論文の概要: Effects of a Behavioural Commitment Scheme on Study Regularity in a Self-Paced Learning Platform

• arxiv url: http://arxiv.org/abs/2610.02595v1
• Date: Thu, 01 Oct 2026 23:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.126576
• Title: Effects of a Behavioural Commitment Scheme on Study Regularity in a Self-Paced Learning Platform
• Title（参考訳）: 自己更新型学習プラットフォームにおける行動コミットメントスキームが正規性学習に与える影響
• Abstract要約: 本稿では,学習者のコミットメントをプラットフォーム能力と整合させるコースアクセスのためのコミットメントスキームを提案する。 学習者は事前に学習スロットを予約し、インストラクターはコースで利用可能な学習時間の予算を設定する。 予約されたウィンドウは、指定された時刻に学習する意図を記録し、そのウィンドウに現れる学習者がそれを実装する。
• 参考スコア（独自算出の注目度）: 2.1494596588623134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online education has enabled learners worldwide to take up courses from reputed institutions. However, a self-paced online course cannot guarantee the motivation and engagement that a learner experiences in a real-time classroom. Self-paced access also makes platform load unpredictable, which drives up the compute cost. We propose a Commitment Scheme for course access that aligns learner commitment with platform capacity. Learners book their study slots in advance; the instructor sets the budget of learning hours available for the course; and learners who use a full window earn additional watch hours. A booked window records an intention to study at a stated time, and a learner who appears in that window implements it. The byproduct is a platform load that can be forecast and bounded. The study involved two courses taken in sequence by the same learners, with the slot booking system activated only in the second. In-window study was observed on 86.8% of booked windows, and the median committer placed 95.5% of all study time inside self-booked windows. Among learners who studied across the launch, study regularity improved from 1.01 to 1.33 active days per week, with a supporting difference of +1.37 days per week against the same learners' preceding course. Commitments made on the same day as the study slot were honoured more often than advance bookings (88.8% against 62.5% two days ahead), which is consistent with the classic intention-behaviour gap.
• Abstract（参考訳）: オンライン教育により、世界中の学習者が教育機関から授業を受けられるようになった。 しかし,学習者がリアルタイム教室で経験するモチベーションやエンゲージメントは,自画自賛のオンラインコースでは保証できない。 セルフペースアクセスにより、プラットフォームのロードが予測不可能になり、計算コストが上昇する。 本稿では,学習者のコミットメントをプラットフォーム能力と整合させるコースアクセスのためのコミットメントスキームを提案する。 学習者は事前に学習スロットを予約し、インストラクターはコースで利用可能な学習時間予算を設定する。 予約されたウィンドウは、指定された時刻に学習する意図を記録し、そのウィンドウに現れる学習者がそれを実装する。 副産物は、予測とバウンドが可能なプラットフォーム負荷である。 この研究は、同じ学習者によって2つのコースが連続して行われ、スロット予約システムは2回目でのみ起動された。 窓内調査は予約窓の86.8%で行われ、中央のコミッタは調査時間の95.5%を自己予約窓の内側に配置した。 このローンチを通じて学習した学習者のうち、週1.01日から1.33日へと学習規則が改善し、同じ学習者の前のコースに対して週+1.37日が支持された。 同じ日に行われたコミットメントは、古典的な意図と行動のギャップと一致する事前予約(88.8%対62.5%対62.5%対決)よりも頻繁に授与された。

関連論文リスト

• Learning from the Future: Privileged Self-Distillation for Sequential Recommendation [51.993699802866956]
  本稿では,学習時間情報と推論時間情報とを分離するフレームワークを提案する。 Privileged Self-Distillation (PSD)は、学習時間情報を推論時間情報から分離する。 PSDは1つの段階でエンドツーエンドに最適化され、デプロイされたモデルと推論コストは変わらない。
  論文  参考訳（メタデータ） (2026-07-29T15:47:22Z)
• From Domain Understanding to Design Readiness: a playbook for GenAI-supported learning in Software Engineering [0.4737991126491217]
  そこでは29人の生徒が暗号化の基礎を学ぶためにカスタマイズされたChatGPTチューターを使用していた。 その結果,genAIが支援する学習はドメイン理解とモデリングタスクの指導を補完し,音質やフォローアップ構造を改善する余地を残していることが示唆された。
  論文  参考訳（メタデータ） (2026-03-31T18:27:42Z)
• Beyond Passive Viewing: A Pilot Study of a Hybrid Learning Platform Augmenting Video Lectures with Conversational AI [4.500362688166346]
  従来のビデオベースの指導はコスト効率が高くスケーラブルだが、学習者のエンゲージメントを維持するための体系的な失敗を示す。 本稿では、リアルタイムの会話型AI教師と従来のビデオ講義を統合した、ハイブリッド学習プラットフォームを試験的に評価する。
  論文  参考訳（メタデータ） (2026-03-10T04:56:19Z)
• 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)
• Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education [0.3141085922386211]
  課題から脱落した学生は、学術的なドロップアウトなど、深刻な長期的な結果をもたらす可能性がある。 本稿では,遠隔地大学から4学年で42の教科の非命令的クイズにおける学生の離職を検知する。 我々は、訓練されたアルゴリズムの決定をよりよく理解するための、説明可能な機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-07-03T14:43:40Z)
• The Crowd in MOOCs: A Study of Learning Patterns at Scale [38.0172611348248]
  2年以内に1.6万以上のコースに登録された0.8万のユニークな学習者の3100万の学習活動のデータセットを分析した。 その結果,学習者の連続学習活動の時間間隔は,パワー・ローと周期的コサイン関数の分布の混合を呈することがわかった。 これらの発見は、コース上の推薦タスクを含む多様体の応用を促進することを実証する。
  論文  参考訳（メタデータ） (2024-08-06T08:16:26Z)
• Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
  リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。 本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T08:52:15Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Self-PU: Self Boosted and Calibrated Positive-Unlabeled Training [118.10946662410639]
  本稿では,PU学習と自己学習をシームレスに統合する,新しい自己学習フレームワークを提案する。 Self-PUは3つの"自己"指向のビルディングブロックを強調している。 本稿では,アルツハイマー病の脳画像の分類という,PU学習の現実的応用について検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:53:59Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)

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。