Buchumschlag

Push and Pull in Community College Cross-Enrollment: Remoteness, Articulation, and Student Mobility

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Borchers, Conrad, Schmucker, Robin, Tiwari, Ashutosh, Pardos, Zachary A.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Gaining Insights into Group-Level Course Difficulty via Differential Course Functioning
von: Baucks, Frederik, et al.
Veröffentlicht: (2024)

Toward Trait-Aware Learning Analytics
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Optimizing Mastery Learning by Fast-Forwarding Over-Practice Steps
von: Xia, Meng, et al.
Veröffentlicht: (2025)

AI Mentors for Student Projects: Spotting Early Issues in Computer Science Proposals
von: Aher, Gati, et al.
Veröffentlicht: (2025)

The Impact of Item-Writing Flaws on Difficulty and Discrimination in Item Response Theory
von: Schmucker, Robin, et al.
Veröffentlicht: (2025)

Large Language Models as Students Who Think Aloud: Overly Coherent, Verbose, and Confident
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Push and Pull: A Framework for Measuring Attentional Agency on Digital Platforms
von: Wojtowicz, Zachary, et al.
Veröffentlicht: (2024)

The RIGID Framework: Research-Integrated, Generative AI-Mediated Instructional Design
von: Kwak, Yerin, et al.
Veröffentlicht: (2026)

Measuring the Impact of Student Gaming Behaviors on Learner Modeling
von: Liu, Qinyi, et al.
Veröffentlicht: (2025)

The Digital Divide in Generative AI: Evidence from Large Language Model Use in College Admissions Essays
von: Lee, Jinsook, et al.
Veröffentlicht: (2026)

Representation Learning to Study Temporal Dynamics in Tutorial Scaffolding
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

The Course Difficulty Analysis Cookbook
von: Baucks, Frederik, et al.
Veröffentlicht: (2025)

Leveraging LLM-Respondents for Item Evaluation: a Psychometric Analysis
von: Liu, Yunting, et al.
Veröffentlicht: (2024)

Who Decides in AI-Mediated Learning? The Agency Allocation Framework
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Understanding Student Effort Using Response-Time Propensities During Problem Solving
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Advancing credit mobility through stakeholder-informed AI design and adoption
von: Kwak, Yerin, et al.
Veröffentlicht: (2026)

Starting Seatwork Earlier as a Valid Measure of Student Engagement
von: Gurung, Ashish, et al.
Veröffentlicht: (2025)

Machine Learning Algorithms for Detecting Mental Stress in College Students
von: Singh, Ashutosh, et al.
Veröffentlicht: (2024)

Beyond Agreement: Rethinking Ground Truth in Educational AI Annotation
von: Thomas, Danielle R., et al.
Veröffentlicht: (2025)

Disentangling Learning from Judgment: Representation Learning for Open Response Analytics
von: Borchers, Conrad, et al.
Veröffentlicht: (2025)

Fifteen Years of Learning Analytics Research: Topics, Trends, and Challenges
von: Švábenský, Valdemar, et al.
Veröffentlicht: (2026)

Combining Large Language Models with Tutoring System Intelligence: A Case Study in Caregiver Homework Support
von: Venugopalan, Devika, et al.
Veröffentlicht: (2024)

From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning
von: Qiu, Eric S., et al.
Veröffentlicht: (2026)

Understanding Teacher Revisions of Large Language Model-Generated Feedback
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Benchmarking Educational LLMs with Analytics: A Case Study on Gender Bias in Feedback
von: Du, Yishan, et al.
Veröffentlicht: (2025)

Brief but Impactful: How Human Tutoring Interactions Shape Engagement in Online Learning
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education
von: Thomas, Danielle R., et al.
Veröffentlicht: (2026)

3DG: A Framework for Using Generative AI for Handling Sparse Learner Performance Data From Intelligent Tutoring Systems
von: Zhang, Liang, et al.
Veröffentlicht: (2024)

Augmenting Human-Annotated Training Data with Large Language Model Generation and Distillation in Open-Response Assessment
von: Borchers, Conrad, et al.
Veröffentlicht: (2025)

LLM-Generated Feedback Supports Learning If Learners Choose to Use It
von: Thomas, Danielle R., et al.
Veröffentlicht: (2025)

Multimodal Analytics of Cybersecurity Crisis Preparation Exercises: What Predicts Success?
von: Borchers, Conrad, et al.
Veröffentlicht: (2026)

Understanding Gaming the System by Analyzing Self-Regulated Learning in Think-Aloud Protocols
von: Zhang, Jiayi, et al.
Veröffentlicht: (2026)

Evaluating the Impact of Data Augmentation on Predictive Model Performance
von: Švábenský, Valdemar, et al.
Veröffentlicht: (2024)

Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability
von: Rafe, Amir, et al.
Veröffentlicht: (2026)

"Pull or Not to Pull?'': Investigating Moral Biases in Leading Large Language Models Across Ethical Dilemmas
von: Ding, Junchen, et al.
Veröffentlicht: (2025)

Barriers to Digital Mental Health Services among College Students
von: Cho, Ha Na, et al.
Veröffentlicht: (2025)

Predicting Learning Performance with Large Language Models: A Study in Adult Literacy
von: Zhang, Liang, et al.
Veröffentlicht: (2024)

Leveraging LLMs to Assess Tutor Moves in Real-Life Dialogues: A Feasibility Study
von: Thomas, Danielle R., et al.
Veröffentlicht: (2025)

Sticky Help, Bounded Effects: Session-by-Session Analytics of Teacher Interventions in K-12 Classrooms
von: Jin, Qiao, et al.
Veröffentlicht: (2026)

A Meta-analysis of College Students' Intention to Use Generative Artificial Intelligence
von: Diao, Yifei, et al.
Veröffentlicht: (2024)