Students Exeat Monitoring System Using Fingerprint Biometric Authentication and Mobile Short Message Service
Exeat是一个通用术语,通常用于描述在私人拥有的学术环境中,从学习中心缺席一整天或一天中的部分时间的约会,面试,开放日和其他固定装置。目前的学生活动监控方法效率低下,给大学宿舍管理部门检查学生出入宿舍以及冒名顶替带来困难。通过移动短消息服务和生物特征指纹方法,使用无处不在的移动计算技术的连接组合,可以快速轻松地进行管理和监控。设计和模拟系统测试后的结果表明,exeat监控系统是不太容易伪造的利益相关者进行,能够防止学生之间的冒名顶替,并提供绝对的电子合规的政策,在大学宿舍的学生发出exeat。
2015-06-10 cs.CY
Utilizing the Active and Collaborative Learning Model in the Introductory Physics Course
将主动式、协作式学习模式应用于特定学科的培训中,由于学生所获得的知识、技能的目标是培养未来成功的工作,因此具有明显的优势。作者利用河内国立教育大学的学习管理系统,为一年级学生建立了一个支持混合学习的物理导论课程第2部分的学习环境。在ACLM的框架下,采用模式语言的方法对学习内容进行重新设计,以分析实际应用和练习为重点,以信息和通信技术为支持。形成性和总结性评估被用来评估学生的能力。
2014-08-14 cs.CY
CLGT: A Graph Transformer for Student Performance Prediction in Collaborative Learning
Beihang University(北京航空航天大学);Beijing University of Technology(北京工业大学)
本文针对协作学习中团队项目互动对学生表现影响的研究不足,构建学生交互图并提出CLGT框架,用于评估和预测学生表现,同时提供预测结果解释与交互可视化,实验证明其优于基线模型并能实现早期预警。
2023-07-30 cs.AI cs.CY
Through Global Monitoring to School of the Future: Smartphone as a Laboratory in Pocket of Each Student
提出了将用作个人环境传感器和健康指标的智能手机合并到可扩展网络中以通过互联网云进行数据汇集和处理的想法。访问每个智能手机都有的传感器将提供适当的软件。全球一级的这种监测将揭示电磁辐射、环境污染和天气因素对人类健康的影响。学生参与这些测量增加了他们的教育和社会活动。
2014-12-26 cs.CY
CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
Florida State University(佛罗里达州立大学)
CS-Guide利用LLMs和学生反思提供频繁、可扩展的学术反馈,通过学习分析和定制干预提升计算机科学学生支持
2025-12-22 cs.CY
A Web Environment for Geometry
网络几何实验室(WGL)是一个混合学习,协作和自适应的几何网络环境。它集成了一个众所周知的动态几何系统。在协作会话中,参与会话的用户之间的几何和文本信息的交换是可能的。在一个正常的工作会议(独立模式),所有的几何步骤所做的学生被记录,以及导航信息,允许,在后面的阶段,他们的老师“回放”学生的会议,使用该信息来断言学生的水平和调整教学策略,以每个学生。教师可以注册并开始使用公共服务器之一,定义学生,准备材料发布给学生,开放的协作会议等使用行动研究方法论的WGL系统正在开发,通过案例研究验证,并进一步改进,在一个周期中,实施步骤与案例研究交织在一起。
2015-05-30 cs.CY
MIRACLE_Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment
COCOROBO Limited(COCOROBO有限公司);The Education University of Hong Kong(香港教育大学);The University of Hong Kong(香港大学);Nanjing Normal University(南京师范大学);The Chinese University of Hong Kong(香港中文大学)
本研究提出MIRACLE系统,通过整合元认知调节和主动提供情感支持,提升学生协作学习中的社会共享调节能力,实验证明其在规划、监控和反思阶段的显著成效。
2026-05-13 cs.CY
The Impact of Group Discussion and Formation on Student Performance: An Experience Report in a Large CS1 Course
在大型 CS1 课程中开展 11 次实验,对比随机与专业均衡分组对协作学习的影响,发现分组机制未显著影响讨论参与度及困难学生表现,并揭示了专家型学生在同伴教学互动中面临的挑战。
2024-08-26 cs.CY
Evaluating Discussion Boards on BlackBoard as a Collaborative Learning Tool A Students Survey and Reflections
University of Maryland(马里兰大学)
在本文中,我们调查学生如何认为他们的经验,在初级课程,有一个黑板课程的存在,学生广泛使用的讨论板。通过黑板设置一个调查,作为一个自愿测验和学生谁参加了免费积分。结果和参与是非常有趣的方面的反馈,我们通过从学生的公开评论,以及我们从问题的答案收集的统计数据。学生们表现出理解和愿意参与教学提高的努力。
