論文の概要: A Deep Learning Approach to Behavior-Based Learner Modeling

• arxiv url: http://arxiv.org/abs/2001.08328v1
• Date: Thu, 23 Jan 2020 01:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 13:21:31.529176
• Title: A Deep Learning Approach to Behavior-Based Learner Modeling
• Title（参考訳）: 行動に基づく学習者モデリングへの深層学習アプローチ
• Authors: Yuwei Tu, Weiyu Chen, Christopher G. Brinton
• Abstract要約: 本研究では,学習者の学習結果の予測,すなわちコース終了時の行動予測について検討する。 本稿では,学習者がコースをどう進むか,学習者がコースをどう進むかという2つの重要な要素を取り入れた,パフォーマンス予測のための2つの分岐決定ネットワークを提案する。 提案アルゴリズムは、95.7%の精度と0.958のAUCスコアを達成し、他の全てのモデルより優れている。
• 参考スコア（独自算出の注目度）: 11.899303239960412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing popularity of e-learning has created demand for improving online education through techniques such as predictive analytics and content recommendations. In this paper, we study learner outcome predictions, i.e., predictions of how they will perform at the end of a course. We propose a novel Two Branch Decision Network for performance prediction that incorporates two important factors: how learners progress through the course and how the content progresses through the course. We combine clickstream features which log every action the learner takes while learning, and textual features which are generated through pre-trained GloVe word embeddings. To assess the performance of our proposed network, we collect data from a short online course designed for corporate training and evaluate both neural network and non-neural network based algorithms on it. Our proposed algorithm achieves 95.7% accuracy and 0.958 AUC score, which outperforms all other models. The results also indicate the combination of behavior features and text features are more predictive than behavior features only and neural network models are powerful in capturing the joint relationship between user behavior and course content.
• Abstract（参考訳）: eラーニングの人気が高まり、予測分析やコンテンツレコメンデーションといった手法によるオンライン教育の改善が求められている。 本稿では,学習者の学習結果の予測,すなわちコース終了時の動作の予測について検討する。 そこで本研究では,学習者の進路の進行方法と学習内容の進行方法という2つの重要な要素を組み込んだ,パフォーマンス予測のための2つの分枝決定ネットワークを提案する。 学習中に学習者が行うすべてのアクションをログするクリックストリーム機能と、事前学習されたグローブワード埋め込みによって生成されたテキスト特徴を組み合わせる。 提案するネットワークの性能を評価するために,企業トレーニング用に設計された短いオンラインコースからデータを収集し,ニューラルネットワークと非ニューラルネットワークに基づくアルゴリズムの両方を評価した。 提案アルゴリズムは95.7%の精度と0.958のAUCスコアを達成し、他の全てのモデルより優れている。 また、行動特徴とテキスト特徴の組み合わせは、行動特徴よりも予測的であり、ニューラルネットワークモデルは、ユーザの行動とコース内容の結合関係を捉えるのに強力であることを示す。

関連論文リスト

• Artificial Neural Network and Deep Learning: Fundamentals and Theory [0.0]
  この本は、データと確率分布を理解するための確固たる基礎を定めている。 この本は多層フィードフォワードニューラルネットワークに発展し、アーキテクチャ、トレーニングプロセス、バックプロパゲーションアルゴリズムを説明する。 テキストは様々な学習率スケジュールと適応アルゴリズムをカバーし、トレーニングプロセスを最適化するための戦略を提供する。
  論文  参考訳（メタデータ） (2024-08-12T21:06:59Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• 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)
• Click-Based Student Performance Prediction: A Clustering Guided Meta-Learning Approach [10.962724342736042]
  クリックストリーム行動からオンライン授業における学生の知識獲得を予測する問題について検討する。 ビデオ内のクイズ性能を予測する手法は,開発する3つの重要なアイデアに基づいている。
  論文  参考訳（メタデータ） (2021-10-28T14:03:29Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Graph-based Exercise- and Knowledge-Aware Learning Network for Student Performance Prediction [8.21303828329009]
  学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。 我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
  論文  参考訳（メタデータ） (2021-06-01T06:53:17Z)
• Learning Neural Network Subspaces [74.44457651546728]
  近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
  論文  参考訳（メタデータ） (2021-02-20T23:26:58Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)
• Tighter risk certificates for neural networks [10.462889461373226]
  ここでは、ニューラルネットワークのトレーニングに関連して、初めて使用するトレーニング目標を2つ提示する。 また,従来のPAC-Bayes境界に基づいて,従来使用されていたトレーニング目標を再実装する。 我々は、予測器の学習に使用されるデータの一部に基づいて、学習者予測器のリスク証明書を算出する。
  論文  参考訳（メタデータ） (2020-07-25T11:02:16Z)
• EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors [55.33024245762306]
  リスク・アット・リスク(STAR)の早期予測は、ドロップアウトや自殺にタイムリーに介入するための有効かつ重要な手段である。 既存の作業は主に、学習プロセス全体を捉えるのに十分な包括的でないオンラインまたはオフラインの学習行動に依存する。 オンラインおよびオフライン学習行動のモデル化により,STARを1学期で早期に予測できる新しいアルゴリズム(EPARS)を提案する。
  論文  参考訳（メタデータ） (2020-06-06T12:56:26Z)
• The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
  問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。 現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。 我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
  論文  参考訳（メタデータ） (2020-03-04T17:52:48Z)

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。