考訳（メタデータ） (2025-06-10T18:46:45Z)
• Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
  本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。 学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。 この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-12-15T06:00:26Z)
• Accelerating Self-Supervised Learning via Efficient Training Strategies [98.26556609110992]
  自己監督型ディープネットワークのトレーニング時間は、教師付きディープネットワークよりも桁違いに大きい。 これらの課題に乗じて,近年の自己指導手法の訓練時間を短縮する方法について検討する。
  論文  参考訳（メタデータ） (2022-12-11T21:49:39Z)
• Where Did You Learn That From? Surprising Effectiveness of Membership Inference Attacks Against Temporally Correlated Data in Deep Reinforcement Learning [114.9857000195174]
  深い強化学習を産業的に広く採用する上での大きな課題は、プライバシー侵害の潜在的な脆弱性である。 本稿では, 深層強化学習アルゴリズムの脆弱性を検証し, メンバーシップ推論攻撃に適応する対戦型攻撃フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-08T23:44:57Z)
• Understand and Improve Contrastive Learning Methods for Visual Representation: A Review [1.4650545418986058]
  手動ラベリングなしで効果的なデータ表現を学習できる可能性から、有望な自己教師型学習が人気を集めている。 本文献レビューは, 自己指導型学習の鍵となる構成要素と限界を理解するための研究者の取り組みについて, 最新の分析を行うことを目的としている。
  論文  参考訳（メタデータ） (2021-06-06T21:59:49Z)
• Desperately seeking the impact of learning analytics in education at scale: Marrying data analysis with teaching and learning [0.0]
  学習分析(LA)は、学習成果、学習者支援、教育を改善することができると主張されている。 教育環境におけるLAの有効性を示す実践への影響の実証的な証拠はいまだ少ない。 学生の大規模学習改善を目的としたデータ駆動意思決定の効果を高めるためには,教育者のニーズをよりよく理解する必要がある。
  論文  参考訳（メタデータ） (2021-05-14T07:33:17Z)
• On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
  機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。 曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
  論文  参考訳（メタデータ） (2020-06-15T13:50:23Z)

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。