Educator Attention: How computational tools can systematically identify the distribution of a key resource for students

要約

教育者の注意は学生の成功にとって重要ですが、教育者が学生に注意を分配する方法は、データと方法論的な制約のためにあまり理解されていません。
この研究では、教育者の注意パターンの最初の大規模な計算分析を提示し、詳細な学生の人口統計および学業成績データにリンクされた仮想グループの個別指導セッションから100万人以上の教育者の発言を活用しています。
自然言語処理技術を使用して、教育者の注意の受信者と性質を体系的に調べます。
私たちの調査結果は、教育者がより低い学生により多くの注意を向けることが多いことを明らかにしています。
ただし、特に性別による人口統計学的方向に格差は現れます。
少女たちは、グループ内の学生がより低い学生であっても、男の子とペアになると、あまり注意を払う傾向があります。
混合性のペアの低い女性の生徒は、より高い達成する男性の仲間よりもはるかに少ない注意を払うことができますが、より低い男性学生は、より高い達成する女性の仲間よりもかなり多くの注目を集めます。
また、人種と英語の学習者（EL）のステータスによるいくつかの違いがあります。低い黒人学生は、他の黒人学生とペアになった場合にのみ追加の注意を払っていますが、黒人以外のピアとペアになった場合ではありません。
対照的に、より高い達成エルの学生は、より低いエルピアよりも不均衡に注目を集めています。
この作業は、大規模な相互作用データと計算方法が、教育実践における微妙で有意義な格差を明らかにし、より公平で効果的な教育戦略を通知する経験的洞察を提供する方法を強調しています。

要約(オリジナル)

Educator attention is critical for student success, yet how educators distribute their attention across students remains poorly understood due to data and methodological constraints. This study presents the first large-scale computational analysis of educator attention patterns, leveraging over 1 million educator utterances from virtual group tutoring sessions linked to detailed student demographic and academic achievement data. Using natural language processing techniques, we systematically examine the recipient and nature of educator attention. Our findings reveal that educators often provide more attention to lower-achieving students. However, disparities emerge across demographic lines, particularly by gender. Girls tend to receive less attention when paired with boys, even when they are the lower achieving student in the group. Lower-achieving female students in mixed-gender pairs receive significantly less attention than their higher-achieving male peers, while lower-achieving male students receive significantly and substantially more attention than their higher-achieving female peers. We also find some differences by race and English learner (EL) status, with low-achieving Black students receiving additional attention only when paired with another Black student but not when paired with a non-Black peer. In contrast, higher-achieving EL students receive disproportionately more attention than their lower-achieving EL peers. This work highlights how large-scale interaction data and computational methods can uncover subtle but meaningful disparities in teaching practices, providing empirical insights to inform more equitable and effective educational strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google