Revealing Networks: Understanding Effective Teacher Practices in AI-Supported Classrooms using Transmodal Ordered Network Analysis

要約

学習分析の研究では、AI ベースのシステムの外部からの豊富なコンテキスト データ、特に生徒と教師のやり取りを通じて、AI ベースのシステムを使用した教室での学習についての研究が増えています。
このようなデータを活用する際の重要な課題の 1 つは、効果的な教師の実践について有意義な洞察を生み出すことです。
定量的エスノグラフィーは、多峰性のデータストリームを共起行動のネットワークに結合し、有利な学習条件への洞察を促すことで、このギャップを埋める可能性を秘めています。
本研究では、トランスモーダル順序付けネットワーク分析を使用して、AI 講師と協力する数学教室におけるシステム内学習の従来の指標と関連した効果的な教師の実践を理解しています。
位置追跡コードと人間観察コードによって取得された教師の実践をモデリングに組み込むことで、教師のログ データ機能のみを備えたモデルを超えて、生徒が AI 教師でどれだけ効率的に上達したかの推論が大幅に向上しました。
教師の実践を生徒の学習率別に比較すると、学習率の低い生徒はモニタリング後にヒントの利用が多かったことがわかりました。
しかし、長期間の訪問の後、学習率の低い生徒は学習率の高い生徒と同様の学習行動を示し、家庭教師のもとで繰り返し正解を試みることができました。
観察メモは、概念的および手順上のサポートの違いが訪問の有効性を説明するのに役立つことを示唆しています。
まとめると、学習率が低い生徒に早期の概念的なサポートを提供することで、AI 講師による教室での実習がより効果的になる可能性があります。
この研究は、AI 家庭教師による学習教室における効果的な教師の実践と、そのような実践を可視化するための方法論についての科学的理解を進めます。

要約(オリジナル)

Learning analytics research increasingly studies classroom learning with AI-based systems through rich contextual data from outside these systems, especially student-teacher interactions. One key challenge in leveraging such data is generating meaningful insights into effective teacher practices. Quantitative ethnography bears the potential to close this gap by combining multimodal data streams into networks of co-occurring behavior that drive insight into favorable learning conditions. The present study uses transmodal ordered network analysis to understand effective teacher practices in relationship to traditional metrics of in-system learning in a mathematics classroom working with AI tutors. Incorporating teacher practices captured by position tracking and human observation codes into modeling significantly improved the inference of how efficiently students improved in the AI tutor beyond a model with tutor log data features only. Comparing teacher practices by student learning rates, we find that students with low learning rates exhibited more hint use after monitoring. However, after an extended visit, students with low learning rates showed learning behavior similar to their high learning rate peers, achieving repeated correct attempts in the tutor. Observation notes suggest conceptual and procedural support differences can help explain visit effectiveness. Taken together, offering early conceptual support to students with low learning rates could make classroom practice with AI tutors more effective. This study advances the scientific understanding of effective teacher practice in classrooms learning with AI tutors and methodologies to make such practices visible.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google