2012-10-03 cs.CV cs.CY
An Interactive Zoo Guide: A Case Study of Collaborative Learning
真正的行业项目和团队合作可以对学生的学习产生很大的影响,但提供这些活动需要学者的重大承诺。它需要几年的规划实施,以创建一个模仿现实世界的ICT(信息和通信技术)行业工作场所的协作学习环境。在该项目中,来自高等教育中的卫生、工程和科学学院、艺术、教育和人类发展学院以及商业和法律学院的所有三个学院的工作人员共同努力,制定详细的项目管理计划,并为参与学生制定单元指导方针。拟议的项目汇集了来自商业,多媒体和计算机科学学位的学生,他们在每个学院内学习三个基于项目的单元,与我们的行业合作伙伴墨尔本动物园合作开展一个相对较大的IT项目。本文介绍了一个多学科学生项目团队完成的多媒体软件项目。该项目被称为“互动ZooOz指南”,并于2007年在支持GPS的PDA设备上开发。开发的程序允许其用户通过交互式地图在动物园中导航,并在动物园的“大猫”部分的热点提供动物的多媒体信息,从而丰富动物园的用户体验。最近的发展在动物园的应用也进行了审查。本文件亦旨在鼓励学术界打破界限,加强学生在课堂以外的学习。
2010-06-04 cs.CY
Embrace Opportunities and Face Challenges: Using ChatGPT in Undergraduate Students' Collaborative Interdisciplinary Learning
Nanyang Technological University(南洋理工大学)
本研究通过130名本科生的准实验,考察ChatGPT对跨学科协作学习的影响,发现其效果受主题和学科背景调节,并提出应差异化而非统一使用ChatGPT。
2023-05-23 cs.AI cs.CY
Building Collaborative Learning: Exploring Social Annotation in Introductory Programming
本研究在软件工程本科入门编程课中用Perusall开展社会标注预习实践,发现参与标注的学生通过率达81%且随作业量增加上升,未参与者仅56%通过,学生普遍认可该工具并提升了学科兴趣。
2024-06-17 cs.CY cs.SE
Harnessing Transparent Learning Analytics for Individualized Support through Auto-detection of Engagement in Face-to-Face Collaborative Learning
University College London(伦敦大学学院)
针对学习分析黑箱化与群体分析难以支持个体的问题,本文提出透明的协作参与度自动检测方法,可识别不同学习挑战与结果并支持面对面教学。
2024-01-03 cs.AI cs.CY
Using Collaborative Visual Analytics for Innovative Industry-inspired Learning Activities
受领先的行业实践的启发,本文描述了一种创新的学习活动,该活动结合了数据可视化和协作,围绕跨数据孤岛的部门/学科见解的共享,共同创建和协商,使用内部和外部数据。这项活动是在一个更大的项目中设计的,旨在将从业者的故事和使用可视化分析的经验转化为教育场景和创新的行业知识学习活动。除了让学生获得最先进的可视化(SAS-VA)和协作(Yammer)工具外,更重要的教育目标是让学生接触当前的行业实践,在处理复杂的多学科挑战时,个人数据驱动的学科见解不再被认为是足够的。本文从一个数据知情的业务场景开始,描述了我们创新的数据可视化和协作活动的主要步骤,讨论了可能的替代软件平台,并为未来的工作提供了一些想法。
2016-06-04 cs.CY
Which Type of Students can LLMs Act? Investigating Authentic Simulation with Graph-based Human-AI Collaborative System
College of AI, Tsinghua University(人工智能学院,清华大学);School of Education, Tsinghua University(教育学院,清华大学);Department of Statistics and Data Science, Tsinghua University(统计与数据科学系,清华大学);Department of Computer Science and Technology, Tsinghua University(计算机科学与技术系,清华大学)
本文提出一种基于图的LLM-人协作系统,通过自动化评分和图传播技术生成高质量学生代理,验证其在模拟学生行为方面的有效性。
2025-12-04 cs.CL cs.CY
Scaffolding Critical Engagement with GenAI: Transforming Ethnic Minority Preparatory Students' Collaborative Discourse in Prompt Engineering Tasks
Faculty of Education, The University of Hong Kong(香港大学教育学院);Department of Education, Ocean University of China(中国海洋大学教育学院)
