論文の概要: Participation-Sensitive Convergence and the Fragment First, Converge Later Pattern in Asynchronous Online Learning: A Topological Analysis Across 22 OULAD Courses

• arxiv url: http://arxiv.org/abs/2610.01738v1
• Date: Thu, 01 Oct 2026 14:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.178837
• Title: Participation-Sensitive Convergence and the Fragment First, Converge Later Pattern in Asynchronous Online Learning: A Topological Analysis Across 22 OULAD Courses
• Title（参考訳）: 非同期オンライン学習における参加感性収束とフラグメントファースト, 後続パターン:22OULADコース間のトポロジ解析
• Abstract要約: 非同期オンライン学習は、構造的なコストで時間的柔軟性を提供する。 Zigzag Persistent Homology からの非連結な行動クラスターの数は、この構造のコホートレベルの指標となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Asynchronous online learning offers temporal flexibility at a structural cost: learning communities tend to fragment rather than cohere. $β_0$, the number of disconnected behavioral clusters from Zigzag Persistent Homology, serves as a cohort-level indicator of this structure. Two questions remained unverified at scale: (1) does apparent $β_0$ convergence reflect genuine behavioral alignment or learner dropout? and (2) do assessment deadlines produce reproducible fragmentation-convergence cycles? We address both across all 22 OULAD courses (N > 22,000; 857 week-pairs). Changes in $β_0$ strongly co-vary with active learner changes (pooled r = 0.387; median per-course r_delta = 0.459, 20/22 courses), identifying $β_0$ as a participation-sensitive indicator: $β_0$ and active learner counts co-respond to deadline events rather than one causing the other. Deadlines produced fragmentation in 82.6% of assessments and the full Fragment First, Converge Later (FFCL) cycle in 60.2%. 3-phase analysis confirmed structural fragmentation as the dominant long-term trajectory (90.9% of courses), moderated by curriculum structure. These findings establish $β_0$ as a participation-sensitive structural indicator with direct implications for AI-augmented learning analytics design.
• Abstract（参考訳）: 非同期オンライン学習は、構造的なコストで時間的柔軟性を提供する。 Zigzag Persistent Homologyの非連結な行動クラスターの数である$β_0$は、この構造のコホートレベルの指標となる。 1)$β_0$収束は真の行動アライメントや学習者のドロップアウトを反映しているか? そして(2)評価期限は再現可能な断片化収束サイクルを生成するか? どちらも22のOULADコース(N > 22,000; 857の週間ペア)にまたがっている。 アクティブラーナーの変更(r = 0.387; コースごとの中央値 r_delta = 0.459, 20/22 コース)と強い共変数の変更により、β_0$ は参加感のある指標として識別される:$β_0$ とアクティブラーナーは、一方が原因ではなく期限イベントに対応する。 デッドラインは評価の82.6%で断片化し、Fragment First, Converge Later (FFCL) サイクルは60.2%で完了した。 3相解析により、構造的断片化は、カリキュラム構造によって緩和された、支配的な長期的軌道(コースの90.9%)として確認された。 これらの結果は、AIによる学習分析設計に直接的な意味を持つ参加感性構造指標として$β_0$を確立した。

関連論文リスト

• Period Segmentation in Transition Network Analysis: A Topological Data Analysis Approach [0.0]
  遷移ネットワーク分析(TNA)における周期分割を通して学習行動の時間的ダイナミクスを明らかにすることができる 我々は、トポロジカルデータ分析が介入窓を識別するデータ駆動型周期境界を提供できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-25T23:56:04Z)
• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System [0.0]
  LEA(Learning Engagement Assistant)を導入したICAART 2026で発表された論文の拡張である。 LEAは、コース固有のRetrieval-Augmented Generation(RAG)と構造化知識コンポーネント(KC)モデルを統合Chat、Tutor、Quizモードで組み合わせた適応AI学習エージェントである。 本報告では,LEAを実際の学生に導入した最初の教室と,その横断的拡張性に関する実証実験を報告する。
  論文  参考訳（メタデータ） (2026-07-15T01:25:22Z)
• Singular perturbations and hierarchical learning in two-layer neural networks [3.899493143383179]
  本研究では, 無限に広い2層ニューラルネットワークの集団勾配流を, 高次元で不特定な単一インデックスモデルから学習する。 隠れリンク関数の定数成分と線形成分が実際に予測された時間スケール内で復元されることを証明した。
  論文  参考訳（メタデータ） (2026-07-12T18:10:23Z)
• Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations [0.0]
  RR-interval(RRI)配列からの発作性心房細動(PAF)検出における問題点について検討した。 同一患者からのみ肯定的な対を形成する患者対応コントラスト目的を提案する。
  論文  参考訳（メタデータ） (2026-06-22T16:35:18Z)
• Learnability and Competition in High-Dimensional Multi-Component ICA [7.238889207632064]
  ICA(Independent Component Analysis)は、教師なし表現学習のためのツールである。 我々は,多成分オンラインICAにおける平均場理論を体系的に開発する。
  論文  参考訳（メタデータ） (2026-05-08T23:24:42Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• Finite-Time Last-Iterate Convergence for Multi-Agent Learning in Games [116.0771177871705]
  我々は,$lambda$-cocoerciveゲーム上での連立OGD学習における有限時間最終点収束率を特徴付ける。 新たなダブルストッピング時間法により, この適応アルゴリズムは, 非適応的手法と同じ有限時間終点収束率が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-23T01:46:34Z)

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。