論文の概要: Deep Attentive Study Session Dropout Prediction in Mobile Learning Environment

• arxiv url: http://arxiv.org/abs/2002.11624v5
• Date: Tue, 2 Feb 2021 04:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 04:22:04.093369
• Title: Deep Attentive Study Session Dropout Prediction in Mobile Learning Environment
• Title（参考訳）: モバイル学習環境における深い注意学習セッションドロップアウト予測
• Authors: Youngnam Lee, Dongmin Shin, HyunBin Loh, Jaemin Lee, Piljae Chae, Junghyun Cho, Seoyon Park, Jinhwan Lee, Jineon Baek, Byungsoo Kim, Youngduck Choi
• Abstract要約: 本研究では,モバイル学習環境における深層学習セッションドロップアウト予測のためのトランスフォーマーベースモデルを提案する。 DASにはエンコーダ・デコーダ構造があり、マルチヘッドアテンションとポイントワイドフィードフォワードネットワークで構成されている。 大規模データセットにおける実験的な評価から,DASはベースラインモデルと比較して,受信機動作特性曲線の下での領域の大幅な改善により,最高の性能を達成している。
• 参考スコア（独自算出の注目度）: 2.618725058360721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Student dropout prediction provides an opportunity to improve student engagement, which maximizes the overall effectiveness of learning experiences. However, researches on student dropout were mainly conducted on school dropout or course dropout, and study session dropout in a mobile learning environment has not been considered thoroughly. In this paper, we investigate the study session dropout prediction problem in a mobile learning environment. First, we define the concept of the study session, study session dropout and study session dropout prediction task in a mobile learning environment. Based on the definitions, we propose a novel Transformer based model for predicting study session dropout, DAS: Deep Attentive Study Session Dropout Prediction in Mobile Learning Environment. DAS has an encoder-decoder structure which is composed of stacked multi-head attention and point-wise feed-forward networks. The deep attentive computations in DAS are capable of capturing complex relations among dynamic student interactions. To the best of our knowledge, this is the first attempt to investigate study session dropout in a mobile learning environment. Empirical evaluations on a large-scale dataset show that DAS achieves the best performance with a significant improvement in area under the receiver operating characteristic curve compared to baseline models.
• Abstract（参考訳）: 学生のドロップアウト予測は、学生のエンゲージメントを改善する機会を提供し、学習体験の全体的な効果を最大化する。 しかし、学生の退学に関する調査は、主に学校ドロップアウトやコースドロップアウトで行われており、モバイル学習環境における学習セッションの退学は十分に考慮されていない。 本稿では,モバイル学習環境における学習セッションのドロップアウト予測問題について検討する。 まず,モバイル学習環境における学習セッション,学習セッションドロップアウト,学習セッションドロップアウト予測タスクの概念を定義した。 この定義に基づき,モバイル学習環境における学習セッションドロップアウト予測のための新しいトランスフォーマモデルdas: deep attentive studyセッションドロップアウト予測を提案する。 DASにはエンコーダ・デコーダ構造があり、マルチヘッドアテンションとポイントワイドフィードフォワードネットワークで構成されている。 DASの深い注意計算は、動的学生相互作用の間の複雑な関係を捉えることができる。 私たちの知る限りでは、これはモバイル学習環境における学習セッションのドロップアウトを調査する最初の試みです。 大規模データセットの実証評価から,DASはベースラインモデルと比較して,受信機動作特性曲線の下での領域の大幅な改善により,最高の性能を達成することが示された。

関連論文リスト

• Exploring the Precise Dynamics of Single-Layer GAN Models: Leveraging Multi-Feature Discriminators for High-Dimensional Subspace Learning [0.0]
  サブスペース学習の観点から,単層GANモデルのトレーニングダイナミクスについて検討する。 解析をサブスペース学習の領域にブリッジすることで,従来の手法と比較してGAN法の有効性を体系的に比較する。
  論文  参考訳（メタデータ） (2024-11-01T10:21:12Z)
• On-device Federated Learning in Smartphones for Detecting Depression from Reddit Posts [0.0]
  ソーシャルメディアの投稿は個人の精神状態に関する貴重な情報を提供している。 本研究では,スマートフォン上での分散学習を容易にするために,フェデレートラーニング(FL)を採用した。 トレーニングプロセスを最適化するために、すべてのクライアントデバイスで共通のトークン化ツールを活用します。
  論文  参考訳（メタデータ） (2024-10-17T16:09:32Z)
• What Makes CLIP More Robust to Long-Tailed Pre-Training Data? A Controlled Study for Transferable Insights [67.72413262980272]
  大規模なデータ不均衡は、Webスケールの視覚言語データセットの間に自然に存在する。 事前学習したCLIPは、教師付き学習と比較してデータ不均衡に顕著な堅牢性を示す。 CLIPの堅牢性と差別性は、より記述的な言語監督、より大きなデータスケール、より広いオープンワールドの概念によって改善される。
  論文  参考訳（メタデータ） (2024-05-31T17:57:24Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• 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)
• Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
  視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。 まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。 我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Time Will Change Things: An Empirical Study on Dynamic Language Understanding in Social Media Classification [5.075802830306718]
  我々は、実験的にソーシャルメディアのNLUを動的に研究し、モデルが過去のデータに基づいてトレーニングされ、将来のテストが行われる。 自動エンコーディングと擬似ラベルが協調して、動的性の最良の堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2022-10-06T12:18:28Z)
• Generalisable Methods for Early Prediction in Interactive Simulations for Education [5.725477071353353]
  シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。 まず,学生のタスク内動作を通して概念的理解を計測する。 そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:46:56Z)
• Continual Predictive Learning from Videos [100.27176974654559]
  本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。 本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。 我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
  論文  参考訳（メタデータ） (2022-04-12T08:32:26Z)
• A Primer on Deep Learning for Causal Inference [31.385500852897245]
  このレビューは、潜在的な結果の枠組みの下で、ディープニューラルネットワークを用いた因果推論のための新たな文献を体系化する。 深層学習を用いて不均一な治療効果を推定・予測し、因果推論を非線形、時間変化、テキスト、ネットワーク、画像にエンコードされた設定にまで拡張する方法について、直感的な紹介を提供する。
  論文  参考訳（メタデータ） (2021-10-09T03:25:01Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。

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。