Fugu-MT 論文翻訳(概要): Dropout Prediction over Weeks in MOOCs by Learning Representations of Clicks and Videos

論文の概要: Dropout Prediction over Weeks in MOOCs by Learning Representations of Clicks and Videos

arxiv url: http://arxiv.org/abs/2002.01955v1
Date: Wed, 5 Feb 2020 19:10:01 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 21:56:19.705187
Title: Dropout Prediction over Weeks in MOOCs by Learning Representations of Clicks and Videos
Title（参考訳）: クリックとビデオの表現学習によるmoocsにおける数週間のドロップアウト予測
Authors: Byungsoo Jeon, Namyong Park
Abstract要約: ビデオの表現と動画とクリックの相関関係を学習する手法を開発した。その結果、ビデオのモデリングとクリックとの相関は、ドロップアウト予測において統計的に有意な改善をもたらすことが示唆された。
参考スコア（独自算出の注目度）: 6.030785848148107
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses a key challenge in MOOC dropout prediction, namely to build meaningful representations from clickstream data. While a variety of feature extraction techniques have been explored extensively for such purposes, to our knowledge, no prior works have explored modeling of educational content (e.g. video) and their correlation with the learner's behavior (e.g. clickstream) in this context. We bridge this gap by devising a method to learn representation for videos and the correlation between videos and clicks. The results indicate that modeling videos and their correlation with clicks bring statistically significant improvements in predicting dropout.
Abstract（参考訳）: 本稿では,MOOCのドロップアウト予測における重要な課題,すなわちクリックストリームデータから意味のある表現を構築することについて述べる。私たちの知識では,様々な特徴抽出手法が広く研究されてきたが,教育内容(ビデオなど)のモデル化や,学習者の行動(クリックストリームなど)との関連については,先行研究は行われていない。このギャップを埋めるために,動画の表現と動画とクリックの相関関係を学習する手法を考案する。その結果,ビデオのモデリングとクリックとの相関は,ドロップアウト予測において統計的に有意な改善をもたらすことが示された。

関連論文リスト

Video In-context Learning [46.40277880351059]
本稿では,既存のビデオクリップからモデルが始まり,様々な将来的なシーケンスを生成するビデオインコンテキスト学習について検討する。これを実現するために、タスクを明確に定義し、ビデオデータセット上で自動回帰変換器を訓練する。客観的尺度と主観的尺度の両方を含む様々な評価指標を設計し、生成結果の視覚的品質と意味的精度を実証する。
論文参考訳（メタデータ） (2024-07-10T04:27:06Z)
Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
論文参考訳（メタデータ） (2023-12-28T23:34:43Z)
Early Action Recognition with Action Prototypes [62.826125870298306]
本稿では,各クラスに対するフルアクションのプロトタイプ表現を学習する新しいモデルを提案する。映像を短いクリップに分解し、視覚エンコーダがそれぞれのクリップから特徴を独立して抽出する。その後、デコーダは、最終クラスの予測のために、すべてのクリップからオンラインのファッション機能として集約される。
論文参考訳（メタデータ） (2023-12-11T18:31:13Z)
Causalainer: Causal Explainer for Automatic Video Summarization [77.36225634727221]
多くのアプリケーションシナリオにおいて、不適切なビデオ要約は大きな影響を与える可能性がある。説明可能性のモデリングは重要な関心事です。 Causalainerと呼ばれるCausal Explainerがこの問題に対処するために提案されている。
論文参考訳（メタデータ） (2023-04-30T11:42:06Z)
An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
論文参考訳（メタデータ） (2023-04-19T10:59:34Z)
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)
WeClick: Weakly-Supervised Video Semantic Segmentation with Click Annotations [64.52412111417019]
WeClick と呼ばれるクリックアノテーション付きビデオセマンティックセマンティックセマンティックパイプラインを提案する。詳細なセマンティック情報はクリックによってキャプチャされないため、クリックラベルによる直接トレーニングはセグメンテーションの予測が不十分になる。 WeClickは最先端の手法より優れ、ベースラインよりも10.24%のmIoUで性能を向上し、リアルタイム実行を実現している。
論文参考訳（メタデータ） (2021-07-07T09:12:46Z)
CoCon: Cooperative-Contrastive Learning [52.342936645996765]
自己教師付き視覚表現学習は効率的な映像分析の鍵である。最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
論文参考訳（メタデータ） (2021-04-30T05:46:02Z)
Exploring Relations in Untrimmed Videos for Self-Supervised Learning [17.670226952829506]
既存の自己教師付き学習手法は主にモデルトレーニングのためのトリミングビデオに依存している。非時間ビデオ(ERUV)における探索関係(Exploring Relations in Untemporal Videos)と呼ばれる,新たな自己管理手法を提案する。 ERUVはよりリッチな表現を学習することができ、最先端の自己管理手法よりも優れたマージンを持つ。
論文参考訳（メタデータ） (2020-08-06T15:29:25Z)
Dropout Prediction over Weeks in MOOCs via Interpretable Multi-Layer Representation Learning [6.368257863961961]
本論文は,次の週のクリックストリームデータから,学習者が次の週中に退学するかどうかを予測することを目的とする。本稿では分岐境界(BB)アルゴリズムに基づく多層表現学習ソリューションを提案する。本研究では,Courseraデータを用いた実験において,より複雑なタスク固有モデルに類似した単純なモデルの実行が可能な表現を学習していることを示す。
論文参考訳（メタデータ） (2020-02-05T01:15:34Z)

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。