该研究针对中国78名少数民族预科生,通过整合人在回路工作流等的GenAI课程,帮助学生转变对GenAI的依赖,提升提示自我效能,培养其人机协作的批判性认知能动性。
2026-08-03 cs.AI cs.CY
The Other Side of Black Screen: Rethinking Interaction in Synchronous Remote Learning for Collaborative Programming
协作学习环境(如编程实验室)对于学习经验性实践技能(如批判性思维和解决问题以及同行讨论)至关重要。在传统的实验室环境中,这些技能中的许多都可以通过自然互动(语言,面部)和物理协同定位来练习。然而,在全球大流行期间和之后,这些学习实践不能再在面对面的环境中安全地进行,因此需要重新设想远程学习环境。随着对有效的远程学习实践的讨论不断涌现,迫切需要确定学生和教师在不同学习环境下的独特需求。我们如何设计远程学习来提供广泛的学习,通过绘制人的做法,并将它们与远程学习解决方案的力量相结合?在本案例研究中,我们介绍了在COVID-19大流行之前和期间提供的2个入门编程课程的面对面和在线版本的观察结果。我们的观察揭示了5个主题下的某些用户需求和交互实践,这些主题是学生先前的课程和学术水平经验所独有的。我们发现,目前的在线视频会议平台不能促进同伴之间的协作学习,缺乏学习氛围和学生和教师之间的自发参与。根据我们的研究结果,我们提出了设计建议和干预策略,以改善目前的做法,同步远程学习,可以促进更好的学习环境,特别是入门实验室课程。
2021-11-11 cs.CY
SciNote: Collaborative Problem Solving and Argumentation Tool
由于教育工作者推动学生通过做科学来学习科学,因此需要计算支架来帮助学生评估科学证据和建立论点。在本文中,我们提出了一个试点研究SciNote,CSCL工具,使教育工作者能够将第三方软件集成到一个灵活的和协作的工作空间。我们探讨了SciNote如何使团队在基于探究的学习活动中构建数据驱动的论点。
2021-04-07 cs.CY cs.HC
The INSuRE Project: CAE-Rs Collaborate to Engage Students in Cybersecurity Research
自2012年秋季以来,几个国家网络防御研究学术卓越中心(CAE-Rs)开设了一门合作课程,让学生参与解决应用网络安全研究问题。我们描述我们的经验,这个信息安全研究和教育(INSuRE)的研究合作。我们解释我们如何进行我们的基于项目的研究课程,给出学生项目的例子,并讨论的结果和经验教训。
2017-03-26 cs.CR cs.CY
A real-time metric of online engagement monitoring
本研究提出一种基于章节的在线参与度实时指标,直接利用虚拟学习环境日志数据实现无需模型训练的累积跟踪,实验表明其能早期有效识别低表现学生并提供可扩展的学生支持方法。
2025-07-16 cs.CY
Deep neural networks for collaborative learning analytics: Evaluating team collaborations using student gaze point prediction
University of Delaware(特拉华大学);Computer and Information Sciences(计算机与信息科学学院)
对协作任务中团队绩效的自动评估是学习分析和计算机支持的协同工作研究的关键。有一个越来越多的兴趣在使用凝视导向的线索来评估团队的协作和合作。然而,由于时间和成本的限制,使用眼睛跟踪器收集注视数据并不总是可行的。在本文中,我们介绍了一个自动化的团队评估工具的基础上,凝视点和联合视觉注意(JVA)信息提取的计算机视觉解决方案。然后,我们评估团队合作的本科解剖学学习活动(N=60,30支球队)作为一个测试用户的研究。结果表明,高JVA与学生学习成绩呈正相关(r(30)= 0.50,p <0.005)。此外,参与两个实验组并使用交互式三维解剖模型的团队比对照组具有更高的JVA(F(1,28)= 6.65,p <0.05)和更好的知识保持(F(1,28)= 7.56,p <0.05)。不同性别的团队在JVA上没有显著差异。这项工作的结果提供了一种新的相互注意为基础的措施,客观地评估团队协作动态学习科学和协作计算的影响。
2020-10-16 cs.CY cs.HC cs.LG
Transformative Influence of LLM and AI Tools in Student Social Media Engagement: Analyzing Personalization, Communication Efficiency, and Collaborative Learning
University of Virginia(弗吉尼亚大学)
本文基于UniversityCube数据,通过案例与统计分析,探究LLM和AI工具对学生社交媒体使用的变革作用,阐明其在提升学业表现、优化沟通协作、打造优质教育环境等方面的教育与社交价值。
2024-12-11 cs.CL cs.CY cs.LG
Generative AI in Collaborative Academic Report Writing: Advantages, Disadvantages, and Ethical Considerations
RMIT University(RMIT大学)
本文针对教育学术领域学生过度依赖生成式人工智能(GenAI)工具完成作业的问题,强调培养自身批判性思维和终身学习技能的重要性,指出需教育学生了解AI模型缺陷及相关伦理问题。
