オンラインコースにおけるタスク完了シーケンスのデータ駆動モデリングと特性評価【JST・京大機械翻訳】

Peach Robert L.; Greenbury Sam F.; Johnston Iain G.; Yaliraki Sophia N.; Lefevre David; Barahona Mauricio

プレプリント

J-GLOBAL ID：202202206260780796 整理番号：22P0170783

オンラインコースにおけるタスク完了シーケンスのデータ駆動モデリングと特性評価【JST・京大機械翻訳】

Data-driven modelling and characterisation of task completion sequences in online courses

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年07月14日プレプリントサーバーでの情報更新日： 2020年07月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

学習の固有の時間的性は,時系列情報を利用することができる方法論の採用を要求する。本研究では,シーケンスデータフレームワークを活用し,オンラインコースにおけるタスク完了の時間的シーケンスのデータ駆動解析が,個人とグループ学習者の行動を特徴付け,与えられたコース設計におけるクリティカルタスクとコースセッションを同定するためにどのように使用できるかを示した。また,学生のシーケンス軌跡を学習し,学生のパフォーマンスを予測するために,最近開発した確率的Bayesモデルを導入した。オンラインビジネス管理コースの学習者からのデータに対するデータ駆動配列ベース解析の応用は,学習者のコホート内で明確な行動を明らかにし,学習者またはコースで予想される名目上の順序から逸脱する学習者のグループを同定した。コースグレードを用いて,著者らは,高および低パフォーマンス学習者の間の行動における差異を調査した。高性能学習者は,低パフォーマンス学習者よりも定期的に,毎週セッション間の進行に従うが,各週セッションでは,学習者が名目上のタスク順序にあまり結び付かないことを見出した。次に,確率的Bayesモデルを用いて高および低性能学生のシーケンスをモデル化し,性能に関連する関与行動を学習できることを示した。また,データシーケンスフレームワークがタスク中心解析に使用できることを示した。コース設計の中で,タスクのタイプ間の臨界ジャンチャーと差異を同定した。インタラクティブタスクまたは議論ポストのような非回転学習タスクは,より高い性能と相関することを見出した。著者らは,設計,介入,および学生の監督のための支援として,そのような分析技術の応用について議論する。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , 【Automatic Indexing@JST】

CAI , その他の情報処理

, , , , ,

前のページに戻る