論文の概要: Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning

• arxiv url: http://arxiv.org/abs/2610.41900v1
• Date: Fri, 30 Oct 2026 15:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.793916
• Title: Using Machine Learning to Measure Self-Efficacy Belief Through Learners' Interaction Traces in Technology-Enhanced Learning
• Title（参考訳）: 機械学習を用いた技術強化学習における学習者の相互作用トレースによる自己効力感の計測
• Abstract要約: 自己効力感の信念は、学習者の業績、学術的選択、そしてより広範に、将来のキャリアの軌跡において重要な役割を担っている。 技術強化学習(TEL)環境は、パフォーマンスとモチベーションの両方をサポートする強力な可能性を示している。 本研究の目的は,TELシステムにおいて,学習者のインタラクショントレースに基づいて低自己効力度を検出するシステムを開発することである。
• 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: Self-efficacy beliefs play a critical role in learners' performance, academic choices, and, more broadly, in their future career trajectories. As Technology-Enhanced Learning (TEL) environments have demonstrated strong potential for supporting both performance and motivation, investigating self-efficacy within such environments is of particular interest, especially for implementing remedial practices as early as possible to support learners' self-efficacy beliefs. Our research aims to develop a system capable of detecting low self-efficacy based on learners' interaction traces while they solve exercises in a TEL system. In this paper, we present initial results and future perspectives on a detection approach based on data mining and machine learning techniques to identify features indicative of low self-efficacy beliefs. Because the detection of learners' self-efficacy beliefs through their use of TEL systems remains largely unexplored, this work is exploratory in nature. To this end, we conducted an experiment across two universities to collect interaction traces and self-reported measures of self-efficacy. We then developed a machine learning pipeline comprising multiple classification models, enabling us to highlight the importance of closely monitoring of learners' self-efficacy beliefs for improved prediction performance, given their highly dynamic nature during learning.
• Abstract（参考訳）: 自己効力感の信念は、学習者の業績、学術的選択、そしてより広範に、将来のキャリアの軌跡において重要な役割を担っている。 技術強化学習(TEL)環境は、パフォーマンスとモチベーションの両方をサポートする強力な可能性を示しており、特に、学習者の自己効力感の信念をできるだけ早く実践するために、そのような環境における自己効力感を調査することが特に重要である。 本研究の目的は,TELシステムにおいて,学習者のインタラクショントレースに基づいて低自己効力度を検出するシステムを開発することである。 本稿では,データマイニングと機械学習技術に基づく検出手法について,自己効力感の低い信念を示す特徴を特定するための初期結果と今後の展望について述べる。 TELシステムを用いた学習者の自己効力性信念の発見はいまだに探索されていないため、本研究は自然界において探索的である。 そこで我々は,2つの大学を対象に,インタラクショントレースと自己報告型自己効力感尺度の収集実験を行った。 次に、複数の分類モデルからなる機械学習パイプラインを開発し、学習中の非常にダイナミックな性質を考慮して、学習者の自己効力感の信念を綿密に監視することの重要性を強調した。

関連論文リスト

• Active Learning Methods for Efficient Data Utilization and Model Performance Enhancement [5.4044723481768235]
  本稿では,より少ないラベル付き例を用いてモデルの性能向上を支援する機械学習の戦略である,アクティブラーニング(AL)の概要を紹介する。 ALの基本概念を導入し、コンピュータビジョン、自然言語処理、トランスファーラーニング、実世界のアプリケーションなど、様々な分野でどのように使われているかについて議論する。
  論文  参考訳（メタデータ） (2025-04-21T20:42:13Z)
• Unveiling the Role of Expert Guidance: A Comparative Analysis of User-centered Imitation Learning and Traditional Reinforcement Learning [0.0]
  本研究では,従来の強化学習法と比較して,模倣学習の性能,堅牢性,限界について検討する。 この研究から得られた洞察は、人間中心の人工知能の進歩に寄与する。
  論文  参考訳（メタデータ） (2024-10-28T18:07:44Z)
• KOI: Accelerating Online Imitation Learning via Hybrid Key-state Guidance [51.09834120088799]
  キーステートガイド付きオンライン模倣(KOI)学習手法について紹介する。 我々は視覚言語モデルを用いて、専門家の軌跡から意味的キー状態を抽出し、「何をすべきか」の目的を示す。 セマンティックキー状態間の間隔内では、動作キー状態の捕捉に光流が使用され、「どうするか」のメカニズムが理解される。
  論文  参考訳（メタデータ） (2024-08-06T02:53:55Z)
• Deep Active Learning: A Reality Check [30.19086526296748]
  単一モデル法はエントロピーに基づくアクティブラーニングを決定的に上回るものではない。 評価を他のタスクに拡張し、半教師付き学習と組み合わせて能動的学習の有効性を探求する。
  論文  参考訳（メタデータ） (2024-03-21T19:28:17Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Physics-Guided Hierarchical Reward Mechanism for Learning-Based Robotic Grasping [10.424363966870775]
  我々は,学習効率と学習に基づく自律的把握の一般化性を向上させるために,階層的リワード機構を備えた物理誘導型深層強化学習を開発した。 本手法は3本指MICOロボットアームを用いたロボット把握作業において有効である。
  論文  参考訳（メタデータ） (2022-05-26T18:01:56Z)
• Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
  自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。 本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
  論文  参考訳（メタデータ） (2021-05-14T17:49:52Z)
• Assessing the Effectiveness of Using Live Interactions and Feedback to Increase Engagement in Online Learning [0.0]
  オンライン学習体験にツールとライブフィードバックを導入することが学習者のパフォーマンスに与える影響について検討した。 以上の結果から,ライブインタラクションとすべてのパフォーマンス指標との間には,統計的に有意な相関が認められた。
  論文  参考訳（メタデータ） (2020-08-19T03:35:44Z)

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。