2025-04-10 cs.AI cs.CY
The Collaborative Virtual Affinity Group Model: Principles and Design
本文所解决的问题是在远程教育模式的背景下,使协作学习所面临的挑战。虽然研究在有效的协作教学模式和在线学习环境的发展方面取得了巨大的飞跃,但在这两个领域的交叉点上的研究却很少。提出了一种新的协作虚拟模型--协作虚拟亲和组模型(CVAG),它是对已有的亲和组研究模型(ARG)的扩展。新的模式提供了一个整合的原则ARG与传统的虚拟学习环境的原则。CVAG模型是在介绍计算机科学课程的背景下探索的|在那里,学生们专注于学习计算机编程的基本原理。
2017-03-15 cs.CY
Designing a Dashboard for Student Teamwork Analysis
课堂仪表板旨在通过提供汇总统计数据、活动跟踪和其他信息来帮助教师有效地编排课堂。现有的仪表板通常特定于LMS或平台,并且它们通常总结个人工作,而不是组行为。然而,CS课程通常涉及工具的星座,并混合在线和离线协作。因此,对个人和团队的跨平台监控对于全面了解课程非常重要。在这项工作中,我们描述了我们在Concert上的工作,Concert是一个数据集成平台,它从Piazza,My Digital Hand和GitHub等多个来源收集有关学生活动的数据,并使用它通过分析和可视化来支持课堂监控。我们讨论团队可视化,我们已经开发,以支持有效的组管理,并帮助教师确定需要干预的团队。
2021-12-06 cs.CY
Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education
University of Granada(格拉纳达大学)
提出VISMATIC框架,通过无根容器隔离和API级用户交互追踪,在计算机科学教育中实现过程监控的同时保障基础设施安全。
2026-06-04 cs.CY
Beyond Information Retrieval: Generative AI as an Epistemic Arbiter to Enhance Collaborative Problem-Solving
Jiangxi Normal University(江西师范大学);University of Georgia(佐治亚大学)
本研究通过201名五年级学生的六周准实验,探究生成式AI对协作问题解决的影响,发现其会改变学生行为模式,可作为认知仲裁者促进建设性分歧解决。
2026-08-07 cs.AI cs.CY
Is a Seat at the Table Enough? Engaging Teachers and Students in Dataset Specification for ML in Education
Stanford University(斯坦福大学);Northeastern University(东北大学)
本研究通过十次共同设计会议,探讨教师和学生参与机器学习数据集规范制定的过程,发现结构化支持对有意义参与至关重要。
2023-11-09 cs.AI cs.CY cs.HC
Scaffolding Reshapes Dialogic Engagement in Collaborative Problem Solving: Comparative Analysis of Two Approaches
University College London(伦敦大学学院);The University of Hong Kong(香港大学)
本研究通过比较两种支架方法,揭示了支架对协作问题解决过程中学生对话参与和行为的影响,强调了异质互动网络分析和序列模式挖掘在学习过程研究中的互补价值。
2025-12-08 cs.CY cs.SI
3D Gaze Vis: Sharing Eye Tracking Data Visualization for Collaborative Work in VR Environment
执行协作任务,例如,多用户游戏,在虚拟现实(VR)可以使我们探索更身临其境和有效的体验。然而,对于当前的VR系统,用户不能通过他们的注视点彼此正确地通信,这将干扰用户对意图的相互理解。在本研究中,我们的目的是找到最佳的眼动追踪数据可视化,最大限度地减少认知干扰,提高用户之间的视觉注意和意图的理解。我们设计了三种不同的眼动追踪数据可视化:凝视光标、凝视聚光灯和凝视轨迹,并在虚拟现实场景中进行了一个人体心脏的课程,发现来自医生的凝视光标可以帮助学生更有效地学习复杂的3D心脏模型。为了进一步探索,两名学生作为一对被要求在VR环境中完成一个小测验,与彼此共享的目光光标,并获得了更高的效率和分数。研究表明,共享眼动追踪数据可视化可以提高虚拟现实环境下协同工作的质量和效率。
2023-03-19 cs.CY cs.HC
Leveraging Cost-effective Robotics for K-12 STEM Education through Water Quality Monitoring Tasks
University of Minnesota(明尼苏达大学);Michigan Tech Hitech Kids(密歇根理工大学高科技创新儿童项目)
本文介绍低成本开源ROV平台Jar Jar ROV,通过百余名学生参与水质监测,验证了将机器人技术融入K-12环境教育的可扩展模型,并指出学生参与度差距及改进方向。
2026-10-06 cs.CY cs.RO
Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
