論文の概要: Context-aware Non-linear and Neural Attentive Knowledge-based Models for Grade Prediction

• arxiv url: http://arxiv.org/abs/2003.05063v1
• Date: Mon, 9 Mar 2020 20:20:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 08:33:05.781844
• Title: Context-aware Non-linear and Neural Attentive Knowledge-based Models for Grade Prediction
• Title（参考訳）: グレード予測のための文脈認識型非線形・神経注意知識モデル
• Authors: Sara Morsy and George Karypis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.592903558338444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grade prediction for future courses not yet taken by students is important as it can help them and their advisers during the process of course selection as well as for designing personalized degree plans and modifying them based on their performance. One of the successful approaches for accurately predicting a student's grades in future courses is Cumulative Knowledge-based Regression Models (CKRM). CKRM learns shallow linear models that predict a student's grades as the similarity between his/her knowledge state and the target course. However, prior courses taken by a student can have \black{different contributions when estimating a student's knowledge state and towards each target course, which} cannot be captured by linear models. Moreover, CKRM and other grade prediction methods ignore the effect of concurrently-taken courses on a student's performance in a target course. In this paper, we propose context-aware non-linear and neural attentive models that can potentially better estimate a student's knowledge state from his/her prior course information, as well as model the interactions between a target course and concurrent courses. Compared to the competing methods, our experiments on a large real-world dataset consisting of more than $1.5$M grades show the effectiveness of the proposed models in accurately predicting students' grades. Moreover, the attention weights learned by the neural attentive model can be helpful in better designing their degree plans.
• Abstract（参考訳）: 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は、コース選択の過程で彼らとそのアドバイザーを助け、パーソナライズされた学位プランを設計し、パフォーマンスに基づいて修正する上で重要である。 将来の授業で生徒の成績を正確に予測するのに成功したアプローチの1つは累積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。 しかし、学生の知識状態を推定し、各対象のコースに向ける際には、学生が受ける事前のコースは「ブラック{差分的な貢献」を持つことができる。 さらに、CKRMや他のグレード予測手法は、対象コースにおける生徒のパフォーマンスに対する同時学習の効果を無視する。 本稿では,対象コースと並行コースの相互作用をモデル化するとともに,事前コース情報から学習者の知識状態を推定し得る,文脈認識型非線形・神経注意モデルを提案する。 実世界の大規模データセットを15万ドル以上の成績で比較した結果,提案モデルの有効性が示され,学生の成績を正確に予測できた。 さらに,神経注意モデルによって学習された注意重みは,学習度計画の設計に有用である。

関連論文リスト

• Is Your Model "MADD"? A Novel Metric to Evaluate Algorithmic Fairness for Predictive Student Models [0.0]
  本稿では,モデルの識別行動を分析するために,モデル絶対密度距離(MADD)を提案する。 オンライン授業における学生の成功を予測するための共通課題に対するアプローチを,いくつかの共通予測分類モデルを用いて評価した。
  論文  参考訳（メタデータ） (2023-05-24T16:55:49Z)
• 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)
• Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
  我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。 画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-09-30T02:25:12Z)
• Predicting student performance using sequence classification with time-based windows [1.5836913530330787]
  本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。 本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。 改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
  論文  参考訳（メタデータ） (2022-08-16T13:46:39Z)
• Masked prediction tasks: a parameter identifiability view [49.533046139235466]
  マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。 いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
  論文  参考訳（メタデータ） (2022-02-18T17:09:32Z)
• Learning by Distillation: A Self-Supervised Learning Framework for Optical Flow Estimation [71.76008290101214]
  DistillFlowは光の流れを学ぶための知識蒸留手法である。 KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。 我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-06-08T09:13:34Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• 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)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)
• Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
  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。
  論文  参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。