オンデマンド形式の授業における滞在時間を反映したページ遷移の分散表現を用いた学習者の成績予測

• Item type: SIG Technical Reports(1)
• 公開日: 2023-03-03
• タイトル: オンデマンド形式の授業における滞在時間を反映したページ遷移の分散表現を用いた学習者の成績予測
• タイトル / 言語: en
• タイトル: Predicting Learner Performance Using Distributed Representations of Page Transition with Reading Time in On-Demand Format Classes
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 熊本大学
• 著者所属: 熊本大学
• 著者所属: 熊本大学
• 著者所属: 熊本大学
• 著者所属: 熊本大学
• 著者所属(英): en
• 著者所属(英): Kumamoto University
• 著者所属(英): en
• 著者所属(英): Kumamoto University
• 著者所属(英): en
• 著者所属(英): Kumamoto University
• 著者所属(英): en
• 著者所属(英): Kumamoto University
• 著者所属(英): en
• 著者所属(英): Kumamoto University
• 著者名: 市原, 大裕; 杉谷, 賢一; 中野, 裕司; 久保田, 真一郎; 渡邊, 健太
• 著者名(英): Daisuke, Ichihara; Kenichi, Sugitani; Hiroshi, Nakano; Kubota, Shin-ichiro; Kenta, Watanabe
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本研究は，オンデマンド形式の授業における成績中位者や成績下位者に対して学習支援を行うための成績の早期予測を目的としている．学習者の学び方によって成績が異なると考え，学習者の学び方を示す指標として，テキストのページを開く順番やページに滞在する時間に着目した．LMS に記録される学習ログをもとに滞在時間を反映したページを開く順番を表現する特徴ベクトルを構成し，成績中位者や成績下位者に分類する問題として扱うこととした．Word2Vec によりページごとの分散表現を生成し，学習者ごとに加算したベクトルまたは重心を学習者がページを開く順番を表す特徴ベクトルとした．この特徴ベクトルを使用して，機械学習モデルを構成し，K- 分割交差検証によって精度の検証を行った．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: The purpose of this study is to predict grades early in order to support learners of medium or low achievement in on-demand courses. Considering the individual learning style affects learners' performance, page transition and reading time of online textbooks are as the indicators of learning style in this paper. Feature vectors, which represent page transition and reading time, are constructed from data recorded in LMS when learners have accessed the online textbook. A prediction of mid- and low-achievers is treated as a classification problem using the feature vectors in machine learning. Using the Word2Vec, a variance representation vector in each page of online textbook was derived. Then, the sum of variance representation vector added along the each learner's page transition was one of the feature vector. The center of variance representation vector along the each learner's page transition was another feature vector. Using these feature vectors, we constructed a machine learning model and verified its accuracy by KFold Cross Validation.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12496725
• 書誌情報: 研究報告教育学習支援情報システム（CLE）; 巻 2023-CLE-39, 号 3, p. 1-6, 発行日 2023-03-03
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8620
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会