論文の概要: Academic Performance Estimation with Attention-based Graph Convolutional
Networks
- arxiv url: http://arxiv.org/abs/2001.00632v1
- Date: Thu, 26 Dec 2019 23:11:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 07:52:44.722050
- Title: Academic Performance Estimation with Attention-based Graph Convolutional
Networks
- Title（参考訳）: 注意型グラフ畳み込みネットワークを用いたアカデミックパフォーマンス推定
- Authors: Qian Hu, Huzefa Rangwala
- Abstract要約: 学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。
学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。
本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
- 参考スコア（独自算出の注目度）: 17.985752744098267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Student's academic performance prediction empowers educational technologies
including academic trajectory and degree planning, course recommender systems,
early warning and advising systems. Given a student's past data (such as grades
in prior courses), the task of student's performance prediction is to predict a
student's grades in future courses. Academic programs are structured in a way
that prior courses lay the foundation for future courses. The knowledge
required by courses is obtained by taking multiple prior courses, which
exhibits complex relationships modeled by graph structures. Traditional methods
for student's performance prediction usually neglect the underlying
relationships between multiple courses; and how students acquire knowledge
across them. In addition, traditional methods do not provide interpretation for
predictions needed for decision making. In this work, we propose a novel
attention-based graph convolutional networks model for student's performance
prediction. We conduct extensive experiments on a real-world dataset obtained
from a large public university. The experimental results show that our proposed
model outperforms state-of-the-art approaches in terms of grade prediction. The
proposed model also shows strong accuracy in identifying students who are
at-risk of failing or dropping out so that timely intervention and feedback can
be provided to the student.
- Abstract（参考訳）: 学生の学業成績予測は、学術的軌跡や学位計画、コース推薦システム、早期警告システム、助言システムを含む教育技術を強化する。
学生の過去のデータ(前科の成績など)を踏まえると、学生のパフォーマンス予測の課題は将来のコースにおける生徒の成績を予測することである。
アカデミックプログラムは、事前コースが将来のコースの基礎となるように構成されている。
コースに必要な知識は、グラフ構造によってモデル化された複雑な関係を示す複数の事前のコースを受講することで得られる。
学生のパフォーマンス予測のための伝統的な方法は、通常、複数のコース間の基礎的な関係を無視し、生徒がそれらの間の知識を取得する方法である。
加えて、従来の方法は意思決定に必要な予測の解釈を提供していない。
本研究では,生徒のパフォーマンス予測のための注意に基づくグラフ畳み込みネットワークモデルを提案する。
大規模な公立大学から得られた実世界のデータセットについて広範な実験を行った。
実験の結果,提案モデルが段階予測の面で最先端のアプローチを上回っていることがわかった。
提案モデルでは,失敗や脱落のリスクがある学生を識別することで,生徒にタイムリーな介入やフィードバックを提供することができる。
関連論文リスト
- Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳（メタデータ） (2024-03-12T08:40:21Z) - Enhancing the Performance of Automated Grade Prediction in MOOC using
Graph Representation Learning [3.4882560718166626]
大規模オープンオンラインコース(MOOCs)は、オンライン学習において急速に成長する現象として大きな注目を集めている。
現在の自動評価アプローチでは、下流タスクに関わるさまざまなエンティティ間の構造的リンクを見落としている。
我々は、大規模なMOOCデータセットのためのユニークな知識グラフを構築し、研究コミュニティに公開します。
論文 参考訳（メタデータ） (2023-10-18T19:27:39Z) - A Predictive Model using Machine Learning Algorithm in Identifying
Students Probability on Passing Semestral Course [0.0]
本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。
新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
論文 参考訳（メタデータ） (2023-04-12T01:57:08Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-18T17:25:43Z) - Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic
Performance Prediction [28.383922154797315]
学業成績予測は、学生に関連する情報を活用し、将来の学業成果を予測することを目的としている。
本稿では、学生の日常行動軌跡を分析し、キャンパスのスマートカード記録を網羅的に追跡する。
本稿では,行ワイド,列ワイド,深さワイドのコンボリューションとアテンション操作を備えた新しいTri-Branch CNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-07-22T02:35:36Z) - Early Performance Prediction using Interpretable Patterns in Programming
Process Data [13.413990352918098]
リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。
我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-02-10T22:46:45Z) - Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。
1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文 参考訳（メタデータ） (2020-08-04T14:55:32Z) - Video Prediction via Example Guidance [156.08546987158616]
ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。
本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-03T14:57:24Z) - Context-aware Non-linear and Neural Attentive Knowledge-based Models for
Grade Prediction [12.592903558338444]
コース選択の過程において,学生と指導員を支援できるため,学生がまだ受け取っていない将来のコースのグレード予測が重要である。
将来のコースにおける生徒の成績を正確に予測するための成功したアプローチの1つは、累積的知識ベース回帰モデル(CKRM)である。
CKRMは、学生の成績を、自分の知識状態と対象コースとの類似性として予測する浅い線形モデルを学ぶ。
本研究では,学習者の事前学習情報から,学習者の知識状態をより正確に推定できる文脈認識型非線形・ニューラル注意モデルを提案する。
論文 参考訳（メタデータ） (2020-03-09T20:20:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。