School of Education, Tsinghua University(清华大学教育系);National Institute of Education, Nanyang Technological University(南洋理工大学国立教育学院)
本文通过聚类分析发现,人类与AI协作解决复杂问题时存在三种模式:委托推理、协同解释和委托扩展,其中委托推理组表现最佳,语义相似度最高,而协同解释组自我调节策略使用更频繁。
2026-03-22 cs.CY cs.HC
FATE in MMLA: A Student-Centred Exploration of Fairness, Accountability, Transparency, and Ethics in Multimodal Learning Analytics
本研究通过访谈14名使用MMLA可视化反思的本科生,考察真实协作学习场景中学生对公平、问责、透明与伦理的感知,并提出改进数据表征、访问权限、透明度和知情同意的建议。
2024-02-29 cs.CY cs.HC
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University(亚琛工业大学)
提出了一种基于校园管理系统数据和学习计划模型,利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径,以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里,事件演算和答案集编程被用来提供模型的研究计划,支持规划和一致性检查,同时提供可能的研究计划违反的反馈。在其组合中,过程挖掘和基于规则的人工智能被用来支持学习规划和监测,通过导出规则和建议,指导学生以更高的成功率更合适的学习路径。将实施两个应用程序,一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
MOOCdb: Developing Standards and Systems to Support MOOC Data Science
我们提出了一个共享数据模型,用于在大规模开放式在线课程(MOOC)中实现数据科学。该模型捕捉学生与在线平台的互动。数据模型与平台无关,基于学生在在线学习平台上采取的一些基本核心行动。学生通常以四种不同的模式与平台互动:观察,提交,协作和反馈。在观察模式下,学生只是浏览在线平台,观看视频,阅读材料,阅读书籍或观看论坛。在提交模式中,学生向平台提交信息。这包括对测验,家庭作业或任何评估模块的提交。在协作模式下,学生可以在论坛上与其他学生或教师互动,协作编辑wiki或在google hangout或其他hangout场所聊天。有了这些活动的基本定义,以及存储与这些活动相关的事件的数据模型,我们就可以创建一个通用术语来将Coursera和edX数据映射到这个共享数据模型中。这种称为MOOCdb的共享数据模型成为许多协作框架的基础,这些框架可以在不需要共享数据的情况下实现数据科学的进步。
2014-06-08 cs.CY cs.DB cs.IR
Coordinating Collaborative Chat in Massive Open Online Courses
Carnegie Mellon University(卡内基梅隆大学)
早期的一项关于大规模开放式在线课程(MOOC)中协作聊天干预的研究发现,在开始活动之前,要求学生与一个合作伙伴进行匹配,这对自然减员产生了负面影响。该研究提出了如何在MOOC环境中协调协作聊天干预的问题,以便在没有协调困难的情况下提供同步社交参与的好处。在本文中,我们提出了一个仔细分析的干预措施,旨在克服协调困难,欢迎学生进入聊天滚动的基础上,因为他们到达,而不是要求他们与合作伙伴开始之前匹配。结果表明,当与一个伴侣聊天时,而不是与更多或更少的伴侣聊天时,会产生最积极的影响。对聊天数据的定性分析揭示了这些配置之间的差异体验,这表明了对这种影响的潜在解释,并为未来的研究提出了问题。
2017-04-18 cs.AI cs.CL cs.CY
Scaffolding Collaborative Learning in STEM: A Two-Year Evaluation of a Tool-Integrated Project-Based Methodology
Biongineering Department(生物工程系);Universidad Carlos III de Madrid(卡洛斯三世大学)
本研究在健康领域机器学习硕士项目的生物医学图像处理课程中整合数字协作工具与结构化同伴评估,两年实验显示该方法提升了评估区分度、公平性与学生参与度,为STEM教育提质促公平提供参考。
2025-09-02 cs.CY cs.HC cs.LG
Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring
Dept. of Computer Science, George Mason University, Virginia, USA(计算机科学系,乔治·马歇尔大学,弗吉尼亚州,美国);Dept. of Computer Science and Engineering, University of Rajshahi, Bangladesh(计算机科学与工程系,拉贾沙希大学,孟加拉国);Dept. of Computer Science and Engineering, Green University of Bangladesh, Bangladesh(计算机科学与工程系,孟加拉国绿色大学,孟加拉国)
本文提出一种上下文感知的机器学习框架,利用六个基分类器和集成策略对学生压力进行分类,在两个数据集上分别达到93.09%和99.53%的准确率,优于现有基准,支持早期压力检测。
2025-08-01 cs.AI cs.CY cs.LG